Modelando o IFIX através de Mínimos Quadrados Parciais (PLS)

A Edição 61 do Clube do Código, que estará disponível para os membros essa semana no repositório privado, busca estimar um modelo via mínimos quadrados parciais para o IFIX, o Índice de Fundos de Investimentos Imobiliários. Segundo a B3, "O IFIX é o resultado de uma carteira teórica de ativos, elaborada de acordo com os critérios estabelecidos nesta metodologia. O objetivo do IFIX é ser o indicador do desempenho médio das cotações dos fundos imobiliários negociados nos mercados de bolsa e de balcão organizado da B3".

A opção por mínimos quadrados parciais para modelar a variável se dá devido a grande quantidade de preditores utilizados, entre variáveis reais de desempenho da economia brasileira e variáveis eminentemente financeiras, com relação entre si. A modelagem via mínimos quadrados ordinários implicaria, assim, em problemas de multicolinearidade.

Uma vez escolhidos os preditores e estimado o modelo dentro da amostra de treino, o ajuste do modelo nos pareceu satisfatório, como mostra o gráfico acima. Isso foi confirmado por medidas de acurácia avaliadas na amostra de teste.

____________________________

O Clube do Código é o projeto de compartilhamento de códigos da Análise Macro. Conheça e apoie o projeto! 

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como avaliar modelos de IA na previsão macroeconômica?

Descubra como economistas e cientistas de dados estão combinando econometria e inteligência artificial para aprimorar previsões macroeconômicas. Neste post, você vai entender as principais etapas de avaliação de modelos — da preparação dos dados à validação cruzada — e conhecer as métricas e técnicas que revelam quais métodos realmente entregam as melhores previsões. Uma leitura essencial para quem quer compreender o futuro da análise econômica orientada por dados.

Análise exploratória e seleção de séries temporais econômicas para modelagem

Quer entender como transformar dados econômicos brutos em previsões macroeconômicas precisas? Neste post, mostramos passo a passo como realizar a análise exploratória e seleção de séries temporais com Python — desde o tratamento de dados e remoção de multicolinearidade até a escolha das variáveis mais relevantes usando técnicas de machine learning e econometria. Um guia essencial para quem quer unir teoria econômica e inteligência artificial na prática da previsão macroeconômica.

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.