| Campo DC | Valor | Idioma |
|---|
| dc.contributor.advisor | Cajueiro, Daniel Oliveira | - |
| dc.contributor.author | Murta, João Vitor Roque | - |
| dc.date.accessioned | 2024-11-13T16:54:25Z | - |
| dc.date.available | 2024-11-13T16:54:25Z | - |
| dc.date.issued | 2024-11-13 | - |
| dc.date.submitted | 2024-02-02 | - |
| dc.identifier.citation | MURTA, João Vitor Roque. Modelos de machine learning para previsão de arrecadação de ICMS em Minas Gerais. 2024. 35 f., il. Dissertação (Mestrado em Economia) — Universidade de Brasília, Brasília, 2024. | pt_BR |
| dc.identifier.uri | http://repositorio.unb.br/handle/10482/50888 | - |
| dc.description | Dissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração e Contabilidade, Departamento de Economia, Programa de Pós-Graduação em Economia, 2024. | pt_BR |
| dc.description.abstract | Esta dissertação avalia a capacidade de modelos de machine learning na previsão da
arrecadação do Imposto sobre Circulação de Mercadorias e Serviços (ICMS) em Minas
Gerais, empregando uma diversidade de abordagens como LASSO, Ridge, Random Forest,
Redes Neurais LSTM. A análise foi conduzida em dois períodos distintos: de Janeiro
de 2019 a Dezembro de 2019 e de Setembro de 2022 a Agosto de 2023, permitindo uma
avaliação abrangente diante de contextos econômicos variados. Os resultados indicam
que o modelo LSTM obteve melhor desempenho no primeiro período analisado, enquanto
o LASSO mostrou maior eficiência no segundo período, ressaltando a importância da
seleção apropriada de modelos em resposta a diferentes cenários econômicos. Este trabalho
contribui para o entendimento de como ferramentas avançadas de previsão podem auxiliar
na gestão fiscal, enfatizando a necessidade de adaptação e inovação contínua em métodos
de previsão tributária. | pt_BR |
| dc.description.sponsorship | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq). | pt_BR |
| dc.language.iso | por | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.title | Modelos de machine learning para previsão de arrecadação de ICMS em Minas Gerais | pt_BR |
| dc.type | Dissertação | pt_BR |
| dc.subject.keyword | Redes neurais (Computação) | pt_BR |
| dc.subject.keyword | Aprendizado de máquina | pt_BR |
| dc.subject.keyword | Minas Gerais (MG) | pt_BR |
| dc.subject.keyword | Imposto sobre circulação de mercadorias e serviços | pt_BR |
| dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | pt_BR |
| dc.description.abstract1 | This dissertation assesses the performance of machine learning models in forecasting ICMS
tax revenue in Minas Gerais state, utilizing a range of approaches including LASSO,
Ridge, Random Forest, and LSTM Neural Networks. The analysis was carried out over
two distinct periods: from January 2019 to December 2019 and from August 2022 to
September 2023, providing a comprehensive evaluation against varied economic backdrops.
The findings indicate that the LSTM model excelled in the first period studied, while
LASSO proved to be more efficient in the second period, underscoring the significance
of selecting appropriate models in response to different economic scenarios. This work
contributes to the understanding of how advanced forecasting tools can aid in fiscal
management, highlighting the necessity for continuous adaptation and innovation in tax
forecasting methodologies. | pt_BR |
| dc.description.unidade | Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas (FACE) | pt_BR |
| dc.description.unidade | Departamento de Economia (FACE ECO) | pt_BR |
| dc.description.ppg | Programa de Pós-Graduação em Economia | pt_BR |
| Aparece nas coleções: | Teses, dissertações e produtos pós-doutorado
|
