Resumo não disponível

Resumo não disponível

Resumo não disponível

Dissertação (mestrado) - Pontifícia Universidade Católica do Paraná, Curitiba, 2009 / Bibliografia: f. 94-97 / O planejamento e abordagens de apoio à tomada de decisão podem ter a previsão como um dos seus subsídios, uma vez que fornece informações que possibilitam o planejamento com antecedência e, conseqüentemente, permite que os recursos produtivos estejam disp / The planning and approaches to support decision-making can be forecasting as one of its subsidies, as it provides information that enable the planning in advance and hence allows productive resources that are available in quantity, time and quality. Assis

A capacidade de prever resultados futuros, ao se analisar uma série de dados, é uma importante ferramenta para o planejamento de qualquer empresa ou indústria. Porém, a literatura oferece muitas opções de ferramentas e modelos estatísticos que permitem obter estas previsões. Cada qual com suas características e recomendações. Dentre estes modelos, destacam-se os modelos de Box e Jenkins, e os modelos de Redes Neurais Artificiais (RNA) - com destaque aos modelos de perceptron de múltiplas camadas (MLP). Estas duas diferentes abordagens são comparadas nesta dissertação com relação a sua capacidade de obter previsões acuradas em séries de dados não lineares quanto a sua média. As abordagens foram comparadas utilizando-se a série mensal do índice de produção física industrial do Estado do Rio Grande do Sul. Bem como a série anual de manchas solares, sendo a segunda utilizada como caso-controle para as comparações, devido ao fato de que as suas propriedades já foram amplamente estudadas. No estudo da série do índice de produção física mensal, os modelos de Box e Jenkins obtiveram melhor rendimento. Na série das manchas solares foram os modelos MLP que se destacaram. Desta forma, não é possível afirmar se alguma das abordagens é superior - tratando-se de séries de dados não lineares quanto a sua média. / The capacity to preview future outcomes on the time series analysis is an important tool for any business and industry planning. However, the literature offers many options on statistical tools and models which allow to obtain these forecasts. Each one with their features and recommendations. 1n these models, the Box and Jenkins and Artificial Neural Networks (ANN) models, with the multilayer perceptron (MLP) highlighted, stand out. These two different approaches are compared in this thesis related to the capacity to obtain accurate forecasts in mean related non-linear time series analysis. These approaches were compared using the monthly physical production index of Rio Grande do Sul time series and the sunspot series, being the second one used as a case-control to the comparisons, due the fact of its properties are already widely studied. 1n the monthly physical production index series study, t,he Box and Jenkins models obtained better efficiency. 1n the sunspot series, the MLP models were highlighted. So, it isn't possible to affirm if any of the approaches is superior, in the case of mean related non-linear time series.

Dissertação (mestrado) - Pontifícia Universidade Católica do Paraná, Curitiba, 2010 / Bibliografia: p.99-109 / O panorama atual da economia globalizada mostra que o ambiente organizacional está muito competitivo e dinâmico. Os mecanismos e os aspectos de como as organizações desenvolvem, planejam e implementam uma estratégia organizacional podem representar ganhos / The current scenario of the globalized economy shows that the organizational environment is very competitive and dynamic. The mechanisms and aspects of how organizations develop, plan and implement an organizational strategy may represent gains or losses.

A capacidade de prever resultados futuros, ao se analisar uma série de dados, é uma importante ferramenta para o planejamento de qualquer empresa ou indústria. Porém, a literatura oferece muitas opções de ferramentas e modelos estatísticos que permitem obter estas previsões. Cada qual com suas características e recomendações. Dentre estes modelos, destacam-se os modelos de Box e Jenkins, e os modelos de Redes Neurais Artificiais (RNA) - com destaque aos modelos de perceptron de múltiplas camadas (MLP). Estas duas diferentes abordagens são comparadas nesta dissertação com relação a sua capacidade de obter previsões acuradas em séries de dados não lineares quanto a sua média. As abordagens foram comparadas utilizando-se a série mensal do índice de produção física industrial do Estado do Rio Grande do Sul. Bem como a série anual de manchas solares, sendo a segunda utilizada como caso-controle para as comparações, devido ao fato de que as suas propriedades já foram amplamente estudadas. No estudo da série do índice de produção física mensal, os modelos de Box e Jenkins obtiveram melhor rendimento. Na série das manchas solares foram os modelos MLP que se destacaram. Desta forma, não é possível afirmar se alguma das abordagens é superior - tratando-se de séries de dados não lineares quanto a sua média. / The capacity to preview future outcomes on the time series analysis is an important tool for any business and industry planning. However, the literature offers many options on statistical tools and models which allow to obtain these forecasts. Each one with their features and recommendations. 1n these models, the Box and Jenkins and Artificial Neural Networks (ANN) models, with the multilayer perceptron (MLP) highlighted, stand out. These two different approaches are compared in this thesis related to the capacity to obtain accurate forecasts in mean related non-linear time series analysis. These approaches were compared using the monthly physical production index of Rio Grande do Sul time series and the sunspot series, being the second one used as a case-control to the comparisons, due the fact of its properties are already widely studied. 1n the monthly physical production index series study, t,he Box and Jenkins models obtained better efficiency. 1n the sunspot series, the MLP models were highlighted. So, it isn't possible to affirm if any of the approaches is superior, in the case of mean related non-linear time series.

A capacidade de prever resultados futuros, ao se analisar uma série de dados, é uma importante ferramenta para o planejamento de qualquer empresa ou indústria. Porém, a literatura oferece muitas opções de ferramentas e modelos estatísticos que permitem obter estas previsões. Cada qual com suas características e recomendações. Dentre estes modelos, destacam-se os modelos de Box e Jenkins, e os modelos de Redes Neurais Artificiais (RNA) - com destaque aos modelos de perceptron de múltiplas camadas (MLP). Estas duas diferentes abordagens são comparadas nesta dissertação com relação a sua capacidade de obter previsões acuradas em séries de dados não lineares quanto a sua média. As abordagens foram comparadas utilizando-se a série mensal do índice de produção física industrial do Estado do Rio Grande do Sul. Bem como a série anual de manchas solares, sendo a segunda utilizada como caso-controle para as comparações, devido ao fato de que as suas propriedades já foram amplamente estudadas. No estudo da série do índice de produção física mensal, os modelos de Box e Jenkins obtiveram melhor rendimento. Na série das manchas solares foram os modelos MLP que se destacaram. Desta forma, não é possível afirmar se alguma das abordagens é superior - tratando-se de séries de dados não lineares quanto a sua média. / The capacity to preview future outcomes on the time series analysis is an important tool for any business and industry planning. However, the literature offers many options on statistical tools and models which allow to obtain these forecasts. Each one with their features and recommendations. 1n these models, the Box and Jenkins and Artificial Neural Networks (ANN) models, with the multilayer perceptron (MLP) highlighted, stand out. These two different approaches are compared in this thesis related to the capacity to obtain accurate forecasts in mean related non-linear time series analysis. These approaches were compared using the monthly physical production index of Rio Grande do Sul time series and the sunspot series, being the second one used as a case-control to the comparisons, due the fact of its properties are already widely studied. 1n the monthly physical production index series study, t,he Box and Jenkins models obtained better efficiency. 1n the sunspot series, the MLP models were highlighted. So, it isn't possible to affirm if any of the approaches is superior, in the case of mean related non-linear time series.

Universidade Federal do Cearà / Neste estudo, pretende-se determinar um modelo de previsÃo mensal de curto prazo para a receita de ISSQN de Teresina. Para evidenciar este propÃsito servirÃo de suporte matemÃtico os modelos VAR e Box-Jenkins, a partir de sÃries histÃricas concernentes ao perÃodo de janeiro de 2002 a dezembro de 2006. ApÃs a estimaÃÃo dos modelos, propÃe-se um diagnÃstico para mensurar a capacidade inicialmente preditiva. Dentre os modelos manipulados temos o SARIMA (12,1,1)(0,0,12) o qual antecipadamente demonstrou ser mais robusto em relaÃÃo ao modelo VAR. Oportunamente à discussÃo de outras nuances internas ou à margem do trabalho, conclui-se que, o modelo com sÃries temporais, em funÃÃo de sua capacidade preditiva, pode se transformar em um instrumental consistente com vistas ao incremento da arrecadaÃÃo do ISSQN da Prefeitura de Teresina. / In this study, It is intended to determine a short-run monthly forecasting model for the ISSQN of Teresina city. In order for this purpose to be clear, the models VAR and Box-Jenkins will be of mathematical support, from historical series concerning the period of January 2002 to December 2006. After the estimation of the models, it is proposed a diagnosis to measure the initially predictive capacity. Among the models manipulated, we have SARIMA (12,1,1)(0,0,12), which has resulted most robust in advance concerning the VAR model. Propitiously to other internal or marginal nuances to the study, it is concluded, preliminarily, that the time series model due to its predictive capacity can become a consistent instrument targeting at the augment of the ISSQN collecting of Teresina City Administration.

Conselho Nacional de Desenvolvimento Científico e Tecnológico / The analysis of macro-economic variables through time-series models is widely used in the literature supporting economic theory, showing the actual behaviour of these variables. One of these macroeconomic variables have two variables that interfere with eou has relationships with other variables justifying the relevance in studying their behaviors. The first is the interest rate, which is very important in driving the economy, influencing the intention to spend and save of all economic agents, whether personal, commercial or industrial level (State or private). The second is the exchange rate, where its buoyancy determines the level of imports and exports affecting the trade balance. In this context the present research aims to describe the behavior of SELIC interest rates and Brazilian Exchange from January 1974 to June 2012 and January 1980 to may 2012, respectively. To this end, at first was used the Box-Jenkins model where the models showed through the analysis of residues which both had conditional heteroscedasticity in the waste of the models. Then joint modeling was used to the level of the process and the process variance (ARCH family models). The results showed that, for the SELIC interest rate series, the model selected was an ARIMA (1,1,1)-EGARCH (3,1) and, to the exchange rate, an ARIMA (0,1,1)-EGARCH (1,1). It is evidenced through these models that there is asymmetry of information, yet there was the leverage effect. In a second moment was chosen a model representing each one of the models of family ARCH (ARCH, GARCH, TARCH, EGARCH) and later held the combination of prediction by methods: ACP, middle and MMQO. The results obtained show that, in General, the performance measures MAPE, MSE and U-THEIL are superior to the combinations of prediction. In addition, the combination of forecast for different weights with ACP to check which of the types of weights provide better results. Therefore, it is concluded that the different weights allow the researcher to achieve greater accuracy in the choice of models combined, allowing aid managers in prior decision of the behavior of these variables that affect so scathing the health of the Brazilian economy. / A análise de variáveis macroeconômicas por meio de modelos de séries temporais é amplamente utilizada na literatura dando suporte à teoria econômica, mostrando o real comportamento dessas variáveis. Dentre essas variáveis macroeconômicas tem-se duas variáveis que interferem e/ou tem relações com outras variáveis justificando-se assim a relevância em estudar seus comportamentos. A primeira é a taxa de juros, que é muito importante na condução da economia, influenciando a intenção de gastar e poupar de todos os agentes econômicos, seja no nível pessoal, comercial ou industrial (privado e/ou estatal). A segunda é a taxa de câmbio, onde sua flutuação determina o nível das importações e exportações afetando assim a balança comercial. Nesse contexto a presente pesquisa tem como objetivo descrever o comportamento das taxas de juros SELIC e câmbio brasileiras no período de janeiro de 1974 a junho de 2012 e de janeiro de 1980 a maio de 2012, respectivamente. Para tanto, num primeiro momento foi utilizada a modelagem Box-Jenkins onde os modelos evidenciaram por meio da análise de resíduos que ambos possuíam heterocedasticidade condicional nos resíduos dos modelos. Em seguida, utilizou-se a modelagem conjunta para o nível do processo e para a variância do processo (modelos da família ARCH). Os resultados obtidos mostraram que, para a série da taxa de juros SELIC, o modelo elegido foi um ARIMA (1,1,1)- EGARCH (3,1) e, para a taxa de câmbio, um ARIMA (0,1,1)- EGARCH (1,1). Evidencia-se por meio destes modelos que há assimetria das informações, contudo não se verificou o efeito de alavancagem. Num segundo momento foi escolhido um modelo representando cada um dos modelos da família ARCH (ARCH, GARCH, EGARCH, TARCH) e posteriormente realizada a combinação de previsão pelos métodos: ACP, Média e MMQO. Os resultados obtidos evidenciam que, no geral, as medidas de desempenho MAPE, MSE e U-THEIL são superiores para as combinações de previsão. Além disso, foi realizada a combinação de previsão por ACP com ponderações diferentes para verificar qual dos tipos de ponderações propiciam resultados melhores. Logo, conclui-se que as diferentes ponderações permitem ao pesquisador conseguir maior acurácia na escolha dos modelos combinados, permitindo auxiliar gestores na decisão prévia do comportamento dessas variáveis que afetam de maneira contundente a saúde da economia brasileira.