Banca de DEFESA: EDUARDO JACOMO SERAPHIM NOGUEIRA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : EDUARDO JACOMO SERAPHIM NOGUEIRA
DATA : 29/08/2025
HORA: 19:00
LOCAL: a definir
TÍTULO:

Previsão da Despesa Primária do Governo Central: Uma Análise Comparativa entre Técnicas Econométricas, Aprendizado de Máquina, Aprendizado Profundo e Combinação de Previsões.

PALAVRAS-CHAVES:

previsão. séries temporais. política fiscal.

PÁGINAS: 80
RESUMO:

A previsão de despesas públicas é essencial para o planejamento fiscal e a sustentabili-
dade das contas governamentais. No entanto, muitos países, especialmente os de baixa e
média renda, ainda realizam previsões fiscais por meio de métodos subjetivos e simples
extrapolações em planilhas eletrônicas. Apesar do crescimento do uso de métodos eco-
nométricos tradicionais, o avanço na aplicação de técnicas de aprendizado de máquina e
aprendizado profundo permanece limitado e concentrado, em grande parte, na previsão
de receitas públicas. Estudos internacionais mostram ganhos com o uso de algoritmos de
aprendizado de máquina e aprendizado profundo, sobretudo pela capacidade de lidar com
não linearidades e padrões complexos. Contudo, ainda faltam evidências robustas para
séries fiscais mensais curtas e ruidosas, comuns em países emergentes. No contexto bra-
sileiro, há escassez de pesquisas voltadas à previsão desagregada das despesas primárias
federais e à comparação sistemática entre diferentes classes de modelos. Este trabalho
investiga empiricamente o desempenho preditivo de modelos tradicionais, de aprendizado
de máquina, de aprendizado profundo e de combinações de modelos na previsão de séries
mensais de despesas federais brasileiras. Para tanto, combinamos benchmarks estatísticos
e algoritmos supervisionados, realizando otimização automática de hiperparâmetros para
obter previsões pontuais robustas. Utilizamos validação cruzada temporal como proce-
dimento de seleção de modelos e previsão conformal para gerar intervalos de confiança
calibrados. Diversas métricas de erro foram empregadas para comparar o desempenho das
abordagens. De modo geral, os modelos estatísticos mostraram-se altamente competitivos,
superando os algoritmos de aprendizado de máquina e aprendizado profundo. Embora os
ensembles interclasses não tenham minimizado os erros médios, aumentaram a robustez
das previsões. Partindo de dados oficiais do Governo Federal, este estudo demonstrou
que o uso de técnicas de previsão de séries temporais é uma ferramenta importante para
subsidiar o trabalho dos formuladores de política fiscal. Pesquisas futuras podem explorar
variáveis exógenas e modelos estruturais ou semiestruturais para ampliar a acurácia, a
robustez e a interpretabilidade dos modelos preditivos.

MEMBROS DA BANCA:
Interno - 1642911 - DANIEL OLIVEIRA CAJUEIRO
Externo ao Programa - 1165891 - JOAO GABRIEL DE MORAES SOUZA - nullInterno - 1550794 - JOSE GUILHERME DE LARA RESENDE
Externo à Instituição - JOÃO FROIS CALDEIRA - UFSC