Interpretabilidade de Modelos de Machine Learning para a Previsão Macroeconómica

A interpretabilidade de um modelo pode ser definida como o grau de compreensão sobre o funcionamento interno de um modelo, permitindo perceber as causas sobre o qual recai o resultado. Na modelação estatística, pode verificar-se um trade-off entre a interpretabilidade e a precisão da previsão: modelos de interpretabilidade natural revelam uma menor precisão relativamente a modelos mais complexos. A previsão do Produto Interno Bruto é um aspeto fundamental para a aplicação de políticas económicas, com particular atenção para políticas monetárias e políticas orçamentais. Nesse sentido e tendo em conta que os modelos de machine learning preveem melhor a volatilidade económica, tem se vindo a assistir a uma revolução do método de previsão macroeconómico utilizado pelas principais organizações políticas nacionais e internacionais. O objetivo deste trabalho prende-se em investigar se um black-box, Extreme Gradient Boosting (XGBoost) pode superar os métodos de interpretabilidade natural selecionados, Regressão linear e Árvore de decisão na previsão do Produto Interno Bruto (PIB) per capita para dados de painel e identificar medidas de importância das variáveis para melhorar a transparência dos modelos de machine learning. Se as organizações políticas e financeiras forem capazes de prever e interpretar corretamente os fatores, podem implementar políticas mais eficazes. Para a análise de interpretabilidade de XGBoost, utilizam-se os seguintes métodos, Shapley Additive ExPlanations (SHAP), Permutation Feature Importance e Partial Dependence Plot. Através destes métodos pretendemos mostrar que os resultados obtidos por XGBoost podem ser interpretados sem um grande esforço computacional e garantir maior vantagem competitiva. Como será aprofundado durante este trabalho, verifica-se que o modelo XGBoost será o modelo com melhor precisão de previsão para os dados de painel.