PT
A inflação no período pós-Covid revelou-se uma surpresa para os bancos centrais, economistas e
decisores políticos, pondo fim a décadas de estabilidade. O que inicialmente foi interpretado como um
choque temporário transformou-se numa subida persistente e generalizada dos preços, com
repercussões no poder de compra das famílias, na dinâmica das empresas e na eficácia dos
instrumentos convencionais da política monetária.
A presente dissertação tem como objetivo identificar os principais determinantes
macroeconómicos subjacentes a este episódio inflacionário. Para tal, foram estimados os modelos de
Regressão Linear, Random Forest e XGBoost, a partir de diferentes combinações de variáveis
selecionadas por três abordagens distintas: Recursive Feature Elimination (RFE), a Principal Component
Analysis (PCA) e BorutaShap. As três combinações com melhor desempenho, segundo as métricas de
avaliação (MAE, MAPE, RMSE e R²), foram utilizadas para gerar previsões out-of-sample para os meses
de janeiro, fevereiro e março de 2025. Os resultados revelaram que, em horizontes de curto prazo, a
Regressão Linear com penalização do tipo Ridge superou os outros modelos de machine learning,
sugerindo a superioridade da abordagem clássica neste contexto.
Por fim, a análise conjunta das 10 variáveis mais relevantes, identificadas pela convergência dos
métodos de seleção de variáveis baseados em machine learning (RFE e BorutaShap), aplicadas aos três
modelos com melhor desempenho, confirmou o papel determinante destas variáveis na explicação da
trajetória da inflação no período pós-pandémico. Esta evidência empírica, derivada da lógica preditiva
dos algoritmos de machine learning, contrasta com as expetativas estabelecidas pela teoria económica
convencional.
EN
Inflation in the post-COVID period proved to be a surprise for central banks, economists and
policymakers, bringing an end to decades of stability. What was initially interpreted as a temporary
shock transformed into a persistent and widespread rise in prices, with repercussions on household
purchasing power, business dynamics and the effectiveness of conventional monetary policy tools.
This dissertation aims to identify the primary macroeconomic variables underlying this inflationary
episode. For this purpose, Linear Regression, Random Forest and XGBoost models were estimated
based on different combinations of variables selected by three distinct approaches: Recursive Feature
Elimination (RFE), Principal Component Analysis (PCA) and BorutaShap. The three best-performing
combinations, according to evaluation metrics (MAE, MAPE RMSE e R²), were used to generate out-of-
sample forecasts for January, February and March 2025. The results revealed that, in the short term,
Ridge-penalized Linear Regression outperformed the other machine learning models, suggesting the
superiority of the classical approach in this context.
Finally, the joint analysis of the 10 most relevant variables, identified by the convergence of
machine learning variable selection methods (RFE and BorutaShap) applied to the three best-
performing models, confirmed the decisive role of these variables in explaining the trajectory of
inflation in the post-pandemic period. This empirical evidence, derived from the predictive logic of
machine learning algorithms, contrasts with the expectations established by conventional economic
theory.
