Previsão da despesa primária do governo central : uma análise comparativa entre técnicas estatísticas, aprendizado de máquina, aprendizado profundo e combinação de previsões

Abstract

A previsão do comportamento das despesas públicas é essencial para o planejamento e a condução da política fiscal, bem como para a sustentabilidade das contas públicas. No entanto, muitos países, especialmente os de baixa e média renda, ainda realizam previsões fiscais por meio de métodos simples, subjetivos ou de meras extrapolações em planilhas eletrônicas. No cenário internacional, apesar da consolidação do uso de métodos estatísticos tradicionais, o avanço da aplicação de técnicas de aprendizado de máquina e de aprendizado profundo permanece limitado e concentrado, em grande parte, na previsão de receitas públicas. Alguns estudos apontam ganhos de precisão com o uso de algoritmos de aprendizado de máquina e de aprendizado profundo, sobretudo pela capacidade teórica de lidar com não linearidades e padrões complexos; entretanto, outros evidenciam dificuldades desses modelos em lidar com séries temporais curtas e ruidosas, comumente observadas em dados fiscais de países emergentes. No contexto brasileiro, não encontramos pesquisas voltadas à previsão desagregada das despesas primárias federais nem à comparação sistemática entre diferentes classes de modelos. Neste trabalho, investigamos empiricamente o desempenho preditivo de modelos estatísticos, de aprendizado de máquina, de aprendizado profundo e de combinações de modelos na previsão de séries temporais de despesas primárias federais brasileiras. Para tanto, combinamos modelos estatísticos, algoritmos supervisionados e otimização automática de hiperparâmetros para obterm previsões pontuais robustas. Utilizamos validação cruzada temporal como procedimento de seleção de modelos e previsão conformal para gerar intervalos de confiança calibrados. Empregamos diversas métricas de erro para comparar o desempenho das diferentes abordagens. De modo geral, os modelos estatísticos apresentam desempenho altamente competitivo, superando algoritmos de aprendizado de máquina e de aprendizado profundo em horizontes mais longos. Os modelos de aprendizado profundo são mais competitivos em horizontes mais curtos, enquanto a combinação de previsões apresenta desempenho equilibrado em diferentes contextos. Partindo de dados oficiais do Governo Federal, demonstramos que o uso de técnicas avançadas de previsão de séries temporais é ferramenta relevante para subsidiar o trabalho dos formuladores da política fiscal. Pesquisas futuras podem explorar variáveis exógenas e modelos estruturais ou semi-estruturais, de forma a ampliar a acurácia, a robustez e a interpretabilidade econômica dos modelos preditivos.