Pular para o conteúdo principal

Cookies no Macro by Mark.Usamos cookies essenciais para login, idioma e segurança. Com sua permissão, também usamos cookies opcionais de preferências, para análise e para medição de anúncios com o Pixel da Meta (Facebook). Leia nossa política de cookies.

Macro by MarkMacro by Mark
  • Início
Carregando…
Carregando…
← Modelos
MacroConceitosPolíticaModelos

Modelo MIDAS

Regressões de amostragem em dados mistos que acomodam indicadores em frequências diferentes dentro de uma única equação de previsão.

Visão geralGráficoMatemáticaReferências

MIDAS: que pergunta macro este modelo ajuda a responder?

Contexto

Regressões de amostragem em dados mistos que acomodam indicadores em frequências diferentes dentro de uma única equação de previsão.

MIDAS fica em Nowcasting e modelos de indicadores. Use esta classe quando você precisa de uma leitura do trimestre corrente que se atualiza com cada indicador mensal ou semanal, sem esperar a divulgação do PIB.

A página deve ser lida como uma referência de método: primeiro o objeto empírico, depois o conjunto de informação, os diagnósticos e os limites da inferência.

Conexões para explorar

Matemática ↗A estrutura e suas condições, passo a passo.Fontes ↗Fontes acadêmicas e orientação de uso.

Como as partes se conectam

ytLy_t^LytL​

Alvo de baixa frequência

A variável a prever, observada na frequência mais baixa (trimestral). Indexada por t no nível trimestral.

Comece pela série-alvo, frequência, janela da amostra e calendário de revisão. Um modelo empírico perde valor quando a pergunta ignora a safra dos dados.

Combinar indicadores mensais, semanais ou diários em uma equação de previsão para um alvo macro de frequência menor.

A leitura útil compara o resultado com um benchmark simples, registra onde o erro de previsão aparece e separa sinal estatístico de interpretação causal.

Os componentes e as hipóteses formais abaixo são os do próprio modelo, com a terminologia em português. A notação matemática e os títulos bibliográficos ficam no original, que é como a literatura os identifica.

Premissas

Testável

Família correta de função de ponderação

A Almon exponencial, o polinômio β\betaβ ou a forma funcional escolhida conseguem aproximar o perfil de defasagens verdadeiro entre o preditor de alta frequência e o alvo de baixa frequência.

Se falhar:Se o perfil verdadeiro não é suave (por exemplo, só o mês 2 importa, e os meses 1 e 3 não), uma função de ponderação suave joga peso sobre defasagens irrelevantes. O U-MIDAS evita isso, mas exige mais dados.

Testável

Estacionariedade de ambas as séries

Tanto o alvo de baixa frequência quanto o preditor de alta frequência são estacionários em covariância após as transformações adequadas.

Se falhar:Variáveis não estacionárias produzem regressões MIDAS espúrias. Existe um MIDAS com cointegração (Miller 2014), mas não é o padrão.

Testável

Alinhamento temporal

O mapeamento entre períodos de alta e de baixa frequência está correto. Cada observação trimestral ytLy_t^LytL​ corresponde ao conjunto certo de observações mensais, de xtmHx_{tm}^HxtmH​ a xtm−KHx_{tm-K}^Hxtm−KH​.

Se falhar:O desalinhamento (erros de um mês para mais ou para menos) desloca o perfil de defasagens estimado e produz pesos enviesados. É comum com convenções de fim de trimestre frente a convenções intratrimestrais.

Testável

Exogeneidade do preditor de alta frequência

O preditor mensal é predeterminado em relação ao alvo trimestral. Não há retroalimentação de ytLy_t^LytL​ para o xτHx_{\tau}^HxτH​ contemporâneo.

Se falhar:A causalidade reversa (o crescimento do PIB afeta indicadores mensais dentro do mesmo trimestre) enviesa o coeficiente MIDAS. Restringir a regressão a observações de alta frequência predeterminadas (defasadas) ou usar estimação por variáveis instrumentais resolve isso.

Testável

Relação estável ao longo do tempo

Os parâmetros θ\thetaθ da função de ponderação e a inclinação β\betaβ são constantes ao longo do período amostral.

Se falhar:Quebras estruturais na relação entre o preditor de alta frequência e o alvo trimestral fazem com que os pesos estimados sejam um meio-termo entre dois regimes. O MIDAS com troca de regimes trata disso.

Testável

Correlação serial limitada nos erros

Os erros εt\varepsilon_tεt​ da regressão de baixa frequência não são serialmente correlacionados, ou são no máximo fracamente dependentes.

Se falhar:Correlação serial em εt\varepsilon_tεt​ indica dinâmica de baixa frequência omitida. Acrescentar termos autorregressivos (MIDAS-AR) é a correção padrão.

Aplicações

Use esta página para escolher o modelo antes de olhar o resultado: o alvo, a frequência, a janela e o benchmark definem o que a saída pode dizer.

Em monitoramento macro, a comparação com alternativas importa tanto quanto o modelo escolhido. Erro fora da amostra, estabilidade e revisão dos dados devem ficar visíveis.

Troque ou complemente o modelo quando a pergunta exigir identificação causal, contrafactual estrutural, distribuição entre agentes ou uma mudança de regime que a amostra histórica não contém.

Extensões e questões em aberto

Variantes

  • Exponential Almon MIDAS: the standard specification. Weights are parameterized as w(k)=exp⁡(θ1k+θ2k2)/∑j=0Kexp⁡(θ1j+θ2j2)w(k) = \exp(\theta_1 k + \theta_2 k^2) / \sum_{j=0}^{K} \exp(\theta_1 j + \theta_2 j^2)w(k)=exp(θ1​k+θ2​k2)/∑j=0K​exp(θ1​j+θ2​j2). Two parameters control the lag profile shape.
  • Beta polynomial MIDAS: weights based on the Beta distribution density. Can produce U-shaped or J-shaped lag profiles. Two parameters (a,b)(a, b)(a,b) with flexible shapes.
  • U-MIDAS (unrestricted): no weighting function. Each monthly lag gets its own OLS coefficient. Works when K is small relative to T.
  • MIDAS-AR: augments the MIDAS regression with autoregressive lags of the low-frequency target. Handles serial correlation in the forecast error.
  • Factor MIDAS: extract factors from a large monthly panel, then use factors as high-frequency predictors in a MIDAS regression targeting the quarterly variable.
  • Markov-switching MIDAS (Guerin and Marcellino 2013): the weighting function parameters switch between regimes, allowing recession vs. expansion dynamics.

Questões em aberto

  • Optimal choice of weighting function: exponential Almon and beta polynomial are the most common, but there is no theoretical basis for preferring one over the other. Data-driven model selection (AIC/BIC on the NLS objective) is the practical approach.
  • Real-time versus pseudo-real-time evaluation: most MIDAS evaluations use final-release data with timing mimicking real-time availability. True real-time vintage data may tell a different story, especially for heavily revised indicators.
  • MIDAS with many high-frequency predictors: extending MIDAS to more than 3 or 4 monthly predictors creates a high-dimensional NLS problem. Penalized MIDAS (LASSO-MIDAS) and factor MIDAS address this differently. No consensus on which dominates.

Continue por aqui

Leia a seguir

Continue com um conceito, modelo ou exemplo relacionado.

Modelo teórico

IS-LM Model

modelo teórico bem conectado a dois passos daqui

Novo ângulo: modelo teórico →
Macro by Mark
Ajuda
Política de PrivacidadeTermos de UsoÉtica e conformidade

© 2026 Mark Jayson Nation LLC