La previsión económica es crucial para determinar el crecimiento o declive económico de un país. La productividad y la fuerza laboral deben aumentarse para lograr el crecimiento económico, lo que conduce al crecimiento del producto interno bruto (PIB) y los ingresos. El aprendizaje automático se ha utilizado para proporcionar previsiones económicas precisas, que son esenciales para una política económica sólida. Este estudio formuló un modelo de red neuronal de unidad recurrente con compuertas (GRU) para predecir el gasto gubernamental, un componente esencial del producto interno bruto. El modelo GRU se evaluó frente a modelos de media móvil integrada autorregresiva, regresión de vectores de soporte, suavizado exponencial, aumento extremo de gradiente, red neuronal convolucional y modelos de memoria a corto y largo plazo utilizando datos del Banco Mundial sobre el gasto gubernamental de 1990 a 2020. El error absoluto medio, la raíz del error cuadrático medio y el error porcentual absoluto medio se utilizaron como métricas de rendimiento. El modelo GRU demuestra un rendimiento superior en comparación con todos los demás modelos en términos de EAM, RMSE y MAPE (con un MAPE promedio del 2.774%) al predecir el gasto gubernamental utilizando datos de las 15 economías más grandes del mundo de 1990 a 2020. Los resultados indican que el GRU puede utilizarse para proporcionar previsiones económicas precisas.