[pt] Este trabalho considera o problema de Regressão com Tempo Limitado. Dados um dataset, um algoritmo de aprendizado (Learner) a ser treinado e um tempo limitado, não sabemos se seria possível treinar o modelo com todo o dataset dentro deste tempo. Queremos então elaborar a estratégia que extraia o melhor modelo possível deste algoritmo de aprendizado respeitando o limite de tempo. Uma estratégia consiste em interagir com o Learner de duas formas: enviando exemplos para o Learner treinar e enviando exemplos para o Learner rotular. Nós definimos o que é o problema de Regressão com Tempo Limitado, decompomos o problema de elaborar uma estratégia em subproblemas mais simples e bem definidos, elaboramos uma estratégia natural baseada em escolha aleatória de exemplos e finalmente apresentamos uma estratégia, TW+BH, que supera a estratégia natural em experimentos que realizamos com diversos datasets reais. / [en] This work considers the Time-Limited Regression problem. Given a dataset, a learning algorithm (Learner) to be trained and a limited time, we do not know if it s going to be possible to train the model with the entire dataset within this time constraint. We then want to elaborate the strategy that extracts the best possible model from this learning algorithm respecting the time limit. A strategy consists of a series of interactions with the Learner, in two possible ways: sending labeled examples for the Learner to train and sending unlabeled examples for the Learner to classify. We define what the Time-Limited Regression problem is, we decompose the problem of elaborating a strategy into simpler and more well-defined sub-problems, we elaborate a natural strategy based on random choice of examples and finally we present a strategy, TW+BH, that performs better than the natural strategy in experiments we have done with several real datasets.

[pt] Este trabalho visa replicar os estudos de John Cochrane sobre previsibilidade dos retornos do mercado a partir da relação dividendo-preço para o mercado brasileiro. Utilizando os retornos do índice Bovespa, e estes mesmos retornos diminuídos da taxa Selic, como variáveis dependentes, em relação à série de Dividend Yield que o Núcleo de Estudos Financeiros da USP fornece em seu website para o período entre 2001 e 2021; calculou-se regressões para diversos prazos cumulativos de retorno. A idéia inicial seria confirmar os dois eixos principais de estudo proposto por Cochane : a organização dos apreçamentos dos ativos em torno das taxas de desconto, ou prêmios de risco, e se a previsibilidade dos retornos ganha maior dimensão à medida que se utiliza prazos de retorno crescentes. Para testar a primeira premissa, teríamos que ter obtido dados sobre os pagamentos de dividendos pelas empresas constantes no índice Bovespa ao longo do período, mas isto não foi possível. O trabalho restringiu-se a buscar confirmar se a previsibilidade aumenta conforme os prazos de retorno futuro do índice Bovespa estudados são acumulados. / [en] This work attempts to replicate the studies of John Cochrane on Return Previsibility through the Dividend-Price relationship to the Brazilian Stock Market. Using the Bovespa Stock Market Returns and the Excess Returns calculated from the Stock Market Returns less the risk-free interest in the form of Selic interest series as dependent variables, in relation to the Dividend Yield series provided by the Núcleo de Estudos Financeiros , from Universidade de São Paulo, from 2001 to 2021 as independent variable, a series of regression were calculated, using serveral different periods of future returns. The initial idea would be to confirm the main two propositions in Cochrane s work : the organization of asset pricing around discount- rates and if forecastability gains power as the return periods studied grow in size. In order to study the first idea, data should have been obtained on dividend payment from every Brazilian company that was part of the Brazilian Index, and that proved an impossible task at the moment. The work was restricted in its goal to verify if forecastability increases along increasing return timeframes.

[pt] Desde fevereiro de 2020 a pandemia gerada pelo novo coronavírus SarsCoV-2, vírus gerador da doença COVID-19, tem causado muitos óbitos, principalmente nos grandes centros urbanos. No Brasil, um dos estados mais afetados foi o Rio de Janeiro que, apesar de todas as ações feitas para mitigar o avanço da COVID-19, chegou em 01 de março de 2021 a uma taxa de mortalidade de 206,9 por cento, que corresponde a aproximadamente 207 óbitos a cada mil habitantes. No entanto, os municípios do RJ foram atingidos de maneira distinta, onde a cidade menos afetada alcançou 9,7 por cento e a mais afetada 331,3 por cento. Estudos prévios da literatura especializada indicam que a principal razão desta discrepância pode ser associada à fatores relacionados a população, renda, educação, saúde, economia, território e ambiente. Portanto, esse trabalho tem como principal objetivo identificar os principais fatores socioeconômicos, sociodemográficos e de acesso a recursos hospitalares que estão associadas a taxa de mortalidade oriunda do Sars-CoV-2 nos noventa e dois municípios do estado do Rio de Janeiro com base no modelo de Regressão de Poisson, no período de 01 de março de 2020 a 01 de março de 2021, contabilizando 12 meses. A partir do modelo escolhido foi possível detectar que dez dos onze fatores analisados influenciam na taxa de mortalidade. Sendo os fatores, Índice de desenvolvimento humano municipal (IDHM), Renda per capita (RDPC), Percentual de pobres (PMPOB), Produto interno bruto (PIB), Taxa de frequência bruta ao superior (T_FBSUPER), percentual de aglomerados subnormais (PER_AGSN), Densidade demográfica, Número de leitos hospitalares do SUS por habitante, Número de leitos hospitalares totais por habitante e Número de respiradores por habitante. Assim, os resultados obtidos com base nesses fatores analisados podem auxiliar na criação de ações mitigadoras mais direcionadas e eficientes, de acordo com as características dos municípios do estado do Rio de Janeiro. / [en] Since February 2020 the pandemic generated by the new coronavirus SarsCoV-2, the virus generating the disease COVID-19, has caused many deaths, mainly in large urban centers. In Brazil, one of the most affected states was Rio de Janeiro, which, despite all the actions taken to mitigate the progress of COVID19, reached on March 1, 2021 a mortality rate of 206.9 percent, which corresponds to approximately 207 deaths per thousand inhabitants. However, the Rio de Janeiro municipalities were affected differently, where the least affected city reached 9.7 percent and the most affected 331.3 percent. Previous studies in the specialized literature indicate that the main reason for this discrepancy may be associated with factors related to population, income, education, health, economy, territory, and environment. Therefore, this work has as main objective to identify the main socioeconomic, socio-demographic factors and access to hospital resources that are associated with the mortality rate from Sars-CoV-2 in the ninety-two municipalities in the state of Rio de Janeiro based on the Poisson Regression model, in the period from March 01, 2020 to March 01, 2021, accounting for 12 months. From the model chosen it was possible to detect those ten of the eleven factors analyzed influence the mortality rate. The factors being, municipal human development index (IDHM), per capita income (RDPC), percentage of poor (PMPOB), gross domestic product (GDP), gross attendance rate to higher (T_FBSUPER), percentage of subnormal settlements (PER_AGSN), demographic density, number of SUS hospital beds per inhabitant, number of total hospital beds per inhabitant and number of respirators per inhabitant. Thus, the results obtained based on these analyzed factors can help in the creation of more targeted and efficient mitigating actions, according to the characteristics of the municipalities in the state of Rio de Janeiro.

[pt] Este trabalho propõe um novo modelo linear por partes para a extração de regras de conhecimento de banco de dados. O modelo é uma heurística baseada em análise de árvore de regressão, como introduzido por Friedman (1979) e discutido em detalhe por Breiman (1984). A motivação desta pesquisa é trazer uma nova abordagem combinando técnicas estatísticas de modelagem e um algoritmo de busca por quebras eficiente. A decisão de quebra usada no algoritmo de busca leva em consideração informações do ajuste de equações lineares e foi implementado tendo por inspiração o trabalho de Tsay (1989). Neste, ele sugere um procedimento para construção um modelo para a análise de séries temporais chamado TAR (threshold autoregressive model), introduzido por Tong (1978) e discutido em detalhes por Tong e Lim (1980) e Tong (1983). O modelo TAR é um modelo linear por partes cuja idéia central é alterar os parâmetros do modelo linear autoregressivo de acordo com o valor de uma variável observada, chamada de variável limiar. No trabalho de Tsay, a Identificação do número e localização do potencial limiar era baseada na analise de gráficos. A idéia foi então criar um novo algoritmo todo automatizado. Este processo é um algoritmo que preserva o método de regressão por mínimos quadrados recursivo (MQR) usado no trabalho de Tsay. Esta talvez seja uma das grandes vantagens da metodologia introduzida neste trabalho, visto que Cooper (1998) em seu trabalho de análise de múltiplos regimes afirma não ser possível testar cada quebra. Da combinação da árvore de decisão com a técnica de regressão (MQR), o modelo se tornou o TS-TARX (Tree Structured - Threshold AutoRegression with eXternal variables). O procedimento consiste numa busca em árvore binária calculando a estatística F para a seleção das variáveis e o critério de informação BIC para a seleção dos modelos. Ao final, o algoritmo gera como resposta uma árvore de decisão (por meio de regras) e as equações de regressão estimadas para cada regime da partição. A principal característica deste tipo de resposta é sua fácil interpretação. O trabalho conclui com algumas aplicações em bases de dados padrões encontradas na literatura e outras que auxiliarão o entendimento do processo implementado. / [en] This research work proposes a new piecewise linear model to extract knowledge rules from databases. The model is an heuristic based on analysis of regression trees, introduced by Friedman (1979) and discussed in detail by Breiman (1984). The motivation of this research is to come up with a new approach combining both statistical modeling techniques and an efficient split search algorithm. The split decision used in the split search algorithm counts on information from adjusted linear equation and was implemented inspired by the work of Tsay (1989). In his work, he suggests a model-building procedure for a nonlinear time series model called by TAR (threshold autoregressive model), first proposed by Tong (1978) and discussed in detail by Tong and Lim (1980) and Tong (1983). The TAR model is a piecewise linear model which main idea is to set the coefficients of a linear autoregressive process in accordance with a value of observed variable, called by threshold variable. Tsay`s identification of the number and location of the potential thresholds was based on supplementary graphic devices. The idea is to get the whole process automatic on a new model-building process. This process is an algorithm that preserves the method of regression by recursive least squares (RLS) used in Tsay`s work. This regression method allowed the test of all possibilities of data split. Perhaps that is the main advantage of the methodology introduced in this work, seeing that Cooper, S. (1998) said about the impossibility of testing each break.Thus, combining decision tree methodology with a regression technique (RLS), the model became the TS-TARX (Tree Structured - Threshold AutoRegression with eXternal variables). It searches on a binary tree calculating F statistics for variable selection and the information criteria BIC for model selection. In the end, the algorithm produces as result a decision tree and a regression equation adjusted to each regime of the partition defined by the decision tree. Its major advantage is easy interpretation.This research work concludes with some applications in benchmark databases from literature and others that helps the understanding of the algorithm process.

[pt] Conhecer o perfil da população brasileira que possui planos privados de saúde é fundamental para orientar as políticas da Agência Nacional de Saúde (ANS) e a linha de ação das seguradoras e operadoras de saúde. A proposta deste projeto é de fazê-lo sob a ótica do mercado de trabalho, levando em consideração a morbidade auto-referida dos indivíduos, e controlando também pelas variáveis demográficas e sócio-econômicas. Para tanto, primeiramente, realizou-se um estudo exploratório relacionando a posse de planos de saúde com estas variáveis. Depois disso, ajustamos modelos logísticos de regressão para explicar as morbidades auto referidas a partir da situação do indivíduo no mercado de trabalho, controlando pelas variáveis demográficas. A mesma classe de modelos foi utilizada como ferramenta para investigar o fenômeno conhecido como Assimetria de Informação na contratação de planos privados de saúde. Os resultados concentram os casos de assimetria de informação em algumas doenças. Pudemos identificar também grupos de trabalhadores com alta propensão a determinadas doenças em determinadas grandes regiões do país. / [en] Knowing about the profile of the Brazilian population covered by private health plans is very important to guide the National Health Agency policies, the health insurance companies` action strategies in many ways and how the many agents involved should stand toward this process. Our purpose is to do this in the light of the work market situation, taking into account his/her self-reported morbidity, controlling for the demographical and social-economical variables. We start by presenting an exploratory study linking health plan owning with these variables. We then make use of logistic regression models, which have been adjusted to explain de self-reported morbidity according to the individual`s position in the job market, controlling for the demographical variables. The same class of model has also been used as a tool to investigate the existence of Information Asymmetry in this type of contract. Our results show that information asymmetry cases are concentrated in some diseases. We could also find some worker groups very likely to being ill from specific diseases in some specific regions of the country.

[pt] Este trabalho investiga a abrangência das políticas educacionais voltadas para o Ensino Médio da rede pública estadual de Minas Gerais no período de 2007 a 2010, período este que correspondente ao choque de gestão implementado pelo governador Aécio Neves. Considerando o desempenho médio dos estudantes por município nas avaliações em larga escala promovidas pelo governo estadual, aspectos sócio demográficos dos municípios mineiros e características intrínsecas das Superintendências Regionais de Ensino – SRE medidas pelo índice de complexidade das superintendências - ICS, inicialmente o estudo traz referências e discute conceitos sobre políticas educacionais e abrangência das políticas educacionais, apresentando os principais indicadores sociais e demográficos dos municípios mineiros e mapeando as políticas educacionais implementadas no período analisado. Em seguida, investiga-se a relação entre a abrangência das políticas educacionais voltadas para o Ensino Médio e os indicadores sócio demográficos municipais. O resultado da estimação do modelo mostrou que embora o governo mineiro tenha implementado um conjunto variado de projetos e programas, a análise da abrangência destes programas revelou a inexistência de um planejamento integrado, sugerindo que os programas e projetos propostos foram elaborados de forma centralizada, não levando em consideração as reais demandas educacionais das escolas e as características sociais e demográficas dos municípios mineiros. Com relação à abrangência das políticas implementadas, verificou-se que as mesmas foram implementadas de forma pulverizada e com pouca unidade entre si, não chegando a constituir uma política educacional global de Estado. O trabalho também revelou a partir da análise do desempenho médio dos estudantes do terceiro ano do ensino médio que a desigualdade educacional existente entre os municípios manteve-se inalterada ao longo do período. / [en] This work investigates the scope of the education policies for the public high school education of the state of Minas Gerais from 2007 to 2010. This period corresponds to the Management Shock introduced by governor Aécio Neves. The study regards the average performance of the students per municipality in the large scale evaluations promoted by the state government, demographic aspects and intrinsic characteristics of the municipalities of the Regional Office of Education, assessed by the rate of complexity of the offices. At first, the study brings references and discusses concepts on education politics and their scope, presenting the main social and demographic indicators of the municipalities as well as mapping the education politics implemented in the period studied. Then, the relation between the scope of the education politics for the high school education and the demographic municipal indicators is investigated. The estimation results of the model showed that the analysis of the scope of these programs revealed the non-existence of an integrated planning, although the government of Minas Gerais had implemented a varied set of projects and programs. This suggests that the programs and proposed projects were prepared in a centralized way, not taking into account the real education demands of the schools and the social and demographic characteristics of the municipalities. Regarding the scope of the policies implemented, it was found that they were implemented in a scattered form and with little unity among themselves, without being able to provide a general educational state policy. The study also revealed, based on the analysis of the average performance of the 3rd year high school students, that the existing educational inequality between municipalities remained unchanged throughout the period.

[pt] Muitos problemas da área de aprendizagem automática tem por objetivo modelar a complexa relação existente num sisitema , entre variáveis de entrada X e de saída Y na ausência de um modelo teórico. A regressão por mínimos quadrados parciais PLS ( Partial Least Squares) constitui um método linear para resolução deste tipo de problema , voltado para o caso de um grande número de variáveis de entrada quando comparado com número de amostras. Nesta tese , apresentamos uma variante do algoritmo clássico PLS para o tratamento de grandes conjuntos de dados , mantendo um bom poder preditivo. Dentre os principais resultados destacamos um versão paralela PPLS (Parallel PLS ) exata para o caso de apenas um variável de saída e um versão rápida e aproximada DPLS (DIRECT PLS) para o caso de mais de uma variável de saída. Por outro lado ,apresentamos também variantes para o aumento da qualidade de predição graças à formulação não linear. São elas o LPLS ( Lifted PLS ), algoritmo para o caso de apenas uma variável de saída, baseado na teoria de funções de núcleo ( kernel functions ), uma formulação kernel para o DPLS e um algoritmo multi-kernel MKPLS capaz de uma modelagemmais compacta e maior poder preditivo, graças ao uso de vários núcleos na geração do modelo. / [en] The purpose of many problems in the machine learning field isto model the complex relationship in a system between the input X and output Y variables when no theoretical model is available. The Partial Least Squares (PLS)is one linear method for this kind of problem, for the case of many input variables when compared to the number of samples. In this thesis we present versions of the classical PLS algorithm designed for large data sets while keeping a good predictive power. Among the main results we highlight PPLS (Parallel PLS), a parallel version for the case of only one output variable, and DPLS ( Direct PLS), a fast and approximate version, for the case fo more than one output variable. On the other hand, we also present some variants of the regression algorithm that can enhance the predictive quality based on a non -linear formulation. We indroduce LPLS (Lifted PLS), for the case of only one dependent variable based on the theory of kernel functions, KDPLS, a non-linear formulation for DPLS, and MKPLS, a multi-kernel algorithm that can result in a more compact model and a better prediction quality, thankas to the use of several kernels for the model bulding.

[pt] Modelos auto-regressivos (AR(p)) de séries temporais supõem que a dinâmica da série contém uma dependência linear nas observações passadas até uma defasagem p, e um erro aleatório independente e identicamente distribuído (i.i.d). Modelos de auto-regressão quantílica (QAR(p)) são uma generalização dos AR(p) em que os coeficientes auto- regressivos variam com o quantil da distribuição condicional, não sendo necessária, portanto, uma componente explícita de erro aleatório. Esta dissertação estuda a inferência estatística proposta para modelos QAR(p) por Koenker e Xiao (2004), com o auxílio de simulações de Monte Carlo. Enquanto a estimação mostra-se bem precisa, os resultados do teste de hipóteses, onde a hipótese nula supõe um modelo auto-regressivo (AR), não apresentam bons resultados, variando estes com o modelo gerador de dados. / [en] Autoregressive models (AR(p)) for time series assume that the series dynamics has a linear dependence on past observations up to a lag p, plus an independent and identically distributed (i.i.d.) random error. Quantile autoregressive models (QAR(p)) generalize the AR(p) by allowing different autoregressive coefficients for different quantiles of the conditional distribution and so there is no need for an explicit random error component. This dissertation studies the statistical inference proposed by Koenker e Xiao (2004) for QAR(p) models, by means of Monte Carlo simulations. While the estimation tools show themselves very accurate, the hypothesis test which considers an AR model as the null hypothesis yields poor results, and these vary with the data generating process

[pt] Esta pesquisa fundamenta-se na elaboração de uma metodologia para identificação da estrutura de séries temporais lineares e não lineares, baseada na estimação não paramétrica e semi-paramétrica de curvas em modelos do tipo Yt=E(Yt|Xt) +e, onde Xt=(Yt-1, Yt-2,...,Yt-d). Um modelo de regressão linear paramétrico tradicional assume que a forma da função E(Yt|Xt) é linear. O processo de estimação é global, isto é, caso a suposição seja, por exemplo, a de uma função linear, então a mesma reta é usada ao longo do domínio da covariável. Entretanto, tal abordagem pode ser inadequada em muitos casos. Já a abordagem não paramétrica, permite maior flexibilidade na possível forma da função desconhecida, sendo que ela pode ser estimada através de funções núcleo local. Desse modo, somente pontos na vizinhança local do ponto xt , onde se deseja estimar E(Yt|Xt=xt), influenciarão nessa estimativa. Isto é, através de estimadores núcleo, a função desconhecida será estimada através de uma regressão local, em que as observações mais próximas do ponto onde se deseja estimar a curva receberão um peso maior e as mais afastadas, um peso menor. Para estimação da função desconhecida, o parâmetro de suavização h (janela) foi escolhido automaticamente com base na amostra via minimização de resíduos, usando o critério de validação cruzada. Além desse critério, utilizamos intencionalmente valores fixos para o parâmetro h, que foram 0.1, 0.5, 0.8 e 1. Após a estimação da função desconhecida, calculamos o coeficiente de determinação para verificar a dependência de cada defasagem. Na metodologia proposta, verificamos que a função de dependência da defasagem (FDD) e a função de dependência parcial da defasagem (FDPD), fornecem boas aproximações no caso linear da função de autocorrelação (FAC) e da função de autocorrelação parcial (FACP), respectivamente, as quais são utilizadas na análise clássica de séries lineares. A representação gráfica também é muito semelhante àquelas usadas para FAC e FACP. Para a função de dependência parcial da defasagem (FDPD), necessitamos estimar funções multivariadas. Nesse caso, utilizamos um modelo aditivo, cuja estimação é feita através do método backfitting (Hastie e Tibshirani-1990). Para a construção dos intervalos de confiança, foi utilizada a técnica Bootstrap. Conduzimos o estudo de forma a avaliar e comparar a metodologia proposta com metodologias já existentes. As séries utilizadas para esta análise foram geradas de acordo com modelos lineares e não lineares. Para cada um dos modelos foi gerada uma série de 100 ou mais observações. Além dessas, também foi exemplificada com o estudo da estrutura de duas séries de demanda de energia elétrica, uma do DEMEI- Departamento Municipal de Energia de Ijuí, Rio Grande do Sul e outra de uma concessionária da região Centro-Oeste. Utilizamos como terceiro exemplo uma série econômica de ações da Petrobrás. / [en] This paper suggests an approach for the identification of the structure of inear and non-linear time series through non-parametric estimation of the unknown curves in models of the type Y)=E(Yt|Xt =xt) +e , where Xt=(Yt-1,Yt-2,...,Yt- d). A traditional nonlinear parametric model assumes that the form of the function E(Yt,Xt) is known. The estimation process is global, that is, under the assumption of a linear function for instance, then the same line is used along the domain of the covariate. Such an approach may be inadequate in many cases, though. On the other hand, nonparametric regression estimation, allows more flexibility in the possible form of the unknown function, since the function itself can be estimated through a local kernel regression. By doing so, only points in the local neighborhood of the point Xt, where E(Yt|Xt =xt) is to be estimated, will influence this estimate. In other words, with kernel estimators, the unknown function will be estimated by local regression, where the nearest observations to the point where the curve is to be estimated will receive more weight and the farthest ones, a less weight. For the estimation of the unknown function, the smoothing parameter h (window) was chosen automatically based on the sample through minimization of residuals, using the criterion of cross-validation. After the estimation of the unknown function, the determination coefficient is calculated in order to verify the dependence of each lag. Under the proposed methodology, it was verified that the Lag Dependence Function (LDF) and the Partial Lag Dependence Function (PLDF) provide good approximations in the linear case to the function of autocorrelation (ACF) and partial function of autocorrelation (PACF) respectively, used in classical analysis of linear time series. The graphic representation is also very similar to those used in ACF and PACF. For the Partial Lag Dependence Function (PLDF) it becomes necessary to estimate multivariable functions. In this case, an additive model was used, whose estimate is computed through the backfitting method, according to Hastie and Tibshirani (1990). For the construction of confidence intervals, the bootstrap technique was used. The research was conducted to evaluate and compare the proposed methodology to traditional ones. The simulated time series were generated according to linear and nonlinear models. A series of one hundred observations was generated for each model. The approach was illustrated with the study of the structure of two time series of electricity demand of DEMEI- the city department of energy of Ijui, Rio Grande do Sul, Brazil and another of a concessionary of the Centro- Oeste region. We used as third example an economical series of Petrobras.

[pt] O presente artigo tem como objetivo estudar a relação entre os retornos de índice de mercado de ações e taxas de câmbio de seis países da América Latina. De acordo com a abordagem do portfólio, ambas as variáveis devem ser negativamente correlacionadas. Tendo em vista que a regressão linear capta a relação linear média, não apresentando resultados satisfatórios, uma regressão quantílica foi usada para verificar essa relação em diferentes condições de mercado. Os resultados evidenciam um padrão no mercado latino americano, na qual a relação negativa entre as variáveis estudadas é mais pronunciada em momentos de forte desvalorização cambial. / [en] The present paper aims to study the relationship between stock price index returns and exchange rate of six Latin America countries. Acoording to the portfolio balance effect, both variables are supposed to be negatively correlated. Since the linear regression results are not satisfactory, a quantile regression is made to verify these relationship under different market conditions. The results show a pattern in these Latin American markets, where the negative relation between the studied variables is more pronunced when the exchange rate is very high.