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

Área do gráfico

Painel de previsão de MIDAS

Área do gráfico

Combinar indicadores mensais, semanais ou diários em uma equação de previsão para um alvo macro de frequência menor. O gráfico transforma essa pergunta em um cenário ajustável, com controles suficientes para ver direção, persistência e limites sem fingir estimação em tempo real.

Metadados dos eixos
xHorizonte da previsãotempo discreto · 1 a 24 períodos à frenteyValor previsto ou erroíndice · escala normalizada pelo cenário
Função de pesos MIDAS w(k; theta) static chart preview showing Peso
Contribuição ponderada de cada
defasagem de alta frequência static chart preview showing Series 1
xHorizonte da previsãotempo discreto · 1 a 24 períodos à frenteyValor previsto ou erroíndice · escala normalizada pelo cenário

Resultados atuais

Defasagem de peso máximo

Explicar: Defasagem de peso máximo
k∗=arg⁡max⁡kw(k;θ1,θ2)k^* = \arg\max_k w(k; \theta_1, \theta_2)k∗=argmaxk​w(k;θ1​,θ2​)

Compare este valor entre cenários para ver o efeito dos controles.

0.0000

meses para trás

Número efetivo de defasagens

Explicar: Número efetivo de defasagens
Keff=1∑kw(k)2K_{\text{eff}} = \frac{1}{\sum_k w(k)^2}Keff​=∑k​w(k)21​

Compare este valor entre cenários para ver o efeito dos controles.

9.76

defasagens efetivas

Valor ponderado do preditor

Explicar: Valor ponderado do preditor
zt=∑k=0Kw(k;θ)⋅xtm−kHz_t = \sum_{k=0}^{K} w(k; \boldsymbol{\theta}) \cdot x_{tm-k}^Hzt​=∑k=0K​w(k;θ)⋅xtm−kH​

Compare este valor entre cenários para ver o efeito dos controles.

0.5529

mesma unidade de x

Previsão trimestral

Explicar: Previsão trimestral
y^tL=α+β⋅zt\hat{y}_t^L = \alpha + \beta \cdot z_ty^​tL​=α+β⋅zt​

Compare este valor entre cenários para ver o efeito dos controles.

0.6318

% t/t

Parâmetros do modelo

-0.05
Explicar: Parâmetro linear de Almon

Controle do modelo: mova-o e veja como o cenário muda.

Compare o gráfico e as leituras antes e depois de mover o controle.

-0.01
Explicar: Parâmetro quadrático de Almon

Controle do modelo: mova-o e veja como o cenário muda.

Compare o gráfico e as leituras antes e depois de mover o controle.

0.6
Explicar: Inclinação do MIDAS

Controle do modelo: mova-o e veja como o cenário muda.

Compare o gráfico e as leituras antes e depois de mover o controle.

11
Explicar: Número de defasagens de alta frequência

Controle do modelo: mova-o e veja como o cenário muda.

Compare o gráfico e as leituras antes e depois de mover o controle.

0.3
Explicar: Intercepto

Controle do modelo: mova-o e veja como o cenário muda.

Compare o gráfico e as leituras antes e depois de mover o controle.

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