Avaliação de modelos de previsão de séries temporais, aplicado às despesas de uma prefeitura no interior do Ceará
DOI:
https://doi.org/10.47456/bjpe.v11i2.47358Palavras-chave:
Machine Learning, Previsão, Modelos estatísticos, Planejamento de recursosResumo
Para atender às complexas necessidades de planejamento financeiro de municípios com alta volatilidade nos gastos, como os do interior do Ceará, é necessário possuir modelos preditivos capazes de projetar despesas e otimizar recursos de maneira precisa. O comparativo entre os modelos Auto ETS e Auto ARIMA no desempenho de previsões de despesas foi o questionamento central deste estudo, que verificou os resultados usando dados históricos de 2018 a 2023. As métricas de avaliação correspondem a MAE, RMSE, MSE, MAPE, R² e correlação, associação a análises qualitativa de modelos. Os resultados, nesse sentido, apontam a melhor performance do Auto ETS em erros absolutos, com MAE de 21.510.499,88 e RMSE de 27.275.560,60 e explicação da variância com R² de 0,9139. Enquanto isso, o Auto ARIMA apresenta a melhor precisão relativa, com MAPE = 23,63%. No entanto, os dois modelos têm correlação extremamente elevada, acima de 0,97, entre os valores reais e previstos. Ao testar as previsões, os modelos capturaram os padrões históricos, demonstrando alta aderência aos valores reais. Para o intervalo de previsão de 2024 a 2025, as estimativas mantiveram os padrões e variações sazonais em conformidade com o passado; o Auto ETS suavizou os picos mais extremos e se mostrou mais confiável; ao mesmo tempo que o Auto ARIMA lidou melhor com as pequenas variações contribuindo para o planeamento financeiro da cidade.
Downloads
Referências
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
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2025 José Wivo Gomes, João Evangelista Dantas dos Santos, Rodolfo de Sousa Santos (Autor)
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Todos os trabalhos publicados na Brazilian Journal of Production Engineering (BJPE) estão licenciados sob a Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).
Isso significa que:
-
Qualquer pessoa pode copiar, distribuir, exibir, adaptar, remixar e até utilizar comercialmente os conteúdos publicados na revista;
-
Desde que sejam atribuídos os devidos créditos aos autores e à BJPE como fonte original;
-
Não é exigida permissão adicional para reutilização, desde que respeitados os termos da licença.
Esta política está em conformidade com os princípios do acesso aberto, promovendo a ampla disseminação do conhecimento científico.
2.png)
