Previsão do PIB estadual : novos concorrentes versus modelos tradicionais de séries temporais

Abstract

Este trabalho apresenta um estudo comparativo de diferentes modelos de previsão para a série temporal do Produto Interno Bruto (PIB) do estado de Goiás. O objetivo principal é avaliar o desempenho de modelos clássicos de séries temporais, como SARIMA e ETS, em comparação com algoritmos de aprendizado de máquina, incluindo Random Forest, Gradient Boosting Machine (GBM), XGBoost, Extreme Learning Machine (ELM), Multivariate Adaptive Regression Splines (MARS) e Principal Component Regression (PCR). A análise investiga sistematicamente o impacto de várias etapas de pré-processamento, como a dessazonalização e a diferenciação, no desempenho preditivo dos modelos. Os resultados indicam que a dessazonalização é a etapa de pré-processamento mais impactante, melhorando significativamente a acurácia da maioria dos algoritmos. Modelos clássicos como o SARIMA demonstram grande robustez, enquanto modelos de machine learning, em particular o XGBoost e o GBM, mostram-se altamente competitivos, especialmente em cenários com a série adequadamente pré-processada. O estudo conclui que a escolha ótima do modelo e das etapas de pré-processamento depende das características específicas da série temporal, e fornece um conjunto de diretrizes práticas para a previsão do PIB de Goiás.