Resumo:
Séries temporais não lineares são amplamente encontradas em situações reais envolvendo diferente cenários tais como crescimento econômico, consumo de energia e mudanças climáticas. Elas são, em muitos casos, não estacionárias e o seu comportamento pode variar ao longo do tempo, o que tem incentivado o uso de técnicas capazes de capturar essas características. Esse trabalho objetiva apresentar um estudo comparativo entre a precisão das Redes Neurais Artificiais (RNA) e o método denominado Markov-Switching Model (MSM) em relação à modelagem de séries temporais não lineares e não estacionárias. Para tal foi desenvolvida e aplicada uma metodologia de apoio à decisão baseada na técnica de Design of Experiments (DOE) para conduzir as análises e auxiliar na elaboração de um banco de dados sintético, representando contextos distintos, o que permitiu generalizar as comparações. Foram considerados os seguintes fatores: tamanho do conjunto de dados, erro aleatório associado a cada série temporal e a correlação existente entre elas. Após modelar cada série usando RNA e MSM, calculou-se o valor do Erro Percentual Absoluto Médio (MAPE) e desenvolveu-se um teste t-pareado que permitiu concluir que o desempenho das RNA é estatisticamente melhor que o do método MSM independente de qual cenário considerado. Além disso, foi desenvolvido um estudo de caso cujo objetivo foi modelar o valor de exportação do Brasil durante os 10 últimos anos como uma função das seguintes séries temporais: taxa de câmbio, importação e PIB, no mesmo período considerado, além da própria série de exportação deslocada de uma unidade no tempo. Assim, pôde-se validar que, de fato, as RNA possuem uma melhor performance em problemas envolvendo séries temporais não lineares e não estacionárias que o MSM.
