Estudo dos Métodos de Detecção de mudanças em Modelos de Previsão de Séries Temporais.

Abstract

Os modelos estatísticos de previsão são ferramentas importantes que ajudam a antecipar futuros cenários. Assim, estes contribuem para o planejamento, dimensionamento e alocação de recursos que permitem a redução de custos decorrentes de decisões equivocadas. Utilizar estes modelos tem como objetivo central prever acontecimentos futuros com o propósito de reduzir o risco na tomada de decisão. Entretanto, para utilizá-los é necessário que se faça um bom projeto de sistema de previsão. Aliado a este projeto, é essencial que existam procedimentos que ajudem na avaliação e no monitoramento de seu desempenho ao longo do tempo. Não importa quanto esforço foi realizado no desenvolvimento do modelo de previsão e o quão eficiente é o modelo inicialmente, com o tempo é provável que o desempenho deste modelo se deteriore. As previsões são realizadas com base em séries temporais e para monitorá-las é necessário utilizar os erros que essas previsões geram. Estes erros, que também geram séries temporais, são avaliados de acordo com diversos métodos. Portanto, para saber se uma previsão continua eficiente, é necessário monitorar os seus erros e, caso apresente mudanças, de acordo com os métodos de avaliação, será necessário refazer a previsão. Esta dissertação apresenta o estudo comparativo dos métodos que fazem o monitoramento dos modelos de previsão. Os métodos estudados são as cartas de controle de média móvel exponencialmente ponderada (EWMA), carta de controle de soma acumulada (CUSUM) e os Tracking Signals (TS). O objetivo deste estudo é identificar o melhor método para a detecção de séries lineares e analisar, através da simulação, qual o melhor método e também estabelecer regras e/ou padrões dessas detecções, fazendo a combinação do método com a carta farol. Para isso foram utilizadas e simuladas as séries temporais lineares e não lineares. As séries temporais lineares demonstram que a previsão está sob controle e as séries não lineares apresentam o pior cenário de uma previsão. Neste estudo foram realizados testes com a junção de séries lineares e não lineares no ponto determinado para verificar se os métodos eram capazes de detectar essa mudança. Foram realizadas quatro etapas para o estudo, sendo a última etapa a mais importante na combinação da carta farol com o TS. A conclusão presente na dissertação aponta que o Tracking Signal possui um desempenho superior quando combinado com a carta farol.