Para prever a PMC com Python, dá para colocar três abordagens no mesmo teste: econometria clássica (ARIMA), machine learning (XGBoost) e um modelo de IA para séries temporais (TimeGPT). Foi o que fizemos com as vendas do varejo brasileiro, e contra os dados que o IBGE divulgou depois, o modelo mais simples foi o que mais acertou.
A PMC (Pesquisa Mensal de Comércio) é a pesquisa do IBGE que mede a variação do volume de vendas do varejo mês a mês. É um dos termômetros mais diretos da atividade econômica no Brasil. Este tutorial mostra como comparar os três modelos treinando cada um no passado e testando no que veio depois, e o que cada um entregou quando confrontado com a PMC que o IBGE divulgou.
A linha grossa é a variação que o varejo registrou; as tracejadas são o que cada modelo tinha previsto meses antes. O ARIMA acompanhou a série realizada de perto, enquanto o XGBoost começou bem acima e só depois convergiu. Adiante mostramos como esse teste foi montado, passo a passo.
Quer o código deste exercício?
O script completo em Python (coleta a PMC na API do IBGE, roda os três modelos e gera os gráficos) vai para os assinantes do Boletim AM. Assine, é gratuito, e receba no seu e-mail o código pronto para rodar.
Por que comparar três famílias de modelo
Prever uma série econômica não tem um método único e óbvio. Cada família de modelo enxerga o problema de um jeito, e o que funciona depende da série, do horizonte e do quanto de dado existe.
Em vez de escolher pela reputação, o exercício põe as três para competir na mesma tarefa: prever a variação mensal do varejo ampliado 12 meses à frente. Assim a comparação é empírica, não uma questão de gosto.
As três abordagens, explicadas
Antes de comparar, vale entender a lógica de cada modelo, porque elas são bem diferentes entre si.
ARIMA — a econometria clássica
O ARIMA modela a série a partir dela mesma: usa os valores passados, os erros passados e, se preciso, diferencia a série para estabilizá-la. Na versão sazonal, repete essa lógica no ciclo de 12 meses, captando o padrão anual do varejo, onde dezembro é sempre atípico. É transparente e usa poucos parâmetros; a limitação é supor relações lineares.
XGBoost — o machine learning
O XGBoost não foi feito para séries temporais. É um modelo que aprende relações entre variáveis explicativas e um alvo. Para usá-lo aqui, o truque é criar as variáveis a partir da própria série: defasagens, médias móveis, o mês do ano. Ganha em flexibilidade para captar padrões não lineares; em troca, precisa de mais dados e é mais fácil de decorar o passado sem generalizar.
TimeGPT — a IA para séries temporais
O TimeGPT, da Nixtla, é um modelo fundacional: foi pré-treinado em bilhões de observações de séries de vários domínios e prevê uma série nova sem ser treinado nela. É a mesma ideia dos grandes modelos de linguagem, aplicada a séries temporais. É o mais fácil de usar; a contrapartida é ser uma caixa-preta e depender de um serviço externo, com conta e chave de API próprias.
Como o exercício foi feito
O caminho tem quatro etapas, e nenhuma delas depende de dado pago: tudo sai da API pública do IBGE e de bibliotecas abertas de Python.
Na coleta, a série vem da tabela da PMC na API SIDRA do IBGE, que serve os dados oficiais em formato aberto. No tratamento, o retorno bruto é limpo numa única sequência de transformações, deixando a série pronta em variação percentual mensal.
A modelagem é onde as três abordagens divergem. O ARIMA tem a ordem escolhida automaticamente pelo critério de melhor ajuste. O XGBoost exige a etapa extra de engenharia de variáveis, transformando a série numa tabela de preditores. O TimeGPT dispensa treino: recebe a série e devolve a previsão.
O teste que muda a conclusão
A avaliação é onde a comparação se decide. Um modelo pode explicar muito bem o passado e mesmo assim errar o futuro, então o teste que separa um do outro é confrontar a previsão com o que veio depois dela.
Aqui havia uma oportunidade rara. As previsões dos três modelos foram feitas com dados até julho de 2025, para os 12 meses seguintes. Como esses meses já passaram, foi possível comparar cada previsão com a PMC que o IBGE efetivamente divulgou.
Medimos o erro com duas métricas usuais. O RMSE é a raiz do erro quadrático médio, que penaliza mais os erros grandes. O MAE é o erro absoluto médio, mais fácil de ler. Em ambos, menor é melhor.
| Modelo | Abordagem | RMSE | MAE |
|---|---|---|---|
| ARIMA | Econometria | 0,71 | 0,43 |
| TimeGPT | IA | 0,92 | 0,63 |
| XGBoost | Machine learning | 1,35 | 1,06 |
Erro de cada modelo contra a PMC realizada, de agosto/2025 a abril/2026. Fonte: IBGE.
A ordem desmente a intuição de que o modelo mais moderno vence. Contra o dado observado, a econometria clássica ficou em primeiro, a IA em segundo e o machine learning em último. O XGBoost, que tinha o menor erro quando avaliado dentro da amostra, foi o que mais errou quando confrontado com o futuro que não tinha visto.
Para onde vai o varejo nos próximos 12 meses
Feita a avaliação, o exercício gera a previsão que interessa a quem toma decisão: a partir do dado mais recente, qual o ritmo esperado do varejo daqui para frente. O gráfico abaixo traz ARIMA e XGBoost, os dois modelos que rodam localmente, com o intervalo de confiança do ARIMA.
Os dois modelos convergem para um varejo em ritmo fraco e sem grandes saltos, com variações mensais quase sempre entre 0,3% e 1%. O intervalo de confiança do ARIMA é largo, o que é honesto: prever a PMC mês a mês é difícil, e a incerteza faz parte do resultado.
As ferramentas por trás
Na modelagem, três pacotes fazem a estimação: pmdarima para o ARIMA automático, XGBoost para o machine learning e nixtla para o TimeGPT.
O que o resultado revela
- Sofisticação não garante acurácia. Em séries curtas e ruidosas como a PMC, o modelo simples costuma ser difícil de bater.
- A forma de testar decide o vencedor. Avaliar dentro da amostra elegeu o XGBoost; avaliar contra o futuro elegeu o ARIMA.
- A escolha do modelo é empírica. Depende da série, do horizonte e da forma de medir o erro, não da reputação da técnica.
Considerações finais
Este exercício mostra o que o Python permite fazer com dados públicos e poucas linhas: coletar uma série oficial, rodar três famílias de modelo bem diferentes e julgar cada uma pelo acerto contra o dado observado. Até pouco tempo, esse tipo de comparação exigia software estatístico pago e ficava restrito a quem tinha acesso a ele.
O Python é a ferramenta certa para isso porque reúne num só ambiente a coleta, o tratamento, a modelagem e a visualização, com bibliotecas maduras para dados econômicos brasileiros. Aprender a linguagem é o que dá acesso a esse fluxo inteiro.
O alcance vai além da PMC. O mesmo caminho (coletar, tratar, modelar e avaliar) se repete em quase todo problema de dados econômicos. O que muda é a aplicação:
- Analista econômico: monta previsões próprias de atividade, inflação e emprego, com um método de validação que se sustenta.
- Economista de mercado: compara modelos e escolhe o que acerta no teste, em vez de confiar no mais elaborado.
- Gestor e trader: antecipa o ritmo do consumo para posicionar carteiras ligadas ao varejo.
- Analista de risco e planejamento: incorpora a incerteza da previsão, lendo o intervalo de confiança em vez de um número só.
Aprender a linguagem é o que abre a porta para todas essas frentes.
Você viu como funciona; aprenda a construir
A Formação em Análise Macroeconômica ensina, em Python, a coletar dados oficiais, modelar séries e prever indicadores como a PMC, do zero ao aplicado. Quem quer acesso a todas as formações tem o AM Black, a assinatura anual.
Conheça a Formação em Análise Macroeconômica →Ver o AM Black →
Leia também:
