📈 economics

Evaluating Machine Learning and Econometric Models for Inflation Forecasting: Evidence from a Sub-Saharan African Panel

Este estudo avalia vários modelos de aprendizado de máquina e econométricos para a previsão da inflação em oito economias da África Subsaariana e conclui que, devido a rupturas estruturais e alta volatilidade, nenhum modelo complexo supera estatisticamente um simples baseline de persistência ingênua, sugerindo que os formuladores de políticas regionais devem manter modelos simples como benchmarks ativos.

Autores originais: Baffour Osei, Abigail Boatemaa, Isaac Nyame, Gabriel Osei Forkuo

Publicado 2026-07-16

📖 8 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Baffour Osei, Abigail Boatemaa, Isaac Nyame, Gabriel Osei Forkuo

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A Grande Corrida de Previsões: Por Que o Palpite Mais Simples Frequentemente Vence

Imagine que você esteja tentando adivinhar o tempo para a próxima terça-feira. Você poderia usar um supercomputador, analisar imagens de satélite, medir a velocidade do vento e rodar modelos climáticos complexos. Ou, você poderia simplesmente olhar pela janela e dizer: "Vai ser mais ou menos como é hoje". No mundo da economia, este é o confronto definitivo entre a complexidade de alta tecnologia e o senso comum simples. Os economistas passaram décadas construindo modelos massivos e intrincados para prever a inflação — a taxa na qual os preços de coisas como pão, combustível e aluguel sobem. Eles usam matemática sofisticada e aprendizado de máquina, esperando encontrar padrões ocultos que ajudem os governos a definir as taxas de juros e evitar que as famílias percam suas economias. Mas há um rival teimoso e de "velha escola" nesta corrida: o "passeio aleatório" (random walk). Esta é a ideia de que o melhor palpite para o preço de amanhã é simplesmente o preço de hoje. Parece bobagem, como tentar adivinhar o resultado de um cara ou coroa, mas a história mostra que esse truque simples é incrivelmente difícil de ser batido, especialmente em lugares onde a economia é selvagem e imprevisível.

Este artigo mergulha exatamente nessa batalha, mas com um toque: ele testa essas ideias na África Subsaariana, uma região onde a inflação pode oscilar violentamente como um pêndulo. Os pesquisadores reuniram dados de oito países diferentes ao longo de mais de 50 anos, criando um enorme playground digital para ver se computadores "inteligentes" modernos (Aprendizado de Máquina e Aprendizado Profundo) poderiam finalmente superar o método simples de "olhar para ontem". Eles não olharam apenas para quem tinha o menor número de erro; eles usaram testes estatísticos rigorosos para ver se qualquer modelo sofisticado era realmente melhor, ou se estavam apenas tendo sorte.

A Corrida: Alta Tecnologia vs. A Estratégia do "Ontem"

Os autores organizaram um grande experimento envolvendo oito economias da África Subsaariana: Gana, Nigéria, Quênia, Costa do Marfim, África do Sul, Senegal, Tanzânia e Uganda. Eles construíram um conjunto de dados de 424 instantâneos da vida econômica, estendendo-se de 1972 a 2024. Pense nisso como um grande campo de treinamento onde ensinaram oito "treinadores" diferentes a prever a inflação.

Os treinadores eram uma mistura de velha e nova escola:

O Treinador Ingênuo (Passeio Aleatório): Este treinador não tem cérebro. Ele apenas diz: "A inflação do próximo ano será exatamente o que foi este ano".
Os Treinadores Econométricos: Estes são os especialistas tradicionais que usam equações lineares e regras fixas baseadas na teoria econômica.
Os Treinadores de Aprendizado de Máquina: Estes são os magos da alta tecnologia. Eles incluem Random Forest (uma equipe de árvores de decisão), XGBoost (um impulsionador de árvores super otimizado) e Elastic Net (um filtro inteligente que seleciona as melhores pistas).
O Treinador de Aprendizado Profundo (LSTM): Este é o mais complexo, um tipo de inteligência artificial projetada para lembrar sequências longas de eventos, como um humano lembrando de uma história.

Os pesquisadores dividiram seus dados em três partes: um conjunto de treinamento (para ensinar os treinadores), um conjunto de validação (para ajustá-los) e um conjunto de teste (o exame final de 2018 a 2024). Eles queriam ver se a IA sofisticada conseguiria vencer o simples treinador de "olhar para ontem".

O Resultado Chocante: O Treinador Simples Mantém a Linha

Quando os resultados do exame final chegaram, o desfecho foi um choque massivo para a ideia de que "maior e mais inteligente é sempre melhor".

O Treinador Ingênuo (Passeio Aleatório) foi estatisticamente invicto. Ele alcançou a menor taxa de erro de qualquer modelo, com um RMSE de Teste (uma medida de quão longe o palpite estava do real) de 4,435. Mais importante ainda, quando os pesquisadores realizaram testes estatísticos rigorosos (chamados testes de Diebold-Mariano) para ver se algum outro modelo era verdadeiramente melhor, a resposta foi um não retumbante. Nenhum dos modelos complexos conseguiu provar ser estatisticamente superior ao simples palpite de "olhar para ontem".

Veja como os outros treinadores se saíram:

Os Magos do Aprendizado de Máquina (Random Forest e XGBoost): Eles foram os melhores entre o grupo complexo. O Random Forest ficou com um RMSE de Teste de 4,849, e o XGBoost teve 5,825. Embora estivessem próximos, os testes estatísticos mostraram que eles estavam essencialmente empatados com o Treinador Ingênuo. Eles não perderam, mas também não venceram; alcançaram a paridade estatística. O Random Forest foi o único modelo que pôde reivindicar um empate estatístico com a linha de base simples, mas não o superou.
Os Especialistas Tradicionais (Pooled OLS e Painel de Efeitos Fixos): Esses modelos lineares de velha escola tiveram um desempenho ruim. Foram significativamente derrotados pelo Treinador Ingênuo, com erros de 6,781 e 6,612, respectivamente. O artigo sugere que tentar forçar uma relação de linha reta em uma economia volátil e bagunçada simplesmente não funciona.
A Estrela do Aprendizado Profundo (LSTM): Esta foi a história mais dramática. Quando a IA foi treinada por muito tempo (350 épocas) sem um freio de segurança, ela sofreu de "overfitting" (sobreajuste). Ela memorizou os dados de treinamento tão perfeitamente que falhou no teste, obtendo um terrível 7,741. No entanto, quando os pesquisadores adicionaram o "early stopping" (uma técnica para interromper o treinamento antes que a IA fique confusa), sua pontuação melhorou para 6,162. Isso foi uma melhora enorme, mas ainda não venceu o Treinador Ingênuo. Tornou-se apenas "estatisticamente indistinguível" dele — o que significa que era bom o suficiente para empatar, mas não o suficiente para vencer.

Por Que os Modelos Inteligentes Falharam?

Os autores oferecem algumas razões pelas quais os modelos de alta tecnologia não conseguiram decifrar o código nesta região específica.

Primeiro, os dados são muito pequenos e ruidosos demais. O conjunto de treinamento tinha apenas 304 observações. Para uma IA super complexa como o LSTM, isso é como tentar aprender uma língua lendo apenas algumas páginas de um dicionário. Os modelos ficam confusos e começam a memorizar o ruído em vez de aprender as regras.

Segundo, a economia muda as regras constantemente. O período de teste (2018–2024) incluiu choques massivos como a pandemia de COVID-19 e picos nos preços globais de commodities. O modelo "simples" apenas olha para o número mais recente, o que o permite adaptar-se instantaneamente a esses choques. Os modelos complexos, no entanto, tentam encontrar um padrão baseado no passado (dados pré-2009), que não se aplica mais quando o mundo muda subitamente. É como tentar navegar em uma tempestade usando um mapa de um dia ensolarado; o mapa é detalhado demais, mas é o mapa errado.

Terceiro, as "pistas" podem não ser tão úteis assim. Os modelos foram alimentados com dados como taxas de juros, gastos governamentais e preços do petróleo. Mas nessas economias, a inflação parece ser impulsionada principalmente pelo seu próprio ímpeto e pelas taxas de câmbio, tornando as outras pistas menos úteis. O modelo simples ignora todas essas pistas extras e apenas segue o ímpeto, o que acaba sendo a estratégia vencedora.

O Que Isso Significa para o Futuro

O artigo conclui que, para os formuladores de políticas na África Subsaariana, a mensagem é clara: Não joguem fora as ferramentas simples só porque vocês têm novas ferramentas sofisticadas.

Embora os modelos complexos (como o Random Forest e o LSTM corrigido) sejam impressionantes e possam igualar o desempenho do modelo simples, eles não provaram que podem superá-lo. De fato, o modelo de "persistência" simples é tão robusto que deve permanecer como o "padrão ouro" ou a "linha de base" que todos os novos modelos devem superar antes de serem confiáveis.

Os autores sugerem que, se os bancos centrais desejam usar essas ferramentas de IA sofisticadas, devem fazê-lo com cautela. Eles recomendam manter o modelo simples rodando em segundo plano como um teste de realidade. Se um modelo complexo não consegue provar estatisticamente que é melhor do que apenas adivinhar que "amanhã será como hoje", então provavelmente não vale o custo e a complexidade extras.

No fim das contas, este estudo adiciona mais um capítulo a um mistério de longa data na economia: em um mundo cheio de caos e mudanças repentinas, às vezes a coisa mais inteligente a se fazer é apenas olhar para o que aconteceu ontem e assumir que acontecerá novamente. O "simples" nem sempre é o melhor, mas nos mercados voláteis da África Subsaariana, ele é, atualmente, o campeão.

Resumo Técnico: Avaliação de Modelos de Aprendizado de Máquina e Econométricos para Previsão de Inflação na África Subsaariana

Definição do Problema
Os formuladores de políticas na África Subsaariana (ASS) enfrentam uma pressão crescente para adotar métodos de aprendizado de máquina (ML) e aprendizado profundo (DL) para a previsão da inflação. No entanto, a literatura regional raramente compara essas abordagens complexas com modelos de persistência simples (passeios aleatórios/random walks). Além disso, os estudos existentes frequentemente dependem de séries temporais de um único país com amostras limitadas (aprox. 50 observações anuais), o que é insuficiente para treinar modelos de alta capacidade sem um overfitting severo. Existe uma lacuna crítica na compreensão de se o aumento da complexidade do modelo gera ganhos estatisticamente defensáveis em ambientes de ASS de alta volatilidade e escassez de dados, quando rigorosamente comparado a um baseline ingênuo.

Metodologia
O estudo constrói um conjunto de dados de painel anual reprodutível cobrindo oito economias da ASS (Gana, Nigéria, Quênia, Costa do Marfim, África do Sul, Senegal, Tanzânia e Uganda) de 1972 a 2024 ( $N=424$ ). Os dados foram extraídos programaticamente via APIs do Banco Mundial (WDI) e FRED para garantir a auditabilidade.

Pré-processamento de Dados: O pipeline evita estritamente o vazamento de dados (leakage) transversais. A imputação (preenchimento progressivo/regressivo) e a geração de defasagens (ordens de 1ª e 2ª ordem) foram realizadas dentro dos grupos de países antes da divisão cronológica. As características foram padronizadas utilizando apenas as estatísticas do conjunto de treinamento.
Conjunto de Modelos: Foram avaliadas oito abordagens de previsão:
1. Benchmark Ingênuo: Um modelo de persistência de passeio aleatório específico por país (Atkeson-Ohanian).
2. Econometria Linear: OLS agrupado (Pooled OLS) e Efeitos Fixos de Painel (estimador within).
3. Aprendizado de Máquina: Elastic Net (regularização L1/L2), Random Forest e XGBoost.
4. Aprendizado Profundo: Um Panel LSTM (Rede Neural Recorrente) avaliado com e sem interrupção precoce (early stopping).
Estrutura de Avaliação: Os modelos foram treinados em uma divisão cronológica rigorosa (Treino: $\le$ 2009; Validação: 2010–2017; Teste: 2018–2024). A precisão preditiva foi avaliada usando RMSE e MAE, mas a significância estatística foi determinada via testes de Diebold-Mariano (DM) pareados sobre diferenciais de perda de erro quadrático.
Testes de Robustez: O estudo empregou estimadores de variância corrigidos por HAC-Newey-West/Harvey-Leybourne-Newbold (HLN), ajustes de Holm-Bonferroni para múltiplas comparações, especificações de preditores estritamente defasados (removendo variáveis exógenas contemporâneas) e reestimação recursiva de janela expansiva, além de análise de sensibilidade do comprimento da sequência do LSTM.

Principais Resultados
A análise empírica produz um resultado definitivo do "quebra-cabeça do passeio aleatório" (random-walk puzzle) para o contexto da ASS:

Dominância do Benchmark Ingênuo: Nenhum modelo estimado (econométrico, ML ou DL) alcançou uma melhoria estatisticamente significativa na precisão da previsão fora da amostra em relação ao benchmark de persistência ingênua. O modelo ingênuo alcançou o menor RMSE de teste (4.435) e MAE (2.510) em termos de estimativa pontual.
Desempenho de Ensembles de Árvores: Random Forest e XGBoost alcançaram paridade estatística com o passeio aleatório (p-valores DM de 0.538 e 0.130, respectivamente), mas não o superaram. Notavelmente, o Random Forest superou significativamente o XGBoost no painel completo, uma reversão das tendências observadas em análises interinas menores.
Falha de Modelos Lineares e DL Não Corrigidos: Modelos lineares tradicionais (Pooled OLS e Efeitos Fixos de Painel) e o LSTM não corrigido (treinado por 350 épocas sem interrupção precoce) foram significativamente dominados pelo benchmark ingênuo ao nível de 5%.
Impacto da Interrupção Precoce (Early Stopping): A implementação da interrupção precoce no LSTM reduziu o Test RMSE em 20,4% (de 7.741 para 6.162), movendo-o de um estado significativamente pior que o benchmark para um estado estatisticamente indistinguível dele. No entanto, não gerou uma vantagem competitiva sobre os ensembles baseados em árvores.
Robustez: Esses achados mantiveram-se sob estimativa de variância HAC-HLN mais rigorosa e correções de Holm-Bonferroni (onde apenas a diferença entre o benchmark ingênuo e o Efeito Fixo de Painel permaneceu significativa). Os resultados também foram consistentes ao utilizar um conjunto de características estritamente defasadas, confirmando que os achados não são artefatos do uso de informações contemporâneas indisponíveis no momento da previsão.

Principais Contribuições

Benchmarking Empírico: Este é um dos primeiros estudos a incluir sistematicamente o benchmark de persistência ingênua na previsão de inflação específica da ASS, desafiando a suposição de que modelos complexos superam inerentemente baselines simples nesta região.
Pipeline Reprodutível: O estudo fornece um pipeline de extração e pré-processamento de dados totalmente auditável e orientado por API que evita o vazamento transversal, estabelecendo um padrão de transparência para o trabalho macroeconométrico aplicado em ambientes de escassez de dados.
Expansão da Classe de Modelos: Estende a literatura do "quebra-cabeça do passeio aleatório" além dos modelos de curva de Phillips e VAR para incluir modernos ensembles de árvores e redes neurais recorrentes, demonstrando que o quebra-cabeça persiste mesmo com estas arquiteturas avançadas em dados anuais da ASS.
Rigor Metodológico: A aplicação de testes formais de Diebold-Mariano com correções de múltiplas comparações e testes de robustez (reestimação recursiva, especificações apenas com defasagem) fornece um framework de avaliação mais rigoroso do que as comparações de estimativas pontuais isoladas.

Significância e Alegações
O artigo alega que seus achados alinham-se com o bem documentado "quebra-cabeça do passeio aleatório" na previsão global de inflação, sugerindo que quebras estruturais, alta volatilidade e tamanhos de amostra modestos representam desafios substanciais para arquiteturas de previsão altamente parametrizadas na ASS.

Os autores concluem que os bancos centrais regionais e os ministérios das finanças devem manter modelos de persistência simples como baselines ativos ao avaliar investimentos em infraestrutura de previsão complexa. O estudo aconselha contra o excesso de investimento em modelos complexos sem antes demonstrar que eles superam o patamar baixo definido pela persistência. Sugere-se que as instituições priorizem testes de precisão preditiva pareados formais (como Diebold-Mariano) em vez de métricas de estimativa pontual ao validar novas ferramentas de previsão.