Using neural networks in hybrid models to forecast brazilian unemployment rates

Abstract

This study proposes three models to forecast unemployment rates in the Brazilian metropolitan regions of Porto Alegre, São Paulo and Salvador, based on the hypothesis that the unemployment rate has an intrinsic nonlinear component, which, when integrated into a linear model, has the potential to enhance its predictive power. Initially, the linear ARIMA model (autoregressive integrated moving average model) was used to make predictions and serve as a benchmark. Subsequently, the residual errors from the ARIMA model were used as inputs to train two distinct neural networks: the multilayer perceptron (MLP) and the autoregressive neural network (ARNN). The forecasts from these networks were combined with those from the ARIMA model, resulting in two hybrid models: ARIMA-MLP and ARIMA-ARNN. A rolling window approach and forecast horizons of 1, 3, 6 and 12 months were utilized in all models. The evaluation suggested a slight improvement in the predictive capabilities of the hybrid models compared to the benchmark, while also pointing to a lack of statistically significant differences between them.

Este trabalho propõe três modelos para prever as taxas de desemprego nas regiões metropolitanas brasileiras de Porto Alegre, São Paulo e Salvador, fundamentado na hipótese de que a taxa de desemprego possui um componente intrínseco não linear, que, ao ser integrado a um modelo linear, tem o potencial de aprimorar seu poder preditivo. Inicialmente, o modelo linear ARIMA (modelo autorregressivo integrado de médias móveis) foi empregado para realizar previsões e atuar como benchmark. Posteriormente, os erros residuais do modelo ARIMA serviram como entradas para o treinamento de duas redes neurais distintas: o perceptron multicamadas (MLP) e a rede neural autorregressiva (ARNN). As previsões dessas redes foram combinadas com as do modelo ARIMA, resultando em dois modelos híbridos: ARIMA-MLP e ARIMA-ARNN. Em todos os modelos, utilizou-se uma estratégia de janela deslizante e horizontes de previsão de 1, 3, 6 e 12 meses. A avaliação sugere uma ligeira melhoria nas capacidades preditivas dos modelos híbridos frente ao benchmark, apontando também para uma falta de diferenças estatisticamente significantivas entre elas.