Agora o objetivo é entender os dados, por meio de análises sobre as características, padrões, comportamentos e relações entre as variáveis.

Diversos aspectos práticos surgem nessa etapa, como o tratamento de números índices, a existência de dados faltantes, como tratar problemas de sazonalidade nos dados, etc.

Além disso, será que precisamos de todas as variáveis coletadas? Muitas delas são correlacionadas entre si, então pode ser necessário fazer uma seleção de quais variáveis são realmente importantes para o objetivo de prever a inflação medida pelo IPCA.

Mostraremos métodos simples para construir esse tipo de filtro.

Ao final, o aluno terá construído um script completo em Python que analisa os dados e seleciona variáveis relevantes para a implementação de um fluxo de modelagem preditiva.

Em seguida, chega o momento de lidar com os modelos preditivos que irão fornecer os resultados que tanto queremos.

Para desenvolver modelos preditivos são necessários conhecimentos da área de aplicação, habilidades técnicas de programação, conhecimento de estatística, experiência em ciência de dados, dentre outros.

Portanto, a operacionalização de um modelo não é nada trivial, pois são diversos os procedimentos que um profissional da área precisa sempre ter no radar.

Mas se generalizarmos esses procedimentos em um fluxo de trabalho, a distância entre a idealização do modelo e sua implementação pode ser mais curta e menos árdua.

Tendo como objetivo prever a taxa de inflação medida pelo IPCA, implementaremos um fluxo prático e passo a passo, envolvendo a operação de mais de 18 tipos de modelos, como passeio aleatório, SARIMA, Ridge Regression, LASSO, Bayesian Ridge, Huber Regression, SVM, AdaBoosting, Gemini AI, etc.

Serão explorados temas importantes envolvendo erro de previsão, horizontes de previsão, estratégia de modelagem envolvendo hiperparâmetros definidos via grid search e, então, implementação de validação cruzada com reestimação e janela de treino crescente, com amostra inicial de 50% das observações.

Ao final, o aluno terá construído um script que implementa diversos modelos de previsão para diversos cenários/amostras de dados diferentes, visando encontrar aquele que se generaliza melhor para a previsão da inflação.