Previsão da inflação de alimentos no domicílio usando dados meterológicos

Abstract

A inflação de alimentos é o componente mais imprevisível da inflação ao consumidor e o que mais afeta a vida das pessoas, especialmente os pobres. Uma das razões para a volatilidade da inflação de alimentos é sua dependência das variações climáticas. Nos países em desenvolvimento, todos esses três fatos são mais pronunciados: primeiro, os preços dos alimentos são mais voláteis devido à maior prevalência de alimentos frescos sobre processados; Em segundo lugar, os alimentos frescos são mais suscetíveis às variações climáticas, não só porque são frescos, mas também porque a produção é geralmente menos tecnológica do que a dos alimentos processados; Finalmente, nos países em desenvolvimento, a alimentação no domicílio representa uma parcela maior do já limitado orçamento familiar. Isto tem duas consequências significativas, o peso da inflação de alimentos no domicílio na inflação cheia é maior nos países em desenvolvimento, e é mais difícil para as pessoas para acomodar aumentos dos preços dos alimentos. Portanto, nós pesquisamos se os dados meteorológicos podem ajudar a prever a inflação de alimentos no domicílio. Estudamos o caso do Brasil, um país em desenvolvimento com ricos dados meteorológicos diários históricos e com um índice de inflação mensal confiável publicado 24 vezes por ano. Usamos dados de 2001 a 2018. Como método, usamos o lasso e a Random Forest porque eles lidam bem com modelos de alta dimensionalidade. Todas as nossas estimativas são pseudo-fora-da-amostra. Nossos resultados mostram que os dados meteorológicos melhoram as previsões quando comparados ao benchmark para cada um dos horizontes considerados de 1 a 7 meses. Em média ao longo dos horizontes, a razão para o benchmark da raiz quadada do erro médio quadrático (RMSE) no conjunto de holdout foi de 0,70 para o lasso e de 0,73 para Random Forest. Além disso, usamos nossas projeções de inflação de alimentos no domicílio para prever a inflação cheia. Descobrimos que, novamente, poderíamos melhorar as previsões para todos os sete horizontes com os dois modelos. No conjunto de holdout, o índice médio de RMSE para o benchmark para o lasso foi de 0,87, e para o Random Forest, 0,91. Nossos resultados sugerem que os dados meteorológicos podem melhorar substancialmente as previsões de inflação nos países em desenvolvimento.