Previsão da inflação no Brasil dois ensaios à luz da econometria clássica e técnicas de machine learning (2000–2025)

Abstract

Esta dissertação investiga a previsão da inflação brasileira no período de 2000 a 2025, contemplando estimação histórica e projeções fora da amostra, por meio de dois ensaios complementares que articulam, de forma integrada, a tradição da econometria de séries temporais, os avanços recentes em aprendizado de máquina e um arcabouço macroeconômico disciplinador. No Ensaio 1, realiza-se uma análise comparativa entre abordagens univariadas — ARIMA, Prophet e LightGBM — utilizando dados mensais do IPCA de janeiro de 2000 a novembro de 2024, com projeções para o período de dezembro de 2024 a novembro de 2025. O desempenho preditivo é avaliado com base em métricas estatísticas consagradas na literatura (MAE, RMSE e SMAPE), complementadas por diagnóstico de resíduos e inspeção gráfica, permitindo analisar como cada método responde a padrões sazonais, mudanças de tendência e episódios de elevada volatilidade, como crises econômicas e choques exógenos. Os resultados evidenciam a capacidade do LightGBM de capturar não linearidades e reduzir erros médios de previsão, enquanto o ARIMA apresenta desempenho consistente em contextos mais estáveis e o Prophet se destaca pela decomposição interpretável de tendência e sazonalidade, sendo particularmente útil em rotinas de atualização recorrente de previsões. No Ensaio 2, avança-se de uma perspectiva estritamente univariada para uma modelagem multivariada orientada pela Curva de Phillips Novo-Keynesiana Híbrida (CPNK-H), na qual são incorporadas como variáveis explicativas a inflação defasada, as expectativas de inflação extraídas da Pesquisa Focus e o hiato do produto, estimado a partir do Índice de Atividade Econômica do Banco Central (IBC-Br) por meio do filtro de Hodrick–Prescott em modo tempo real (one-sided). Utilizando dados mensais de janeiro de 2004 a novembro de 2024 e projeções realizadas para o período de dezembro de 2024 a novembro de 2025, estima-se um modelo de aprendizado de máquina LightGBM com validação temporal, controle de complexidade e otimização de hiperparâmetros. A interpretação econômica das previsões é conduzida por meio da técnica de explicabilidade SHAP, permitindo confrontar os padrões de atribuição preditiva aprendidos pelo algoritmo com os mecanismos teóricos da literatura macroeconômica. Os achados indicam desempenho preditivo consistente no horizonte fora da amostra, bem como relevância predominante das expectativas de inflação e da inércia inflacionária, com contribuição complementar do hiato do produto na previsão da inflação brasileira, em consonância com evidências empíricas aplicadas ao país. Em conjunto, os resultados demonstram que métodos de aprendizado de máquina, quando ancorados em fundamentos macroeconômicos consistentes e acompanhados de técnicas de interpretabilidade analítica, podem complementar de forma robusta as abordagens econométricas tradicionais, ampliando simultaneamente a capacidade preditiva e o conteúdo analítico das projeções inflacionárias.