Nowcasting do PIB: um modelo de fatores

A edição 57 do Clube do Código aborda o tema de nowcasting. Em termos bem gerais, nowcasting é a previsão do presente -- ou do futuro/passado muito recente. O objetivo, neste caso, é encontrar um conjunto de variáveis capaz de capturar a dinâmica da série de interesse no mesmo período em que esta ocorre.

Entretanto, este conjunto pode envolver um número arbitrariamente grande de variáveis: dezenas, centenas ou até milhares. Se o número de variáveis for superior ao número de observações, não é possível estimar coeficientes em modelos paramétricos tradicionais (OLS, por exemplo). Por outro lado, mesmo que seja possível estimar os coeficientes, não é apropriado introduzir um número muito elevado de variáveis nos modelos: isto pode gerar overfitting, o que tende a produzir previsões bastante imprecisas.

Uma solução comumente adotada é utilizar um modelo com fatores. Mais especificamente, um fator busca reduzir o conjunto de informações (variáveis) a uma fonte de variação comum entre elas. Em geral, essa fonte de variação comum é não-observável. A ideia, portanto, é utilizar um conjunto de variáveis relacionadas a essa fonte e, ao extrair o componente de variação comum entre elas, obter uma aproximação desta fonte não-observável.

Para ficar mais claro, imagine que estejamos interessados em acompanhar em "tempo real" a evolução da atividade econômica. Sabemos que uma série de variáveis são afetados ou afetam a atividade econômica, embora em direções e magnitudes possivelmente distintas. Por exemplo, a utilização de energia elétrica, a produção da indústria, a confiança dos consumidores, etc. Ao extrair o componente de variação comum entre estas variáveis, poderíamos ter uma medida (indireta) da atividade econômica. E se tivermos estas informações disponíveis no instante t, poderemos ter informação sobre a atividade econômica também em t -- um Nowcast.

Estimulado por essa ideia, o exercício busca realizar um Nowcast do PIB. O IBGE divulga os resultados do PIB cerca de 2 meses depois do fim de cada trimestre. Porém, uma variedade de informações sobre a atividade torna-se disponível no decorrer do próprio trimestre. É possível, então, reunir essas informações, extrair fatores e obter previsões. De início, serão utilizadas apenas 10 variáveis: medidas de inflação, atividade da indústria e confiança dos agentes. Após realizar o tratamento nos dados, serão construídos os fatores através de Componentes Principais (PCA). Em seguida, será ajustado um modelo OLS com a série de PIB como variável dependente e os quatro primeiros fatores como covariáveis.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

O que é um Vector Database e como criar um com LangChain

Nesta postagem, mostramos como construir um pipeline simples de RAG (Retrieval-Augmented Generation) usando o LangChain, o modelo Gemini 2.0 Flash e o Vector Database Chroma. Utilizamos como exemplo o Relatório de Inflação de junho de 2025 do Banco Central do Brasil. O fluxo envolve o download e leitura do PDF, divisão do texto com RecursiveCharacterTextSplitter, geração de embeddings com Gemini, armazenamento vetorial com Chroma e busca semântica para responder perguntas com base no conteúdo do relatório. É uma aplicação prática e didática para economistas que desejam integrar IA ao seu fluxo de análise.

Automatizando a Construção de Códigos em Python com LangGraph

Neste post, mostramos como construir um agente de código em Python utilizando LangGraph, LangChain e Gemini. A proposta é construir um protótipo para automatizar o ciclo completo de geração, execução e correção de código com o uso de LLMs, organizando o processo em um grafo de estados.

Análise de Dados com REPL Tool e LLM usando LangGraph

Neste post, vamos mostrar como você pode criar um agente que interpreta e executa código Python em tempo real, utilizando o REPL-Tool e um LLM da família Gemini. Começamos com um exemplo genérico e, em seguida, aplicamos a mesma estrutura à análise econômica de uma série histórica do IPCA.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.