Análise e previsão de séries temporais - uma abordagem com modelos de espaço de estados

Abstract

No início de cada mês ocorre uma conferência de imprensa sobre o estudo realizado pelo ISM, Institute for Supply Management. Nesta conferência de imprensa são analisadas as sondagens realizadas à produção industrial dos Estados Unidos da América (EUA). Nas últimas décadas os índices do ISM ganharam relevância como um indicador para avaliar o desempenho e a evolução da produção nos EUA. Os investigadores e analistas económicos não utilizam os dados do ISM como uma fonte de dados para investigação sobre a produção, utilizam apenas dados oficiais fornecidos por instituições governamentais como, por exemplo, o Sistema de Reserva Federal dos Estados Unidos. Estes últimos são os mais economicamente aceites, porque a metodologia para a sua obtenção é considerada mais adequada para a produção de dados mais credíveis do que o índice do ISM. No entanto, o grande valor dos índices do ISM é a sua antecipação em relação aos dados oficiais, uma vez que são publicados previamente. Para o setor privado e as entidades públicas encarregues de propor e implementar políticas é fundamental obter valores próximos da realidade da produção duas ou até quatro semanas antes dos dados oficiais. O principal objetivo desta dissertação é obter previsões a curto prazo de um índice do ISM através de modelos de previsão, uma vez que este índice tem um horizonte temporal de um mês. Foi proposto aplicar-se modelos lineares, modelos autorregressivos integrados e de médias móveis sazonais (SARIMA) e modelos de espaço de estados, por serem largamente adotados para modelar dados económicos. Enquanto a modelação através dos modelos lineares e dos modelos SARIMA está bem estabelecida na literatura, a modelação através dos modelos de espaço de estados implicou um estudo mais exaustivo e é proposta como um procedimento alternativo de modelação. Nestes últimos, a estimação dos parâmetros desconhecidos é usualmente realizada pela estimação de máxima verosimilhança, com o pressuposto da normalidade dos erros. Contudo, nesta dissertação, consideraram-se estimadores independentes da distribuição dos erros como alternativa aos de máxima verosimilhança, em que foi necessário estabelecer intervalos de confiança para os parâmetros através da metodologia Bootstrap, sendo uma contribuição inovadora desta dissertação. Nesta dissertação foi utilizada a base de dados do ISM, a única disponibilizada por este instituto correspondendo a todos os scores mensais divulgados pelo ISM desde 1957, disponível em Bognanni & Young (2018) ou no website da instituição.

At the beginning of each month, a press conference is held to discuss the study conducted by ISM, the Institute for Supply Management. During this press conference, surveys conducted on US industrial production are analyzed. Over the past few decades, ISM indices have gained significance as an indicator to assess the performance and trends in US production. Researchers and economic analysts do not use ISM data as a primary source for production research; they rely solely on official data provided by government institutions such as the Federal Reserve System of the United States. These data are more widely accepted because the methodology of their collection is considered more suitable for producing reliable data compared to ISM indices. However, the great value of ISM indices lies in their anticipation of official data since they are published in advance. For the private sector and public entities responsible for proposing and implementing policies, obtaining values close to the reality of production two to even four weeks before official data is crucial. The main objective of this dissertation is to forecast an ISM index using short-term statistical models, as this index has a one-month time horizon. It was proposed to apply linear models, autoregressive integrated moving average (ARIMA) models, and state space models, as they are widely adopted for modeling economic data. While modeling through linear models and SARIMA models is well-established in the literature, modeling through state space models presented some challenges. In the latter, the estimation of unknown parameters is usually performed using maximum likelihood estimation, assuming the normality of errors. However, in this dissertation, estimators independent of the underlying distribution were considered as an alternative to maximum likelihood, involving the derivation of parameter confidence intervals using bootstrap methodology, which is an innovative contribution of this dissertation. The ISM dataset was used in this dissertation, which is the only dataset provided by this institution, encompassing all monthly scores published by ISM since 1957, available at Bognanni & Young (2018) or on the institution’s website.