30 de setembro de 2026
Comparação da capacidade preditiva do Holt-Winters e do XGBoost na projeção do IPCA mensal
Comparação da Capacidade Preditiva do Holt-winters e do Xgboost na Projeção do Ipca Mensal
Douglas Gonçalves Leite; Patrícia Belfiore Fávero
DOI: 10.22167/2675-6528-202602831
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
A previsão da inflação representa um desafio central na gestão macroeconômica, impactando a política monetária, contratos indexados e o planejamento fiscal. No Brasil, o Índice Nacional de Preços ao Consumidor Amplo (IPCA) combina dinâmica inercial com sensibilidade a choques exógenos, exigindo metodologias específicas. Neste estudo, comparou-se a capacidade preditiva do modelo de Holt-Winters e do algoritmo XGBoost na projeção mensal do IPCA em horizonte de seis meses. Utilizou-se uma série histórica de janeiro de 2010 a julho de 2025, com 186 a 187 observações mensais. Ambos os modelos foram submetidos a auditoria metodológica, incluindo correção de outliers via decomposição STL, validação temporal walk-forward com janela expansiva em cinco rodadas e construção de intervalos de confiança por bootstrap não paramétrico com 3.000 iterações. No subconjunto de teste comum (agosto a dezembro de 2025), o XGBoost obteve Erro Absoluto Médio (MAE) de 0,224 p.p., contra 0,288 p.p. do Holt-Winters, uma vantagem de 22%. Contudo, na estimativa walk-forward, o Holt-Winters apresentou MAE médio de 0,237 p.p. ante 0,264 p.p. do XGBoost, indicando um resultado favorável em horizonte de avaliação mais amplo. O XGBoost demonstrou cobertura de 100% nos intervalos de confiança de 80% e 95%, enquanto o Holt-Winters registrou 50% e 83%, respectivamente. Ambos os modelos falharam em antecipar choques de preços administrados, evidenciando uma limitação estrutural de abordagens univariadas. Os resultados sugerem que a escolha do modelo ideal depende do horizonte e da métrica priorizada, com potencial complementaridade via ensemble por horizonte de projeção.
Palavras-chave: Holt-Winters; IPCA; Previsão de inflação; Séries temporais; XGBoost.
1. Introdução
A previsão da inflação constitui um dos desafios centrais da gestão macroeconômica, com implicações diretas sobre a eficácia da política monetária, a calibragem de contratos indexados e o planejamento fiscal do setor público e privado. De modo geral, o Banco Central utiliza informações econômicas, como os índices de inflação, para monitorar a economia e fornecer subsídios a agentes econômicos e ao governo, permitindo a formulação de políticas e promovendo o crescimento econômico sustentável.
No Brasil, o Índice Nacional de Preços ao Consumidor Amplo (IPCA), índice oficial de inflação calculado pelo Instituto Brasileiro de Geografia e Estatística (IBGE), combina dinâmica inercial persistente com sensibilidade a choques exógenos de elevada magnitude. Essas características impõem exigências metodológicas específicas aos modelos de projeção, tornando a tarefa de prever a inflação um processo complexo e de grande relevância.
A previsão de índices de preços é um tema consolidado na literatura de econometria aplicada. Stock e Watson (2007) documentaram que modelos autorregressivos simples tornaram-se progressivamente difíceis de superar para a previsão da inflação americana a partir dos anos 1990. No contexto de economias emergentes, García-Ferrer e Highfield (1994) demonstraram que modelos de suavização exponencial, como o Holt-Winters, produzem previsões de índices de preços comparáveis às de modelos estruturais mais elaborados em horizontes de curto prazo. No Brasil, Marçal et al. (2013) identificaram que métodos de suavização exponencial competem favoravelmente com modelos ARIMA e de fatores na previsão do IPCA de curto prazo. Contudo, Cecchetti et al. (2000) concluíram que nenhuma classe de modelo domina as demais em todos os horizontes, recomendando a combinação de abordagens para maior robustez.
Mais recentemente, algoritmos de aprendizado de máquina, incluindo random forests, redes neurais recorrentes e métodos de boosting, têm demonstrado potencial para superar modelos econométricos tradicionais em previsões do IPCA em horizontes de médio prazo, quando alimentados por conjuntos ricos de séries macroeconômicas (Medeiros et al., 2016; Araújo e Gaglianone, 2022). O XGBoost, em particular, destaca-se por combinar elevado desempenho preditivo com mecanismos explícitos de regularização que mitigam problemas de sobreajuste, conforme fundamentado por Chen e Guestrin (2016) e Varian (2014).
A dinâmica inflacionária brasileira apresenta três características que moldam a escolha metodológica adequada para sua previsão. A primeira é a forte persistência inercial, com autocorrelações significativas nas defasagens de curto prazo, tornando modelos que capturam eficientemente o nível recente da série, como o Holt-Winters, competitivos em horizontes de um a dois meses (Atkeson e Ohanian, 2001). A segunda é a sazonalidade estrutural regular, com o IPCA exibindo padrões mensais relativamente estáveis ao longo das décadas, favorecendo modelos com componente sazonal explícito (Chatfield, 2001). A terceira é a ocorrência periódica de regimes inflacionários distintos, marcados por choques de preços administrados, variações cambiais abruptas e ciclos de commodities, que introduzem não linearidades e quebras estruturais que escapam ao alcance de modelos puramente lineares (Medeiros et al., 2016; Araújo e Gaglianone, 2022). É precisamente esse conjunto de características que justifica a comparação entre o Holt-Winters, desenhado para capturar as duas primeiras, e o XGBoost, com capacidade de modelar a terceira.
Nesse contexto, torna-se relevante investigar se a incorporação de maior complexidade metodológica, representada por um modelo de aprendizado de máquina capaz de capturar relações não lineares e interações complexas entre variáveis, como o XGBoost, resulta em ganhos efetivos de acurácia na projeção da inflação brasileira em relação a um modelo tradicional univariado, como o Holt-Winters, em horizonte de seis meses. Essa comparação permite avaliar empiricamente se abordagens mais flexíveis superam modelos baseados predominantemente no comportamento recente da inflação, contribuindo para o aprimoramento contínuo das práticas de monitoramento e gestão da economia.
Este trabalho tem como objetivo geral comparar a capacidade preditiva de dois modelos estruturalmente distintos na previsão do IPCA mensal em horizonte de seis meses: o modelo de Holt-Winters, representativo de abordagens estatísticas tradicionais, e o XGBoost, representativo dos métodos contemporâneos de aprendizado de máquina.
2. Material e Métodos
A metodologia empregada neste estudo fundamentou-se na comparação empírica da capacidade preditiva de dois modelos distintos: o modelo de Holt-Winters e o algoritmo XGBoost. Essa abordagem foi selecionada para avaliar a projeção do Índice Nacional de Preços ao Consumidor Amplo (IPCA) mensal em um horizonte de seis meses, considerando as características específicas da série temporal em um contexto de baixa dimensionalidade.
O modelo de Holt-Winters, representativo das abordagens estatísticas tradicionais, foi escolhido em detrimento de alternativas como ARIMA e SARIMA. Sua preferência decorreu da parcimônia na operação com séries que exibem sazonalidade estável e ausência de tendência pronunciada, características observadas no perfil do IPCA no período analisado (Gardner, 1985; Makridakis, Wheelwright e Hyndman, 1998).
O Holt-Winters insere-se na classe dos métodos de suavização exponencial, estruturado para decompor séries temporais em componentes de nível, tendência e sazonalidade. Esses componentes são atualizados recursivamente por meio de parâmetros de suavização (Holt, 1957; Winters, 1960; Hyndman e Athanasopoulos, 2021). A variante aditiva sem tendência, ETS(A,N,A), foi adotada após a comparação de três especificações pelo critério de informação de Akaike (AIC).
Nessa variante, os parâmetros de suavização se reduzem a dois: α, para o nível, e γ, para a sazonalidade. A equação de atualização do nível pondera a observação corrente e a estimativa anterior, enquanto a atualização do componente sazonal é realizada com base na diferença entre o valor observado e o nível estimado, ajustada pelo componente sazonal do ciclo anterior. A previsão para períodos futuros é obtida pela soma do nível estimado e do componente sazonal projetado.
O modelo Holt-Winters foi ajustado sobre a série histórica do IPCA de janeiro de 2010 a junho de 2025, totalizando 186 observações. Quatro outliers foram previamente corrigidos por meio de decomposição STL robusta, utilizando um limiar de 3 desvios-padrão. Os pontos identificados foram substituídos por interpolação linear entre os vizinhos imediatos.
No polo dos métodos de aprendizado de máquina, o XGBoost foi selecionado em detrimento de Random Forest, Long Short-Term Memory (LSTM) e redes neurais densas. O Random Forest, embora baseado em árvores de decisão, utiliza bagging e tende a menor acurácia pontual em séries temporais com dependência de curto prazo (Chen e Guestrin, 2016; Fernández-Delgado et al., 2014).
Redes LSTM e outras arquiteturas de aprendizado profundo foram consideradas inadequadas para a série mensal de 186 a 187 observações devido à necessidade de volumes de dados substancialmente maiores para convergência estável e à sensibilidade à escolha de hiperparâmetros (Mullainathan e Spiess, 2017).
O XGBoost, por sua vez, constitui um algoritmo de aprendizado de máquina baseado na técnica de gradient boosting aplicado a árvores de decisão (Friedman, 2001; Chen e Guestrin, 2016). Ele combina múltiplos modelos fracos de forma sequencial para minimizar uma função de perda diferenciável, incorporando mecanismos explícitos de regularização L1 e L2 que controlam a complexidade das árvores.
Para a aplicação do XGBoost em séries temporais, foram construídas 18 features de engenharia. Estas incluíram 12 defasagens mensais (lag_1 a lag_12), três médias móveis (3, 6 e 12 meses, calculadas com deslocamento temporal para evitar vazamento de dados), duas componentes cíclicas (seno e cosseno da sazonalidade mensal) e um indicador de tendência normalizado.
O modelo XGBoost foi ajustado sobre a série de janeiro de 2010 a julho de 2025 (187 observações), com dois outliers previamente corrigidos. A otimização dos hiperparâmetros foi conduzida por RandomizedSearchCV com TimeSeriesSplit interno de cinco subdivisões e 50 iterações por rodada de validação, resultando em learning rate de 0,01, max depth de 4, n estimators de 200, subsample de 0,90 e colsample bytree de 0,80.
Ambos os modelos foram submetidos a um protocolo de validação walk-forward com janela expansiva, conforme recomendado por Bergmeir e Benitez (2012). O procedimento consistiu em treinar o modelo até um ponto de corte, projetar os seis períodos seguintes, avançar a janela em seis meses e repetir o processo. Foram executadas cinco rodadas com ponto de corte inicial em junho de 2022, gerando 30 pontos de avaliação fora da amostra.
Os intervalos de confiança para ambos os modelos foram construídos via bootstrap não paramétrico com 3.000 iterações, utilizando uma semente aleatória fixada em 42 para garantir reprodutibilidade. Para o Holt-Winters, os resíduos in-sample foram reamostrados com reposição. Para o XGBoost, os resíduos de cada rodada walk-forward foram coletados por horizonte e utilizados como base para o bootstrap.
A métrica primária de avaliação adotada foi o Erro Absoluto Médio (MAE) em pontos percentuais, em detrimento do Erro Percentual Absoluto Médio (MAPE), dada a inadequação desta última para séries com valores próximos de zero. Outras métricas calculadas incluíram o Erro Quadrático Médio (RMSE), a cobertura dos intervalos de confiança (IC) e o coeficiente de Theil-U.
O desenvolvimento computacional dos modelos foi realizado integralmente em linguagem Python 3.12. As bibliotecas utilizadas incluíram pandas e numpy para manipulação e estruturação da série temporal, statsmodels para o ajuste do modelo Holt-Winters e testes estatísticos, xgboost para o algoritmo de gradient boosting e scikit-learn para validação e busca de hiperparâmetros.
Na etapa de preparação dos dados, a série histórica do IPCA foi lida a partir de um arquivo .xls fornecido pelo IBGE. Realizou-se o tratamento de células mescladas por preenchimento progressivo e a conversão dos nomes dos meses para um índice de datas mensais. A detecção de outliers foi realizada por decomposição STL (Cleveland et al., 1990) aplicada ao componente de resíduo da série.
3. Resultados e Discussão
A análise comparativa da capacidade preditiva dos modelos Holt-Winters e XGBoost na projeção do IPCA mensal revelou nuances importantes sobre o desempenho de abordagens estatísticas tradicionais e métodos de aprendizado de máquina em séries temporais econômicas. Os resultados obtidos, submetidos a uma rigorosa auditoria metodológica, incluindo correção de outliers, validação walk-forward e construção de intervalos de confiança por bootstrap, oferecem uma compreensão aprofundada das forças e limitações de cada modelo no contexto da inflação brasileira.
Inicialmente, a observação da série temporal do IPCA mensal, no período de janeiro de 2024 a julho de 2025, permitiu avaliar a qualidade do ajuste in-sample de ambos os modelos. Verificou-se que o XGBoost, ao incorporar a capacidade de capturar relações não lineares entre defasagens inflacionárias, reproduziu os movimentos de curto prazo da série com maior proximidade. Em contraste, o Holt-Winters demonstrou uma tendência a suavizar as oscilações, um comportamento característico de modelos de suavização exponencial com um parâmetro alfa moderado, conforme descrito por Gardner (1985).
Um exemplo notável dessa diferença ocorreu em fevereiro de 2025, quando o IPCA atingiu um pico de 1,31%. O XGBoost conseguiu capturar parcialmente essa variação abrupta, enquanto o Holt-Winters a atenuou significativamente, evidenciando a maior rigidez do modelo ETS diante de mudanças súbitas na série. Essa distinção ressalta a capacidade do XGBoost de se adaptar a padrões mais complexos e não lineares, que podem ser cruciais em cenários de volatilidade inflacionária.
Na janela de projeção, que compreendeu o período de agosto a dezembro de 2025, ambos os modelos superestimaram sistematicamente os valores realizados do IPCA. Essa superestimação indica que os modelos não foram capazes de capturar a amplitude da desaceleração inflacionária que de fato ocorreu. Tal comportamento é esperado de modelos univariados que baseiam suas projeções predominantemente na inércia histórica e nos padrões sazonais, sem acesso a variáveis de política pública ou de preços administrados, confirmando uma limitação estrutural inerente a essas abordagens.
Projeções mensais e comparação com os valores realizados
A comparação das projeções mensais com os valores reais do IPCA para o período de agosto a dezembro de 2025 revelou que o XGBoost obteve um Erro Absoluto Médio (MAE) de 0,224 ponto percentual (p.p.), enquanto o Holt-Winters registrou 0,288 p.p. Essa diferença representa uma vantagem de 22% para o XGBoost no subconjunto de teste comum. Essa superioridade é economicamente relevante, pois uma redução de 0,064 p.p. no erro médio de projeção mensal do IPCA pode levar a calibragens mais precisas de taxas de juros reais, indexadores contratuais e projeções de resultado fiscal.
Dois meses em particular merecem destaque. Em agosto de 2025, o IPCA registrou uma deflação de -0,11%, impulsionada pela redução da bandeira tarifária de energia elétrica e pela queda nos preços dos combustíveis. Ambos os modelos falharam em prever essa deflação, projetando valores positivos e resultando em erros entre 0,26 e 0,41 p.p. Esse achado corrobora a literatura que aponta as limitações de modelos univariados diante de choques exógenos administrados, como discutido por Atkeson e Ohanian (2001).
Em outubro de 2025, o IPCA registrou 0,09%, um nível significativamente abaixo do padrão histórico sazonal para o mês. Nesse cenário, o XGBoost apresentou um erro absoluto menor, de 0,31 p.p., beneficiado pela redução da importância relativa da defasagem de um mês (lag_1), que passou de 23,2% para 16,6% após a otimização dos hiperparâmetros. Além disso, a emergência das defasagens de nove e seis meses (lag_9 e lag_6) como features relevantes indicou que a memória de médio prazo contribuiu para capturar desacelerações inflacionárias graduais.
O mês de dezembro de 2025 marcou o melhor desempenho do XGBoost, com um erro de apenas 0,09 p.p. Essa precisão é atribuível à capacidade das features cíclicas (seno e cosseno) de representar adequadamente a sazonalidade de fim de ano, um aspecto destacado por Makridakis, Spiliotis e Assimakopoulos (2020). Esses resultados pontuais demonstram a flexibilidade do XGBoost em se adaptar a diferentes padrões sazonais e de defasagem, quando devidamente configurado.
MAE por horizonte de projeção
A avaliação do MAE médio por horizonte de projeção, realizada por meio de cinco rodadas de validação walk-forward, ofereceu uma perspectiva mais detalhada sobre o desempenho de cada modelo. O Holt-Winters demonstrou superioridade em quatro dos seis horizontes avaliados (h=1, h=3, h=4 e h=5). A vantagem mais expressiva do Holt-Winters foi observada no horizonte de um mês (h=1), onde seu MAE de 0,155 p.p. foi 24% menor que o MAE de 0,204 p.p. do XGBoost.
Nos horizontes de quatro e cinco meses (h=4 e h=5), os erros do XGBoost foram 17% e 42% superiores, respectivamente, em comparação com o Holt-Winters. Esse padrão de desempenho do Holt-Winters é consistente com a teoria dos modelos ETS, que, ao utilizar um parâmetro alfa moderado, pondera adequadamente o nível corrente e a história recente da série, gerando projeções de curto prazo que são precisas e estáveis para séries sem tendência pronunciada, conforme apontado por Hyndman e Athanasopoulos (2021).
Por outro lado, o XGBoost superou o Holt-Winters nos horizontes de dois meses (h=2) e seis meses (h=6). A vantagem no horizonte de dois meses (h=2), com um MAE de 0,347 p.p. contra 0,415 p.p. do Holt-Winters, é particularmente relevante para as decisões de política monetária, que frequentemente se baseiam em projeções de inflação de curto e médio prazo. A superioridade do XGBoost em h=6, com um MAE de 0,167 p.p. contra 0,208 p.p. do Holt-Winters, pode ser atribuída à capacidade das features sazonais cíclicas de codificar o padrão de inflação do mesmo mês no próximo semestre.
O pico de erro do Holt-Winters no horizonte de dois meses (h=2), que foi 2,7 vezes superior ao erro em h=1, representa uma fragilidade estrutural para horizontes de dois meses em modelos ETS sem tendência, um fenômeno documentado por Hyndman et al. (2002). Essa observação sugere que, embora o Holt-Winters seja robusto para o curtíssimo prazo, sua performance pode ser comprometida em horizontes ligeiramente mais longos, onde a dinâmica da série pode exigir uma modelagem mais flexível.
Desempenho geral e calibração dos intervalos de confiança
No subconjunto de teste comum, que abrangeu o período de agosto a dezembro de 2025, o XGBoost registrou um MAE de 0,224 p.p., superando o Holt-Winters, que apresentou 0,288 p.p., uma vantagem de 22,2%. Contudo, na validação walk-forward agregada, que considerou 30 pontos de avaliação e diferentes regimes inflacionários, o Holt-Winters demonstrou um MAE médio de 0,237 p.p., superior ao MAE de 0,264 p.p. do XGBoost, indicando uma robustez de 10,2% a favor do modelo de suavização exponencial em um horizonte de avaliação mais amplo e metodologicamente mais confiável.
A vantagem do Holt-Winters na validação walk-forward pode ser parcialmente explicada por sua maior robustez durante o choque inflacionário de 2022 (rodada 1), onde registrou um MAE de 0,624 p.p. contra 0,712 p.p. do XGBoost. A simplicidade estrutural do Holt-Winters garantiu maior estabilidade ao longo de múltiplos horizontes e maior resistência a períodos de forte oscilação inflacionária. Do ponto de vista teórico, a convergência do parâmetro gama (γ) para zero no Holt-Winters, mesmo após o tratamento de outliers, revelou que a sazonalidade do IPCA se comportou de forma estática no período analisado.
A calibração dos intervalos de confiança (IC) também apresentou diferenças significativas. O XGBoost obteve cobertura de 100% tanto no IC de 80% quanto no de 95% (cinco de cinco meses), beneficiado pela ancoragem em resíduos reais out-of-sample por horizonte. Em contraste, o Holt-Winters registrou cobertura de 50% no IC de 80% (três de seis meses) e 83% no IC de 95% (cinco de seis meses), sugerindo que seus intervalos são excessivamente estreitos para o primeiro nível de confiança. Adicionalmente, o Theil-U do Holt-Winters foi de 1,009, marginalmente acima do limiar crítico de 1,0 (Theil, 1966), indicando que o modelo não superou o benchmark ingênuo no período de teste específico.
A razão entre o RMSE de treino e o RMSE de projeção, um indicador de sobreajuste, para o XGBoost, caiu de aproximadamente 7,8 para 0,5 após a otimização dos hiperparâmetros por walk-forward. Essa redução confirmou a eliminação de um sobreajuste grave que comprometia a versão original do XGBoost, cujos hiperparâmetros haviam sido definidos manualmente sem validação temporal, conforme discutido por Bergmeir e Benitez (2012). O Holt-Winters, por sua vez, manteve uma razão próxima de 1,0, comportamento esperado de um modelo paramétrico parcimonioso.
Em síntese, a avaliação comparativa demonstra que a escolha do modelo mais adequado para a previsão do IPCA depende do horizonte de projeção e da métrica priorizada. Embora o XGBoost tenha apresentado ganhos de acurácia pontual em horizontes específicos e uma calibração superior dos intervalos de confiança, o Holt-Winters se mostrou mais robusto e estável em uma avaliação walk-forward mais abrangente, especialmente em horizontes de curto prazo. Ambos os modelos, contudo, compartilham a limitação estrutural de não antecipar choques de política pública ou preços administrados, evidenciando a necessidade de abordagens complementares ou multivariadas para cenários de elevada incerteza.
4. Conclusão
O presente estudo buscou comparar a capacidade preditiva do modelo de Holt-Winters e do algoritmo XGBoost na projeção mensal do Índice Nacional de Preços ao Consumidor Amplo (IPCA) em um horizonte de seis meses. Verificou-se que o XGBoost demonstrou maior capacidade de capturar relações não lineares e movimentos de curto prazo da série inflacionária na janela de ajuste, enquanto o Holt-Winters exibiu um comportamento de suavização mais pronunciado diante de variações abruptas. Na avaliação do subconjunto de teste comum, o XGBoost obteve um Erro Absoluto Médio (MAE) de 0,224 p.p., superando o Holt-Winters, que registrou 0,288 p.p. Contudo, em uma validação walk-forward mais abrangente, o Holt-Winters apresentou um MAE médio de 0,237 p.p., indicando maior robustez e estabilidade em um horizonte de avaliação mais amplo, com superioridade em quatro dos seis horizontes de projeção. Observou-se que a escolha do modelo mais adequado dependeu do horizonte de projeção e da métrica de erro priorizada.
A principal contribuição deste trabalho reside na avaliação empírica e metodologicamente rigorosa de duas abordagens distintas para a previsão da inflação brasileira, oferecendo subsídios para o aprimoramento das práticas de monitoramento e gestão econômica. Identificou-se que, embora o XGBoost tenha proporcionado ganhos de acurácia pontual e uma calibração superior dos intervalos de confiança, ambos os modelos compartilharam a limitação estrutural de não antecipar choques de política pública ou preços administrados, como as variações em bandeiras tarifárias e combustíveis. Para estudos futuros, sugere-se a inclusão de regressores macroeconômicos por meio de especificações SARIMAX ou XGBoost multivariado, bem como a construção de uma estrutura de ensemble por horizonte de projeção para otimizar a combinação das forças de cada modelo. A extensão da análise com dados adicionais do primeiro semestre de 2026 também se mostra relevante para ampliar a amostra de teste e fortalecer a robustez das conclusões.
Referências Bibliográficas
Araújo, G.S.; Gaglianone, W.P. 2022. Machine learning
Cecchetti, S.G.; Chu, R.; Steindel, C. 2000. The unreliability of inflation indicators. Federal Reserve Bank of New York Current Issues in Economics and Finance, v. 6, n. 4, p. 1-6.
García-Ferrer, A.; Highfield, R.A. 1994. Business and economic forecasting: the state of the art. Journal of Forecasting, v. 13, n. 2, p. 99-114.
Marçal, E.F.; Mattos, L.B.; Teles, V.K. 2013. Forecasting Brazilian inflation using a large data set. Brazilian Review of Econometrics, v. 33, n. 2, p. 171-196.
Medeiros, M.C. et al. 2016. Forecasting inflation in a data-rich environment: the benefits of machine learning methods. Journal of Business and Economic Statistics, v. 39, n. 1, p. 98-119.
Stock, J.H.; Watson, M.W. 2007. Why has U.S. inflation become harder to forecast? Journal of Money, Credit and Banking, v. 39, n. s1, p. 3-33.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy
