Previsão do consumo de cimento no Brasil: o poder da média das previsões

Abstract

Esse trabalho tem como objetivo construir modelos de previsão para o consumo de cimento no Brasil e comparar seus desempenhos. Foram desenvolvidos modelos com dados do consumo de cimento em formato agregado e desagregado. Para dados agregados foi utilizado a série de consumo de cimento anual. Para dados desagregados, a desagregação foi por região brasileira e por mês. As técnicas de previsão utilizadas foram ARIMA (modelo autorregressivo integrado de médias móveis), SARIMA (modelo autorregressivo integrado de médias móveis com sazonalidade), PROPHET, PASSEIO ALEATÓRIO, VAR (vetores autorregressivos), VEC (vetores de correção de erros) e PREVISÃO POR CONJUNTO. As previsões foram realizadas para um horizonte de 15 anos, com início em 2008. A comparação da performance entre os modelos foi realizada utilizando os métodos MSE (erro médio quadrático), MAE (erro médio absoluto) e RMSE (raiz do erro quadrático médio) e o procedimento estatístico conhecido como MCS (Model Confidence Set). Os resultados em ambas as medidas de desempenho evidenciaram melhor performance para os modelos de previsão por conjunto. Os modelos ARIMA também alcançaram bom desempenho, principalmente os que utilizaram dados desagregados. Os métodos VAR e VEC apresentaram desempenho inferior aos demais, porém quando incorporados nos modelos de previsão por conjunto contribuíram positivamente para o aumento da performance. O melhor desempenho foi alcançado com o modelo de previsão por conjunto construído através da média simples das projeções de todos os modelos.

This study aims to build predictive models for cement consumption in Brazil and compare their performances. Models were developed using both aggregated and disaggregated cement consumption data. The aggregated data utilized the annual series of cement consumption, while disaggregated data were broken down by Brazilian region and month. Forecasting techniques employed include ARIMA (AutoRegressive Integrated Moving Average), SARIMA (Seasonal AutoRegressive Integrated Moving Average), PROPHET, RANDOM WALK, VAR (Vector AutoRegressive), VEC (Vector Error Correction), and ENSEMBLE FORECASTING. Predictions were made for a 15-year horizon, starting from 2008. The comparison of model performances utilized metrics such as Mean Squared Error (MSE), Mean Absolute Error (MAE), and Root Mean Squared Error (RMSE), along with the statistical procedure known as Model Confidence Set (MCS). In both performance measures, models using ensemble forecasting demonstrated superior performance. ARIMA models, especially those incorporating disaggregated data, also showed good performance. VAR and VEC methods exhibited lower performance compared to others; however, when integrated into ensemble forecasting models, they positively contributed to overall performance improvement. The best performance was achieved by the ensemble forecasting model constructed through the simple average of forecasts from all models.