Séries temporais e variáveis qualitativas
revisão sistemática de literatura
DOI:
https://doi.org/10.14488/1676-1901.v22i1.4575Palavras-chave:
Séries Temporais, Variáveis Qualitativas, Modelos de Previsão, Revisão Sistemática, ModelagemResumo
As variáveis qualitativas possuem características de influenciar variáveis quantitativas. As séries temporais são exemplo de variáveis quantitativas que podem ser modificadas por alterações abruptas de variáveis qualitativas. O objetivo desta pesquisa é identificar uma lacuna de conhecimento entre modelos de previsão de séries temporais e variáveis qualitativas por meio de
uma revisão sistemática de literatura aplicada em artigos científicos publicados em bases internacionais. Foram encontrados 37 artigos que unem séries temporais e variáveis qualitativas no período de 1985 a 2020, nos quais novos modelos foram criados utilizaram as variáveis qualitativas como entradas de informação para a geração de previsões. A lacuna encontrada foi em aproximados 57% dos casos a capacidade de melhoria dos modelos criados e a aplicação em outros sistemas, e em 19% a possibilidade de melhorar a previsão de outras variáveis do sistema. Os resultados indicaram que a inclusão de variáveis qualitativas em modelos quantitativos auxilia na qualidade da precisão das previsões geradas.
Downloads
Referências
ALBERTI, T. S.; BRUHN, F. R. P.; ZAMBONI, R.; VENANCIO, F. R.; SCHEID, H. V.; RAFFI, M. B.; SCHILD, A. L.; SALLIS, E. S. V. (2020). Epidemiological analysis of bovine tuberculosis in the southern region of Rio Grande do Sul from 2000 to 2015. Pesquisa Veterinaria Brasileira, v. 40, n. 2, p. 77–81. DOI https://doi.org/10.1590/1678-5150-PVB-6406
ALFARO, E.; GARCÍA, N.; GÁMEZ, M.; ELIZONDO, D. Bankruptcy forecasting: An empirical comparison of AdaBoost and neural networks. Decision Support Systems, v. 45, n. 1, p. 110–122, 2008. DOI DOI https://doi.org/10.1016/j.dss.2007.12.002
ANAGNOSTIS, A.; PAPAGEORGIOU, E.; BOCHTIS, D. Application of artificial neural networks for natural gas consumption forecasting, Sustainability (Switzerland), v. 12, n. 16, p. 6409, 2020. DOI https://doi.org/10.3390/SU12166409
ANNARELLI, A.; BATTISTELLA, C.; BORGIANNI, Y.; NONINO, F. Estimating the value of servitization: A non-monetary method based on forecasted competitive advantage. Journal of Cleaner Production, 200, p. 74–85, 2018. DOI https://doi.org/10.1016/j.jclepro.2018.07.220
BILLIO, M.; MONFORT, A. Switching state-space models Likelihood function, filtering and smoothing. Journal of Statistical Planning and Inference, v. 68, n. 1, p. 65–103, 1998. DOI https://doi.org/10.1016/S0378-3758(97)00136-5
BOADA, A. “Sistema Forecast”. Predicción automatizada en empresas de venta directa, v. 32, n. 11, p. 121–142, 2016.
BORGEGARD, L. E.; HAGGSTROM, N. Migration and social development in a household perspective: an attempt to develop an integrated model of migration. Espace-Populations-Societes, v. 1985, n. 1, p. 26–32, 1985. DOI https://doi.org/10.3406/espos.1985.996
BOX, G. E. P.; JENKINS, G. M.; REINSEL, G. C. Time Series Analysis: Forecasting and Control. 3 ed. 1994. Disponível em: https://books.google.com.br/books?id=sRzvAAAAMAAJ
BRAUERS, W. K. M.; BALEŽENTIS, A.; BALEŽENTIS, T. Multimoora for The Eu Member States Updated With Fuzzy Number Theory. Technological and Economic Development of Economy, v. 17, n. 2, p. 259–290, 2011. DOI https://doi.org/10.3846/20294913.2011.580566
CAO, S.; LU, A.; WANG, J.; HUO, L.; BARCELO, D. Modeling and mapping of cadmium in soils based on qualitative and quantitative auxiliary variables in a cadmium contaminated area. Science of the Total Environment, v. 580, p. 430– 439, 2017. DOI https://doi.org/10.1016/j.scitotenv.2016.10.088
CHRISTENSEN, R. Entropy minimax multivariate statistical modeling—II: Applications. International Journal of General Systems, v. 12, n. 3, p. 227–305, 1986. DOI https://doi.org/10.1080/03081078608934938
COSTA, N. DO R.; MARCELINO, M. A.; DUARTE, C. M. R.; UHR, D. Proteção social e pessoa com deficiência no Brasil. Ciência Saúde Coletiva, v. 21, n. 10, p. 3037–3047, 2016. DOI https://doi.org/10.1590/1413-812320152110.18292016
DOHNAL, M.; DOUBRAVSKY, K. Qualitative upper and lower approximations of complex nonlinear chaotic and nonchaotic models. International Journal of Bifurcation and Chaos, v. 25, n. 13, 1550173, 2015. DOI https://doi.org/10.1142/S0218127415501734
DUEKER, M. Dynamic Forecasts of Qualitative Variables. Journal of Business Economic Statistics, v. 23, n. 1, p. 96–104, 2005. DOI https://doi.org/10.1198/073500104000000613
ELWAKIL, E.; ZAYED, T. Construction knowledge discovery system using fuzzy approach. Canadian Journal of Civil Engineering, v. 42, n. 1, p. 22–32, 2015. https://doi.org/10.1139/cjce-2014-0153
FARHADI, R.; AFKARI-SAYYAH, A. H.; JAMSHIDI, B.; MOUSAPOUR GORJI, A. Prediction of internal compositions change in potato during storage using visible/near-infrared (Vis/NIR) spectroscopy. International Journal of Food Engineering, v. 16, n. 4, 2020. DOI https://doi.org/10.1515/ijfe-2019-0110
FIGINI, S.; GIUDICI, P. Statistical merging of rating models. Journal of the Operational Research Society, v. 62, n. 6, p. 1067–1074, 2011. DOI https://doi.org/10.1057/jors.2010.41
HALLAH, R. M.; ABOUKHAMSEEN, S. Cross-calibration of categorical variables: An evaluation of the genetic algorithm approach. Applied Soft Computing Journal, 74, p. 154–166, 2019. DOI https://doi.org/10.1016/j.asoc.2018.10.009
HARVEY, A. C.; FERNANDES, C. Time Series Models for Count or Qualitative Observations. Journal of Business Economic Statistics, v. 7, n. 4, p. 407–417, 1989. DOI https://doi.org/10.1080/07350015.1989.10509750
HASSLER, U.; THADEWALD, T. Nonsensical and Biased Correlation Due to Pooling Heterogeneous Samples. Source: Journal of the Royal Statistical Society. Series D (The Statistician), v. 52, n. 3, p. 367–379, 2003. Disponível em: https://about.jstor.org/terms
HELBOK, R.; KRUDSOOD, S.; WILAIRATANA, P.; LACKNER, P.; TREEPRASERTSUK, S.; DENT, W.; NACHER, M.; SILACHAMROON, U.; SCHMUTZHARD, E.; LOOAREESUWAN, S. The use of the Multi-organ-Dysfunction Score to discriminate different levels of severity in severe and complicated Plasmodium falciparum malaria. The American Journal of Tropical Medicine and Hygiene, v. 72, n. 2, p. 150–154, 2005. DOI https://doi.org/10.4269/ajtmh.2005.72.150
HERRMANN, R. Agricultural Price Protection, Import Dependence and Economic Development: The Case of Wheat. Journal of Agricultural Economics, v. 40, n. 2, p. 152–167, 1989. DOI https://doi.org/10.1111/j.1477-9552.1989.tb01095.x
JAKUBOWSKI, J.; TAJDUŚ, A. Predictive Regression Models of Monthly Seismic Energy Emissions Induced by Longwall Mining. Archives of Mining Sciences, v. 59, n. 3, p. 705–720, 2014. DOI https://doi.org/10.2478/amsc-2014-0049
JURASZ, J.; MIKULIK, J. Day ahead electric power load forecasting by WT-ANN. PRZEGLĄD ELEKTROTECHNICZNY, v. 1, n. 4, p. 154–156, 2016. DOI https://doi.org/10.15199/48.2016.04.32
KOKODEY, T. A. A Composite Technique for Modeling and Projecting Food Consumer Behavior. Journal of International Food Agribusiness Marketing, v. 4, n. 3, p. 231–249, 2012. DOI https://doi.org/10.1080/08974438.2012.691815
KUO, R. J.; TSENG, Y. S.; CHEN, Z.-Y. Integration of fuzzy neural network and artificial immune system-based back-propagation neural network for sales forecasting using qualitative and quantitative data. Journal of Intelligent Manufacturing, v. 27, n. 6, p. 1191–1207, 2016. DOI https://doi.org/10.1007/s10845-014-0944-1
NIEDBAŁA, G.; NOWAKOWSKI, K.; RUDOWICZ-NAWROCKA, J.; PIEKUTOWSKA, M.; WERES, J.; TOMCZAK, R. J.; TYKSIŃSKI, T.; ÁLVAREZ PINTO, A. Multicriteria Prediction and Simulation of Winter Wheat Yield Using Extended Qualitative and Quantitative Data Based on Artificial Neural Networks. Applied Sciences, v. 9, n. 14, 2773, 2019. DOI https://doi.org/10.3390/app9142773
PECICAN, E. S. Forecasting Based on Open VAR Model. Romanian Journal of Economic Forecasting-1, 1, p. 59–69, 2010.
PÉREZ-RODRÍGUEZ, J. V. Probability of an incoming order signal. Quantitative Finance, v. 11, n. 6, p. 901–916, 2011. DOI https://doi.org/10.1080/14697681003685555
QU, S.; ZHOU, Y. A Study of The Effect of Demand Uncertainty for Low-Carbon Products Using a Newsvendor Model. International Journal of Environmental Research and Public Health, v. 14, n. 11, 1276, 2017. DOI https://doi.org/10.3390/ijerph14111276
RAMIREZ, M. D. Public and private Investment in Mexico and Chile: An empirical test of the complementarity hypothesis. Atlantic Economic Journal, v. 24, n. 4, p. 301–320, 1996. DOI https://doi.org/10.1007/BF02298433
RAMÍREZ, M. D. Does Public Investment Enhance Labor Productivity Growth in Chile? A Cointegration Analysis. 1998.
SATTARI, M. T.; MIRABBASI, R.; JARHAN, S.; SHAKER SUREH, F.; AHMAD, S. Trend and abrupt change analysis in water quality of Urmia Lake in comparison with changes in lake water level. Environmental Monitoring and Assessment, v. 192, n. 10, p. 1–16, 2020. DOI https://doi.org/10.1007/s10661-020-08577-8
SÉVERIN, E. Self organizing maps in corporate finance: Quantitative and qualitative analysis of debt and leasing. Neurocomputing, v. 73, n. 10–12, p. 2061–2067, 2010. DOI https://doi.org/10.1016/j.neucom.2009.12.024
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Revista Produção Online
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
A Revista se reserva no direito de efetuar, no artigo publicado, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua, respeitando, porém, o estilo dos autores.
A obra publicada é de inteira responsabilidade do(s) autor(es), cabendo à Revista Produção Online apenas a avaliação da obra, na qualidade de veículo de publicação científica. A Revista Produção Online não se responsabiliza por eventuais violações à Lei nº 9.610/1998, Lei de Direito Autoral.
A revista Produção Online permite que o autor detenha o copyright dos artigos aceitos para publicação, sem restrições.
Esta obra está licenciada sob uma Licença Creative Commons.
