Modelos fatoriais são um dos principais métodos de previsão macroeconômicas. Tradicionalmente, esses modelos utilizam a matriz de covariância amostral em conjunto da análise de componentes principais. Nesse trabalho, nós analisamos o impacto da escolha do tipo de matriz de covariância e do método de extração dos fatores latentes para previsões macroeconômica decorrentes de modelos fatoriais. A existência de erros de medida nas séries temporais pode introduzir uma estrutura de dependência temporal sendo adequado substituir a matriz de covariância amostral por matrizes de longo prazo. Adicionalmente, a matriz de covariância amostral pode acumular erros de estimação devido ao número elevado de parâmetros a serem estimados. Ao usar um hard-threshold, podemos mitigar esse problema. Já o uso de componentes principais esparsas nos permite usar o tradeoff entre viés e variância para obter estimativas mais precisas em amostras finitas. A metodologia proposta é aplicada a base de dados macroeconômicos apresentada em Stock e Watson (2009). Os resultados obtidos fortalecem a evidência de que usar um subconjunto das séries temporais disponibilizadas para a extração dos fatores não leva, necessariamente, a um pior desempenho preditivo. Similarmente a Kristensen (2017), encontramos que as previsões obtidas por PCA e SPCA são próximas e, adicionalmente, mostramos que o Model Confidence Set não rejeita a hipótese de mesma habilidade preditiva em muitos casos. Por fim, expandimos a evidência apresentada em Smeekes e Wijler (2018) de que modelos que utilizam esparcidade podem levar a um melhor desempenho do que modelos fatoriais baseados na matriz de covariância amostral e PCA quando temos a presença de erros de especificação.

Factor models are one of the main methods used in macroeconomic forecasting. Usually, these models use the sample covariance matrix in conjunction with principal component analysis. In this work, we analyze the impact of the choice of the covariance matrix class and the latent factor extraction method for macroeconomic forecasting based on factor models. The existence of measurement errors in the time series can introduce a time dependency structure, being appropriate to replace the sample covariance matrix with long-run covariance matrices. Additionally, the sample covariance matrix can accumulate estimation errors due to the high number of parameters to be estimated. By using a hard-threshold, we can mitigate this problem. The use of sparse principal components allows us to use the tradeoff between bias and variance to obtain more accurate estimates in finite samples. We apply the proposed methodology to the macroeconomic database presented in Stock e Watson (2009). The results obtained strengths the evidence that using a subset of the dataset for factor extraction does not necessarily lead to worse predictive performance. Similarly to Kristensen (2017), we find that the forecasts based on PCA and SPCA are close and, in addition, we show that the Model Confidence Set does not reject the hypothesis of the equal predictive ability in many cases. Finally, we expand the evidence presented in Smeekes e Wijler (2018) that sparse models can lead to better performance than factor models based on the sample covariance matrix and PCA when there are specification errors.