2.png)
Evaluación de modelos de pronóstico de series temporales aplicados a los gastos municipales en una ciudad del Ceará
- Autores/as
-
-
Autor/a
-
João Evangelista Dantas dos Santos
Universidade Regional do Cariri – URCA
Autor/a
-
Rodolfo de Sousa Santos
Universidade Regional do Cariri – URCA
Autor/a
-
- Palabras clave:
- Aprendizaje Automático, Pronóstico, Modelos estadísticos, Planificación de Recursos
- Resumen
-
Para atender las complejas necesidades de planificación financiera de municipios con alta volatilidad de gastos, como los del interior de Ceará, es necesario contar con modelos predictivos capaces de proyectar gastos y optimizar recursos con precisión. La comparación entre los modelos Auto ETS y Auto ARIMA en el desempeño de las previsiones de gastos fue la cuestión central de este estudio, que verificó los resultados utilizando datos históricos de 2018 a 2023. Las métricas de evaluación corresponden a MAE, RMSE, MSE, MAPE, R² y correlación, asociación con análisis cualitativo de modelos. Los resultados, en este sentido, apuntan al mejor desempeño de Auto ETS en errores absolutos, con MAE de 21.510.499,88 y RMSE de 27.275.560,60 y explicación de la varianza con R² de 0,9139. Mientras tanto, Auto ARIMA presenta la mejor precisión relativa, con MAPE = 23,63%. Sin embargo, ambos modelos tienen una correlación extremadamente alta, superior a 0,97, entre los valores reales y los previstos. Al probar las predicciones, los modelos capturaron patrones históricos, demostrando una alta adherencia a los valores reales. Para el rango de pronóstico 2024 a 2025, las estimaciones mantuvieron patrones estacionales y variaciones en línea con el pasado; El sistema ETS automático suavizó los picos más extremos y demostró ser más confiable; Al mismo tiempo, Auto ARIMA gestionó mejor las pequeñas variaciones, contribuyendo a la planificación financiera de la ciudad.
- Biografía del autor/a
- Referencias
-
Box, G. E., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: forecasting and control.
Brockwell, P. J. & Davis, R. A. (Eds.). (2002). Introduction to time series and forecasting. New York, NY: Springer New York.
Vergara, S. H. C. & Almeida, C. V. L. de. (2003). Propostas para uma gestão pública municipal efetiva. FGV Editora.
Chatfield, C. & Xing, H. (2019). The analysis of time series: an introduction with R. Chapman and hall/CRC.
Creswell, J. W. (2014). Research design: Qualitative, quantitative, and mixed methods approaches (4th ed.). SAGE Publications.
Denhardt, R. B. & Denhardt, J. V. (2003). The new public service: Serving, not steering (2nd ed.). M.E. Sharpe.
Ferreira, M. T. N., Silva, D. J. V. da, Santos, A. M. N. dos, Henrique, T. G., Tavares, V. H. N. D., & Santana, W. J. de. (2024). Gestão pública e desenvolvimento sustentável. Brazilian Journal of Development, 10(8), e71884-e71884.
Draper, N. R. & Smith, H. (1998). Applied regression analysis (Vol. 326). John Wiley & Sons.
Enders, W. (2008). Applied econometric time series. John Wiley & Sons.
Field, A. (2024). Discovering statistics using IBM SPSS statistics. Sage publications limited.
Hastie, T. (2009). The elements of statistical learning: data mining, inference, and prediction.
Holt, C. C. (2004). Forecasting seasonals and trends by exponentially weighted moving averages. International journal of forecasting, 20(1), 5-10.
Hyndman, R. J. & Athanasopoulos, G. (2021). Forecasting: Principles and practice (3rd ed.). OTexts. https://otexts.com/fpp3/
Hyndman, R. J. & Khandakar, Y. (2008). Automatic time series forecasting: The forecast package for R. Journal of Statistical Software, 27(3). https://doi.org/10.18637/jss.v027.i03
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning: With applications in R. Springer.
Makridakis, S., Spyropoulos, M., Assimakopoulos, V., & Nikolaidis, E. (2018). Statistical and machine learning forecasting methods: Concerns and ways forward. PLOS ONE, 13(3), 1-26. https://doi.org/10.1371/journal.pone.0194889
Makridakis, S., Wheelwright, S. C., & Hyndman, R. J. (2003). Forecasting methods and applications (3rd ed.). Wiley.
Morettin, P. A. & Toloi, C. M. C. (2006). Análise de séries temporais (2nd ed.). Blucher.
Pereira, L. C. B. (1998). Reforma do Estado para a cidadania: a reforma gerencial brasileira na perspectiva internacional. Editora 34.
Shumway, R. H. & Stoffer, D. S. (2017). Time series analysis and its applications: With R examples (4th ed.). Springer.
Silva, M. C., Santos, P. R., & Almeida, J. F. (2020). Portal de Transparência como ferramenta de controle social: Uma análise do período de 2018 a 2020. Revista Gestão Pública, 12(4), 23-45.
Willmott, C. J. & Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate Research, 30, 79-82.
Winters, P. R. (1960). Forecasting sales by exponentially weighted moving averages. Management Science, 6(3), 324-342. https://doi.org/10.1287/mnsc.6.3.324
- Cover Image
-
- Descargas
- Publicado
- 2025-04-25
- Sección
- ENGENHARIA ECONÔMICA
- Licencia
-
Derechos de autor 2025 José Wivo Gomes, João Evangelista Dantas dos Santos, Rodolfo de Sousa Santos (Autor)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Todas las obras publicadas en la Revista Brasileña de Ingeniería de Producción (BJPE) están bajo la licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0). Esto significa que: Cualquier persona puede copiar, distribuir, exhibir, adaptar, remezclar e incluso utilizar comercialmente el contenido publicado en la revista; Siempre que se reconozca debidamente a los autores y a BJPE como fuente original; No se requiere permiso adicional para la reutilización, siempre que se respeten los términos de la licencia. Esta política cumple con los principios de acceso abierto, promoviendo la amplia difusión del conocimiento científico. 🔗 Haga clic aquí para acceder a la licencia completa.
