Use of the Forecast Combination Methodology for Projections of the Collection of Primary Gross Revenue from Federal Taxes
DOI:
https://doi.org/10.55532/1806-8944.2020.77Abstract
The objective of this study is to analyze the gains in accuracy (precision) when applying the forecast combination methodology to predict the collection of gross revenues from federal taxes (endogenous series) administered by the Federal Revenue Service of Brazil (RFB). The medium and long-term scenarios containing price and quantity data for macroeconomic variables come from the macroeconomic parameter grid produced by the SPE, these variables being considered exogenous series. The realized data (taxes and macroeconomic variables) comprise the period from January 2002 to June 2019. The forecast horizon (out of the sample) to be used for revenue projections
of federal taxes considers the medium-term scenario of the same macroeconomic variables contained in the aforementioned parameter grid, but comprising the period from July 2019 to December 2023. As individual forecasting techniques, the following methodological approaches were used: ARIMAX models, TBATS models, neural networks and STLM method. On the other hand, for the combination of forecasts, two forms of combination were considered: combination with weights (arithmetic mean weighted by the square root of the mean square error - REQM) and combination without weights (simple arithmetic mean). The minimax criterion is used to select the models that have the lowest RMSE. The results obtained show that, among the 22 tributes analyzed, the minimax criterion selected 8 tributes according to the combination of models (with weight and without weight) through REQM. In terms of policy implications, the use of the forecast combination methodology in the case of tax collection, considering the medium and long horizonterm, it is an important empirical strategy for decision-making by public managers and policy makers.
References
ABRAHAM, B.; LEDOLTER, J. Statistical methods for forecasting. New York: John Wiley & Sons, 2005.
ARMSTRONG, J. S. Principles of forecasting: a handbook for researchers and practitioners. Kluwer Academic Publishers, 2001. http://dx.doi.org/10.1007/978-0- 306- 47630-3
ASHLEY, R.; GRANGER, C. W. J.; SCHMALENSEE, R. Advertising and aggregate consumption: an analysis of causality. Econometrica, v. 48, n. 5, p. 1149-1168, 1980. BATES, J. M.; GRANGER, C. W. J. The combination of forecasts. Operations Research Quaterly, v. 20, p. 319-25, 1969.
https://www.tandfonline.com/doi/abs/10.1057/jors.1969.103
BRASIL. Lei Complementar nº 101, de 4 de maio de 2000. Estabelece normas de finanças públicas voltadas para a responsabilidade na gestão fiscal e dá outras providências. Brasília, 2000. Disponível em:< http://www.planalto.gov.br/ccivil_03/leis/lcp/lcp101.htm> Acesso em: 13 junho 2009.
BENELLI, F. C. Previsão da receita tributária federal por base de incidência. 2013. 144f. Dissertação (Mestrado Profissional em Economia do Setor Público), Universidade de Brasília. Brasília, 2013.
BOX, G. E.; TIAO, G. C. Intervention analysis with application to economic and environmental problems. Journal of American Statistic Association, v. 70, p. 70-19, 1975.
BRASIL. Ministério da Fazenda. Secretaria do Tesouro Nacional. Receitas Públicas: manual de procedimentos. Brasília: STN/Coordenação-Geral de Contabilidade, 2007. 233 p.
CAMPOS, C. V. C. Previsão da arrecadação de receitas federais: aplicações de séries temporais para o Estado de São Paulo. Dissertação de Mestrado, Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto da Universidade de São Paulo. Ribeirão Preto, 2009. Disponível em:
<<file:///C:/Users/57293490178/Downloads/CesoVilelaChavesCampos.pdf>> Acesso
em 15 julho 2019.
CAVALIER, R.; RIBEIRO, E. P. Combinação de previsões de volatilidade: um estudo.
Revista EconomiA, v. 12, n. 2, p. 239-261, mai/ago 2011.
CLEMEN, R. T. Combining forecasts: a review and annoted bibliography.
International Journal of Forecasting, v. 5, p. 559-583, 1989.
http://dx.doi.org/10.1016/0169- 2070(89)90012-5.
CLEVELAND, R. B.; CLEVELAND, W. S.; MCRAE, J. E.; TERPENNING, I. STL; A
seasonal-trend decomposition procedure based on Loess. Journal of Official Statistics, v. 6, p. 3-73, 1990.
DE LIVERA, A. M.; HYNDMAN, R. J.; SNYDER, R. D. Forecasting time series with complex seasonal patterns using exponential smoothing. Journal of the American Statistical Association, v. 106, n. 496, p. 1513-1527, 2011.
DIAS, V. P.; ICHIKAVA, E. Uma análise empírica da relação entre spread e risco. Revista do BNDES, Rio de Janeiro, n. 36 , p. 177-213, dez. 2011. Disponível em: << https://web.bndes.gov.br/bib/jspui/handle/1408/3062>> Acesso em: 23 junho 2019.
DIAS, V. P.; ISSLER, J. V. Modelagem econométrica da arrecadação e gasto tributário desagregados no Brasil. Fundação Getúlio Vargas, 2008.
DICKEY, D. A. e FULLER, W.A. Distribution of the estimators for autoregressive time series with unit root. Journal of the American Statistical Association, v. 74, n. 336, p. 427-431, 1979.
. Likelihood ratio statistics for auto-regressive time series with unit root.
Econometrica, v. 49, nº 4, 1981.
ELLIOT, G., ROTHENBERG, T. J. e STOCK, J. H. Efficient tests for an autoregressive unit root. Econometrica, v. 64, n. 4, p. 813-836, 1996.
GRANGER, C. W. Investigating causal relations by econometric models and cross- spectral models. Econometrica, Econometric Society, v. 37, n. 3, p. 424-38, 1969.
67
GRANGER, C. W. J; NEWBOLD, P. Experience with Forecasting Univariate Time Series and the Combination of Forecasts. Journal of the Royal Statistical Society, Series A (General), v. 137, n. 2, p. 131-165, 1974.
GRANGER, C.W.J.; RAMANATHAN, R. Improved methods of combining forecasting.
Journal of Forecasting. V. 3, p. 197-204, 1984.
GUJARATI, D. N. Econometria básica. Rio de Janeiro: Elsevier, 2006.
GHYSELS, E.; SWANSON, N. R.; WATSON, M. W. Essays in Econometrics: Collected Papers of Clive W. J. Granger. Volume I: Spectral Analysis, Seasonality, Nonlinearity, Methodology and Forecasting. Econometric Society Monographs Series. Cambridge: Cambridge University Press, 2001.
HAIR, J. F.; BLACK, W. C.; BABIN, B. J.; ANDERSON, R. E. Multivariate Data
Analysis. 7. ed. Upper Saddle River: Prentice Hall, 2010.
HARVEY, A. C. Forecasting, structural time series models and the Kalman filter. Cambridge University Press, 1990. ISBN 0521405734.
HOLLAUER, G.; ISSLER, J. V.; NOTINI, H. H. Prevendo o crescimento da produção industrial usando um número limitado de combinações de previsões. Economia Aplicada, São Paulo, v. 12, n. 2, p. 177-198, abril-junho 2008. http://dx.doi. org/10.1590/S1413-80502008000200001
HYNDMAN, R. J.; AKRAM, M. D.; ARCHIBALD, B. The admissible parameter space for exponential smoothing models. Annals of Statistical Mathematics, v. 60, n. 2, p. 407-426, 2008.
HYNDMAN, R. J.; KOEHLER, A. B.; ORD, J. K.; SNYDER, R. D. Forecasting with
exponential smoothing: the state space approach. Springer-Verlag, 2008. LANNE, M; SAIKKONEN, P; LÜTKEPOHL, H. Comparison of unit root tests for time series with level shifts. Journal of Time Series Analysis, 23, pp. 667-685, 2002.
. Test procedures for unit roots in time series with level shifts at unknown time.
Oxford Bulletin of Economics and Statistics, v. 65, p. 91-115, 2003.
MADDALA, G. S.; KIM, In-Moo. Unit roots, cointegration, and structural change. Themes in modern econometrics. Cambridge University Press, Cambridge, 2000. MAKRIDAKIS, S. G.; WHEELWRIGHT, S. C.; HYNDMAN, R. J. Forecasting:
methods and applications. 3ª edição. Wiley, 1998, 642 p.
MELO, B. S. V. Modelo de Previsão para a Arrecadação Tributária. Brasília: ESAF, 2001, 97p. Monografia vencedora em 1º lugar no VI Prêmio Tesouro Nacional – 2001. Orçamentos e Sistemas de Informação sobre a Administração Financeira Pública. Disponível no sítio http://www.tesouro.fazenda.gov.br/Premio_TN/ conteudo_mono_pr6tema3.html.
MENDONÇA, M. J.; MEDRANO, L. A. Um modelo de combinação de previsões para arrecadação da receita tributária no Brasil. Instituto de Pesquisa Econômica Aplicada, Texto para Discussão nº 2186, Rio de Janeiro, março de 2016.
MENDONÇA, M. J. C.; SACHSIDA, A.; MEDRANO, L. A. T. Um modelo econométrico para previsão de impostos no Brasil. Economia Aplicada, v. 17, n. 2, p. 295-329, 2013.
NG, S. e PERRON, P. Lag length selection and the construction of unit root tests with good size and power. Econometrica, v. 69, n. 6, p. 1519-1554, 2001.
PANTAZOPOULOS, S. N.; PAPPIS, C. P. New methods for combining forecasts.
Yugoslav Journal of Operations Research, v. 8, n. 1, p. 109-109, 1998.
PERRON, P. The great crash, the oil price shock, and the unit root hypothesis.
Econometrica, v. 57, n. 6. p. 1361-1401, 1989.
Further evidence on breaking trend functions in macroeconomic variables. Journal of econometrics, v. 80, n. 2, p. 355-385, 1997.
PHILLIPS, P. C. B. e PERRON, P. Testing for unit root in time series regression.
Biometrika, v. 75, n. 2, p. 335-346, 1988.
PROIETTI, T. Comparing seasonal components for structural time series models.
International Journal of Forecasting, v. 16, n. 2, p. 247-260, April-June, 2000. ISSN
0169-2070.
RASGDALE. C. Spreadsheet modeling & decision analysis: a practical introduction to management science. Fourth edition. South-Western, 2004.
RIPLEY, B. D. Pattern recognition and neural networks. Cambridge, 1996.
SAID, S. e DICKEY, D. A. Testing for unit roots in autoregressive-moving average models of unknown order. Biometrika, v. 71, p. 599-607, 1984.
SAIKKONEN, P; LÜTKEPOHL, H. Testing for a unit root in a time series with a level shift at unknown time. Econometric Theory, v. 18, p. 313-348, 2002.
SIQUEIRA, M. L. Melhorando a Previsão de Arrecadação Tributária Federal Através da Utilização de Modelos e Séries Temporais. Brasília: ESAF, 2002. Monografia premiada em 1º lugar no VII Prêmio Tesouro Nacional – 2002. Tributação, Orçamentos e Sistemas de Informação sobre Administração Financeira Pública. Disponível no sítio http://www.tesouro.fazenda.gov.br/Premio_TN/VIIPremio/conteudo_mono_pr7.html. TIMMERMANN, A. Forecast combinations. In: ELLIOTT, G.; GRANGER, C. W. J.; TIMMERMANN, A. (Ed.). Handbook of Economic Forecasting, vol. 1. San Diego: North-Holland, 2006.
VENABLES, W. N.; RIPLEY, B. D. Modern applied statistics with S. Fourth Edition, Springer, 2002.
VIGNOLI, F. H.; FUNCIA, F. R. Planejamento e orçamento público. Série Gestão Pública. Rio de Janeiro: Editora FGV, 2014.
ZONATTO, V. C. da S.; HEIN, N. Eficácia da previsão de receitas no orçamento dos municípios gaúchos: uma investigação empírica dos exercícios de 2005 a 2009 utilizando a análise de clusters. Revista Estudo CEPE, Santa Cruz do Sul, n. 37, p.102-131, jan./jun. 2013.
ARMSTRONG, J. S. Principles of forecasting: a handbook for researchers and practitioners. Kluwer Academic Publishers, 2001. http://dx.doi.org/10.1007/978-0- 306- 47630-3
ASHLEY, R.; GRANGER, C. W. J.; SCHMALENSEE, R. Advertising and aggregate consumption: an analysis of causality. Econometrica, v. 48, n. 5, p. 1149-1168, 1980. BATES, J. M.; GRANGER, C. W. J. The combination of forecasts. Operations Research Quaterly, v. 20, p. 319-25, 1969.
https://www.tandfonline.com/doi/abs/10.1057/jors.1969.103
BRASIL. Lei Complementar nº 101, de 4 de maio de 2000. Estabelece normas de finanças públicas voltadas para a responsabilidade na gestão fiscal e dá outras providências. Brasília, 2000. Disponível em:< http://www.planalto.gov.br/ccivil_03/leis/lcp/lcp101.htm> Acesso em: 13 junho 2009.
BENELLI, F. C. Previsão da receita tributária federal por base de incidência. 2013. 144f. Dissertação (Mestrado Profissional em Economia do Setor Público), Universidade de Brasília. Brasília, 2013.
BOX, G. E.; TIAO, G. C. Intervention analysis with application to economic and environmental problems. Journal of American Statistic Association, v. 70, p. 70-19, 1975.
BRASIL. Ministério da Fazenda. Secretaria do Tesouro Nacional. Receitas Públicas: manual de procedimentos. Brasília: STN/Coordenação-Geral de Contabilidade, 2007. 233 p.
CAMPOS, C. V. C. Previsão da arrecadação de receitas federais: aplicações de séries temporais para o Estado de São Paulo. Dissertação de Mestrado, Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto da Universidade de São Paulo. Ribeirão Preto, 2009. Disponível em:
<<file:///C:/Users/57293490178/Downloads/CesoVilelaChavesCampos.pdf>> Acesso
em 15 julho 2019.
CAVALIER, R.; RIBEIRO, E. P. Combinação de previsões de volatilidade: um estudo.
Revista EconomiA, v. 12, n. 2, p. 239-261, mai/ago 2011.
CLEMEN, R. T. Combining forecasts: a review and annoted bibliography.
International Journal of Forecasting, v. 5, p. 559-583, 1989.
http://dx.doi.org/10.1016/0169- 2070(89)90012-5.
CLEVELAND, R. B.; CLEVELAND, W. S.; MCRAE, J. E.; TERPENNING, I. STL; A
seasonal-trend decomposition procedure based on Loess. Journal of Official Statistics, v. 6, p. 3-73, 1990.
DE LIVERA, A. M.; HYNDMAN, R. J.; SNYDER, R. D. Forecasting time series with complex seasonal patterns using exponential smoothing. Journal of the American Statistical Association, v. 106, n. 496, p. 1513-1527, 2011.
DIAS, V. P.; ICHIKAVA, E. Uma análise empírica da relação entre spread e risco. Revista do BNDES, Rio de Janeiro, n. 36 , p. 177-213, dez. 2011. Disponível em: << https://web.bndes.gov.br/bib/jspui/handle/1408/3062>> Acesso em: 23 junho 2019.
DIAS, V. P.; ISSLER, J. V. Modelagem econométrica da arrecadação e gasto tributário desagregados no Brasil. Fundação Getúlio Vargas, 2008.
DICKEY, D. A. e FULLER, W.A. Distribution of the estimators for autoregressive time series with unit root. Journal of the American Statistical Association, v. 74, n. 336, p. 427-431, 1979.
. Likelihood ratio statistics for auto-regressive time series with unit root.
Econometrica, v. 49, nº 4, 1981.
ELLIOT, G., ROTHENBERG, T. J. e STOCK, J. H. Efficient tests for an autoregressive unit root. Econometrica, v. 64, n. 4, p. 813-836, 1996.
GRANGER, C. W. Investigating causal relations by econometric models and cross- spectral models. Econometrica, Econometric Society, v. 37, n. 3, p. 424-38, 1969.
67
GRANGER, C. W. J; NEWBOLD, P. Experience with Forecasting Univariate Time Series and the Combination of Forecasts. Journal of the Royal Statistical Society, Series A (General), v. 137, n. 2, p. 131-165, 1974.
GRANGER, C.W.J.; RAMANATHAN, R. Improved methods of combining forecasting.
Journal of Forecasting. V. 3, p. 197-204, 1984.
GUJARATI, D. N. Econometria básica. Rio de Janeiro: Elsevier, 2006.
GHYSELS, E.; SWANSON, N. R.; WATSON, M. W. Essays in Econometrics: Collected Papers of Clive W. J. Granger. Volume I: Spectral Analysis, Seasonality, Nonlinearity, Methodology and Forecasting. Econometric Society Monographs Series. Cambridge: Cambridge University Press, 2001.
HAIR, J. F.; BLACK, W. C.; BABIN, B. J.; ANDERSON, R. E. Multivariate Data
Analysis. 7. ed. Upper Saddle River: Prentice Hall, 2010.
HARVEY, A. C. Forecasting, structural time series models and the Kalman filter. Cambridge University Press, 1990. ISBN 0521405734.
HOLLAUER, G.; ISSLER, J. V.; NOTINI, H. H. Prevendo o crescimento da produção industrial usando um número limitado de combinações de previsões. Economia Aplicada, São Paulo, v. 12, n. 2, p. 177-198, abril-junho 2008. http://dx.doi. org/10.1590/S1413-80502008000200001
HYNDMAN, R. J.; AKRAM, M. D.; ARCHIBALD, B. The admissible parameter space for exponential smoothing models. Annals of Statistical Mathematics, v. 60, n. 2, p. 407-426, 2008.
HYNDMAN, R. J.; KOEHLER, A. B.; ORD, J. K.; SNYDER, R. D. Forecasting with
exponential smoothing: the state space approach. Springer-Verlag, 2008. LANNE, M; SAIKKONEN, P; LÜTKEPOHL, H. Comparison of unit root tests for time series with level shifts. Journal of Time Series Analysis, 23, pp. 667-685, 2002.
. Test procedures for unit roots in time series with level shifts at unknown time.
Oxford Bulletin of Economics and Statistics, v. 65, p. 91-115, 2003.
MADDALA, G. S.; KIM, In-Moo. Unit roots, cointegration, and structural change. Themes in modern econometrics. Cambridge University Press, Cambridge, 2000. MAKRIDAKIS, S. G.; WHEELWRIGHT, S. C.; HYNDMAN, R. J. Forecasting:
methods and applications. 3ª edição. Wiley, 1998, 642 p.
MELO, B. S. V. Modelo de Previsão para a Arrecadação Tributária. Brasília: ESAF, 2001, 97p. Monografia vencedora em 1º lugar no VI Prêmio Tesouro Nacional – 2001. Orçamentos e Sistemas de Informação sobre a Administração Financeira Pública. Disponível no sítio http://www.tesouro.fazenda.gov.br/Premio_TN/ conteudo_mono_pr6tema3.html.
MENDONÇA, M. J.; MEDRANO, L. A. Um modelo de combinação de previsões para arrecadação da receita tributária no Brasil. Instituto de Pesquisa Econômica Aplicada, Texto para Discussão nº 2186, Rio de Janeiro, março de 2016.
MENDONÇA, M. J. C.; SACHSIDA, A.; MEDRANO, L. A. T. Um modelo econométrico para previsão de impostos no Brasil. Economia Aplicada, v. 17, n. 2, p. 295-329, 2013.
NG, S. e PERRON, P. Lag length selection and the construction of unit root tests with good size and power. Econometrica, v. 69, n. 6, p. 1519-1554, 2001.
PANTAZOPOULOS, S. N.; PAPPIS, C. P. New methods for combining forecasts.
Yugoslav Journal of Operations Research, v. 8, n. 1, p. 109-109, 1998.
PERRON, P. The great crash, the oil price shock, and the unit root hypothesis.
Econometrica, v. 57, n. 6. p. 1361-1401, 1989.
Further evidence on breaking trend functions in macroeconomic variables. Journal of econometrics, v. 80, n. 2, p. 355-385, 1997.
PHILLIPS, P. C. B. e PERRON, P. Testing for unit root in time series regression.
Biometrika, v. 75, n. 2, p. 335-346, 1988.
PROIETTI, T. Comparing seasonal components for structural time series models.
International Journal of Forecasting, v. 16, n. 2, p. 247-260, April-June, 2000. ISSN
0169-2070.
RASGDALE. C. Spreadsheet modeling & decision analysis: a practical introduction to management science. Fourth edition. South-Western, 2004.
RIPLEY, B. D. Pattern recognition and neural networks. Cambridge, 1996.
SAID, S. e DICKEY, D. A. Testing for unit roots in autoregressive-moving average models of unknown order. Biometrika, v. 71, p. 599-607, 1984.
SAIKKONEN, P; LÜTKEPOHL, H. Testing for a unit root in a time series with a level shift at unknown time. Econometric Theory, v. 18, p. 313-348, 2002.
SIQUEIRA, M. L. Melhorando a Previsão de Arrecadação Tributária Federal Através da Utilização de Modelos e Séries Temporais. Brasília: ESAF, 2002. Monografia premiada em 1º lugar no VII Prêmio Tesouro Nacional – 2002. Tributação, Orçamentos e Sistemas de Informação sobre Administração Financeira Pública. Disponível no sítio http://www.tesouro.fazenda.gov.br/Premio_TN/VIIPremio/conteudo_mono_pr7.html. TIMMERMANN, A. Forecast combinations. In: ELLIOTT, G.; GRANGER, C. W. J.; TIMMERMANN, A. (Ed.). Handbook of Economic Forecasting, vol. 1. San Diego: North-Holland, 2006.
VENABLES, W. N.; RIPLEY, B. D. Modern applied statistics with S. Fourth Edition, Springer, 2002.
VIGNOLI, F. H.; FUNCIA, F. R. Planejamento e orçamento público. Série Gestão Pública. Rio de Janeiro: Editora FGV, 2014.
ZONATTO, V. C. da S.; HEIN, N. Eficácia da previsão de receitas no orçamento dos municípios gaúchos: uma investigação empírica dos exercícios de 2005 a 2009 utilizando a análise de clusters. Revista Estudo CEPE, Santa Cruz do Sul, n. 37, p.102-131, jan./jun. 2013.
Downloads
Published
31-05-2020
How to Cite
Ricardo de Brito Gadelha, S. ., Felipe Rodrigues Lima, A., & André Polli, D. (2020). Use of the Forecast Combination Methodology for Projections of the Collection of Primary Gross Revenue from Federal Taxes. CADERNOS DE FINANÇAS PÚBLICAS, 1(01). https://doi.org/10.55532/1806-8944.2020.77
Issue
Section
Artigos
License
The articles can be copied, since quoted the source.
