Esta tese consiste em três ensaios sobre previsão de inflação, com foco na inflação brasileira. No primeiro ensaio, examinamos a eficácia de vários métodos de previsão para prever a inflação, com foco na agregação de previsões desagregadas. Consideramos diferentes níveis de desagregação para a inflação e empregamos uma variedade de técnicas tradicionais de séries temporais, bem como modelos lineares e não lineares de aprendizado de máquina que lidam com um número grande de preditores. Para muitos horizontes de previsão, a agregação de previsões desagregadas performa tão bem quanto expectativas baseadas em coleta e modelos que geram previsões a partir do agregado. No geral, os métodos de aprendizado de máquina superam os modelos de séries temporais tradicionais em precisão preditiva, com excelente desempenho para os desagregados da inflação. Em nosso segundo ensaio, investigamos os potenciais benefícios de combinar previsões de inflação individuais ao propor uma correção para viés variável no tempo da média de previsões. Nossa análise inclui estimações empregando janelas rolantes e modelos em espaço de estados que usam a recursividade do filtro de Kalman. Obtivemos um bom desempenho de previsão para modelos baseados em janelas rolantes pequenas em horizontes de previsão curtos e intermediários, enquanto um modelo em espaço de estados obtem um desempenho um pouco pior do que os procedimentos baseados em janelas rolantes. No terceiro ensaio, usamos aprendizado supervisionado para gerar índices prospectivos baseados em tweets e notícias para inflação acumulada e investigamos se esses índices podem melhorar o desempenho da previsão de inflação. Nossos resultados indicam que os índices baseados em notícias fornecem ganhos preditivos significativos, principalmente para os horizontes de 3 e 12 meses à frente. Esses achados sugerem que a incorporação de mais fontes de informação do que apenas expectativas baseadas em opiniões de especialistas pode levar a previsões mais precisas.