Made available in DSpace on 2010-04-20T20:15:18Z (GMT). No. of bitstreams: 0 Previous issue date: 1994-01-31T00:00:00Z / Sistematizar o estudo das técnicas de previsão relevantes para a análise do mercado de informática no Brasil agrupando-as em um modelo prático, e apresentar os resultados de sua aplicação ou seja o trabalho baseia-se na tendência atual de integração das técnicas disponíveis, em um sistema dinâmico de previsões na empresa

The search for products that would reach a certain level of quality has been significantly growing lately, thus forcing producers to insert their product in certain quality levels elected by the consumer market, under the risk of being excluded of it. Nowadays, due to those demands, quality, low prices, costs reduction are wanted. It all makes necessary to start the process for changes that would improve farming conditions. The advance of technology also wants the farmer to adapt to the new scenery, to do so it is needed a study of the livestock situation in Brazil from 1997 to 2004, which is the objective of this work. Initially, a descriptive statistics was applied, which allowed to verify the behaviour of the variables analyzed. Secondly, the techniques of the multivaried analyses were used, that is, group analysis that allow to identify similar variables according to each group. Later, a factors analysis was applied, and reduced the dimension of the problem by using some factors only to better explain the original variables. Then, after determining the number of factors to be used, was applied the principal components analysis method, which allowed to identifying in what States the livestock is not expressive. Thirdly, it was applied the temporal series method only to those States with expression in bovine production. It was also monitoring the live cattle prices in the period analyzed 1997 the 2004 which affects directly the production. From that data, it was possible to make the prevision for 2005 and 2006, in order to support farmers to draw their objectives. The results will work as support to create taxes incentive policies for the development of this economic sector. Therefore, this research is relevant as in the whole country will be possible to draw aims to be reached based on the future development of subsidies. / A busca por produtos, que atendam determinado padrão de qualidade tem crescido significantemente, nos últimos anos, forçando, assim, os produtores a inserirem seu produto em determinados padrões de qualidade exigidas pelo mercado consumidor, sob pena de serem excluídos do mesmo. Observa-se, hoje, que, devido as exigências feitas pelo mercado consumidor, cada vez mais busca-se qualidade no produto, redução de custos, preços baixos, fazendo com que haja a necessidade de se iniciar o processo de mudanças que estabeleça melhorias das condições de criação. O avanço tecnológico exige que o produtor rural se ajuste à nova situação, e, para isso, é necessário estudar a situação da bovinocultura, que é o objetivo deste trabalho. Inicialmente, procedeu-se com a estatística descritiva, a qual possibilitou verificar o comportamento das variáveis analisadas. Em um segundo momento, utilizou-se as técnicas da análise multivariada, análise de agrupamentos que possibilitaram identificar as variáveis que possuíam características semelhantes, através dos grupos formados. Após, efetuou-se a análise fatorial, que reduziu a dimensionalidade do problema, utilizando-se apenas alguns fatores, que melhor explicarão as variáveis originais, e, determinando, assim, o número de fatores a serem utilizados, aplicou-se a análise de componentes principais, a qual possibilitou identificar os estados que se destacaram ao longo de todo o período analisado, bem como aqueles estados nos quais a bovinocultura não possui destaque. Em um terceiro momento fez-se uso da metodologia de séries temporais, a qual foi aplicada apenas naqueles estados que possuíam destaque na produção de bovinos. Monitorou-se o preço do boi gordo, em arroba no período analisado, o qual afeta diretamente na produção, e a partir disso fez-se a previsão para os anos de 2005 e 2006, a qual servirá de suporte para os pecuaristas traçarem suas futuras metas. Os resultados obtidos servirão de base para gerar políticas de incentivos fiscais para o desenvolvimento deste setor econômico. Esta pesquisa é relevante, pois, a partir da geração de subsídios, poderão ser traçadas metas a serem atingidas em todo o país.

A neutropenia induzida pela quimioterapia é o mais comum efeito adverso da quimioterapia sistêmica para o câncer e é frequentemente complicada por neutropenia febril (NF). O uso profilático de fatores de crescimento hematopoiéticos pode reduzir o risco, a severidade e a duração da NF. Na prática clínica atual, a decisão de administrar ao paciente profilaxia com fatores de crescimento é baseada principalmente no potencial mielotóxico dos esquemas de QT, mas riscos específicos dos regimes não são definidos. Em muitos estudos, a toxicidade da quimioterapia é analizada em termos de alta dosagem versus baixa dosagem, sem uma regra geral que considere os diferentes esquemas de QT em uma única escala. O objetivo desse estudo é validar uma classificação de toxicidade de um esquema de QT e avaliar sua utilidade em um modelo de predição de risco de neutropenia febril em pacientes com câncer hematológico no começo de um ciclo de quimioterapia. Foram avaliados prospectivamente duzentos e sessenta e oito pacientes e acompanhados durante 1053 ciclos de quimioterapia na Bélgica, entre 2001 e 2005. Informações relevantes foram coletadas no começo do primeiro ciclo e o número de dias de neutropenia febril foi contabilizado no acompanhamento dos pacientes [dicotomizada (sem neutropenia versus >= dia de NF)]. A relação entre o desfecho e as co-variáveis foi analisada usando a Equação de Estimativa Generalizada (GEE). Um regime de quimioterapia agressiva é o maior preditor de NF [razão de chances (OR) 5.2 (3.2-8.4)]. Os outros preditores independentes são: doença subjacente, o comprometimento de medula óssea, superfície corporal <= 2m², uma contagem pré-tratamento de monócitos <150µl e a interação entre o primeiro ciclo na mesma linha de tratamento e uma dosagem de hemoglobina pré-tratamento. Usando as estimativas dos coeficientes de regressão, uma regra de predição clínica de NF foi desenvolvida com essas características: sensibilidade 78.6%, especificidade 62.3%, valor preditivo positivo de 42.7%% e um valor preditivo negativo de 89.1%. Estudos posteriores são necessários para validar esse escore bem como investigar novos potenciais fatores com o intuito de melhor prever a NF. / Chemotherapy-induced neutropenia is the most common adverse effect of chemotherapy and is often complicated by febrile neutropenia (FN). As prophylactic use of colonystimulating factors (CSF) can reduce the risk, severity, and duration of FN, it is of great importance to identify as soon as possible after or even before the start of chemotherapy, the patients who will develop FN. In the current clinical practice, the decision to give to the patient a colony-stimulating factor (CSF) prophylaxis is mainly based on the myelosuppressive potential of the chemotherapy regimen. The objective of this study is to validate a classification of aggressiveness of a chemotherapy regimen and to evaluate its usefulness in a risk prediction model of FN in patients with hematological cancer at the beginning of a chemotherapy cycle. Two hundred and sixty-six patients were prospectively enrolled and followed during 1053 cycles. Relevant patient informations were collected at the beginning of the first cycle and the number of days of FN were counted in the follow-up [dichotomized (no FN versus>= 1 day of FN)]. Aggressive chemotherapy regimen is the major predictor of FN [odds ratio 5.2 (3.2 - 8.4)]. The other independent predictors are the underlying disease, an involvement of bone marrow, body surface<= 2m², a baseline monocyte count <150/µl and the interaction between the first cycle in the same treatment line and a baseline hemoglobin dosage. A rule of prediction of FN was computed with these characteristics: sensitivity 78.6%, specificity 62.3%, positive predictive value 42.7% and negative predictive value 89.1%. Further studies are needed to validate this score.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Usual point and interval forecasting based on the autoregressive integrated moving average models (ARIMA) may not be suitable for modelling variables defined over the interval (0, 1). In fact, such forecasting effect predicted values outside variable domain (0, 1). The construction of the prediction intervals usually assumes (i) normality or asymptotic normality and (ii) knowledge of the parameters. If these assumptions are not fully satisfied, then the nominal coverage of the prediction intervals may not be adequate. In order to address this issue, the beta autoregressive moving average model (βARMA), which is a regarded as a suitable tool for modelling and forecasting values defined over the interval (0, 1), was considered. The goal of the present work is to propose a suit of methods for computing prediction interval linked to the βARMA model. We introduced methods for obtaining approximate prediction intervals based on (i) the normal distribution and (ii) the beta distribution quantiles. We also introduced modifications to the interval with bootstrap prediction errors (BPE) proposed for autoregressive models; and to the BCa intervals proposed for beta regression model. Moreover, based on the quantiles of the predicted values, we proposed percentiles intervals for different types of bootstrapping. The proposed prediction intervals were evaluated according to Monte Carlo simulations. Assessed results indicated that the prediction intervals based on the quantiles of the beta distribution outperformed the discussed non-bootstrapping methods. Despite some variance effects, it offered better coverage rate values. However, the BCa based prediction intervals presented well-balance results in all considered test scenarios. Therefore, the BCa prediction interval was selected as the most reliable one. Empirical evaluations of the proposed methods were applied to two actual time series: (i) the water level of the Cantareira water supply system in São Paulo from January 2003 to August 2015 and (ii) the unemployment rate data in São Paulo from January 1991 to November 2005. / O modelo beta autorregressivo de médias móveis (βARMA) foi recentemente proposto para modelagem e previsão de variáveis contínuas no intervalo (0; 1). As previsões pontuais e intervalares deste tipo de variável, por meio dos tradicionais modelos autorregressivos integrados de médias móveis (ARIMA), podem levar a valores fora do intervalo (0; 1). Ainda, a construção de intervalos de predição para valores futuros usualmente assumem (i) aproximações pela distribuição normal e (ii) parâmetros do modelo conhecidos. Quando estas suposições não são satisfeitas, a probabilidade de cobertura dos intervalos pode ficar abaixo do valor nominal. Como alternativa a este problema, intervalos de predição bootstrap tendem a apresentar coberturas mais acuradas. Neste sentido, o presente trabalho propõe diferentes intervalos de predição para o modelo βARMA. Dois desses intervalos propostos são baseados em aproximações, considerando a distribuição normal e os quantis da distribuição beta. Também são consideradas adaptações dos intervalos de predição EPB, propostos para os modelos autorregressivos, e dos intervalos BCa, propostos para o modelo de regressão beta. São também propostos intervalos percentis com diferentes reamostras bootstrap, baseados nos quantis dos valores previstos. Os intervalos de predição propostos são avaliados por meio de simulações de Monte Carlo. O intervalo baseado nos quantis da distribuição beta foi eleito como o melhor entre os intervalos sem bootstrap, uma vez que não apresentou valores de taxa de cobertura muito distorcidos em diferentes cenários. Porém, ainda apresentou variabilidade no seu comportamento. O intervalo BCa apresentou valores bons e constantes em todas as medidas avaliadas e em todos os cenários considerados. Desta forma, o intervalo BCa foi eleito como o mais confiável. Aplicações em dados dos níveis dos mananciais do sistema de captação e tratamento de água para a Grande São Paulo e das taxas de desemprego na região metropolitana de São Paulo foram consideradas como forma de avaliar empiricamente os métodos propostos.

A modelagem de processos espaço-temporais é de suma importância para dados climatológicos, visto que o clima sofre influência temporal e espacial. A classe de modelos STARMA, autorregressivo e de médias móveis espaço-temporal, adequa-se a esses processos, porém, não há, na literatura, um estudo sobre o melhor método para quantificar a dependência espacial, e não é sabido se há uma diferença entre os métodos para esses modelos. Logo, neste trabalho, é realizado um estudo de simulações do modelo STAR, utilizando-se diferentes formas para obter os pesos espaciais. Após concluir as simulações é realizado o ajuste de um modelo STARIMA para um conjunto de dados de médias mensais de temperaturas mínimas diárias coletadas em uma mesorregião localizada no Oeste do Estado do Paraná. Este trabalho é separado em dois artigos e ambos são realizados utilizando-se o programa R. O primeiro é o estudo de simulações, chegando-se à conclusão de que o método para determinar a dependência espacial interfere no resultado da modelagem e depende da região em estudo. No segundo artigo, conclui-se que o inverso da distância é a melhor opção para a matriz de pesos e um modelo STARIMA sazonal tem o melhor ajuste para o conjunto de dados em questão. / Process modeling spatio-temporal is of great importance for climatological data, once that the climate undergoes spatial and temporal influence. The class of models STARMA, autoregressive models and spatio-temporal moving averages, are suitable to the these processes, however, for these models, there is not a study about the best method to quantify the spatial dependence, and/or it is not known whether there is a difference between the methods for these models. In this thesis, a study simulations of the STAR model using different forms for the spatial weights is performed. After the simulation procedure, the STARIMA model is fitted to the real dataset of monthly mean daily minimum temperatures collected in a mesoregion located to the west of the state of Paraná. This thesis is separated into two papers and both are performed using the statistical software R. The first one is the simulation study that concludes that the method for determining the spatial dependence interferes with results of the modeling and depends on the region under study. In the second paper, it is concluded that the inverse distance is the best option for the weight matrix and a seasonal STARIMA model has the best fit for the data set.

O objetivo desta tese é analisar os determinantes políticos e econômicos dos desvios de execução orçamentária no Brasil, no período de 2002 a 2015. Desvios de execução são definidos como a diferença entre o valor observado da variável e o valor previsto no orçamento. A partir do uso de dados em tempo real, isto é, dados disponíveis aos formuladores de política no momento em que as decisões de política fiscal são tomadas, busca-se compreender os desvios de execução da política fiscal à luz de alguns fatores atuantes na fase de planejamento e execução da política, confrontando a intencionalidade declarada pelo executor da política no planejamento orçamentário com os resultados finais obtidos. Para contornar a ausência de uma base de dados em tempo real organizada para a economia brasileira, a base utilizada foi construída a partir dos documentos oficiais gerados ao longo das fases do processo orçamentário. A construção dessa base, no entanto, limitou-se em função da insuficiência de dados em tempo real de acesso público. Para atingir o objetivo proposto, os desvios de execução fiscal foram inicialmente avaliados a partir da análise dos eventos que condicionaram o planejamento e a execução do orçamento. À esta análise somou-se uma análise empírica, na qual buscou-se identificar os determinantes da fase de planejamento, a partir da análise dos fatores que influenciam na previsão de arrecadação, e os condicionantes da fase de execução orçamentária, a partir da identificação dos fatores que contribuem para os desvios de execução. Os resultados indicam que a previsão fiscal distanciou-se mais significativamente dos valores realizados a partir do ano de 2012 e que os desvios nas previsões dos fatores macroeconômicos, sobretudo na previsão de crescimento do PIB ajudam a explicar esse distanciamento. Verificou-se também um otimismo persistente nas projeções de crescimento do PIB utilizadas para a elaboração do orçamento. Adicionalmente, verificou-se que a adoção de subterfúgios contábeis adotados pelo Governo para atingir artificialmente as metas de superávit primário resultam em uma execução orçamentária desvinculada do orçamento planejado, dificultando a análise dos desvios de execução e transformando o processo de planejamento orçamentário em mera exigência legal, sem aplicação prática. / This thesis aims to analyze the politic and economic determinants of the budget execution deviation in Brazil, from 2002 to 2015. Execution deviation is defined as the difference between the observed value of the variable and the forecast budget value. From the use of real-time data, i.e., data available to policy makers at the time the fiscal policy decisions are taken, we seek to understand the execution deviations from fiscal policy in the light of some active factors during the planning phase and policy execution, confronting the intention declared by the policy maker in the budget planning with the final results. To work around the lack of a real-time dataset organized for the Brazilian economy, the dataset used was built from the official documents generated throughout the phases of the budget process. The construction of this dataset, however, was limited due to insufficient data in real-time public access. To achieve this goal, the fiscal execution deviations were initially evaluated from the analysis of the events that conditioned the planning and execution of the budget. To this analysis we added up an empirical analysis, in which we attempted to identify the determinants of the planning phase from the analysis of the factors that influence in the revenue forecast and the conditioners of the budget execution phase from the identification of factors contributing to the execution deviations. The results indicate that the realized values drifted away significantly more from the fiscal forecast from the year 2008 and that the deviations in the forecasts of macroeconomic factors, particularly in the GDP growth forecast, help to explain this gap.

A neutropenia induzida pela quimioterapia é o mais comum efeito adverso da quimioterapia sistêmica para o câncer e é frequentemente complicada por neutropenia febril (NF). O uso profilático de fatores de crescimento hematopoiéticos pode reduzir o risco, a severidade e a duração da NF. Na prática clínica atual, a decisão de administrar ao paciente profilaxia com fatores de crescimento é baseada principalmente no potencial mielotóxico dos esquemas de QT, mas riscos específicos dos regimes não são definidos. Em muitos estudos, a toxicidade da quimioterapia é analizada em termos de alta dosagem versus baixa dosagem, sem uma regra geral que considere os diferentes esquemas de QT em uma única escala. O objetivo desse estudo é validar uma classificação de toxicidade de um esquema de QT e avaliar sua utilidade em um modelo de predição de risco de neutropenia febril em pacientes com câncer hematológico no começo de um ciclo de quimioterapia. Foram avaliados prospectivamente duzentos e sessenta e oito pacientes e acompanhados durante 1053 ciclos de quimioterapia na Bélgica, entre 2001 e 2005. Informações relevantes foram coletadas no começo do primeiro ciclo e o número de dias de neutropenia febril foi contabilizado no acompanhamento dos pacientes [dicotomizada (sem neutropenia versus >= dia de NF)]. A relação entre o desfecho e as co-variáveis foi analisada usando a Equação de Estimativa Generalizada (GEE). Um regime de quimioterapia agressiva é o maior preditor de NF [razão de chances (OR) 5.2 (3.2-8.4)]. Os outros preditores independentes são: doença subjacente, o comprometimento de medula óssea, superfície corporal <= 2m², uma contagem pré-tratamento de monócitos <150µl e a interação entre o primeiro ciclo na mesma linha de tratamento e uma dosagem de hemoglobina pré-tratamento. Usando as estimativas dos coeficientes de regressão, uma regra de predição clínica de NF foi desenvolvida com essas características: sensibilidade 78.6%, especificidade 62.3%, valor preditivo positivo de 42.7%% e um valor preditivo negativo de 89.1%. Estudos posteriores são necessários para validar esse escore bem como investigar novos potenciais fatores com o intuito de melhor prever a NF. / Chemotherapy-induced neutropenia is the most common adverse effect of chemotherapy and is often complicated by febrile neutropenia (FN). As prophylactic use of colonystimulating factors (CSF) can reduce the risk, severity, and duration of FN, it is of great importance to identify as soon as possible after or even before the start of chemotherapy, the patients who will develop FN. In the current clinical practice, the decision to give to the patient a colony-stimulating factor (CSF) prophylaxis is mainly based on the myelosuppressive potential of the chemotherapy regimen. The objective of this study is to validate a classification of aggressiveness of a chemotherapy regimen and to evaluate its usefulness in a risk prediction model of FN in patients with hematological cancer at the beginning of a chemotherapy cycle. Two hundred and sixty-six patients were prospectively enrolled and followed during 1053 cycles. Relevant patient informations were collected at the beginning of the first cycle and the number of days of FN were counted in the follow-up [dichotomized (no FN versus>= 1 day of FN)]. Aggressive chemotherapy regimen is the major predictor of FN [odds ratio 5.2 (3.2 - 8.4)]. The other independent predictors are the underlying disease, an involvement of bone marrow, body surface<= 2m², a baseline monocyte count <150/µl and the interaction between the first cycle in the same treatment line and a baseline hemoglobin dosage. A rule of prediction of FN was computed with these characteristics: sensitivity 78.6%, specificity 62.3%, positive predictive value 42.7% and negative predictive value 89.1%. Further studies are needed to validate this score.

Redes probabilísticas são modelos muito versáteis, com aplicabilidade crescente em diversas áreas. Esses modelos são capazes de estruturar e mensurar a interação entre variáveis, permitindo que sejam realizados vários tipos de análises, desde diagnósticos de causas para algum fenômeno até previsões sobre algum evento, além de permitirem a construção de modelos de tomadas de decisões automatizadas. Neste trabalho são apresentadas as etapas para a construção dessas redes e alguns métodos usados para tal, dando maior ênfase para as chamadas redes bayesianas, uma subclasse de modelos de redes probabilísticas. A modelagem de uma rede bayesiana pode ser dividida em três etapas: seleção de variáveis, construção da estrutura da rede e estimação de probabilidades. A etapa de seleção de variáveis é usualmente feita com base nos conhecimentos subjetivos sobre o assunto estudado. A construção da estrutura pode ser realizada manualmente, levando em conta relações de causalidade entre as variáveis selecionadas, ou semi-automaticamente, através do uso de algoritmos. A última etapa, de estimação de probabilidades, pode ser feita seguindo duas abordagens principais: uma frequentista, em que os parâmetros são considerados fixos, e outra bayesiana, na qual os parâmetros são tratados como variáveis aleatórias. Além da teoria contida no trabalho, mostrando as relações entre a teoria de grafos e a construção probabilística das redes, também são apresentadas algumas aplicações desses modelos, dando destaque a problemas nas áreas de marketing e finanças. / Probabilistic networks are very versatile models, with growing applicability in many areas. These models are capable of structuring and measuring the interaction among variables, making possible various types of analyses, such as diagnoses of causes for a phenomenon and predictions about some event, besides allowing the construction of automated decision-making models. This work presents the necessary steps to construct those networks and methods used to doing so, emphasizing the so called Bayesian networks, a subclass of probabilistic networks. The Bayesian network modeling is divided in three steps: variables selection, structure learning and estimation of probabilities. The variables selection step is usually based on subjective knowledge about the studied topic. The structure learning can be performed manually, taking into account the causal relations among variables, or semi-automatically, through the use of algorithms. The last step, of probabilities estimation, can be treated following two main approaches: by the frequentist approach, where parameters are considered fixed, and by the Bayesian approach, in which parameters are treated as random variables. Besides the theory contained in this work, showing the relations between graph theory and the construction of probabilistic networks, applications of these models are presented, highlighting problems in marketing and finance.

Orientador: Paulo Roberto de Madureira / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Ciências Médicas / Made available in DSpace on 2018-08-22T21:12:11Z (GMT). No. of bitstreams: 1 Nascimento_PauloVictorFernandesSouza_D.pdf: 2007565 bytes, checksum: e01eda41bcffc893c044e9ae75f35532 (MD5) Previous issue date: 2013 / Resumo: As infecções relacionadas à assistência à saúde são responsáveis pela elevação do custo assistencial, aumento da morbimortalidade hospitalar e aumento do tempo de internação. Uma característica peculiar dessas infecções diz respeito à resistência dos microrganismos envolvidos. Protocolos de tratamento de infecções graves, como pneumonia e sepse, indicam o uso inicial de associações antimicrobianas de largo espectro, caso o paciente apresente fatores de risco para resistência. Posteriormente, com o resultado das culturas, o esquema terapêutico inicial seria readequado. Entretanto, esse processo conhecido como "descalonamento" ocorre de forma infrequente. Assim, no momento da escolha inicial dos antimicrobianos para o tratamento de síndromes infecciosas graves, os profissionais se deparam com um dilema: Utilizar um esquema de amplo espectro para a maior proteção do paciente, mas que raramente será revisto e contribuir para o aumento da resistência da microbiota hospitalar, ou tentar o uso de esquemas menos abrangentes? Com o objetivo de auxiliar o médico nesse momento da prescrição, procurou-se identificar possíveis características dos pacientes que pudessem servir como fatores preditores para infecção ou colonização para microrganismos multirresistentes. Em um hospital geral de 90 leitos, na cidade de São José dos Campos, no Estado de São Paulo, Brasil, foi conduzido um estudo de caso-coorte, entre junho de 2009 e junho de 2011, em que todos os pacientes que realizaram pelo menos um exame de cultura foram incluídos (753 pacientes). Os casos foram definidos como todos os pacientes que apresentaram culturas clínicas com o isolamento de pelo menos um microrganismo multirresistente (146 pacientes). A multirresistência foi definida conforme o consenso do Centro de Controle de Infecções e Doenças dos Estados Unidos da América em associação com o Centro Europeu para Prevenção e Controle de Doenças. Os controles foram todos os pacientes que se submeteram a culturas as quais não demonstraram crescimento de um agente multirresistente. Foram avaliadas quatorze variáveis demográficas e clínicas, comumente identificadas como fatores de risco. Foram construídos três modelos de predição clínica: regressão logística, árvore de classificação e floresta aleatória. No modelo de regressão logística, em função de intensa colinearidade, optou-se pela eliminação das variáveis pelo método backward. Na validação interna deste modelo, foi utilizada a técnica de reamostragem por bootstrap. O novo modelo foi calibrado com um fator de shrinkage de 0,91. Os modelos de árvore de classificação e floresta aleatória identificaram, de maneira semelhante, as variáveis mais importantes para predição que foram: história de internação nos últimos 180 dias, tempo de internação até a realização da cultura, Índice de comorbidades de Charlson, presença de cateter nasoentérico, traqueostomia e cateter venoso central. Foi realizada a validação externa temporal com uma nova amostra coletada entre julho e dezembro de 2011, num total de 342 pacientes. As acurácias dos modelos de regressão logística, árvore de classificação e floresta aleatória foram avaliadas por curvas ROC (Receiver operating characteristic). As áreas sobre a curva foram respectivamente: 72,4%, 66,2% e 69,2%. O modelo final da regressão logística com o total de pacientes estudados (1092) apresentou uma área sob a curva ROC corrigida do otimismo de 77,1% / Abstract: Healthcare-associated infections are responsible for rising health care costs, increasing morbidity, mortality, and longer hospital stays. A peculiar characteristic of such infections is the resistance of the involved microorganisms. The presence of infectious agents resistant to multiple classes of antimicrobials is increasing in such infections. Thus, multidrug resistance brings a real challenge to everyday clinical practice. Protocols for treatment of severe infections such as pneumonia and sepsis indicate the use of broad-spectrum antimicrobial associations as the initial therapy if the patient has a risk factor for resistance. Later, with the result of cultures, an adjustment of the initial therapeutic regimen would be expected. However, this process, known as de-escalation, occurs infrequently. Thus, at the moment of choosing the initial antibiotics for treating serious infectious syndromes, physicians are challenged with a dilemma: either to prescribe broad-spectrum antibiotics and contribute to increasing antibiotic resistance or to use a narrow spectrum of antimicrobials and put patients' prognosis at risk. The aim of this study was to identify potential predictors for the harboring of multidrug-resistant bacteria and to build a clinical prediction model that could help physicians to recognize patients with different risks for infection or colonization by these microorganisms. We conducted a case-cohort study in a 90-bed general hospital, at São José dos Campos, São Paulo State, Brazil, with all patients that performed at least one culture (753 patients). Cases were defined as patients that had had a culture demonstrating a multi-resistant agent (146 patients). Controls were all other patients that had had at least one culture. The consensus definition from the Center for Disease Control and the European Centre for Disease Prevention and Control was used to describe antibiotic multi-resistance. Fourteen traditional risk factors were evaluated as predictors. We constructed three clinical prediction models: logistical regression, classification tree, and random forest. In the logistical regression model, due to severe collinearity, we chose to eliminate variables by the backward method. In this model, for internal validation, we used the bootstrap resampling procedure. The new model was calibrated with the use of a shrinkage factor of 0.91. Similarly, the classification tree and random forest models identified that the most important variables for prediction were: admission history of 180 days, tube feeding, and length of hospital stay before culture, Charlson comorbidity index, central venous catheter, and tracheostomy. A temporal external validation was performed with a new sample collected between July and December 2011, with 342 patients. The accuracies of logistic regression, classification tree and random forest models were evaluated by ROC (Receiver operating characteristic) curves. The areas under the curve were 72.4%, 66.2% and 69.2%, respectively. The final logistical regression model with the overall study population (1092 patients) is described and shows an optimism-corrected area under the ROC curve of 77.1% / Doutorado / Epidemiologia / Doutor em Saude Coletiva

Commodities primárias, tais como metais, petróleo e agricultura, constituem matérias-primas fundamentais para a economia mundial. Dentre os metais, destaca-se o alumínio, usado em uma ampla gama de indústrias, e que detém o maior volume de contratos na London Metal Exchange (LME). Como o preço não está diretamente relacionado aos custos de produção, em momentos de volatilidade ou choques econômicos, o impacto financeiro na indústria global de alumínio é significativo. Previsão de preços do alumínio é fundamental, portanto, para definição de política industrial, bem como para produtores e consumidores. Este trabalho propõe um modelo ótimo de previsões para preços de alumínio, por meio de combinações de previsões e de seleção de modelos através do Model Confidence Set (MCS), capaz de aumentar o poder preditivo em relação a métodos tradicionais. A abordagem adotada preenche uma lacuna na literatura para previsão de preços de alumínio. Foram ajustados 5 modelos individuais: AR(1), como benchmarking, ARIMA, dois modelos ARIMAX e um modelo estrutural, utilizando a base de dados mensais de janeiro de 1999 a setembro de 2014. Para cada modelo individual, foram geradas 142 previsões fora da amostra, 12 meses à frente, por meio de uma janela móvel de 36 meses. Nove combinações de modelos foram desenvolvidas para cada ajuste dos modelos individuais, resultando em 60 previsões fora da amostra, 12 meses à frente. A avaliação de desempenho preditivo dos modelos foi realizada por meio do MCS para os últimos 60, 48 e 36 meses. Um total de 1.250 estimações foram realizadas e 1.140 variáveis independentes e suas transformadas foram avaliadas. A combinação de previsões usando ARIMA e um ARMAX foi o único modelo que permaneceu no conjunto de modelos com melhor acuracidade de previsão para 36, 48 e 60 meses a um nível descritivo do MCS de 0,10. Para os últimos 36 meses, o modelo combinado proposto apresentou resultados superiores em relação a todos os demais modelos. Duas co-variáveis identificadas no modelo ARMAX, preço futuro de três meses e estoques mundiais, aumentaram a acuracidade de previsão. A combinação ótima apresentou um intervalo de confiança pequeno, equivalente a 5% da média global da amostra completa analisada, fornecendo subsídio importante para tomada de decisão na indústria global de alumínio. iii / Primary commodities, including metals, oil and agricultural products are key raw materials for the global economy. Among metals, aluminum stands out for its large use in several industrial applications and for holding the largest contract volume on the London Metal Exchange (LME). As the price is not directly related to production costs, during volatility periods or economic shocks, the financial impact on the global aluminum industry is significant. Aluminum price forecasting, therefore, is critical for industrial policy as well as for producers and consumers. This work has proposed an optimal forecast model for aluminum prices by using forecast combination and the Model Confidence Set for model selection, resulting in superior performance compared to tradicional methods. The proposed approach was not found in the literature for aluminum price forecasting. Five individual models were developed: AR(1) for benchmarking, ARIMA, two ARIMAX models and a structural model, using monthly data from January 1999 to September 2014. For each individual model, 142 out-of-sample, 12 month ahead, forecasts were generated through a 36 month rolling window. Nine foreast combinations were deveoped for each individual model estimation, resulting in 60 out-of-sample, 12 month ahead forecasts. Model predictive performace was assessed through the Model Confidence Set for the latest 36, 48, and 60 months, through 12-month ahead out-of-sample forecasts. A total of 1,250 estimations were performed and 1,140 independent variables and their transformations were assessed. The forecast combination using ARMA and ARIMAX was the only model among the best set of models presenting equivalent performance at 0.10 MCS p-value in all three periods. For the latest 36 months, the proposed combination was the best model at 0.1 MCS p-value. Two co-variantes, identified for the ARMAX model, namely, 3-month forward price and global inventories increased forecast accuracy. The optimal forecast combination has generated a small confidence interval, equivalent to 5% of average aluminum price for the entire sample, proving relevant support for global industry decision makers.