Ciclos econômicos nos subsetores da indústria de transformação brasileira: uma análise sobre três modelos de previsão

Abstract

Este trabalho consiste em uma análise exploratória dos dados de 52 setores da indústria de transformação do Brasil. A partir da aplicação da transformada de Fourier, foi possível identificar comportamentos sazonais nas séries históricas de produção física desses setores, proporcionando uma visão ampla e sistêmica dos comportamentos comuns entre os setores industriais. Além disso, foram realizadas decomposições das séries em suas componentes, revelando padrões oscilatórios em diferentes escalas de tempo. A análise estatística dos dados revelou uma diversidade de séries temporais, com setores apresentando diferentes níveis de variância. A correlação entre as séries históricas também foi explorada, revelando relações significativas entre alguns setores, tanto relacionadas ao processo produtivo quanto de forma inesperada. Esses insights da análise exploratória forneceram uma base sólida para o desenvolvimento de três modelos preditivos: Análise Espectral Singular Univariada (AES), SARIMA e Holt-Winters (HW). Durante o treinamento dos modelos, foram considerados diferentes métricas de erro, como o erro quadrático médio, erro médio absoluto, percentual médio absoluto e raiz do erro quadrático médio. Os resultados indicaram que o modelo AES apresentou melhores resultados para previsões curtas, até 12 meses, enquanto para previsões maiores o SARIMA apresentou melhores resultado, especialmente em relação a mudanças bruscas na tendência das informações. É importante ressaltar que os dados de teste abrangem um período de crise econômica, o que adiciona uma dimensão desafiadora para a modelagem e previsão das séries.

This work consists of an exploratory analysis of data from 52 sectors in Brazil's manufacturing industry. By applying the Fourier transform, it was possible to identify seasonal behaviors in the historical time series of physical production within these sectors, providing a broad and systemic understanding of common patterns among industrial sectors. Additionally, the series were decomposed into their components, revealing oscillatory patterns at different time scales. Statistical analysis of the data unveiled a diversity of time series, with sectors exhibiting varying levels of variance. The correlation between historical series was also explored, revealing significant relationships among certain sectors, both related to the production process and in unexpected ways. These insights from the exploratory analysis served as a solid foundation for developing three predictive models: Univariate Singular Spectrum Analysis (SSA), SARIMA, and Holt-Winters (HW). Different error metrics, such as mean-square error, mean absolute error, mean absolute percentage error, and root mean-square error, were considered during model training. The results indicated that the SSA model yielded better performance for prediction purpose until 12 months, while SARIMA outperformed predictions with more than one year, particularly for abrupt changes in trend. It is important to note that the test data encompass a period of economic crisis, which adds a challenging dimension to the modeling and forecasting of the series.