Combinação de Previsão

1
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

ESCOLA DE ENGENHARIA
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO
Aline Castello Branco Mancuso
Uma Investigação do Desempenho de Métodos

de Combinação de Previsões: Simulada e
Aplicada
Porto Alegre
2013
2
Uma Investigação do Desempenho de Métodos de Combinação de Previsões:

Simulada e Aplicada
Dissertação submetida ao Programa de Pós-

Graduação em Engenharia de Produção da
Universidade Federal do Rio Grande do Sul
como requisito parcial à obtenção do título de
Mestre em Engenharia de Produção,
modalidade Acadêmica, na área de Sistemas
de Qualidade.
Orientador: Liane Werner, Drª.
Porto Alegre
2013
3
Uma Investigação do Desempenho de Métodos de Combinação de Previsões:

Simulada e Aplicada
Esta dissertação foi julgada adequada para a obtenção do título de Mestre em Engenharia de
Produção na modalidade Acadêmica e aprovada em sua forma final pelo Orientador e pela
Banca Examinadora designada pelo Programa de Pós-Graduação em Engenharia de Produção
da Universidade Federal do Rio Grande do Sul.
__________________________________
Prof. Liane Werner, Drª.
Orientadora PPGEP/UFRGS
___________________________________
Prof. José Luis Duarte Ribeiro, Dr.
Coordenador PPGEP/UFRGS
Banca Examinadora:
Professor Michel José Anzanello, Dr. (PPGEP/UFRGS)
Professor Cleber Bigsonin, Dr. (DEST/UFRGS)
Professor Marcio Valk, Dr. (DEST/UFRGS)

4
Dedico ao meu marido e aos meus pais que

não mediram esforços para enfrentar os
obstáculos desta etapa de minha vida.
5
AGRADECIMENTOS
Agradeço a Deus, em primeiro lugar, que me permitiu levantar e lutar. Agradeço a

benção de poder acordar e ver o novo dia.
Agradeço à amigos e familiares pelo apoio constante e por não medirem esforços nos
momentos mais difíceis. Ao meu marido e aos meus pais, em especial, por enfrentarem
conjuntamente os obstaculos de minha trajetória.
Agradeço à empresa de auditorias médicas pela compreenção e colaboração

dispensada para que eu pudesse continuar os estudos.
Agradeço aos professores do PPGEP pelas inumeras contribuições e orientações

durante estes dois anos de mestrado. Em especial, à Prof. Liane Werner por permitir a
realização deste trabalho.
6
RESUMO
A previsão de demanda é uma das principais ferramentas para a eficiência do

gerenciamento das organizações, afetando diretamente a lucratividade do negócio. O atual
nível competitivo das empresas requer previsões cada vez mais acuradas, sedo estas um
diferencial para o sucesso empresarial. Neste contexto, a combinação de previsões se tornou
um dos principais métodos empregados no intuito de melhorar a precisão das previsões.
Através de uma revisão da literatura sobre as abordagens da combinação de previsões,
identificou-se uma carência de estudos comparativos que incorporem modelos de regressão
para a combinação de previsões. Assim, o objetivo principal desta dissertação é combinar três
previsões individuais (redes neurais, modelos ARIMA e modelos de alisamento exponencial)
via média simples, variância mínima e modelos de regressão, comparando as três previsões
combinadas com suas previsões individuais. Estas comparações serão avaliadas em duas
situações: em séries simuladas (estacionárias) e em uma série de dados reais (não
estacionária) de uma empresa que realiza auditorias médicas. As medidas empregadas para a
escolha do método mais preciso são MAE, MAPE, RMSE e o coeficiente U de Theil. Os
resultados obtidos enfatizam a melhoria das previsões quando estas são combinadas por
regressão, tanto para séries convergentes quanto para a série divergente.
Palavras-chave: previsões de demanda, combinação de previsões, auditoria médica.

7
ABSTRACT
Forecasting is a key tool for ensuring the efficiency of management in organizations,

directly affecting business profitability. The current competitive corporative level requires
increasingly accurate predictions. In this context, the combination of forecasts has improved
forecast accuracy. Through a literature review on the approaches of combining forecasts, we
identified a lack of comparative studies that incorporate regression models for combining
forecasts. Thus, the main objective of this dissertation is to combine three individual forecasts
(neural networks, ARIMA models and exponential smoothing models) via simple average,
minimum variance and regression models, comparing the three combined forecasts with their
individual forecasts. These comparisons are evaluated in two situations: in simulated series
(converging) and in series of real data (divergent) from a company that performs medical
audits. The measures used to identify the best method are MAE, MAPE, RMSE and Theil’s U
coefficient. Results from combined methods improved the predictions in both convergent and
divergent series.
Key words: demand forecasts, combination of forecasts, medical audit.

8
LISTA DE FIGURAS
CAPÍTULO II – ARTIGO 1
Figura 1: Combinação de Previsões ................................................................................... 22

Figura 2: Método Subjetivo de Combinação ...................................................................... 24
Figura 3: Evolução Temporal das Publicações ................................................................... 26
Figura 4: Artigos mapeados no atributo Comparação de Métodos ...................................... 28
Figura 5: Artigos mapeados no atributo Aplicação ............................................................. 30
Figura 6: Artigos mapeados no atributo Exploração: modelos subjetivos, redes neurais,
estatísticas bayesianas e teorias para a seleção de modelos ................................................. 32
Figura 7: Artigos mapeados no atributo Exploração: ponderação, erros e outros ................ 33
CAPÍTULO III – ARTIGO 2
Figura 1: Modelos de Combinação de Previsões ................................................................ 50

Figura 2: Medidas de Acurácia .......................................................................................... 51
Figura 3: Box-plot pra as medidas de acurácia MAE .......................................................... 54
Figura 4: Box-plot pra as medidas de acurácia MAPE ........................................................ 54
Figura 5: Box-plot pra as medidas de acurácia RMSE ........................................................ 55
Figura 6: Box-plot pra as medidas de acurácia U de Theil .................................................. 55
Figura 7: Gráfico de Previsões ........................................................................................... 57
CAPÍTULO IV – ARTIGO 3
Figura 1: Modelos de Combinação de Previsões ................................................................ 67

Figura 2: Histórico da Demanda Mensal ............................................................................ 69
Figura 3: Histórico da Demanda Anual .............................................................................. 70
Figura 4: Modelagens Individuais ...................................................................................... 70
Figura 5: Previsões Combinadas ........................................................................................ 71
9
LISTA DE TABELAS
CAPÍTULO II – ARTIGO 1
Tabela 1 – Artigos identificados nas Bases de Dados ......................................................... 20

Tabela 2 – Número de artigos em relação aos periódicos e ao ano de publicação ............... 25
Tabela 3 – Quantidade de publicações por autor ................................................................ 34
CAPÍTULO III – ARTIGO 2
Tabela 1 – Análise Descritiva das Medidas de Acurácia ..................................................... 53

Tabela 2 – Frequências Percentuais do melhor método ...................................................... 56
Tabela 3 – Frequência de séries com concordância entre medidas de acurácia para o modelo
de previsão mais acurado ................................................................................................... 56
CAPÍTULO IV – ARTIGO 3
Tabela 1 – Estatísticas Descritivas ..................................................................................... 68

Tabela 2 – Medidas de Acurácia ........................................................................................ 71
CAPÍTULO V – CONSIDERAÇÕES FINAIS
Tabela 1 – Ordenação dos melhores métodos relacionados às medidas de acurácia ............ 76

10
SUMÁRIO
I. INTRODUÇÃO ........................................................................................................... 12
1. Tema e Objetivos...................................................................................................... 13
2. Justificativa .............................................................................................................. 14
3. Método de Trabalho.................................................................................................. 14
4. Delimitações do Trabalho ......................................................................................... 15
5. Estrutura do Trabalho ............................................................................................... 16
II. ARTIGO 1: UMA REVISÃO DA LITERATURA SOBRE AS ABORDAGENS DA

COMBINAÇÃO DE PREVISÕES ............................................................................................ 17
1. Introdução ................................................................................................................ 18
2. Procedimentos Metodológicos .................................................................................. 19
2.1. Questão de Pesquisa ...................................................................................... 19

2.2. Projeto de Pesquisa ....................................................................................... 19
3. Combinação de Previsões ......................................................................................... 21
3.1. Métodos Objetivos de Combinação ............................................................... 22

3.2. Métodos Subbjetivos de Combinação ............................................................ 23
4. Artigos Mapeados..................................................................................................... 24
4.1. Classificação ................................................................................................. 26

4.1.1. Resumo ou Revisão da Literatura..................................................... 26
4.1.2. Comparação de Métodos.................................................................. 27
4.1.3. Aplicação ........................................................................................ 29
4.1.4. Exploração ...................................................................................... 32
4.2. Análise ......................................................................................................... 34
5. Considerações Finais ................................................................................................ 35

Referências ........................................................................................................................ 36
III. ARTIGO 2: UM ESTUDO COMPARATIVO DE COMBINAÇÕES DE PREVISÕES E SUAS

PREVISÕES INDIVIDUAIS POR MEIO DE SÉRIES SIMULADAS ................................................ 45
1. Introdução ................................................................................................................ 46
2. Técnicas para Previsão de Demanda ......................................................................... 47
2.1. Técnicas Individuais de Previsão................................................................... 47

2.2. Modelos de Combinação de Previsões .......................................................... 49
2.3. Medidas de Acurácia..................................................................................... 50
3. Procedimentos Metodológicos .................................................................................. 51

4. Resultados e Discussão ............................................................................................. 52
11
5. Conclusões ............................................................................................................... 58
Referências ........................................................................................................................ 58
IV. ARTIGO 3: ESTUDO DOS MÉTODOS DE PREVISÃO DE DEMANDA APLICADOS EM UMA

EMPRESA DE AUDITORIA MÉDICA .................................................................................... 61
1. Introdução ................................................................................................................ 62
2. Previsão de Demanda ............................................................................................... 63
2.1. Métodos de previsão e Medidas de acurácia .................................................. 63

2.2. Previsão de demanda em auditorias médicas .................................................. 65
3. Materiais e Métodos ................................................................................................. 66
3.1. Estudo de Caso: Auditoria Médica ................................................................ 66

3.2. Etapas de Pesquisa ........................................................................................ 66
3.2.1. Etapa 1: Realização das modelagens individuais e obtenção das

previsões ....................................................................................................... 67
3.2.2. Etapa 2: Cálculo das combinações de previsões ................................. 67
3.2.3. Etapa 3: Comparação das medidas de acurácia ................................... 68
4. Resultados e Discussão ............................................................................................. 68
4.1. Análise Preliminar dos Dados........................................................................ 68

4.2. Análise dos Métodos de Previsão .................................................................. 70
5. Conclusões ............................................................................................................... 72
Referências ........................................................................................................................ 73
V. CONSIDERAÇÕES FINAIS .......................................................................................... 75
1. Discussão dos Resultados ............................................................................................. 75

2. Conclusões ................................................................................................................... 76
3. Trabalhos futuros ......................................................................................................... 77
REFERÊNCIAS.................................................................................................................... 78
12
I. INTRODUÇÃO
As mudanças no mercado estão em constante evolução e as exigências dos clientes

cada vez mais complexas. A globalização e o desenvolvimento tecnológico aumentaram
consideravelmente a competitividade entre as empresas, tanto no setor de produção de bens
quanto no de serviços. Para tanto, as organizações lançam mão do planejamento estratégico
como forma de delinear os novos rumos e os futuros caminhos que irão seguir, pois não basta
mais saber gerir a organização, é preciso monitorar os fatores que nela influenciam direta e
indiretamente (BARBALHO, 1997). Mais especificamente, métodos de previsão de demanda
têm sido empregados com o intuito de estimar os fatores que não se têm conhecimento
imediato e que influenciam o planejamento estratégico. Segundo Armstrong (1988) e Wang e
Chang (2010), a previsão é essencial ao planejamento para o futuro e a tomada de decisões
mais racionais. Fogliatto et al. (2005) descreve a previsão de demanda como fundamental para
diversas áreas da cadeia industrial, a fim de evitar prejuízos com o desabastecimento ou com a
superprodução, por exemplo.
Reconhecer corretamente mudanças emergentes no mercado e prever com máxima
precisão o futuro são pré-requisitos fundamentais para o sucesso da organização. A Compaq
Computer, por exemplo, tornou-se líder do mercado na década de 80 prevendo corretamente a
demanda pela versão portátil do IBM PC. Já Henry Ford fez sucesso no mercado de carros
com seu modelo T, prevendo que o consumidor queria um carro simples, de baixo custo, e
com manutenção mais fácil do que os automóveis oferecidos nos anos 1900 (MAKRIDAKIS,
1996; KIM e MAUBORGNE, 2004; BROWN et al., 2005). No entanto, “o sucesso gera o
próprio fracasso”, como afirma Makridakis (1996), a menos que as empresas saibam gerir
suas previsões. Ford não previu que os consumidores cansariam do desenho do Modelo T, falha
que quase resultou no fim da indústria.
A história mostra a previsão de demanda como um diferencial competitivo por
aproximar a empresa do mercado, mas também ressalta a importância de previsões acuradas.
Ford poderia ter evitado prejuízos se também tivesse previsto a queda na demanda. Moon et
al. (1998) descrevem a importância e a influência da precisão da previsão de demanda nos
diversos setores da indústria.
Previsão de demanda é uma estimativa da demanda futura em certas condições
(MOON et al., 1998), ou do que irá acontecer em um cenário específico. A acurácia de uma
previsão está relacionada à presença de erros sistemáticos, isto é, à exatidão de um método.
13
As medidas de acurácia, além de identificarem a precisão de um processo, também são

critérios de seleção de métodos para previsão. Na literatura é possível encontrar uma gama de
estudos que buscam o melhor método para previsão de demanda em termos de acurácia, tais
como: Makridakis e Hibon (2000), Hibon e Evgeniou (2005) e Martins e Werner (2012).
Com o intuito de antecipar dados futuros com maior precisão, métodos de integração
de previsões vêm ganhando destaque no meio acadêmico. Entre estes, a combinação de
previsões oferece vantagens consideráveis (WEBBY e OĆONNOR, 1996). Desde Bates e
Granger (1969) diversos estudos vêm mostrando que a previsão combinada é mais acurada
que as previsões individuais (NEWBOLD e GRANGER 1974; CLEMEN, 1989; FILDES e
MAKRIDAKIS, 1995; STOCK e WATSON, 2004; ANDRAWIS et al., 2011).
Contudo, a questão é: como combinar as previsões? A ideia é simples, incorporar
previsões obtidas por diferentes técnicas. Porém, apesar da vasta literatura na área, ainda não
há um consenso para o método de combinação que seja mais preciso, sendo este o assunto a
ser explorado nesta dissertação.
1. TEMA E OBJETIVOS
O tema desta dissertação é a combinação de previsões de demanda, com foco nos

métodos de combinação média aritmética, variância mínima e regressão.
O objetivo principal é comparar três métodos quantitativos de combinação,
identificando o melhor modelo no que tange à acuracidade. As comparações serão avaliadas
em duas situações: em séries simuladas (estacionárias) e em dados reais (não estacionários) de
uma empresa de auditorias médicas.
De maneira específica, pretende-se:
 Verificar, por meio de um estudo da literatura, quais as abordagens da combinação de
previsões mais estudadas após o levantamento realizado por Clemen (1989), contemplando as
diversas áreas do conhecimento;
 Comparar as previsões individuais e combinadas, de forma a avaliar a acurácia de cada
método através de dados simulados;
 Averiguar como os modelos comparados no estudo de simulação (séries estacionárias)
se comportam frente a uma série de dados reais (não estacionária).
14
2. JUSTIFICATIVA
A crescente disseminação e utilização de computadores, associados à disponibilidade

de dados, tem alavancado o rigor estratégico das empresas. Mais especificadamente, a busca
por previsões de demanda mais acuradas tem superado antigos obstáculos, tais como: a
disponibilidade de dados viabilizou o uso dos métodos quantitativos de previsão, sendo estes
simplificados pelo uso de softwares; e o desenvolvimento tecnológico tem facilitado o acesso
a métodos de previsão considerados mais complexos.
Com o desenvolvimento, métodos de combinação para previsão de demanda se
tornaram relevantes em termos de acurácia (CLEMEN, 1989). Segundo Armstrong (2001), a
previsão combinada pode ser melhor que a melhor previsão individual. No entanto, no âmbito
da combinação quantitativa de previsões, ainda não há um consenso de que algum modelo de
combinação seja superior. Alguns estudos argumentam que nem sempre métodos
considerados mais complexos e sofisticados apresentam maior precisão que modelos simples
de combinação (STOCK e WATSON, 2004). Makridakis e Winkler (1983) recomendam a
combinação de previsões através de média aritmética. Martins e Werner (2012) apresentam a
variância mínima como modelo mais acurado. Já Hibon e Evgeniou (2005) sugerem que os
melhores métodos individuais e combinados são semelhantes, de modo que a vantagem não
está na precisão da combinação.
Contudo, em tais estudos ainda não são consideradas comparações com o método de
regressão para combinação. Um modelo estatístico que relaciona uma variável resposta com
outras variáveis, denominadas preditoras.
3. MÉTODO DE TRABALHO
O método de trabalho desta dissertação é apresentado segundo dois aspectos: tipo de

pesquisa e descrição das etapas, técnicas e ferramentas utilizadas para atingir os objetivos
estabelecidos. Conforme descrito por Silva e Menezes (2005).
Assim, segundo Silva e Menezes (2005), do ponto de vista de sua natureza, esta pesquisa
se caracteriza de forma aplicada, objetivando a aplicação prática. Do ponto de vista da forma de
abordagem do problema, considera-se o enfoque quantitativo, com ênfase em análises numéricas.
Do ponto de vista de seus objetivos, a pesquisa classifica-se como exploratória, visando um maior
conhecimento sobre o assunto estudado.
O desenvolvimento do presente trabalho divide-se em três etapas: pesquisa bibliográfica,
investigação exploratória, e aplicação e comparação dos métodos explorados. Na primeira etapa
foi realizada uma revisão da literatura sobre as abordagens da combinação de previsões de
15
demanda. Na segunda etapa foi elaborado e analisado um estudo comparativo com 500 séries
simuladas. E, na terceira etapa, a comparação foi estendida para dados de uma empresa de
auditoria médica. Os recursos computacionais utilizados para a realização das modelagens dos
dados e das análises foram os softwares SPSS Statistics 18.0 e R-Project 2.15.0.
A pesquisa bibliográfica (artigo 1) contém o mapeamento dos artigos com a abordagem
em combinação de previsões, publicados entre 1989 e 2012 em periódicos nacionais e
internacionais. Assim, foram analisadas 174 publicações, descrevendo suas principais
características. Após este mapeamento, foram identificadas as abordagens estudadas nos artigos e,
em seguida, classificados de acordo com as abordagens identificadas. Com esta classificação, foi
possível realizar o trabalho de análise, que envolveu o número de artigos por ano, por periódico e
por abordagem. Este artigo foi submetido em língua inglesa para publicação no Journal of
Forecasting.
Na etapa de investigação exploratória (artigo 2), foram simuladas 500 séries temporais e
modeladas por três diferentes técnicas individuais (as modelagens foram realizadas sem
tratamento diferenciado ): redes neurais (RNA), Box-Jenkins (ARIMA) e alisamento
exponencial. Para cada série simulada, as três previsões individuais foram combinadas via
média simples, variância mínima e modelos de regressão. A fim de indicar o método mais
acurado, os seis modelos (três técnicas individuais e três combinações) foram analisados e
comparados em termos das medidas de acurácia MAE (Mean Absolute Error), MAPE (Mean
Absolute Percentage Error), RMSE (Root Mean Square Error) e o coeficiente U de Theil.
Este artigo será submetido em língua inglesa para publicação no periódico Expert Systems with
Applications.
Na etapa de aplicação e comparação dos métodos explorados (artigo 3), os mesmos seis
modelos analisados na etapa anterior foram aplicados para a previsão de demanda na área de
auditoria médica. No entanto, nesta etapa, deseja-se averiguar a hipótese de que o melhor
método (mais acurado) encontrado em Mancuso (2013) para a previsão em séries temporais
estacionárias é também o melhor quando aplicado a uma série com tendência (dados reais).
Este artigo será submetido para publicação na revista Produto e Produção.
4. DELIMITAÇÕES DO TRABALHO
O objetivo dos métodos para previsão de demanda é descobrir o padrão histórico que
existe nos dados e projetar esse padrão para o futuro. Entretanto, um dos fatores que podem
deteriorar o desempenho da previsão são as mudanças no relacionamento dos dados, visto que
os modelos estatísticos assumem que os padrões de relacionamento são constantes
(MAKRIDAKIS, 1988). Assim, a acurácia dos processos avaliados está relacionada ao padrão
16
dos dados. Se o comportamento dos dados for alterado, o nível de precisão das técnicas,
consequentemente, será afetado.
Em termos da revisão da literatura sobre as abordagens da combinação de previsões, a
pesquisa não abordou todos os trabalhos desenvolvidos e publicados nesta área. Delimitando-
se aos periódicos registrados no portal da Capes (www.periodicos.capes.gov.br) que, em seu
título ou palavras-chave, mencionassem as palavras “combining” AND “forecast” ou
“combine” AND “forecasting”. Sendo compilados apenas os estudos publicados a partir de
1989, excluindo-se os trabalhos já contemplados por Clemen (1989).
Outra delimitação do trabalho está na escolha das técnicas individuais de previsão
(redes neurais, Box-Jenkins e alisamento exponencial) e dos métodos de combinação (média
simples, variância mínima e modelos de regressão). A verificação da eficiência das
modelagens e a comparação dos métodos também foram delimitadas a quatro medidas de
acurácia: MAE, MAPE, RMSE e coeficiente U de Theil.
5. ESTRUTURA DO TRABALHO
A presente dissertação está organizada em formato de artigos científicos. Assim,

dividida em seis capítulos, incluindo esta introdução. Este primeiro capítulo apresenta o tema
abordado, os objetivos gerais e específicos, a justificativa, a metodologia e as delimitações
deste estudo, além da forma como está estruturado.
O capítulo 2 apresenta o artigo 1 intitulado: “Uma Revisão da Literatura sobre as
Abordagens da Combinação de Previsões”, no qual é realizada uma revisão da literatura sobre
as abordagens da combinação de previsões. O capítulo 3, o artigo 2 intitulado: “Um estudo
comparativo de combinações de previsões e suas previsões individuais por meio de séries
simuladas”, que aborda um estudo comparativo das medidas de acurácia de previsões
individuais e combinadas obtidas em 500 séries simuladas. Por fim, o artigo 3 intitulado:
“Estudo dos Métodos de Previsão de Demanda Aplicados em uma Empresa de Auditoria
Médica”, apresentado no capítulo 4, traz um estudo semelhante ao desenvolvido no capítulo
anterior, porém a comparação é aplicada em dados de uma empresa de auditoria médica.
As considerações finais desta dissertação são abordadas no capítulo 5, por meio de três
subseções: discussões a cerca de todo o estudo apresentado; as principais conclusões e
sugestões para trabalhos futuros.
17
II. ARTIGO 1: UMA REVISÃO DA LITERATURA SOBRE AS ABORDAGENS DA
COMBINAÇÃO DE PREVISÕES
ALINE CASTELLO BRANCO MANCUSO

[email protected]
LIANE WERNER
[email protected]
Resumo
A primeira revisão bibliográfica sobre o assunto combinação de previsões foi realizada

por Robert Clemen em 1989. Passados mais de vinte anos, vários outros trabalhos foram
publicados com novas teorias e aplicações, porém nenhuma outra revisão semelhante foi
realizada. Frente a esta colocação, este trabalho visa uma revisão da literatura sobre as
abordagens da combinação de previsões após o levantamento realizado por Clemen (1989),
contemplando as diversas áreas do conhecimento. Sendo assim, este trabalho apresenta a
classificação e a análise de 174 artigos levantados sobre o assunto, descrevendo suas
principais características. Como principais contribuições, ele dispõem de: um resumo da
bibliografia atual referente ao tema; uma classificação dos artigos segundo as abordagens;
uma subdivisão dos artigos dentro de cada abordagem; análise das classificações e
identificação dos métodos mais comuns, de novos métodos, e de pesquisas futuras.
PALAVRAS - CHAVE: combinação de previsões, revisão da literatura, previsão.
Abstract
The first review of the literature on the subject combination of forecasts is due to
Robert Clemen in 1989. Since that, several other papers have been published with new
theories and applications, but no similar review was performed. This paper reviews the
literature on the approaches of combining forecast after the survey conducted by Clemen
(1989), covering various fields of knowledge. For that matter, this paper analyzes 174 articles
collected on the subject, describing their main characteristics. As main contributions, this
paper brings a summary of current literature on the topic, a classification of articles
according to the approaches, a subdivision of items within each approach, analysis of
classification and identification of the most common methods, new methods, and future
research.
KEYWORDS: combining forecast; review, forecasting.
18
1. INTRODUÇÃO
As mudanças no mercado estão em constante evolução, as ações locais dependentes de

fenômenos globais e a competição cada vez mais acirrada. Frente a este cenário, a formulação
e o planejamento estratégico se tornaram de suma importância para o crescimento e
sobrevivência organizacional, tanto no âmbito teórico quanto prático. Atento à nova ordem
mundial e às necessidades empresariais, a busca pela otimização da produção com o mínimo
de desperdício possível, tornou-se tópico principal de muitos estudos.
As indústrias necessitam de previsões de demanda acuradas, pois qualquer desvio
significativo da demanda real pode causar diversos tipos de impactos negativos,
principalmente no desempenho econômico da empresa. Além do custo de armazenamento e
do risco de obsolescência do produto, alguns setores empresariais como o alimentício, por
exemplo, precisam considerar o curto prazo de duração dos produtos perecíveis, dentre as
diversas outras variáveis que influenciam no volume e na qualidade da produção. No entanto,
é preciso encontrar um ponto de equilíbrio para que o excesso de produtos não se torne
desperdício e nem a baixa produtividade se torne motivo de desvantagens (CASAGRANDE e
HOSS, 2010).
Devido a essa necessidade das empresas terem um maior controle do nível de
estocagem, constituiu-se um mecanismo desenvolvido para unir orçamento e demanda real. A
previsão de demanda é um processo para fazer afirmações sobre eventos cujos resultados
ainda não foram observados, afinal, o futuro é desconhecido, mas não imprevisível. Sendo
assim, o processo de previsão tornou-se uma atividade indispensável no planejamento, na
definição da estratégia e na tomada de decisões das empresas.
Inicialmente, o processo de previsão baseava-se em uma única técnica, dentre as
diversas opções disponíveis. No entanto, em muitas situações, este único resultado pode não
ser suficiente para a tomada de decisões, frente à complexidade do mercado. Objetivando
previsões cada vez mais confiáveis e com o menor erro possível, desenvolveu-se um
procedimento que permite agregar e ajustar diversas técnicas de previsão, a integração das
previsões (WEBBY e OĆONNOR, 1996). Dentre as diferentes estruturas de integração, este
estudo restringe-se ao método denominado combinação de previsões, um método que utiliza
algum mecanismo objetivo ou subjetivo para compor as previsões e obter uma previsão final
(combinada). Segundo Clemen (1989), dentre as diversas maneiras desenvolvidas para
realizar combinações de previsões, até aquele momento, os resultados já eram unânimes: a
combinação de previsões leva ao aumento da precisão.
19
Clemen (1989) realizou a primeira revisão bibliográfica no assunto combinação de

previsões, listando 209 publicações de amplo aspecto. Passados mais de vinte anos, vários
outros trabalhos foram publicados com novas teorias e aplicações, porém não se encontrou
trabalho similar ao publicado pelo referido autor. Frente a esta colocação, a proposta deste
trabalho é realizar uma revisão da literatura sobre as abordagens da combinação de previsões
após o levantamento realizado por Clemen (1989), identificando as áreas de exploração e as
mais recentes contribuições. A análise desta classificação busca resumir os conhecimentos até
então referentes ao tema, sendo uma referência para todos aqueles que desejam combinar
previsões.
Este artigo está estruturado em cinco seções, sendo esta introdução a primeira. A seção
dois apresenta os procedimentos metodológicos para o desenvolvimento deste artigo. A seção
três apresenta um referencial teórico sobre combinação de previsões. A classificação e análise
dos artigos mapeados estão apresentadas na seção quatro. E por último, na seção cinco,
encontram-se as principais conclusões deste estudo.
2. PROCEDIMENTOS METODOLÓGICOS
Revisar a literatura tem como objetivo fazer um levantamento e analisar o que já foi
publicado sobre determinado tema, quais as lacunas existentes e onde se encontram os
principais entraves teóricos ou metodológicos. Tal levantamento permite um mapeamento do
que já foi escrito e quem já escreveu (SILVA e MENEZES, 2001). Por sintetizar estudos
primários semelhantes, os estudos secundários servem como apoio à busca direcionada,
resumindo o volume de bibliografia.
Desta forma, esta seção apresenta o detalhamento das etapas utilizadas na condução da
revisão de literatura. A elaboração do projeto garante a reprodutibilidade da pesquisa, além de
permitir comentários, sugestões e críticas ao método usado.
2.1. QUESTÃO DE PESQUISA
A realização da revisão inicia-se com a formulação e definição do problema que

delimite o material a ser analisado. Neste trabalho, deseja-se obter informações sobre o estado
atual da literatura de combinação de previsões, bem como o seu uso. Para tanto, o referencial
teórico deverá elucidar o tema, proporcionando uma melhor definição do assunto pesquisado.
2.2. PROJETO DE PESQUISA

20
A busca de estudos foi realizada on-line, durante o ano de 2012. Através da exploração
das dez áreas do conhecimento registradas no Portal de Periódicos da Capes foram filtradas
83 bases de dados a serem pesquisadas, em periódicos com textos completos. Na consulta aos
periódicos destas bases de dados, foram selecionados os artigos que, em seu título ou
palavras-chave, mencionassem as palavras “combining” AND “forecast” ou “combine” AND
“forecasting”. Visto que o objetivo principal deste trabalho é fazer um levantamento dos
estudos sobre combinação de previsões, dando continuidade à revisão realizada por Clemen
(1989), foram compilados apenas estudos publicados a partir de 1989. A busca resultou em
256 artigos, mas, excluindo-se os trabalhos já contemplados por Clemen (1989) e os estudos
focados na combinação de modelos e na inferência sobre combinação (combinação de
intervalos e de densidades), considerados fora do escopo da pesquisa, o número de artigos
identificados foi reduzido para 174. O total de artigos resultantes da busca, conforme as
estratégias utilizadas, para cada base de dados pode ser observada na Tabela 1.
Tabela 1 – Artigos identificados nas Bases de Dados
Base de Dados Editor URL Artigos

Association for Computing
ACM Digital Library http://dl.acm.org 23
Machinery
IEEE Xplore IEEE http://ieeexplore.ieee.org 07
Cambridge Journals
Cambridge University Press http://journals.cambridge.org 02
Online
OECD iLibrary: Organization for Economic Co-
http://www.oecd-ilibrary.org 01
Periodicals operation and Development
American Physical Society American Physical Society http://publish.aps.org 01
SciElo Bireme http://www.scielo.org 02
The American Institute of
AIP Scitation http://scitation.aip.org 01
Physics
Central Online and Open Copernicus Systems +
http://sref.org 01
Access Library Technology GmbH
Academic Search Premier EBSCO http://ebscohost.com 03
Social Sciences Full-Text HW Wilson http://hwwilsonweb.com 02
High Wire: Free Online
High Wire Press http://highwire.stanford.edu 03
Full Text Articles
Maney Publishing http://ingentaconnect.com 52
Wiley Online Library Wiley Inter Science http://onlinelibrary.wiley.com 33
Cell Press Collection Cell Press (Elsevier) http://sciencedirect.com 44
Após a definição da questão de pesquisa (etapa I) e o mapeamento da bibliografia

disponível (etapa II), partiu-se para a identificação das abordagens (etapa III). Seguindo com a
21
classificação dos artigos em abordagens (etapa IV) e a análise da classificação das abordagens
(etapa V).
3. COMBINAÇÃO DE PREVISÕES
Na área de produção de bens, previsão de demanda pode ser entendida como uma
função que se preocupa em predizer o consumo de produtos, de maneira que eles possam ser
manufaturados adiantadamente e nas quantidades apropriadas para aquisição. Entretanto, esta
função pode ser descrita por diversos métodos que vão desde o julgamento, intuição e opinião
informal, passando por fatores macro econômicos, até técnicas de previsão baseada em dados
históricos.
A grande maioria dos métodos empregados analisa as informações utilizando uma
única técnica de previsão e, consequentemente, algumas das informações provenientes de
outras técnicas acabam sendo desconsideradas (WERNER e RIBEIRO, 2006). Como já
mencionado, a complexidade do mercado faz necessário o uso de toda e qualquer informação
disponível à previsão, e uma única técnica pode não utilizar de modo eficiente todas estas
informações. Desde Bates e Granger (1969) estuda-se o fato de que a previsão pode se tornar
mais acurada quando se realiza combinação de técnicas de previsão. Independente do modo
como a combinação será obtida, seu resultado visa trazer um aumento da precisão sobre as
previsões individuais. Isto porque as técnicas de previsão individuais são procedentes de
diferentes abordagens, podendo assim capturar características distintas da série
(ARMSTRONG, 2001).
A ideia de combinar previsões é simples, como descrito na Figura 1. Com base em um
conjunto de informações, geram-se os modelos de previsões baseados em diferentes técnicas
(técnica 1, técnica 2, ... , técnica ), obtendo-se previsões. Estas previsões são então
combinadas, gerando-se uma única previsão final. Armstrong (2001) discute o número de
técnicas a serem consideradas na combinação, concluindo que, em relação à eficiência, o
adequado seria cinco previsões. O autor baseia sua sugestão no comportamento exponencial
dos ganhos da combinação. Na combinação de cinco previsões ganha-se com a redução dos
erros; porém, quando são combinadas mais de cinco técnicas, os ganhos são pequenos e
menores a cada acréscimo.
22
Figura 1: Combinação de Previsões

Fonte: adaptado de WEBBY e O’CONNOR (1996, p. 100).
Contudo, a questão é: Como as técnicas devem ser combinadas? Na literatura, podem-

se definir duas abordagens de combinação: uma envolvendo a abordagem objetiva e outro a
abordagem subjetiva. A abordagem objetiva representa os métodos que utilizam uma função
matemática, de forma que os resultados possam ser repetidos. A abordagem subjetiva inclui
os esforços intuitivos para combinar previsões, empregando conhecimento e opinião.
3.1. MÉTODOS OBJETIVOS DE COMBINAÇÃO

Os métodos objetivos de combinação tiveram origem com Bates e Granger (1969),
considerados os precursores desse assunto. Eles propuseram o método de combinar previsões
através de uma combinação linear de duas previsões objetivas não viciadas (ou devidamente
corrigidas) considerando um peso para a primeira e para a segunda, como
representado na Equação (1).
( ) (1)
onde: é o valor da combinação, o valor da previsão um e o valor da previsão dois.
Posteriormente, outros autores foram aderindo ao método e os estudos foram
avançando na área (WINKLER e MAKRIDAKIS, 1983; CLEMEN, 1989; ARMSTRONG,
2001; ZOU e YANG, 2004; CAI et al., 2011). A combinação de previsões foi estendida de
duas para n técnicas combinadas e começaram a ser interpretadas como uma forma
estruturada de regressão (NEWBOLD e GRANGER, 1974). A partir de então, diversos
autores sugeriram novas considerações e métodos mais sofisticados foram comparados.
Entretanto, a média aritmética ainda é um dos métodos mais empregados (MENEZES et al.,
2000).
Um exemplo do desempenho da média aritmética comparada a outros métodos de
combinação pode ser visto em Marques (2005). O autor considera: a média simples, a média
ponderada pelo inverso do erro quadrático médio (equivalente ao método da variância
23
mínima), a otimização com restrição de pesos e sem constante (que corresponde à estimativa
dos pesos pelo método de mínimos quadrados, com restrição de pesos e sem constante) e a
otimização sem restrição de pesos e com constante.
Várias formas de combinação de previsões foram desenvolvidas desde a publicação do
artigo de Bates e Granger (1969), se estendendo desde a simples média aritmética aos
métodos mais sofisticados como redes neurais para combinações não-lineares ou estudos que
utilizam análises bayesianas para a combinação de previsões, que em linhas gerais pondera
cada previsão com base no valor esperado. Chan et al. (1999) lista alguns trabalhos clássicos
neste enfoque. Contudo, na literatura não existe um consenso de que algum método de
combinação sofisticado seja superior aos mais simples, como a média das previsões
individuais. Assim como Clemen (1989), Werner (2004) enfatiza a combinação via média
simples que, embora não tenha pesos ótimos, pode apresentar resultados melhores que os
métodos mais sofisticados. Já Martins (2011), por exemplo, disserta sobre o desempenho
superior da combinação via variância mínima.
Ainda na abordagem objetiva, para se ter uma ideia do quanto uma previsão é acurada,
é necessário uma forma de estimar o quanto se está errando. Paliwal e Kumar (2009)
observaram a utilização das medidas MAPE (Mean Absolute Perceptual Error), MSE (Mean
Square Error) e MAE (Mean Absolute Error) como principal forma de medir o desempenho
das modelagens em diversos estudos. No entanto, variações como a Raiz do Erro Quadrático
Médio (RMSE – Root Mean Square Error) também são comumente empregadas, entre outras.
3.2. MÉTODOS SUBJETIVOS DE COMBINAÇÃO

A abordagem subjetiva de combinação ainda é considerada inexplorada, visto que a
intuição dificilmente pode ser repetida (WERNER e RIBEIRO, 2006). É normalmente
utilizada quando os dados são escassos, como ocorre, por exemplo, no lançamento de um
novo produto. Utilizando-se apenas a intuição e o conhecimento adquirido, práticas como o
consenso de um grupo, o método Delphi e seleção dos melhores especialistas são as mais
conhecidas para combinar subjetivamente previsões. Para Armstrong (2001), na maioria das
situações, o primeiro passo deveria ser a opinião dos especialistas.
A combinação de modelos (técnicas objetivas) com o julgamento humano (técnicas
subjetivas) segue o mesmo princípio de combinação mencionado anteriormente e ilustrado
pela Figura 1; porém, este método é melhor visto pela Figura 2. Com base em dados
históricos, gera-se o modelo quantitativo e paralelamente realiza-se o julgamento humano,
agregando informações contextuais, obtendo-se duas previsões (uma objetiva e outra
24
subjetiva). Estas previsões são, então, combinadas e com base nas informações contextuais
gera-se uma única previsão final (WEBBY e O’CONNOR, 1996 e WERNER, 2005). Werner
(2005) comenta algumas publicações baseadas na combinação subjetivas, concluindo que as
previsões individuais combinadas são influenciadas pelas características dos previsores e por
aspectos do contexto de previsão.
Figura 2: Método Subjetivo de Combinação

Fonte: WEBBY e O’CONNOR (1996, p. 100).
Há muitos estudos sobre combinação de previsões propostos na literatura, como pode

ser visto mais adiante no mapeamento. E esta popularidade da combinação deve-se ao fato de
que ao invés de tentar escolher a melhor técnica, formula-se o problema perguntando que
técnicas poderiam ajudar na melhoria da acurácia (WERNER, 2005 e WERNER e RIBEIRO,
2006). Armstrong (2001) recomenda a combinação de previsões quando não há certeza sobre
a situação e sobre qual técnica é mais precisa, podendo assim evitar grandes erros.
4. ARTIGOS MAPEADOS
Em uma análise preliminar à identificação das abordagens, os dados obtidos foram

descritos em função do ano de publicação e do periódico. A Tabela 2 apresenta o número de
artigos por periódico, sendo a categoria “outros” o grupo de periódicos que apresentaram
apenas uma publicação durante todo o período pesquisado.
Na Tabela 2, pode-se observar que os periódicos International Journal of Forecasting
e Journal of Forecasting concentram aproximadamente 37% das publicações referente à
combinação de previsões no período considerado. Já a relação anual das publicações pode ser
melhor analisada pela Figura 3. Distingue-se, pela Figura 3, uma tendência positiva ao longo
dos anos, com destaque para 2007 e 2008, ambos com 14 publicações. No entanto, o ano de
2011 foi o ápice dos trabalhos nesta área, com 23 publicações.
25
Tabela 2– Número de artigos em relação aos periódicos e ao ano de publicação.
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
Total
(%)
Applied Economics 1 1 1 3 (1,72)
Applied Economics Letters 1 1 2 (1,15)
Computers and Industrial Engineering 1 1 2 (1,15)
Conferência 1 1 1 4 1 1 2 11 (6,32)
Decision Sciences 1 1 2 (1,15)
European Journal of Operational Research 1 1 1 1 1 1 6 (3,45)
Expert Systems with Applications 1 2 1 4 (2,30)
Hydrological Processes 1 1 2 (1,15)
International Journal of Forecasting 6 1 1 4 1 1 3 1 3 2 1 2 1 2 1 1 2 3 1 7 1 45 (25,86)
International J. of Production Economics 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 (1,15)
J. Computational Statistics & Data Analysis 0 0 0 0 0 0 0 0 0 0 0 1 1 2 (1,15)
Journal Decision Analysis 1 1 2 (1,15)
Journal Management Science 1 1 1 1 4 (2,30)
Journal of Applied Statistics 1 1 1 1 4 (2,30)
Journal of Forecasting 2 2 3 2 1 1 1 1 3 1 2 19 (10,92)
Journal of Hydrology 1 1 2 (1,15)
Journal of the Operational Research Society 1 2 3 (1,72)
Journal of Time Series Analysis 1 1 2 (1,15)
Management Science 1 1 2 (1,15)
Mathematical and Computer Modeling 1 1 2 (1,15)
Meteorological Applications 1 1 2 (1,15)
Oxford Bulletin of Economics and Statistics 2 1 3 (1,72)
Technological Forecasting and Social Change 1 1 2 (1,15)
Tourism Management 1 1 2 (1,15)
Outros 1 1 1 1 3 1 1 1 3 1 2 1 1 2 3 3 6 3 5 3 1 44 (25,29)
8 4 2 8 4 3 7 7 5 5 12 5 5 4 3 7 7 5 14 14 10 6 23 6
(13,22)
Total (%) 174
(4,60)
(2,30)
(1,15)
(4,60)
(2,30)
(1,72)
(4,02)
(4,02)
(2,87)
(2,87)
(6,90)
(2,87)
(2,87)
(2,30)
(1,72)
(4,02)
(4,02)
(2,87)
(8,05)
(8,05)
(5,75)
(3,45)
(3,45)
26
Figura 3: Evolução Temporal das Publicações

Fonte: elaborada pela autora
4.1. CLASSIFICAÇÃO
Em relação às abordagens, foram identificados quatro grandes grupos: resumo ou

revisão da literatura; comparação de métodos; aplicação e exploração.
Dos 174 artigos compilados, 80 foram considerados exploratórios, 73 aplicativos, 15
foram selecionados pela comparação de métodos e 6 são resumos ou revisões. Segue aqui a
importância de ressaltar que estas classificações são sugestivas. Muitas publicações não
possuem uma definição exata entre os atributos, alguns artigos, por exemplo, se utilizam tanto
da aplicação como da comparação na discussão dos métodos de combinação. Entretanto,
nestes casos, a classificação sugerida foi embasada no teor dos estudos, sendo: resumo ou
revisão da literatura os estudos que priorizam a revisão do assunto; comparação de métodos
os trabalhos que confrontam métodos; aplicativos os que comparam ou exploram o uso da
combinação aplicada a um tema específico; e exploratórios os que se designam à análise
teórica.
4.1.1. Resumo ou Revisão da Literatura
Durante o período mapeado, foram encontrados quatro artigos de revisão e dois

resumos. Clemen (1989) fornece uma bibliografia comentada da literatura até então, incluindo
as contribuições da psicologia, da estatística e de outras áreas do conhecimento, destacando
também algumas sugestões para outros estudos. Smith (1997) revisa e discute o desempenho
de modelos simples vs. modelos mais complexos. Já no estudo da precisão dos modelos,
Menezes et al. (2000) revisam as orientações para o uso da combinação, os autores analisam
27
dados sobre o desempenho de diferentes métodos de combinar com o objetivo de fornecer

orientações práticas com base em três propriedades dos erros de previsão: variância,
assimetria e correlação. Mais recentemente, Jorgensen (2007) examina a combinação
subjetiva.
Já Armstrong (2006) e Wallis (2011) definem seu trabalho como um resumo.
Armstrong (2006) sintetiza os progressos realizados durante os últimos 25 anos no que diz
respeito aos métodos para reduzir o erro de previsão. Wallis (2011) retoma alguns dos temas
do artigo de Bates e Granger (1969).
4.1.2. Comparação de Métodos
Diversos autores utilizam a comparação de seus resultados com outros no intento de

justificar ou sugerir o método proposto. No entanto, esta classe de abordagem relaciona os
trabalhos que atribuem um espaço maior à comparação entre técnicas e modelos. Na Figura 4
são identificadas as 15 publicações classificadas neste âmbito (primeira coluna) e os métodos
comparados (segunda coluna). As colunas três e quatro distinguem o foco da comparação
(contexto explorado), quando definido, e a área de aplicação, quando especificada,
respectivamente.
Apesar do teor comparativo dos trabalhos, alguns autores orientam-se em áreas de
aplicação. Neste ideal, de comparação e aplicação, percebe-se o destaque abrangente da
economia. Na área macroeconômica, mais especificadamente, Walz e Walz (1989)
confrontam um método bayesiano de combinação com regressão múltipla. E aplicado às taxas
de câmbio, Tsangari (2007) analisa diferentes métodos de combinar previsões e propõem uma
metodologia alternativa. Já Jing-Rong (2007) e Jing-Rong (2008) comparam o modelo de
combinação de previsões proposto com as previsões individuais e com a combinação de
métodos. Em ambos os trabalhos, o autor utiliza previsões de volatilidade do mercado
acionário, a diferença segue na interpretação bayesiana da combinação de previsões que o
autor sugere em 2008. Também no campo da macroeconomia, porém mais atual, Poncela et
al. (2011) comparam o uso de quatro métodos de combinação: componentes principais,
modelos de fatores dinâmicos (do inglês dynamic factor models), mínimos quadrados parciais
e regressão inversa fatiada (do inglês sliced inverse regression). Já na área do turismo do
Reino Unido para os EUA, Shen et al. (2008) analisam três métodos de combinação: média
simples, variância-covariância (o mesmo que variância mínima) e o método do erro
quadrático médio de previsão descontado (do inglês discounted mean square forecast error
method).
28
Métodos Contexto Explorado

Aplicação
Comparados
- regressão múltipla Dados
Walz e Walz (1989) Método bayesiano
- método bayesiano macroeconômicos
- previsões individuais
Lucros anuais
Lobo e Nair (1990) - métodos objetivos Ponderação de pesos
contábeis
- métodos subjetivos
Aksu e Gunter (1992) Quatro métodos de combinação
RNA
Shi et al. (1999) - métodos lineares
(Redes Neurais Artificiais)
- métodos não lineares
- métodos teóricos Não paramétrico para
Taylor e Bunn (1999)
- métodos empíricos medidas de precisão
Goodwin (2000) Três métodos de integração subjetiva
FNN
Jing-Rong (2002) - métodos convencionais
(Fuzzy Neural Network)
- métodos não lineares
Previsões de volatilidade
Jing-Rong (2007) - combinação de previsões
do mercado acionário
- combinação de métodos
Tsangari (2007) Diversos Taxas de câmbio
- previsões individuais Previsões de
Jing-Rong (2008) - combinação de previsões - Método bayesiano volatilidade do
combinação de métodos mercado acionário
Shen et al. (2008) Turismo
- três métodos de combinação
Jeong e Kim (2009) Oito métodos de combinação
Senários propensos à ruptura
Hsiao e Wan (2011) Dois métodos de combinação
estrutural
Dados
Poncela et al. (2011) Quatro métodos de combinação
macroeconômicos
Martins e Werner (2012) Erros correlacionados Séries industriais
- métodos de combinação
Figura 4: Artigos mapeados no atributo Comparação de Métodos

Diversos autores comparam a previsão combinada com as previsões individuais. Além

desta comparação, Shi et al. (1999) discutem a utilização de redes neurais artificiais (RNA)
em relação aos métodos lineares de combinação e Jing-Rong (2002) compara redes neurais
fuzzy (FNN) com métodos convencionais. Já aplicado à previsão de lucros anuais contábeis,
Lobo e Nair (1990) também comparam a previsão combinada com as previsões individuais e
discutem métodos objetivos vs. métodos subjetivos, além disso, analisam uso de pesos iguais
vs. desiguais.
E no âmbito da exploração, Aksu e Gunter (1992) comentam a eficiência da média
simples, do modelo OLS – Ordinary Least Squares (Mínimos Quadrados Ordinais), ERLS –
Equality Restricted Least Squares (Mínimos Quadrados Restritos Igualmente) e NRLS – Non
29
Negative Restricted Least Squares (Mínimos Quadrados Restritos Não - Negativos). Taylor e
Bunn (1999) comparam a capacidade de métodos teóricos, empíricos e uma proposta não
paramétrica para medidas de precisão. No campo da subjetividade, Goodwin (2000) compara
a exatidão da combinação de previsões com outros dois métodos de integração. Jeong e Kim
(2009), a partir de ângulos teóricos, comparam os dois métodos mais populares de
combinação, média simples e média ponderada, com outros seis. Os autores também
desenvolvem uma diretriz para a escolha do método de combinação usando derivações
analíticas.
Num contexto mais atual, alguns autores utilizam a comparação entre métodos como
base de exploração. Martins e Werner (2011) visam identificar diferenças na precisão das
previsões obtidas com e sem a consideração da correlação entre os erros, comparando as
previsões individuais com a combinação por média simples e por variância mínima com e
sem correlação. Já Hsiao e Wan (2011) sugerem duas correções para a combinação via média
simples, confrontando modelos em cenários propensos à ruptura estrutural.
Inclui-se ainda nesta classe uma competição de previsões extremamente conhecida: a
M-Competition (MAKRIDAKIS et al., 1982) e suas subsequentes versões, a M2-Competition
(MAKRIDAKIS et al., 1993) e a M3-Competition (MAKRIDAKIS e HIBON., 2000) . A
ideia principal dos autores foi realizar uma competição com o maior número de séries e
modelos possíveis. Na M-Competition foi utilizado um conjunto de 1001 séries temporais,
com modelos de interesse na previsão destas séries (24 modelos diferentes). As versões
posteriores incluíram novas séries e novos modelos na competição. Entretanto, estas três
publicações da série Competition não fazem parte do grupo de trabalhos rastreados, pois foge
do escopo desta pesquisa. Contudo, abordá-las é imprescindível em qualquer trabalho
referencial sobre combinação de previsões.
4.1.3. Aplicação
No critério de aplicação, foram selecionados 73 trabalhos que analisam e/ou utilizam a

combinação de previsões como método de previsão para determinada e específica área. A
Figura 5 identifica estas áreas e suas respectivas referências.
30
Área Referência Especificação

Spiro (1989) Macroeconomia / Canadá
Lobo (1991) Lucro empresarial
Collopy e Armstrong (1992) Séries econômicas e demográficas
Klein e Park (1993) EUA
Menezes e Bunn (1993) Inflação anual / UK
Macdonald e Marsh (1994) Taxas de câmbio
Volkov e Gladkov (1995) Taxas de câmbio
Donaldson e Kamstra (1996) Volatilidade do mercado acionário
Shen (1996) Macroeconomia / Taiwan
Lubecke et al. (1998) Volatilidade da taxa de câmbio
Economia e Finanças
Hu e Tsoukalas (1999) Sistema monetário Europeu (EMS)

Leung et al. (2001) Negociação financeira / análise de investimento
Dreger e Schumacher (2005) Indicadores econômicos / Alemanha
Greer (2005) Taxas de juros
Ramnath et al. (2005) Fluxo de caixa
Terregrossa (2005)
Poncela e Senra (2006) Inflação / EUA
Moreno e López (2007) Crescimento econômico / Espanha
Hollauer et al. (2008) Previsão para o PIB industrial brasileiro
Wang e Nie (2008) Índices / Shangai
Wang e Nie (2008b) Índices / Shangai
Rapach et al. (2009)
Drechsel e Scheufele (2011) Indicadores de produção industrial / Alemanha
Bjornland et al. (2012) Inflação / Noruega
Gmez et al. (2012) Inflação dos alimentos / Colômbia
Moreno e López (2011) Macroeconomia / Espanha
Gardner (1993) Fracasso de componentes em sistemas de computador
Demanda Industrial
Thomas (1996) Setor de serviços

Chan et al. (1999a) Controle de estoque / banco Hong Kong
Chan et al. (1999b) Gerenciamento de estoque bancário
Strijbosch et al. (2000) Controle de estoque para peças de reposição
Taylor et al. (2000) Setor de energia elétrica
Cox e Popken (2002) Telecomunicações
Caiado (2010) Consumo de água / Espanha
Lin et al. (2010) Telecomunicações / tecnologia 3G
Figura 5: Artigos mapeados no atributo Aplicação
31
Área
Mercado Referência Especificação
eleitoral
Berg et al. (2008)
Jones (2008) Eleições presidenciais / EUA

Garand e Grassotti (1995) Taxa de chuva
Brown e Murphy (1996) Temperatura da superfície da estrada
Xiong et al. (2001) Precipitação e escoamento
Klopper e Landman (2004) Serviço Meteorológico Sul Africano (SAWS)
Metzger et al. (2004) El Niño - Oscilação Sul (ENOS)
Meteorologia
Doblas-Reyes et al. (2005) Sistema DEMETER ensemble

Lucio et al. (2007) Índice de precipitação (SPI)
Nielsen et al. (2007) Energia eólica
Bezerra et al. (2008) Combinação e Correção de Previsões Climáticas
Zhang et al. (2009) Processos hidrológicos / bacias
Sumi et al. (2011) Índice de precipitação
He et al. (2012) Processos hidrológicos
McIntyre et al. (1993) Varejistas e promoções
Comercial
Gong et al. (2011) Decisões comerciais / volume de comercio

Setor
Mukhopadhyay et al. (2011) Compartilhamento de informações

Zhu et al. (2011) Compartilhamento de informações
Mahmoud (1989) Questões gerenciais
Setor Empresarial
Öller (1990) Ciclo de negócios / percentuais

Kamstra et al. (2001) Classificação de títulos de serviços
Jiang e Yuan (2007) Credito pessoal
Yufang e Minghui (2007) Credito pessoal
Rapach e Strauss (2008) Taxa desemprego / EUA
Rapach e Strauss (2012) Mercado de trabalho
Wong et al. (2007) Procura turística
Turismo
Coshall (2009) Procura turística

Chen (2011) Procura turística / Taiwan
Perry e Euler (1990) Situações onde o tempo é um recurso escasso
White et al. (1992) Eventos competitivos
Meade e Islam (1998) Previsão tecnológica
Cho e Wüthrich (1999) Informações disponíveis no World Wide Web
Host et al. (2007) Experimentos laboratoriais
Outros
Stathopoulos et al. (2008) Tráfego urbano

Spann e Skiera (2009) Mercado de apostas
Zhang et al. (2010) Montanhas semiáridas
Christodoulos et al. (2011) Propagação de uma inovação bem sucedida
Green e Armstrong (2011) Decisões em situações de conflito
Figura 5: Artigos mapeados no atributo Aplicação (continuação)
32
Conforme a Figura 5, neste atributo é significativa a quantidade de trabalhos na área da

economia, com 26 publicações, sendo a área meteorológica a segunda mais cotada, com 12
publicações.
Assim como no atributo anterior, trabalhos aplicados não são necessariamente
exclusivos. Muitos autores se utilizam de comparações e se dedicam a uma exploração.
Dentre as referências identificadas como aplicação, destacam-se Xiong et al. (2001), Dreger e
Schumacher (2005) e Rapach e Strauss (2008) num critério de comparações. Menezes e Bunn
(1993), Volkov e Gladkov (1995), Terregrossa (2005), Moreno e López (2007), Moreno e
López (2011) e Christodoulos et al. (2011), se distinguem pelo teor exploratório da aplicação.
Destaca-se ainda Lubecke et al. (1998), na exploração de redes neurais.
4.1.4. Exploração
A maior parte dos artigos mapeados identifica um caráter exploratório. Nesta classe os
autores preocupam-se em estudar e analisar diversos e diferentes critérios da combinação de
previsões. Os 80 artigos selecionados neste atributo foram classificados em dois quadros
(Figura 6 e Figura 7), conforme o foco de exploração.
Foco de exploração
Hogarth (1989) Harries et al. (2004)
McNees (1992) Harvey e Harries (2004)
Sanders e Ritzman (1995) Winkler e Clemen (2004)
Maines (1996) Richard e Soll (2006)
Subjetividade
Vokurka et al. (1996) Franses (2011)
Kamstra e Kennedy (1998) Franses e Legerstee (2011)
Fischer e Harvey (1999) Wang (2011)
Zhou et al. (1999)
Aussem e Murtagh (1997) Szupiluk et al. (2006)
Fromm et al. (1998) Shi (2009)
Redes Neurais Donaldson e Kamstra (1999) Aladag et al. (2010)
Jing-Rong (2000) Ranjan e Gneiting (2010)
Magalhaes et al. (2004) Wichard (2011)
Palm e Zellner (1992) Félix e Rodríguez (2008)
Métodos Bayesianos Tibiletti (1994) Cai et al. (2012)
Faria e Souza (1995)
Clemen et al. (1995) Costantini e Kunst (2011)
Seleção de modelo Zou e Yang (2004) Franses (2011b)
Costantini e Pappalardo (2010)
Figura 6: Artigos mapeados no atributo Exploração: modelos subjetivos, redes neurais,
estatísticas bayesianas e teorias para a seleção de modelos.
33
Foco de exploração
Gunter (1992) Propriedades teóricas
Winkler e Clemen (1992) Instabilidade dos pesos
Chandrasekharan et al. (1994) Pesos e matriz de covariância
Mostaghimi (1996) Sensibilidade dos pesos
Ponderação
Chan et al. (2003) Pesos variáveis

Tang (2003) Matriz ideal
Elliott e Timmermann (2005) Mudança de regime
Liang et al. (2006) Combinação linear
Fan e Deng (2007) Erro de previsão para adquirir pesos variáveis
Kim (2008) Auto-regressão generalizada
Smith e Wallis (2009) Erro de amostras finitas na estimativa do peso combinando
Kolassa (2011) Pesos AIC (Akaike Information Criteria)
Batchelor e Dua (1995) Variância do erro esperado
Liu et al. (1998) Distribuição dos erros
Erros
Lam et al. (2001) Abordagens para minimizar o erro

Wenzel (2001) Medidas alternativas para comparar
Tang (2002) Limites de erro da previsão combinada ideal (OCF)
Riedel (2009) Abordagem pooling
Schmittlein et al. (1990) Método Winkler para combinação
Ridley (1995) Previsões Antithetic
Gunter e Aksu (1997) Mínimos quadrados limitados desigualmente
Ridley (1997) Pesos para combinação de previsões Antithetic
Gardner (1999) Previsão baseada em regras vs. suavização exp. para tendência amortecida
Ridley (1999) Previsões Antithetic
He e Xu (2005) Métodos auto-organizados (self-organizing)
Preminger et al. (2007) Modelo de regressão switching estendido
Jose e Winkler (2008) Média Trimmed e Winsorized
Clark e McCracken (2009) Combinação de previsões de modelos aninhados
Clements e Harvey (2011) Previsões de probabilidades
Outros
Hiernaux (2011) Métodos de subespaço

Armstrong (1989) Regras para combinar
Ringuest e Tang (1989) Discussão das condições de combinação de Makridakis et al. (1982)
Winkler (1989) Formas e regras de combinar
Reeves e Lawrence (1991) Precisão e direção da mudança
Miller et al. (1992) Efeitos da não estacionariedade
Holden e Thompson (1997) Previsões abrangentes (encompassing) e testes de eficiência
Johnston et al. (1999) Séries sazonais
Terui e Dijk (2002) Séries temporais não lineares
Fang (2003) Testes abrangentes de previsão
Armstrong (2007) Testes de significância
Wang e Lan (2007) Análise de cenários e modelo de substituição tecnológica
Amendola e Storti (2008) Combinação de previsões de volatilidade
Sancetta (2009) Dados heterogêneos dependentes
Hyndman et al. (2011) Previsão hierárquica
Theodosiou (2011) Processo de decomposição STL
Figura 7: Artigos mapeados no atributo Exploração: ponderação, erros e outros.
34
A Figura 6 identifica os estudos que exploram modelos subjetivos, redes neurais,

estatísticas bayesianas e teorias para a seleção de modelos. Na Figura 7 foram listados os
trabalhos que focam a ponderação das previsões combinadas, os erros de previsão e outros
diversos âmbitos.
Visualizando a Figura 6 percebe-se a abrangência dos métodos subjetivos em relação
aos demais, apesar do viés que estes podem introduzir (Werner, 2005). O estudo referente à
seleção de modelos e o uso de redes neuras também tiveram um grande avanço durante a
última década. Porém, a utilização de métodos bayesianos na combinação de previsões ainda
é escassa. Na Figura 7, identifica-se uma crescente preocupação com a ponderação das
previsões e com a acurácia dos modelos. Na categoria “outros”, ainda na Figura 7, a
exploração é ampla, os estudos abordam diferentes tópicos da combinação, repetindo-se
algumas vezes o contexto de previsões antitéticas.
4.2. ANÁLISE
Além das abordagens, segue o interesse de analisar os dados coletados em função dos
autores. A Tabela 3 relaciona o número de publicações de cada autor, considerando todas as
autorias de um mesmo trabalho.
Tabela 3 – Quantidade de publicações por autor.

Autor nº Autor nº Autor nº
Winkler, R. L. 6 Chan, C. K. 3 Ridley, D. 3
Clemen, R. T. 5 Franses, P. H. 3 Shi, Y. 3
Armstrong, J. S. 5 Gunter, S. I. 3 Strauss, J. K. 3
Bunn, D. W. 4 Harvey, N. 3 Taylor, J. W. 3
Kamstra, M. 4 Kingsman, B. G. 3 Wong, H. 3
Jing-Rong, D. 4 Menezes, L. M. 3 Zhou, Z. 3
Rapach, D. E. 3
Como pode ser visto na Tabela 3, não há muitos trabalhos publicados por um mesmo
autor. Dos 321 autores registrados, R. L. Winkler lidera o ranking com seis publicações,
seguido por R. T. Clemen e J. S. Armstrong com cinco publicações. Dos demais autores, não
contemplados na Tabela 3, 29 apresentaram duas publicações e 273 apenas uma.
35
5. CONSIDERAÇÕES FINAIS
A realização de previsões tornou-se uma importante atividade no mercado atual.

Independente do modo em que a previsão é obtida, seu resultado intervém na tomada de
decisões. Para tanto, a combinação de previsões surgiu como uma forma de reunir as
informações disponíveis e aumentar a precisão da previsão final. Entretanto, existem diversos
métodos para combinar previsões. Este trabalho apresentou uma revisão da literatura sobre as
abordagens da combinação de previsões. Objetivando dar continuidade a revisão proposta por
Clemen (1989), foram levantados 174 artigos publicados entre 1989 e 2012.
Em análise geral, identificou-se o ano de 2011 como o auge das publicações dos
métodos de combinação, estando os anos de 2007 e 2008 em segundo lugar nas contribuições.
Durante o período levantado destacou-se ainda Robert L. Winkler com o maior número de
publicações no assunto.
No âmbito aplicado, a combinação de previsões já é um método amplamente
difundido nos mais diversos ramos do conhecimento. Destes, a economia destacou-se como a
área que mais investiu no estudo do tema. Já no enfoque exploratório, a previsão combinada
ainda é um método em fase de crescimento, a literatura comprova o constante
desenvolvimento de novas técnicas e o exaustivo aprimoramento de modelos já conhecidos.
Dentre as novas técnicas pôde-se verificar que, além dos modelos de redes neurais artificiais,
diferentes e variadas conjecturas são propostas para a combinação, conjuntamente com
especulações sobre a ponderação das previsões e suas medidas de acurácia. Destaca-se ainda a
escassa literatura sobre o uso de métodos bayesianos na combinação de previsões, indicando-
se estes em pesquisas futuras.
Já no âmbito da comparação, muitos trabalhos ainda confrontam as previsões
combinadas com as previsões individuais, certificando-se da acurácia dos modelos. Porém, os
trabalhos dedicados à revisão do assunto ainda são poucos.
Assim sendo, a principal contribuição do presente artigo segue na classificação e
subdivisão das publicações em abordagens, identificando-se as áreas de exploração e as mais
recentes contribuições. Enfim, este trabalho fica como uma referência para todos aqueles que
desejam combinar previsões.
36
REFERÊNCIAS
AKSU, C.; GUNTER, S. I. An empirical analysis of the accuracy of SA, OLS, ERLS and NRLS combination
forecasts. International Journal of Forecasting, v.8, 1992, p. 27-43.
ALADAG, C.; EGRIOGLU, E.; YOLCU, U. Forecast Combination by Using Artificial Neural Networks.
Neural Processing Letters, v. 32, 2010, p. 269-276.
AMENDOLA, A.; STORTI G. A GMM procedure for combining volatility forecasts. Journal Computational
Statistics & Data Analysis, v. 52, 2008, p. 3047-3060.
ARMSTRONG, J. S. Combining forecasts: The end of the beginning or the beginning of the end? International
Journal of Forecasting, v.5, 1989, p. 585-588.
ARMSTRONG, J. S. Principles of Forecasting: A Handbook for Researchers and Practitioners. Kluwer
Academic Publishers. 2001.
ARMSTRONG, J. S. Findings from evidence-based forecasting: Methods for reducing forecast error.
International Journal of Forecasting, v.22, 2006, p. 583-598.
ARMSTRONG, J. S. Significance tests harm progress in forecasting. International Journal of Forecasting,
v.23, 2007, p. 321-327.
AUSSEM, A.; MURTAGH, F. Combining Neural Network Forecasts on Wavelet-transformed Time Series.
Connection Science, v.9, 1997, p. 113-122.
BATCHELOR, R.; DUA, P. Forecaster Diversity and the Benefits of Combining Forecasts. Management
Science, v.41, 1995, p. 68-75.
BATES, J. M.; GRANGER, C. W. J. The Combining of Forecasts. Operational Research Quarterly, v.20,
1969, p. 451-468.
BERG, J. E.; NELSON, F. D.; RIETZ, T. A. Prediction market accuracy in the long run. International Journal
of Forecasting, v.24, 2008, p. 285-300.
BEZERRA, A. C. N.; PEZZI, L. P.; KAYANO, M. T. Esquema Estatístico de Combinação e Correção de
Previsões Climáticas – ECCOCLIM. Rev. Bras. Meteorologia, v.23, 2008, p. 347-359.
BJORNLAND, H. C.; GERDRUP, K.; JORE, A. S.; SMITH, C.; THORSRUD, L. A. Does Forecast
Combination Improve Norges Bank Inflation Forecast? Oxford Bulletin of Economics and Statistics, v. 74,
2012, p. 163-179.
BROWN, B. G.; MURPHY, A. H. Improving forecasting performance by combining forecasts: The example of
road-surface temperature forecasts. Meteorological Applications, v.3, 1996, p. 257-265.
CAI, Y.; STANDER, J.; DAVIES, N. A new Bayesian approach to quantile autoregressive time series model
estimation and forecasting. Journal of Time Series Analysis, v. 33, 2012, p. 684-698.
CAIADO, J. Performance of Combined Double Seasonal Univariate Time Series Models for Forecasting Water
Demand. Journal of Hydrologic Engineering, v.15, 2010, p. 215-222.
CASAGRANDE, L. F.; HOSS, O. Métodos de Forecasting Conjugado com um Método Qualitativo e um
Método com a Média das Previsões Quantitativas e Qualitativas. CAP – Accounting and Management, v. 4,
2010, p. 94-100.
CHAN, C. K.; KINGSMAN, B. G.; WONG, H. A comparison of unconstrained and constrained OLS for the
combination of demand forecasts: A case study of the ordering and stocking of bank printed forms. Annals of
Operations Research, v.87, 1999, p. 129-140.
CHAN, C. K.; KINGSMAN, B. G.; WONG, H. The value of combining forecasts in inventory management - a
case study in banking. European Journal of Operational Research, v. 117, 1999b, p. 199-210.
CHAN, C. K.; KINGSMAN, B. G.; WONG, H. Determining when to update the weights in combined forecasts
for product demand--an application of the CUSUM technique. European Journal of Operational Research, v.
153, 2003, p.757-768.
CHANDRASEKHARAN, R.; MORIARTY, M. M.; WRIGHT, G. P. Testing for unreliable estimators and
insignificant forecasts in combined forecasts. Journal of Forecasting, v. 13, 1994, p. 611-624.
37
CHEN, K. Y. Combining linear and nonlinear model in forecasting tourism demand. Expert Systems with
Applications, v. 38, 2011, p. 10368-10376.
CHO, V.; WÜTHRICH, B. Combining Forecasts from Multiple Textual Data Sources. Methodologies for
Knowledge Discovery and Data Mining, v. 1574, 1999, p. 174-179.
CHRISTODOULOS, C.; MICHALAKELIS, C.; VAROUTAS, D. On the combination of exponential smoothing
and diffusion forecasts: An application to broadband diffusion in the OECD area. Technological Forecasting
and Social Change, v. 78, 2011, p.163-170.
CLARK, T. E.; MCCRACKEN, M. W. Combining Forecasts from Nested Models†. Oxford Bulletin of
Economics and Statistics, v. 71, 2009, p. 303-329.
CLEMEN, R. T. Combining forecasts: A review and annotated bibliography. International Journal of
Forecasting, v. 5, 1989, p. 559-583.
CLEMEN, R. T.; MURPHY, A. H.; WINKLER, R. L. Screening probability forecasts: contrasts between
choosing and combining. International Journal of Forecasting, v. 11, 1995, p. 133-145.
CLEMENTS, M. P.; HARVEY, D. I. Combining probability forecasts. International Journal of Forecasting,
v. 27, 2011, p. 208-223.
COLLOPY, F.; ARMSTRONG, J. S. Rule-based forecasting: development and validation of an expert systems
approach to combining time series extrapolations. Journal Management Science, v. 38, 1992, p. 1394-1414.
COSHALL, J. T. Combining volatility and smoothing forecasts of UK demand for international tourism.
Tourism Management, v. 30, 2009, p. 495-511.
COSTANTINI, M.; PAPPALARDO, C. A hierarchical procedure for the combination of forecasts.
International Journal of Forecasting, v. 26, 2010, p. 725-743.
COSTANTINI, M.; KUNST, R. M. Combining forecasts based on multiple encompassing tests in a
macroeconomic core system. Journal of Forecasting, v. 30, 2011, p. 579-596.
COX, L. A. Jr.; POPKEN, D. A. A hybrid system-identification method for forecasting telecommunications
product demands. International Journal of Forecasting, v. 18, 2002, p. 647-671.
DOBLAS-REYES, F. J.; HAGEDORN, R.; PALMER, T. N. The rationale behind the success of multi-model
ensembles in seasonal forecasting – II: Calibration and combination. Tellus A, v. 57, 2005, p. 234-252.
DONALDSON, R. G.; KAMSTRA, M. Forecast combining with neural networks. Journal of Forecasting, v.
15, 1996, p. 49-61.
DONALDSON, R. G.; KAMSTRA, M. Neural network forecast combining with interaction effects. Journal of
the Franklin Institute, v. 336, 1999, p. 227-236.
DRECHSEL, K.; SCHEUFELE, R. The performance of short-term forecasts of the German economy before and
during the 2008/2009 recession. International Journal of Forecasting, v.28, 2012, p. 428–445.
DREGER, C.; SCHUMACHER, C. Out-of-sample Performance of Leading Indicators for the German Business
Cycle: Single vs. Combined Forecasts. Journal of Business Cycle Measurement and Analysis, v. 2005, 2005,
p.71-87.
ELLIOTT, G.; TIMMERMANN, A. Optimal Forecast Combination Under Regime Switching. International
Economic Review, v. 46, 2005, p. 1081-1102.
FAN, W. G.; DENG, F. Variable Weight Combining Forecasts Based on Forecasting Error. International
Conference on Control and Automation, v.5, 2007, p.1610-1613.
FANG, Y. Forecasting combination and encompassing tests. International Journal of Forecasting, v. 19, 2003,
p. 87-94.
FARIA, A. E.; SOUZA, R. C. A re-evaluation of the quasi-bayes approach to the linear combination of
forecasts. Journal of Forecasting, v. 14, 1995, p. 533-542.
FÉLIX, J. A.; RODRÍGUEZ, F. F. Improving moving average trading rules with boosting and statistical learning
methods. Journal of Forecasting, v. 27, 2008, p. 433-449.
FISCHER, I.; HARVEY, N. Combining forecasts: What information do judges need to outperform the simple
average? International Journal of Forecasting, v. 15, 1999, p. 227-246.
38
FRANSES, P. H. Averaging Model Forecasts and Expert Forecasts: Why Does It Work? Journal Interfaces, v.
41, 2011, p. 177-181.
FRANSES, P. H. Model selection for forecast combination. Applied Economics, v. 43, 2011b, p. 1721-1727.
FRANSES, P. H.; LEGERSTEE, R. Combining SKU-level sales forecasts from models and experts. Expert
Systems with Applications, v. 38, 2011, p. 2365-2370.
FROMM, J.; FEI, H.; FIORDALISO, A. A nonlinear forecasts combination method based on Takagi-Sugeno
fuzzy systems. International Journal of Forecasting, v. 14, 1998, p. 367-379.
GARAND, L.; GRASSOTTI, C. Toward an objective analysis of rainfall rate combining observations and short-
term forecast model estimates. Journal of Applied Meteorology, v. 34, 1995, p. 1962-77.
GARDNER, E. S. Jr. Forecasting the failure of component parts in computer systems: A case study.
GARDNER, E. S. Jr. Note: Rule-Based Forecasting Vs. Damped-Trend Exponential Smoothing. Journal
Management Science, v. 45, 1999, p. 1169-1176.
GMEZ, M. I.; GONZLEZ, E. R.; MELO, L. F. Forecasting Food Inflation in Developing Countries with
Inflation Targeting Regimes. American Journal of Agricultural Economics, v. 94, 2012, p. 153-173.
GONG, K.; LIU, M.; FANG, Y.; ZHANG, X. A Hybrid Model of Rough Sets and Shannon Entropy for Building
a Foreign Trade Forecasting System. Computational Sciences and Optimization, 2011, p. 7-11.
GOODWIN, P. Correct or combine? Mechanically integrating judgmental forecasts with statistical methods.
GREEN, K. C.; ARMSTRONG, J. S. Role thinking: Standing in other people’s shoes to forecast decisions in
conflicts. International Journal of Forecasting, v. 27, 2011, p. 69-80.
GREER, M. Combination forecasting for directional accuracy: An application to survey interest rate forecasts.
Journal of Applied Statistics, v. 32, 2005, p. 607-615.
GUNTER, S. I. Nonnegativity restricted least squares combinations. International Journal of Forecasting, v.
8, 1992, p. 45-59.
GUNTER, S. I.; AKSU, C. The usefulness of heuristic N(E)RLS algorithms for combining forecasts. Journal of
Forecasting, v. 16, 1997, p. 439-462.
HARRIES, C.; YANIV, I.; HARVEY, N. Combining advice: the weight of a dissenting opinion in the
consensus. Journal of Behavioral Decision Making, v. 17, 2004, p. 333-348.
HARVEY, N.; HARRIES, C. Effects of judges' forecasting on their later combination of forecasts for the same
outcomes. International Journal of Forecasting, v. 20, 2004, p. 391-409.
HE, C.; XU, X. Combination of forecasts using self-organizing algorithms. Journal of Forecasting, v. 24,
2005, p. 269-278.
HE, Z.; ZHAO, W.; LIU, H. Comparing the performance of empirical black-box models for river flow
forecasting in the Heihe River Basin, Northwestern China. Hydrological Processes (in press), 2012.
HIERNAUX, A. G. Forecasting linear dynamical systems using subspace methods. Journal of Time Series
Analysis, v. 32, 2011, p. 462-468.
HOGARTH, R. M. On combining diagnostic ‘forecasts’: Thoughts and some evidence. International Journal
of Forecasting, v. 5, 1989, p. 593-597.
HOLDEN, K.; THOMPSON, J. Combining forecasts, encompassing and the properties of UK macroeconomic
forecasts. Applied Economics, v. 29, 1997, p. 1447-1458.
HOLLAUER, G.; ISSLER, J. V.; NOTINI, H. H. Prevendo o crescimento da produção industrial usando um
número limitado de combinações de previsões. Economia Aplicada, v. 12, 2008, p. 177-198.
HOST, O.; LAHAV, O.; ABDALLA, F. B.; EITEL, K. Forecasting neutrino masses from combining KATRIN
and the CMB observations: Frequentist and Bayesian analyses. Physical Review, 2007, D76: 113005.
HSIAO, C.; WAN, S. K. Comparison of forecasting methods with an application to predicting excess equity
premium. Mathematics and Computers in Simulation, v. 81, 2011, p. 1235-1246.
39
HU, M. Y.; TSOUKALAS, C. Combining conditional volatility forecasts using neural networks: an application
to the EMS exchange rates. Journal of International Financial Markets, v. 9, 1999, p. 407-422.
HYNDMAN, R. J.; AHMED, R. A.; ATHANASOPOULOS, G.; SHANG, H. L. Optimal combination forecasts
for hierarchical time series. Journal Computational Statistics & Data Analysis, v. 55, 2011, p. 2579-2589.
JEONG, D.; KIM, Y. Combining single-value stream flow forecasts – A review and guidelines for selecting
techniques. Journal of Hydrology, v. 377, 2009, p. 284-299.
JIANG, M.; YUAN, X. Personal Credit Scoring Model of Non-linear Combining Forecast Based on GP. Third
International Conference on Natural Computation, v. 4, 2007, p. 408-414.
JING-RONG, D. Research on the method of nonlinear combining forecasts based on fuzzy-neural systems.
Third World Congress on Intelligent Control and Automation, v. 2, 2000, p. 899-903.
JING-RONG, D. A nonlinear combining forecast method based on fuzzy neural network. International
Conference on Machine Learning and Cybernetics, v. 4, 2002, p. 2160-2164.
JING-RONG, D. Combining Stock Market Volatility Forecasts Using an EWMA Technique. International
Conference on Wireless Communications, Networking and Mobile Computing (WiCom), 2007, p. 5277-
5280.
JING-RONG, D. Combining Stock Market Volatility Forecasts Using a Bayesian Technique. International
Conference on Wireless Communications, Networking and Mobile Computing (WiCom), 2008, p. 1-5.
JOHNSTON, F. R.; BOYLAN, J. E.; SHALE, E.; MEADOWS, M. A robust forecasting system, based on the
combination of two simple moving averages. Journal of the Operational Research Society, v. 50, 1999, p.
1199-1204.
JONES, R. J. Jr. The state of presidential election forecasting: The 2004 experience. International Journal of
Forecasting, v. 24, 2008, p. 310-321.
JORGENSEN, M. Forecasting of software development work effort: Evidence on expert judgement and formal
models. International Journal of Forecasting, v. 23, 2007, p. 449-462.
JOSE, V. R. R.; WINKLER, R. L. Simple robust averages of forecasts: Some empirical results. International
Journal of Forecasting, v. 24, 2008, p. 163-169.
KAMSTRA, M.; KENNEDY, P. Combining qualitative forecasts using logit. International Journal of
Forecasting, v. 14, 1998, p. 83-93.
KAMSTRA, M.; KENNEDY, P.; SUAN, T. K. Combining Bond Rating Forecasts Using Logit. Financial
Review, v. 36, 2001, p. 75-96.
KIM, J. R. K. Combining forecasts using optimal combination weight and generalized autoregression†. Journal
KLEIN, L. R.; PARK, J. Y. Economic forecasting at high-frequency intervals. Journal of Forecasting, v. 12,
1993, p. 301-319.
KLOPPER, E.; LANDMAN, W. A.A simple approach for combining seasonal forecasts for southern Africa.
Meteorological Applications, v. 10, 2004, p. 319-327.
KOLASSA, S. Combining exponential smoothing forecasts using Akaike weights. International Journal of
Forecasting, v. 27, 2011, p. 238-251.
LAM, K. F.; MUI, H. W.; YUEN, H. K. A note on minimizing absolute percentage error in combined forecasts.
Computers and Operations Research, v. 28, 2001, p. 1141-1147.
LARRICK, R. P.; SOLL, J. B. Intuitions About Combining Opinions: Misappreciation of the Averaging
Principle. Journal Management Science, v. 52, 2006, p. 111-127.
LEUNG, M. T.; DAOUK, H.; CHEN, A. Using investment portfolio return to combine forecasts: A multi
objective approach. European Journal of Operational Research, v. 134, 2001, p. 84-102.
LIANG, K. Y.; LEE, J. C.; SHAO, K. S. H. On the Distribution of the Inverted Linear Compound of Dependent
F-Variates and its Application to the Combination of Forecasts. Journal of Applied Statistics, v. 33, 2006, p.
961-973.
LIN, C. C.; TANG, Y. H.; SHYU, J. Z.; LI, Y. M. Combining forecasts for technology forecasting and decision
making. Journal of Technology Management in China, v. 5, 2010, p. 69-83.
40
LIU, J.; KRENZ, D. C.; GALVEZ, A. F.; LUMEN, B. O.; MENEZES, L. M.; BUNN, D. W. The persistence of
specification problems in the distribution of combined forecast errors. International Journal of Forecasting, v.
14, 1998, p. 415-426.
LOBO, G. J.; NAIR, R. D. Combining Judgmental and Statistical Forecasts: An Application to Earnings
Forecasts. Decision Sciences, v. 21, 1990, p. 446-460.
LOBO, G. J. Alternative methods of combining security analysts' and statistical forecasts of annual corporate
earnings. International Journal of Forecasting, v. 7, 1991, p. 57-63.
LUBECKE, T. H.; NAM, K. D.; MARKLAND, R. E.; KWOK, C. C. Y. Combining foreign exchange rate
forecasts using neural networks. Global Finance Journal, v. 9, 1998, p. 5-27.
LUCIO, P. S.; SANTOS, L. A.; SILVA, F. D.; BALBINO, H. T.; FERREIRA, D. B.; SALVADOR, M. A.
Combining stochastic forecasts of attributes based on the Standardized Precipitation Index transformation
design. Geophysical Research Abstracts, v. 9, 2007, p. 10266.
MACDONALD, R.; MARSH, I. W. Combining exchange rate forecasts: What is the optimal consensus
measure? Journal of Forecasting, v. 13, 1994, p. 313-332.
MAGALHAES, M. H.; BALLINI, R.; MOLCK, P.; GOMIDE, F. Combining forecasts for natural stream flow
prediction. Annual Meeting of the Fuzzy Information, v. 1, 2004, p. 390-394.
MAHMOUD, E. Combining forecasts: Some managerial issues. International Journal of Forecasting, v. 5,
1989, p. 599-600.
MAINES, L. A. An experimental examination of subjective forecast combination. International Journal of
Forecasting, v. 12, 1996, p. 1178-1195.
MAKRIDAKIS, S.; ANDERSON, A.; CARBONE, R.; FILDES, R.; HIBON, M.; LEWANDOSKI, R.;
NEWTON, J.; PARZEN, E.; WINKLER, R. The accuracy of extrapolation (time series) methods: Results of a
forecasting competition. Journal of Forecasting, v. 1, 1982, p. 111-153.
MAKRIDAKIS, S.; CHATFIELD, C.; HIBON, M.; LAWRENCE, M.; MILLS, T.; ORD, K.; SIMMONS, L. F.
The M2-Competition: a real-time judgmentally based forecasting study. International Journal of Forecasting,
v. 9, 1993, p. 5-22.
MAKRIDAKIS, S.; HIBON, M. The M3-Competition: results, conclusions and implications. International
MARQUES, E. B. Combinação de Previsões de Índices de Preços. Dissertação (mestrado), Escola de Pós-
Graduação em Economia, Fundação Getúlio Vargas. Rio de Janeiro, 2005.
MARTINS, V. L. M. Comparação de combinação de previsões correlacionadas e não correlacionadas com as
suas previsões individuais: um estudo com séries industriais. Dissertação (mestrado), Escola de Engenharia,
UFRGS, 2011.
MARTINS, V. L. M.; WERNER, L. Forecast combination in industrial series: A comparison between individual
forecasts and its combinations with and without correlated errors. Expert Systems with Applications, v. 39,
2012, p. 11479-11486.
MCINTYRE, S. H.; ACHABAL, D. D.; MILLER, C. M. Applying case-based reasoning to forecasting retail
sales. Journal of Retailing, v. 69, 1993, p. 372-398.
MCNEES, S. K. The uses and abuses of ‘consensus’ forecasts. Journal of Forecasting, v. 11, 1992, p. 703-710.
MEADE, N.; ISLAM, T. Technological Forecasting - Model Selection, Model Stability, and Combining Models.
Management Science, v. 44, 1998, p. 1115-1130.
MENEZES, L. M.; BUNN, D. W. Diagnostic tracking and model specification in combined forecasts of U.K.
inflation. Journal of Forecasting, v. 12, 1993, p. 559-572.
MENEZES, L. M.; BUNN, D. W.; TAYLOR, J. W. 2000. Review of guidelines for the use of combined
forecasts. European Journal of Operational Research, v. 120: 190-204.
METZGER, S.; LATIF, M.; FRAEDRICH, K. Combining ENSO Forecasts: A Feasibility Study. Monthly
Weather Review, v. 132, 2004, p. 456-72.
MILLER, C. M.; CLEMEN, R. T.; WINKLER, R. L. The effect of nonstationarity on combined forecasts.
41
MORENO, B.; LÓPEZ, A. J. Combining economic forecasts through information measures. Applied
Economics Letters, v. 14, 2007, p. 899-903.
MORENO, B.; LÓPEZ, A. J. Combining Economic Forecasts by Using a Maximum Entropy Econometric
Approach. Journal of Forecasting (in press), 2011.
MOSTAGHIMI, M. Combining ranked mean value forecasts. European Journal of Operational Research, v.
94, 1996, p. 505-516.
MUKHOPADHYAY, S. K.; YUE, X.; ZHU, X. A Stackelberg model of pricing of complementary goods under
information asymmetry. International Journal of Production Economics, v. 134, 2011, p. 424-433.
NEWBOLD, P.; GRANGER, C. W. J. Experience with Forecasting Univariate Time Series and the Combination
of Forecasts. Journal of Royal Statistical Society (A), v. 137, 1974, p. 131-165.
NIELSEN, H. A.; NIELSEN, T. S.; MADSEN, H.; PINDADO, M. J. S. I.; MARTI, I.; Optimal combination of
wind power forecasts. Wind Energy, v. 10, 2007, p. 471-482.
ÖLLER, L. E. Forecasting the business cycle using survey data. International Journal of Forecasting, v. 6,
1990, p. 453-461.
PALM, F. C.; ZELLNER, A. To combine or not to combine? Issues of combining forecasts. Journal of
Forecasting, v. 11, 1992, p. 687-701.
PERRY, C.; EULER, T. Cost-effective forecasting: Lessons my computer programs never taught me. Omega, v.
18, 1990, p. 241-246.
PALIWAL, M.; KUMAR, U. A Neural networks and statistical techniques: A review of applications. Expert
PONCELA, P.; SENRA, E. A two factor model to combine US inflation forecasts. Applied Economics, v. 38,
2006, p. 2191-2197.
PONCELA, P.; RODRÍGUEZ, J.; MANGAS, R. S.; SENRA, E. Forecast combination through dimension
reduction techniques. International Journal of Forecasting, v. 27, 2011, p. 224-237.
PREMINGER, A.; ZION, U. B.; WETTSTEIN, D. The extended switching regression model: allowing for
multiple latent state variables. Journal of Forecasting, v. 26, 2007, p. 457-473.
RAMNATH, S.; ROCK, S.; SHANE, P. Value Line and I/B/E/S earnings forecasts .International Journal of
Forecasting, v. 21, 2005, p. 185-198.
RANJAN, R.; GNEITING, T. Combining probability forecasts. Journal of the Royal Statistical Society, v. 72,
2010, p. 71-91.
RAPACH, D. E.; STRAUSS, J. K. Forecasting US employment growth using forecast combining methods.
RAPACH, D. E.; STRAUSS, J. K.; ZHOU, G. Out-of-Sample Equity Premium Prediction: Combination
Forecasts and Links to the Real Economy. Review of Financial Studies, v. 23, 2009, p. 821-862.
RAPACH, D. E.; STRAUSS, J. K. Forecasting US state-level employment growth: An amalgamation approach.
REEVES, G. R.; LAWRENCE, K. D. Combining forecasts given different types of objectives. European
Journal of Operational Research, v. 51, 1991, p. 65-72.
RIDLEY, D. Combining Global Antithetic Forecasts. International Transactions in Operational Research, v.
2, 1995, p. 387-398.
RIDLEY, D. Optimal weights for combining antithetic forecasts. Computers and Industrial Engineering, v.
32, 1997, p. 371-381.
RIDLEY, D. Combining heteroscedastic antithetic forecasts. Computers and Industrial Engineering, v. 36,
1999, p. 227-230.
RIEDEL, S. Pooling for Combination of Multilevel Forecasts. Transactions on Knowledge and Data
Engineering, v. 21, 2009, p. 1753-66.
RINGUEST, J. L.; TANG, K. An empirical comparison of five procedures for combining (or selecting)
forecasts. Socio-Economic Planning Sciences, v. 23, 1989, p. 217-225.
42
SANCETTA, A. Recursive Forecast Combination for Dependent Heterogeneous Data. Econometric Theory, v.
26, 2009, p. 598-631.
SANDERS, N. R.; RITZMAN, L. P. Bringing judgment into combination forecasts. Journal of Operations
Management, v. 13, 1995, p. 311-321.
SCHMITTLEIN, D. C.; KIM, J.; MORRISON, D. G. Combining forecasts: operational adjustments to
theoretically optimal rules. Journal Management Science, v. 36, 1990, p. 1044-1056.
SHEN, C. H. Forecasting macroeconomic variables using data of different periodicities. International Journal
SHEN, S.; LI, G.; SONG, H. An Assessment of Combining Tourism Demand Forecasts over Different Time
Horizons. Journal of Travel Research, v. 47, 2008, p. 197-207.
SHI, S. M.; XU, L. D.; LIU, B. Improving the accuracy of nonlinear combined forecasting using neural
networks. Expert Systems with Applications, v. 16, 1999, p. 49-54.
SHI, S. Y. Study on the Technique and Error Analysis of Nonlinear Combining Forecasts Based Fuzzy System.
International Conference on Electronic Computer Technology, 2009, p. 385-387.
SILVA, E. L.; MENEZES, E. M. Metodologia da Pesquisa e Elaboração de Dissertação. Laboratório de Ensino à
Distância da UFSC / PPGEP: 3ª Ed, 2001.
SMITH, S. K. Further thoughts on simplicity and complexity in population projection models. International
SMITH, J.; WALLIS, K. F. A Simple Explanation of the Forecast Combination Puzzle. Oxford Bulletin of
Economics and Statistics, v. 71, 2009, p. 331-355.
SPANN, M.; SKIERA, B. Sports forecasting: a comparison of the forecast accuracy of prediction markets,
betting odds and tipsters. Journal of Forecasting, v. 28, 2009, p. 55-72.
SPIRO, P. S. Improving a group forecast by removing the conservative bias in its components. International
STATHOPOULOS, A.; DIMITRIOU, L.; TSEKERIS, T. Fuzzy Modeling Approach for Combined Forecasting
of Urban Traffic Flow. Computer-Aided Civil and Infrastructure Engineering, v. 23, 2008, p. 521-535.
STRIJBOSCH, L. W. G.; HEUTS, R. M. J.; SCHOOT, E. H. M. A combined forecast - inventory control
procedure for spare parts. Journal of the Operational Research Society, v. 51, 2000, p. 1184-1192.
SUMI, S. M.; ZAMAN, F.; HIROSE, H. A novel hybrid forecast model with weighted forecast combination
with application to daily rainfall forecast of Fukuoka city. ACIIDS’11 Proceedings of the Third international
conference on Intelligent information and database systems, 2011, p. 262-271.
SZUPILUK, R.; WOJEWNIK, P.; ZABKOWSKI, T. Combining forecasts with blind signal separation methods
in electric load prediction framework. 24th IASTED international conference on Artificial intelligence and
applications table of contents, 2006, p. 439-444.
TANG, X.; ZHOU, Z.; SHI, Y. The error bounds of combined forecasting. Mathematical and Computer
Modeling, v. 36, 2002, p. 997-1005.
TANG, X.; ZHOU, Z.; SHI, Y. The variable weighted functions of combined forecasting. Computers and
Mathematics with Applications, v. 45, 2003, p. 723-730.
TAYLOR, J. W.; BUNN, D. W. Investigating Improvements in the Accuracy of Prediction Intervals for
Combinations of Forecasts: A Simulation Study. International Journal of Forecasting, v. 15, 1999, p. 325-339.
TAYLOR, J. W.; MAJITHIA, S.; JAMES, W. Using combined forecasts with changing weights for electricity
demand profiling. Journal of the Operational Research Society, v. 51, 2000, p. 72-82.
TERREGROSSA, S. J. On the efficacy of constraints on the linear combination forecast model. Applied
Economics Letters, v. 12, 2005, p. 19-28.
TERUI, N.; DIJK, H. K. Combined forecasts from linear and nonlinear time series models. International
THEODOSIOU, M. Forecasting monthly and quarterly time series using STL decomposition. International
43
THOMAS, R. J. Estimating demand for services: issues in combining sales forecasts. Journal of Retailing and
Consumer Services, v. 3, 1996, p. 241-250.
TIBILETTI, L. A non-linear combination of experts' forecasts: A Bayesian approach. Journal of Forecasting,
v. 13, 1994, p. 21-27.
TSANGARI, H. An Alternative Methodology for Combining Different Forecasting Models. Journal of Applied
Statistics, v. 34, 2007, p. 403-421.
VOLKOV, V. Y.; GLADKOV, Y. U. M. Reconfigurable combined forecasts in a non-stationary inflationary
environment. Journal of Forecasting, v. 14, 1995, p. 395-403.
VOKURKA, R. J.; FLORES, B. E.; PEARCE, S. L. Automatic feature identification graphical support in rule-
based forecasting: a comparison. International Journal of Forecasting, v. 12, 1996, p. 495-512.
WALLIS, K. COMBINING FORECASTS - forty years later. Applied Financial Economics, v. 21, 2011, p. 33-
41.
WALZ, D. B.; WALZ, D. P. Combining Forecasts: Multiple Regression versus a Bayesian Approach†. Decision
Sciences, v. 20, 1989, p. 77-89.
WANG, M. Y.; LAN, W. T. Combined forecast process: Combining scenario analysis with the technological
substitution model. Technological Forecasting and Social Change, v. 74, 2007, p. 357-378.
WANG, W.; NIE, S. The Performance Evaluation and Choice of Combining Forecast Method. Second
International Symposium on Intelligent Information Technology Application, v. 1, 2008, p. 838-842.
WANG, W.; NIE, S. The Performance of Several Combining Forecasts for Stock Index. International Seminar
on Future Information Technology and Management Engineering, 2008b, p. 450-455.
WANG, G.; KULKARNI, S. R.; POOR, H. V.; OSHERSON, D. N. Aggregating Large Sets of Probabilistic
Forecasts by Weighted Coherent Adjustment. Journal Decision Analysis, v. 8, 2011, p. 128-144.
WEBBY, R.; O’CONNOR, M. Judgment and Statistical Time Series Forecasting: a Review of the Literature.
WENZEL, T. Hits-and-misses for the evaluation and combination of forecasts. Journal of Applied Statistics, v.
28, 2001, p. 759-773.
WERNER, L. Um modelo composto para realizar previsão de demanda através da integração da combinação de
previsões e do ajuste baseado na opinião. Tese (doutorado), Escola de Engenharia, UFRGS, 2005.
WERNER, L.; RIBEIRO, J. L. D. Modelo Composto para prever demanda através da integração de previsões.
Produção (São Paulo), v. 16, 2006, p. 493-509.
WHITE, E. M.; DATTERO, R.; FLORES, B. Combining vector forecasts to predict thoroughbred horse race
outcomes. International Journal of Forecasting, v. 8, 1992, p. 595-611.
WICHARD, J. D. Forecasting the NN5 time series with hybrid models. International Journal of Forecasting,
v. 27, 2011, p. 700-707.
WINKLER, R. L. Combining forecasts: A philosophical basis and some current issues. International Journal
WINKLER, R. L.; CLEMEN, R. T. Sensitivity of weights in combining forecasts. Operations Research, v. 40,
1992, p. 609-614.
WINKLER, R. L.; CLEMEN, R. T. Multiple Experts vs. Multiple Methods: Combining Correlation
Assessments. Journal Decision Analysis, v. 1, 2004, p. 167-176.
WINKLER, R. L.; MAKRIDAKIS, S. The Combination of Forecasts. Journal of the Royal Statistical Society,
Series A (General), v. 146, 1983, p.150-157.
WONG, K. K. F.; SONG, H.; WITT, S. F.; WU, D. C. Tourism forecasting: To combine or not to combine?
Tourism Management, v. 28, 2007, p. 1068-1078.
XIONG, L.; SHAMSELDIN, A. Y.; O’CONNOR, K. M. A non-linear combination of the forecasts of rainfall-
runoff models by the first-order Takagi-Sugeno fuzzy system. Journal of Hydrology, v. 25, 2001, p. 196-217.
YUFANG, C.; MINGHUI, J. Combining Forecasts of Personal Credit Scoring Based on RBF Neural Network.
Control Conference (Chinese), 2007, p. 250 – 252.
44
ZHANG, L.; ZHAO, W.; HE, Z.; LIU, H. Application of the Takagi - Sugeno fuzzy system for combination
forecasting of river flow in semiarid mountain regions. Hydrological Processes, v. 23, 2009, p. 1430-1436.
ZHANG, X.; LEI, Y.; CAO, Q. V. Compatibility of Stand Basal Area Predictions Based on Forecast
Combination. Forest Science, v. 56, 2010, p. 552-557.
ZHOU, Z.; SHI, Y.; HAO, X. An MC2 Linear Programming Approach to Combined Forecasting. Mathematical
and Computer Modelling, v. 29, 1999, p. 97-103.
ZHU, X.; MUKHOPADHYAY, S. K.; YUE, X. Role of forecast effort on supply chain profitability under
various information sharing scenarios. International Journal of Production Economics , v. 129, 2011, p. 284-
291.
ZOU, H.; YANG, Y. Combining time series models for forecasting. Journal of Forecasting, v.20, 2004, p. 69-
84.
45
III. ARTIGO 2: UM ESTUDO COMPARATIVO DE COMBINAÇÕES DE PREVISÕES E
SUAS PREVISÕES INDIVIDUAIS POR MEIO DE SÉRIES SIMULADAS

[email protected]
LIANE WERNER
[email protected]
Resumo
Ao longo dos anos, foram publicados diversos estudos que comparam as previsões
individuais com a combinação de previsões. A fim de indicar o método de combinação mais
acurado, métodos como a média simples e a variância mínima são constantemente
confrontados com as técnicas de previsões individuais. No entanto, não há unanimidade nas
conclusões. Além disso, modelos como a combinação por regressão são pouco contemplados.
Sendo assim, este trabalho apresenta um estudo comparativo destes três modelos de
combinação e suas previsões individuais. Baseado em dados simulados, é avaliada a acurácia
das técnicas de redes neurais artificiais (RNA), dos modelos de Box-Jenkins (ARIMA) e dos
modelos de alisamento exponencial, calculando-se as previsões combinadas através da média
simples, da variância mínima e de modelos de regressão. As medidas empregadas para a
escolha do método mais preciso são MAE (erro absoluto médio), MAPE (erro percentual
absoluto médio), RMSE (raiz do erro médio quadrático) e o coeficiente U de Theil. Como
principal contribuição, destaca-se a preeminência das técnicas de RNA e a acurácia da
combinação por modelos de regressão.
PALAVRAS-CHAVE: previsão, combinação de previsões, medidas de acurácia.
Abstract
Over the years, several studies comparing the individual forecasts with the
combination of forecasts were published. In order to give the most accurate method, models
as simple average and minimum variance are constantly confronted with the individual
forecasts. However, there is no unanimity in the conclusions. Moreover, models such as the
combination by regression are not contemplated. Therefore, this paper presents a
comparative study of these three combination and their individual forecasts. Based on
simulated data, it evaluates the accuracy of the techniques of artificial neural networks
(ANN), Box-Jenkins (ARIMA) and exponential smoothing, calculating the forecasts combined
by simple averaging, minimum variance and regression models. The measures used to choose
the most accurate method are MAE (mean absolute error), MAPE (mean absolute percentage
error), RMSE (root mean square error) and Theil’s inequality coefficient (U). As main
contribution, we highlight the preeminence of the techniques of ANN and the accuracy of the
combination of forecasts by regression models.
KEYWORDS: forecasting, combined forecasts, measures of accuracy.
46
1. INTRODUÇÃO
A fim de reduzir custos e aumentar a qualidade dos produtos, diversas técnicas
aplicadas à gestão da produção vêm sendo desenvolvidas e aprimoradas. Dentre as diferentes
variáveis do planejamento e controle da produção, destaca-se o conhecimento prévio da
demanda futura do mercado, que afeta diretamente o sucesso empresarial (WANG e CHANG,
2010). No entanto, a realização de previsões é um processo que envolve incertezas; no intuito
de minimizar essa incerteza, existe uma gama variada de técnicas de previsão e de modelos
que incorporam estas diferentes previsões, método este, conhecido como combinação de
previsões (MARTINS e WERNER, 2012). Desde Bates e Granger (1969) técnicas de
combinação vêm sendo exaustivamente comparadas. Já é possível listar diversos autores que
concluíram que a combinação de previsões é mais acurada que o melhor modelo individual
(BATES e GRANGER, 1969; CLEMEN, 1989; TAYLOR e BUNN, 1999; PONCELA et al.,
2011; MARTINS e WERNER, 2012). Entretanto, não basta apenas combinar, é preciso saber
quais técnicas utilizar e como combiná-las (WERNER, 2005).
Em suma, a combinação de previsões consiste em utilizar diferentes previsões de
forma combinada, qualitativa ou quantitativamente. Sendo assim, é preciso selecionar as
melhores técnicas de previsão e, para tanto, se faz necessário investigar quais técnicas
apresentam melhor acurácia. Na última década as técnicas não lineares de previsão ganharam
destaque nas mais diversas áreas do conhecimento, mais especificadamente, a previsão por
Redes Neurais Artificiais (RNA) foi muito comparada com outras previsões individuais. No
entanto, são poucos os estudos que comparam estas com técnicas de combinação
(MANCUSO, 2013).
O objetivo deste artigo é contribuir no estudo da comparação de previsões individuais
e combinadas, de forma a avaliar a acurácia de cada método através de dados simulados.
Utilizando softwares estatísticos, este estudo analisa técnicas de redes neurais artificiais, Box-
Jenkins (ARIMA) e Alisamento Exponencial (AE); pois, além da popularidade, estes métodos
foram escolhidos pela sua capacidade de reconhecer padrões e regularidades em séries de
tempo. As previsões combinadas foram calculadas através da média simples, variância
mínima e da análise de regressão. Como o presente trabalho propõe um estudo comparativo
da acurácia de diferentes técnicas de previsão, a comparação será realizada diretamente com
medidas de acurácia. As métricas utilizadas correspondem ao erro absoluto médio (MAE),
erro percentual médio absoluto (MAPE), raiz do erro médio quadrático (RMSE) e o
coeficiente U de Theil.
47
dois apresenta um breve referencial teórico sobre as técnicas e os modelos utilizados. A seção
três apresenta os procedimentos metodológicos de simulação. Os resultados das comparações
são apresentados e discutidos na seção quatro. E, por último, na seção cinco encontram-se as
principais conclusões deste estudo.
2. TÉCNICAS PARA PREVISÃO DE DEMANDA

As previsões de demanda desempenham um importante papel no mercado mundial. O
atual dimensionamento do comércio exige cada vez mais do gerenciamento empresarial,
tornando-se vital a previsão de demanda. Para tanto, buscam-se previsões mais acuradas, visto
os prejuízos que uma previsão mal formulada pode ocasionar; por exemplo, perda de
oportunidades para a empresa, quando esta produz uma demanda inferior a real ou a alta
produção pode gerar maiores custos de estocagens e depreciação dos produtos. As previsões
devem ser feitas de maneira a avaliar as projeções de crescimento, tanto quanto decréscimos
que podem ocorrer em períodos recessivos da economia. Neste propósito surgiram as
previsões combinadas, embasadas no provimento de uma previsão superior à melhor previsão
individual disponível.
O método consiste em combinar diferentes técnicas, visando melhor aproveitar as
informações provenientes das diversas previsões individuais, pois as previsões podem ser
afetadas por diversos fatores, deste modo, cada técnica pode oferecer uma contribuição
diferenciada quanto à informação detectada (CLEMEN, 1989; FOGLIATTO et al., 2005).
Logo, um número maior de informações poderá ser considerado através da combinação.
A combinação pode ser realizada utilizando modelos qualitativos, quantitativos ou
ambos. Neste trabalho serão analisados modelos quantitativos de previsão, os quais se
baseiam em séries temporais. Nesta seção serão abordadas, em subseções distintas, três
técnicas de previsão individual, três métodos de combinação de previsões e as medidas de
acurácia a serem utilizadas no estudo.
2.1. TÉCNICAS INDIVIDUAIS DE PREVISÃO
Uma característica importante das séries temporais é que as observações vizinhas são,
em geral, dependentes. Portanto, um modo simples de se estudar o comportamento destas
séries é a partir da análise e da modelagem destas dependências. Neste trabalho, três técnicas
de previsão individual serão consideradas: ARIMA, Alisamento Exponencial e RNA. Dentre
os motivos das técnicas ARIMA e Alisamento Exponencial serem aqui explicitadas está o fato
48
de serem simples, de baixo custo e adequados para realizar previsões (MAKRIDAKIS et al.,
1998; MARTÍNEZ e ZAMPROGNO, 2003; MORETTIN e TOLOI, 2006;). Ademais, optou-
se pela técnica de redes neurais por apresentarem vantagens sobre as técnicas tradicionais
(CALÔBA et al., 2002; GUAN et al., 2004; TURE e KURT, 2006; PALIWAL e KUMAR,
2009;).
Os modelos mais populares para previsão de séries temporais são os Auto Regressive
Integrated Moving Average (ARIMA), propostos por Box e Jenkins (CHEN e WANG, 2007;
XU et al., 2010). Os modelos ARIMA se baseiam na teoria da modelagem estatística, onde
um algoritmo é utilizado para buscar um modelo acurado que apresente o menor número de
parâmetros possível, um modelo parcimonioso (LU e ABOURIZK, 2009). São modelos
matemáticos que visam capturar o comportamento da série por meio da correlação entre
valores passados (WERNER, 2005). Estes modelos resultam da combinação de três
componentes: auto-regressivo (AR), de Integração (I) e o de Médias Móveis (MA). O
algoritmo de Box-Jenkins auxilia na escolha do melhor modelo baseado nos gráficos da
função de autocorrelação e da função de autocorrelação parcial; porém, a identificação deste
melhor modelo exige experiência e subjetividade do analista (LU e ABOURIZK, 2009), pois
uma mesma série de dados pode apresentar diferentes modelos. Entretanto, comparada com
outras técnicas, esta metodologia ainda se sobressai quanto à facilidade de uso e,
principalmente, à acurácia dos modelos. A desvantagem desses modelos é que eles são
lineares, e a relação entre as variáveis é não linear para a maioria dos problemas reais. Mais
detalhes sobre esta técnica podem ser vistos em Makridakis et al. (1998).
Alisamento Exponencial ou Volatilidade Exponencialmente Ponderada (Exponentially
Weighted Volatility) é uma técnica que busca valorizar as ocorrências mais recentes. Segundo
Taylor (2003), a popularidade da técnica se deve à sua robustez e praticidade nas aplicações
em que um grande número de séries deve ser modelado. Dentre as técnicas disponíveis de
suavização exponencial, destacam-se o alisamento exponencial simples, o alisamento
exponencial duplo, o modelo linear de Holt (para as séries que apresentam o componente de
tendência) e o modelo de Holt-Winters (quando a série apresentar tanto o componente de
tendência quanto o componente sazonal). Assumindo que os valores extremos da série são
flutuações aleatórias, o propósito destas técnicas é identificar um padrão básico (MORETTIN
E TOLOI, 2006). Mais detalhes sobre métodos de alisamento podem ser vistos em Hyndman
et al. (2008).
As Redes Neurais Artificiais (RNA), propostas por McCullock e Pitts em 1943, são
técnicas computacionais que apresentam um modelo matemático baseado na estrutura neural
49
do cérebro humano, que adquire conhecimento através da experiência. Segundo Khashei e

Bijari (2010), as RNA são um dos mais precisos modelos de previsão. A maioria destes
modelos possui alguma regra de treinamento, onde os pesos de suas conexões são ajustados
de acordo com os padrões apresentados. A forma como os neurônios são organizados em uma
rede neural está associada ao tipo de problema e é fator importante para a definição dos
algoritmos de aprendizado utilizados. Segundo Gupta e Rao (1994) as arquiteturas de redes
neurais existentes podem ser classificadas em: feedforward (diretas) ou feedback
(recorrentes). As Redes Neurais Artificiais podem ser vistas como um método de regressão
não linear, flexivelmente utilizadas como um método paramétrico, semi ou não paramétrico.
A principal vantagem destas técnicas está na capacidade de modelar séries complexas, sem
assumir um conhecimento prévio sobre o processo de geração de dados; além disto, são
valiosas quando a função de relação entre a entrada e a saída não é conhecida (HAYKIN,
2001).
A rede a ser utilizada neste trabalho será do tipo feedforward, por ser bastante
conhecida e experimentada. Em redes deste tipo os neurônios são dispostos em camadas,
usualmente duas camadas ativas. A respeito do número de camadas intermediárias
(escondidas), segundo Fernandes et al. (1996), este número é escolhido usando o bom senso:
se a camada for muito grande, a rede estará memorizando os padrões e com isso perdendo a
capacidade de generalização; porém, se a camada for muito pequena, a rede executará mais
iterações para atingir a precisão desejada. Quando a RNA memoriza certo conjunto de dados
ela vai apresentar pequenos erros de previsão para o período amostral, mas grandes erros para
previsões fora da amostra. Ainda segundo o autor, “a rede que melhor generaliza os dados é a
menor rede apta a realizar o treinamento dos dados”.
2.2. MODELOS DE COMBINAÇÃO DE PREVISÕES
Os modelos de combinação utilizados neste estudo partem do método proposto por

Bates e Granger (1969). Eles propuseram o método de combinar previsões através de uma
combinação linear de duas previsões objetivas não viciadas (ou devidamente corrigidas),
conforme a equação (1).
̂ ( )̂ (1)
onde: é o valor da combinação, ̂ o valor da previsão 1 e ̂ o valor da previsão 2,
considerando um peso para a primeira e ( ) para a segunda. Uma escolha lógica para k
é atribuir um peso maior à previsão que possuir os menores erros e, neste ideal, os autores
propuseram cinco maneiras para o cálculo dos pesos (WERNER, 2005).
50
Posteriormente, outros autores (NEWBOLD e GRANGER, 1974; WINKLER e

MAKRIDAKIS, 1983; CLEMEN, 1989; ARMSTRONG, 2001; ZOU e YANG, 2004; CAI et
al., 2011) aderiram ao método e os estudos foram avançando na área. A combinação de
previsões foi estendida de duas para técnicas combinadas e começou a ser interpretada
como uma forma estruturada de regressão (NEWBOLD e GRANGER, 1974). A Figura 1
apresenta os três modelos para combinação de previsões considerados neste trabalho.
Modelo Fórmula
Média Simples ∑ ̂ ⁄
Variância Mínima ∑ ̂
Regressão ∑ ̂
Figura 1: Modelos de Combinação de Previsões
Na Figura 1, é a previsão combinada para o período , com e o

total de períodos (observações), ̂ é o valor da previsão para o período , tal que
e o número de previsões (técnicas) a serem combinadas. (peso da previsão ) é
deduzido pela equação 2, desenvolvida a partir da proposta de Bates e Granger (1969) para o
cálculo dos pesos. Para a técnica de combinação por regressão, e são os coeficientes
angular e linear, respectivamente, estimados assumindo que Ci são os dados observados para a
variável e as predições das técnicas individuais. é o erro aleatório (ruído) para o período ,
supondo erros não correlacionados e que tem distribuição normal com média zero e
variância constante.
(∑ ) ⁄∑ (∑ ) (2)
onde ( ̂ ) é o erro da previsão para o período .

Dentre as propostas de Bates e Granger (1969), para o cálculo dos pesos, a equação (2)
foi selecionada como a mais acurada, assim como as conclusões obtidas no estudo realizado
por Newbold e Granger (1974).
2.3. MEDIDAS DE ACURÁCIA
A escolha do modelo ou técnica de previsão depende, entre outros critérios, do grau de

acurácia desejado. Em problemas de previsão de séries temporais, uma importante tarefa é a
de quantificar a qualidade da predição obtida. Para que se possa ter ideia do quanto uma
técnica de previsão é acurada, é necessário estimar o quanto se está errando. Isso permite
comparar diversas estruturas de modelos. A Figura 2 apresenta as quatro medidas de acurácia
51
a serem utilizadas: MAE (Mean Absolute Error), MAPE (Mean Absolute Perceptual Error),
RMSE (Root Mean Square Error) e o coeficiente U de Theil.
Sigla Fórmula
MAE ( ) ∑ |( ̂ )|
MAPE ( )∑ |( ̂) |
RMSE √( ) ∑ ( ̂)
U de Theil √( ) ∑ ( ̂ ) ⁄[√( ) ∑ ( ) √( ) ∑ (̂ ) ]
Figura 2: Medidas de Acurácia

Na Figura 2, é o valor real do período , ̂ é a previsão para o período , tal que

. A medida MAPE é a mais usada e serve para comparar previsores
(ARMSTRONG e COLLOPY, 1992). Entretanto, a medida RMSE, que penaliza mais os
erros maiores, permite avaliar a qualidade de um previsor em relação aos dados. Já para dados
onde a componente determinística é dominante, a estatística U de Theil é mais indicada. O
coeficiente U de Theil analisa a qualidade de uma previsão com valores entre zero e um,
sendo que, quanto mais próximo de um, maior a desigualdade e mais próximo de zero
significa que o erro do modelo é menor que da previsão ingênua, ou seja, indica que uma
previsão é melhor que a previsão trivial (Spencer, 1993). Uma comparação das medidas de
acurácia pode ser encontrada em Fair (1986) e em Hyndman e Koehler (2006).
3. PROCEDIMENTOS METODOLÓGICOS
Esta seção visa apresentar a metodologia utilizada na análise dos dados, estruturada
em cinco etapas. O objetivo desta metodologia segue em simular séries temporais
estacionárias para comparar a acurácia das técnicas e métodos referenciados anteriormente,
buscando quais destes apresentam um melhor desempenho para a previsão.
A primeira etapa consiste na geração dos dados. Serão geradas 500 séries temporais
com 200 períodos de tempo (observações). Para tanto, no programa r-Project versão 2.15.0
(disponível gratuitamente em www.r-project.org), será utilizado o comando “ts” para criar
séries temporais através do somatório dos comandos “rpois”, “rbinom” e “rnorm” que geram
variáveis aleatórias com distribuição de Poisson, Binomial e Normal, respectivamente.
A modelagem das séries será realizada na segunda etapa. Para cada uma das séries
simuladas no estudo, serão realizadas as três modelagens individuais propostas com 180
52
períodos (treino), reservando-se as últimas 20 observações para os testes de acurácia. Os

modelos ARIMA e AE serão ajustados com o software SPSS Statistics 18.0, o qual estima de
forma automática os melhores modelos. Já o ajuste RNA será realizado no r-Project com o
package neuralnet, que contém as funções necessárias para a obtenção de redes neurais
(GÜNTHER e FRITSCH, 2010). Estas funções de redes neurais exigem que o parâmetro
hidden (número de neurônios intermédios) seja definido pelo usuário. Idealmente, este
parâmetro deveria ser escolhido conforme o comportamento de cada série, através de uma
seleção de modelos, onde se testariam diversos valores, escolhendo-se a rede que apresentasse
o melhor valor num conjunto de validação. Contudo, considerado as 500 séries simuladas,
este procedimento exigiria elevados recursos computacionais. Assim, dentro do âmbito deste
trabalho, foram definidos quatro neurônios intermédios. Cruz e Cortez (2009) sustentam que
este número de neurônios permite criar redes de reduzida dimensão e que, por isso, são menos
propícias ao fenômeno de sobre-ajustamento (perda de capacidade de generalização).
Após a modelagem das séries e o cálculo de suas respectivas previsões individuais,
para os próximos 20 períodos (teste), inicia-se a etapa três, onde serão combinadas as
previsões utilizando os três métodos de combinação listados na Figura 1, sendo e
. Os modelos serão desenvolvidos no r-Project. Para obter o método de combinação por
regressão linear será utilizada a função “lm” do pacote stats.
Com as últimas 20 observações reservadas (valores simulados) e suas respectivas
previsões (valores obtidos nas modelagens), serão calculados os erros de previsão para os seis
métodos. Com base nestes erros de previsão, procede-se à etapa quatro, onde serão calculadas
as medidas de acurácia para cada uma das três técnicas e das três combinações.
Tendo como referência a comparação direta das medidas de acurácia, as métricas de
comparação usadas correspondem ao erro absoluto médio (MAE), a média dos erros
percentuais absolutos (MAPE), raiz do erro médio quadrático (RMSE), e o coeficiente U de
Theil, conforme a Figura 2. Por fim, na quinta etapa, tendo como base os critérios de
comparação medidos na etapa anterior, verifica-se qual o método mais acurado.
4. RESULTADOS E DISCUSSÃO
Para cada uma das 500 séries foram obtidas as previsões de seis diferentes formas: três
previsões individuais e três combinações das previsões, conforme especificado anteriormente.
Cada uma destas foi avaliada quanto a sua acurácia por quatro medidas distintas: MAE,
MAPE, RMSE e U de Theil. Uma análise descritiva destas medidas foi realizada para cada
método de previsão, conforme apresentado na Tabela 1.
53
Tabela 1 – Análise Descritiva das Medidas de Acurácia

MAE MAPE RMSE U de Theil
Mínimo 2,51 10,88 3,14 0,0689
Média 4,13 21,59 5,10 0,1158
RNA
Variância 0,50 31,79 0,65 0,0003
Previsões Individuais
Máximo 6,07 45,54 7,06 0,1666

Mínimo 2,42 11,14 2,94 0,0701
Média 4,14 21,77 5,10 0,1159
ARIMA
Variância 0,48 32,59 0,65 0,0003
Máximo 6,07 46,33 7,35 0,1689
Mínimo 2,50 10,82 2,98 0,0661
Alisamento
Média 4,24 22,27 5,23 0,1188
Exponencial
Variância 0,53 34,54 0,72 0,0004
(AE)
Máximo 6,52 42,38 7,74 0,1765
Mínimo 2,29 10,90 2,93 0,0703
Média Média 4,10 21,56 5,05 0,1149
Combinação de Previsões
Simples Variância 0,48 32,30 0,64 0,0003

Máximo 5,90 43,25 7,02 0,1595
Mínimo 2,25 10,92 2,91 0,0695
Variância Média 4,08 21,47 5,03 0,1144
Mínima Variância 0,48 32,11 0,64 0,0003
Máximo 5,90 42,99 6,94 0,1587
Mínimo 1,96 8,91 2,44 0,0530
Média 3,74 19,55 4,62 0,1050
Regressão
Variância 0,47 24,17 0,65 0,0004
Máximo 5,75 41,62 6,76 0,1607
Focando primeiramente as técnicas de previsões individuais (RNA, ARIMA e

Alisamento Exponencial) na Tabela 1, percebe-se que os três modelos foram semelhantes,
sendo a técnica RNA mais acurado em média, assim como em Ming Shi et al. (1999). O
modelo de Alisamento Exponencial (AE) obteve as maiores medidas, sendo o terceiro em
acurácia, mas apenas em termos decimais.
Entre os modelos de combinação (Média Simples, Variância Mínima e por
Regressão), a análise por regressão apresentou as menores médias para as medidas, sendo a
média simples a menos acurada das combinações. No entanto, de modo geral, a combinação
via média simples é mais acurada que as técnicas individuais; ou seja, apresentou menores
resultados, sendo suas previsões melhores que as piores previsões individuais, em média,
assim como descrito por Jeong e Kim (2009). De modo geral, não houve divergências entre as
medidas, a combinação por regressão apresentou a menor média para as quatro medidas de
acurácia entre os seis modelos.
54
Em questão da variabilidade, pode-se melhor visualizar os resultados pelas Figuras 3,

4, 5 e 6, nestas figuras encontram-se os gráficos box-plot para o erro absoluto médio (MAE),
o erro percentual médio absoluto (MAPE), a raiz do erro médio quadrático (RMSE) e o
coeficiente U de Theil, respectivamente, para os seis modelos comparados.
Figura 3: Box-plot para as medidas de acurácia MAE

Figura 4: Box-plot para as medidas de acurácia MAPE

55
Figura 5: Box-plot para as medidas de acurácia RMSE

Figura 6: Box-plot para as medidas de acurácia U de Theil

Na análise gráfica das Figuras 3, 4, 5 e 6 é possível verificar os resultados tomados

pela Tabela 1: as técnicas de previsões individuais apresentaram comportamento semelhante
nos quatro gráficos; e a combinação via regressão destacou-se perante os demais modelos.
Nas quatro figuras é possível visualizar o potencial da análise de regressão para a combinação
das previsões. Observa-se, ainda, que, apesar de menos acurados, os modelos ARIMA
apresentaram menor variabilidade. De modo geral, referente às diferentes medidas de
acurácia, a análise gráfica sugere um comportamento padrão dos métodos entre as quatro
medidas, não havendo discordância entre os resultados.
56
Todavia, o interesse segue, de forma pontual, na previsão mais acurada para as séries
de dados. Buscando-se qual método realiza a melhor previsão, por medida de acurácia, o
método por regressão foi o que apresentou os melhores resultados. A Tabela 2 apresenta as
frequências percentuais do melhor método para as quatro medidas. Tais frequências foram
obtidas considerando o número de vezes em que cada método possui a menor medida de
acurácia, enfatizando os resultados anteriormente encontrados.
Tabela 2 – Frequências Percentuais do melhor método

RNA 8% 11% 0% 3%
ARIMA 5% 5% 0% 2%
Alisamento Exponencial 5% 7% 0% 2%
Média Simples 2% 3% 0% 1%
Variância Mínima 3% 3% 0% 2%
Regressão 78% 70% 100% 90%
Na Tabela 2, a combinação por regressão apresentou as maiores frequências,

indicando este método como o mais acurado nas quatro medidas, assim como nos resultados
anteriores. No entanto, na análise pontual, é possível destacar as redes neurais em segundo
lugar, quando as medidas são MAE e MAPE, destacando-se em aproximadamente 8% e 11%
das séries, respectivamente. Estas conclusões também podem ser observadas pela Tabela 3
que conta a frequência de séries em que houve concordância entre 4, 3 e em apenas 2 das
medidas de acurácia, para cada classe de modelo.
Tabela 3 – Frequência de séries com concordância entre medidas de acurácia para o

modelo de previsão mais acurado.
4 medidas 3 medidas 2 medidas
RNA 0 0 22
ARIMA 0 0 9
Alisamento Exponencial 0 0 14
Média Simples 0 0 5
Variância Mínima 0 0 8
Regressão 283 130 83
Na Tabela 3 observa-se que, das 500 séries estudadas, 283 (56,6%) apresentaram o
modelo de regressão como o mais acurado nas quatro medidas de acurácia consideradas.
Outras 130 séries (26%) também registraram a análise de regressão para a previsão mais
acurada, porém apenas em três das medidas. Quando o critério é o mais acurado em duas das
57
medidas, 141 séries (28,2%) apresentaram esta condição, sendo, novamente, a técnica de
RNA a segunda mais cotada.
Para uma melhor interpretação, foram projetados graficamente os modelos de

previsões. A Figura 7 apresenta as seis modelagens para o período de teste (20 últimas
observações) da primeira série simulada, assim como seus valores reais (pontos).
Figura 7: Gráfico de Previsões

Na Figura 7 é possível visualizar a qualidade de previsão para cada modelo na

primeira série, destacando-se aqueles que acompanham as flutuações da série. Em relação às
previsões individuais, como já constatado em diversos estudos, verifica-se que as técnicas
ARIMA e alisamento exponencial têm menor poder de captar o comportamento da série que a
modelagem via RNA (CALÔBA et al., 2002; GUAN et al., 2004; TURE e KURT, 2006;
PALIWAL e KUMAR, 2009). A combinação por média simples e, em menores escalas, o
modelo de variância mínima, consequentemente, sofrem a influência destas técnicas de menor
poder de previsão (sobrepostas na Figura 7). Neste ponto, a combinação via regressão se
distingue pela forma em que considera (pondera) as previsões individuais, vide Figura 1.
Para alguns profissionais, a acurácia da previsão RNA, confrontada com as
combinações variância mínima e média simples, pode retomar a discussão de qual método
empregar. Para tanto, deve-se considerar que, embora as combinações nem sempre sejam
superiores às melhores previsões individuais, a pior combinação sempre apresentará melhor
desempenho do que a pior técnica de previsão individual.
58
5. CONCLUSÕES
Foram simuladas 500 séries temporais com 200 elementos cada, sendo 180 para treino
e 20 para teste. Estas foram, então, modeladas em três técnicas de previsão individual:
ARIMA, alisamento exponencial e RNA. Na sequência, foram obtidas as combinações
utilizando os modelos de média aritmética, de variância mínima e de regressão. Com vista a
analisar o desempenho em termos de acurácia, foram utilizadas quatro medidas: MAE,
MAPE, RMSE e U de Theil; realizando-se um comparativo para indicar o melhor método.
Os resultados obtidos revelaram que as previsões mais acuradas são obtidas por meio
da combinação por regressão, observando-se um consenso entre as quatro medidas de
acurácia para 56,6% das séries simuladas. Em segundo lugar, destacaram-se as previsões
individuais realizadas via RNA, superando os demais modelos de combinação.
Entretanto, apesar da importância da escolha de qual método de previsão utilizar, a
questão segue em quais técnicas ajustar em um modelo de combinação de previsões. Como
levantado por Werner (2005), a popularidade da combinação se deve ao fato de que, ao invés
de tentar escolher a melhor técnica, formula-se o problema perguntando que técnicas
poderiam ajudar na melhoria da acurácia; visto que, uma técnica pouco qualificada pode
prejudicar a previsão combinada. Por isso, destaca-se a importância da escolha das técnicas
ajustadas.
Contudo, a combinação por regressão, apesar de não ser um método popular, destaca-
se pelo potencial apresentado neste trabalho. Assim como a preeminência das RNA frente às
demais técnicas de previsões individuais. Os resultados aqui apresentados servem como um
indicativo para a consideração destes modelos nos conjuntos de validação dos métodos de
previsão. Deixando-se como sugestão para futuros trabalhos o estudo destes métodos em
séries estacionárias geradas com passeio aleatório e em séries reais que contemplem outros
comportamentos.
REFERÊNCIAS
ARMSTRONG, J. S.; COLLOPY, F. Error Measures for Generalizing About Forecasting Methods: Empirical
Comparisons. International Journal of Forecasting, v.8, 1992, p. 69-80.
ARMSTRONG, J. S. Principles of Forecasting: A Handbook for Researchers and Practitioners. Kluwer
Academic Publishers, 2001.
BATES, J. M.; GRANGER, C. W. J. The Combining of Forecasts. Operational Research Quarterly, v. 20,
1969, p.451-468.
CAI, Y,; STANDER, J.; DAVIES, N. A new Bayesian approach to quantile autoregressive time series model
estimation and forecasting. Journal of Time Series Analysis, v. 33, 2011, p. 684-698.
59
CALÔBA, G. M.; CALÔBA, L. P.; SALIBY, E. Cooperação entre Redes Neurais Artificiais e técnicas
‘clássicas’ para previsão de demanda de uma série de vendas de cerveja na Austrália. Pesquisa Operacional,
v.22, 2002, p.345-358.
CHEN, K. Y.; WANG, C. H. A hybrid SARIMA and support vector machines in forecasting the production
values of the machinery industry in Taiwan. Expert Systems with Applications, v.32, 2007, p. 254-264.
Forecasting, v. 5, 1989, p. 559-583.
CRUZ, A. J. R.; CORTEZ, P. Data Mining via Redes Neuronais Artificiais e Máquinas de Vectores de
Suporte. Tékhne, v.12, 2009, p. 99-118.
FAIR, R. C. Evaluating the predictive accuracy of models. In: GRILICHES, Z.; INTRILIGATOR, M. D.
Handbook of Econometrics, Elsevier Science Publishers, v. 3, cap. 33, 1986,p. 1980-1995.
FERNANDES, L. G. L.; PORTUGAL, M. S.; NAVAUX, P. O. A. Previsão de Séries de Tempo: Redes Neurais
Artificiais e Modelos Estruturais. Pesquisa e Planejamento Econômico, v. 26, 1996, p. 253-276.
FOGLIATTO, F. S.; RIBEIRO, J. L. D.; WERNER, L. ; LEMOS, F. O.; BRUM, M. P. Previsão de demanda por
energia elétrica Método e aplicação. Revista Produção Online, v. 5, 2005, p. 1-12.
GUAN, P.; HUANG, D.; ZHOU, B. Forecasting model for the incidence of hepatitis A based on artificial neural
network. World Journal of Gastroenterology, v.10, 2004,p. 3579–3582.
GÜNTHER, F.; FRITSCH, S. Neuralnet: Training of Neural Networks. The R Journal, v. 2/1, 2010, p. 30-38.
GUPTA, M. M.; RAO, D. H. On the principles of fuzzy neural networks. Fuzzy Sets and Systems, v.61, 1994,
p. 1-18.
HYNDMAN, R. J.; KOEHLER, A. B. Another look at measures of forecast accuracy. International Journal of
Forecasting, v.22, 2006, p. 679-688.
HYNDMAN, R. J.; KOEHLER, A. B.; ORD, J. K.; SNYDER, R. D. Forecasting with exponential smoothing:
The State Space Approach. Springer Series in Statistics, 2008.
HAYKIN, S. Redes neurais: princípios e prática. Porto Alegre: Bookman, 2ª ed, 2001.
JEONG, D. I.; KIM, Y. Combining single-value stream flow forecasts: A review and guide lines for selecting
techniques. Journal of Hydrology, v. 377, 2009, p. 284-299.
KHASHEI, M.; BIJARI, M. A artificial neural network (p,d,q) model for time series forecasting. Expert
Systems with Applications, v.37, 2010, p. 479-489.
LU, Y.; ABOURIZK, S. M. Automated Box-Jenkins forecasting modeling. Automation in Construction, v. 18,
2009, p. 547-558.
MAKRIDAKIS, S.; WHEELWRIGHT, S.; HYNDMAN, R. Forecasting: Methods and Applications. New
York: John Wiley & Sons, 3 ed. 1998.
MANCUSO, A. C. B. Uma investigação do desempenho de métodos de Combinação de Previsões: simulado
e aplicado. Dissertação (mestrado). PPGEP, UFRGS. Porto Alegre, 2013.
MARTÍNEZ, R. O.; ZAMPROGNO, B. Comparação de algumas técnicas de previsão em análise de séries
temporais. Revista Colombiana de Estadística, v.26, 2003, p. 129-157.
2012, p. 11479-11486.
MING SHI, S.; DA XU, L.; LIU. B. Improving the accuracy of nonlinear combined forecasting using neural
networks. Expert Systems with Applications, v.16, 1999, p. 49-54.
MORETTIN, P. A.; TOLOI, C. M. C. Análise de Séries Temporais. São Paulo: Edgard Blucher, 2ªed, 2006.
NEWBOLD, P.; GRANGER, C. W. J. Experience with forecasting univariate time series and the combination of
forecasts. Journal of the Royal Statistical Society. Series A (General), v. 137, 1974, p. 131-165.
60
PONCELA P.; RODRÍGUEZ J.; MANGAS, R. S.; SENRA, E. Forecast combination through dimension
reduction techniques. International Journal of Forecasting, v. 27, 2011, p. 224-237.
SPENCER, D. E. Developing a Bayesian vector autoregression forecasting model. International Journal of
Forecasting, v. 9, 1993, p. 407-421.
TAYLOR, J. W.; BUNN, D. W. Investigating Improvements in the Accuracy of Prediction Intervals for
Combinations of Forecasts: A Simulation Study. International Journal of Forecasting, v. 15, 1999, p. 325-339.
TAYLOR, J. W. Exponential smoothing with a damped multiplicative trend. International Journal of
Forecasting, v.19, 2003, p. 715-725.
TURE, M.; KURT, I. Comparison of four different time series methods to forecast hepatitis A virus infection.
Expert Systems with Applications, v. 31, 2006, p. 41-46.
WANG, F. E.; CHANG, K. Adaptive neuro-fuzzy inference system for combined forecasts in a panel
manufacturer. Expert Systems with Applications, v.37, 2010, p. 8119–8126.
WERNER, L. Um modelo composto para realizar previsão de demanda através da integração da
combinação de previsões e do ajuste baseado na opinião. Tese (doutorado), 166f. PPGEP, UFRGS. Porto
Alegre, 2005.
WINKLER, R. L.; MAKRIDAKIS, S. The Combination of Forecasts. Journal of the Royal Statistical Society,
Series A (General), v. 146, 1983, p.150-157.
XU, X.; QU, Y.; HUA, Z. Forecasting demand of commodities after natural disasters. Expert Systems with
Applications, v.37, 2010, 4313–4317.
ZOU, H.; YANG, Y. Combining time series models for forecasting. International Journal of Forecasting,
v.20, 2004, p.69-84.
61
IV. ARTIGO 3: ESTUDO DOS MÉTODOS DE PREVISÃO DE DEMANDA APLICADOS

EM UMA EMPRESA DE AUDITORIA MÉDICA

[email protected]
LIANE WERNER
[email protected]
RESUMO
A previsão de demanda é um dos principais fatores para a eficiência do gerenciamento
das organizações, afetando diretamente a lucratividade do negócio. Quanto maior a acurácia
da previsão de demanda melhor será o desempenho empresarial. Neste ideal, métodos de
combinação de previsões e suas previsões individuais vêm sendo constantemente comparados.
Aplicado aos dados de demanda dos serviços na área de auditoria médica, o objetivo principal
deste trabalho é averiguar como as técnicas de previsões individuais: redes neurais artificiais
(RNA), Box-Jenkins (ARIMA) e alisamento exponencial; e os modelos de combinação:
média simples, variância mínima e regressão; comparados no estudo de simulação (séries
estacionárias) de Mancuso (2013), se comportam frente a uma série de dados reais (não-
estacionárias). Os resultados foram similares aos do estudo por simulação de Mancuso (2013),
a combinação por regressão obteve as previsões mais acuradas.
PALAVRAS-CHAVE: previsão de demanda, combinação de previsões, auditoria médica.
ABSTRACT
Demand forecasting is a major factor for the efficiency of the management of
organizations, directly affecting business profitability. The higher accuracy of the prediction,
the better the business performance. In this context, methods of combining individual
forecasts and their forecasts have been constantly compared. This paper is concerned with
the demand of services in the area of medical audit; its main objective is to ascertain how
individual forecasts techniques (artificial neural networks (ANN), Box-Jenkins (ARIMA) and
exponential smoothing), and combined methods (simple average (arithmetic mean), minimum
variance and regression) behave against a series of real data (non-stationary). The results
were similar to the study by simulation Mancuso (2013), presenting the forecasting from
combined regression as the most accurate method.
KEYWORDS: demand forecasting, combined forecast, medical audit.
62
1. INTRODUÇÃO
A competição empresarial cresceu significativamente nas últimas décadas. Muitas
empresas, se não todas, precisam lidar com novos e crescentes critérios para concorrer e
garantir a própria sobrevivência. Neste contexto, a previsão de demanda se tornou um dos
principais fatores na gestão das empresas, revelando-se uma alternativa estratégica para
enfrentar as oscilações da demanda e, assim, evitar prejuízos.
A previsão de demanda é, portanto, fundamental para o planejamento da demanda e,
por extensão, para a cadeia produtiva (WANG e CHANG, 2010). No entanto, esta alternativa
estratégica não é exclusiva das indústrias, empresas prestadoras de serviços também exigem
organização e planejamento. Em setores que possuem grande rotatividade e flexibilidade de
serviços, com “lead times” variados, exige-se uma habilidade dinâmica de resposta. O
negócio que possui estas características necessita de um elevado nível de precisão na previsão
de demanda, para evitar o desbalanceamento dos recursos (tanto humanos como de
equipamentos) e, consequentemente, os gastos desnecessários, além de buscar um
atendimento eficaz aos clientes.
Este é o caso da área de auditoria médica, onde a previsão de demanda é um desafio.
Empresas desta área necessitam de uma ação gerencial voltada à segurança das operadoras de
saúde associadas, garantindo 100% dos serviços solicitados. Para tanto, a previsão de
demanda é um recurso essencial ao seu gerenciamento. Contudo, os dados históricos
disponíveis para a previsão nesta área da saúde apresentam tendência, sazonalidade e fatores
não controláveis (fatores naturais). Busca-se, então, como alternativa para o gerenciamento
eficiente, a utilização de modelos estocásticos de previsão de séries temporais.
Neste sentido, o presente trabalho busca verificar como as técnicas de previsões
individuais e os métodos de combinação de previsões, comparados no estudo de simulação de
Mancuso (2013), se comportam quando aplicados a uma série real. A diferença segue no
comportamento dos dados, a simulação avalia séries estacionárias, enquanto uma série real
não apresenta estacionariedade. Aplicado aos dados de demanda dos serviços na área de
auditoria médica, são comparadas, em termos de acurácia, as seguintes técnicas de previsão:
redes neurais artificiais (RNA), alisamento exponencial (AE), Box-Jenkins (ARIMA) e
combinações. Calculando-se as previsões combinadas obtidas por meio da média simples, da
variância mínima e por regressão. Assim como em Mancuso (2013), as medidas empregadas
para a escolha do método mais preciso são MAE, MAPE, RMSE e o coeficiente U de Theil.
63
dois contextualiza alguns métodos de previsão de demanda. A seção três descreve os dados
utilizados e os procedimentos metodológicos desenvolvidos. Os resultados e discussões estão
apresentados na seção quatro. E por último, na seção cinco, encontram-se as principais
conclusões deste estudo.
2. PREVISÃO DE DEMANDA
Realizar previsões é necessário, pois as organizações operam em uma atmosfera de
incerteza. As decisões afetam o futuro da organização, porém devem ser tomadas com base
nas informações do presente. Uma suposição ponderada sobre o futuro se torna mais valiosa
do que uma suposição não ponderada. Além do mais, a previsão de demanda desempenha um
importante papel em diversas áreas da organização como, por exemplo, na área de recursos
humanos, planejando o nível da força de trabalho, e no setor financeiro, planejando o uso de
recursos (FOGLIATTO et al., 2005).
Contudo, a questão segue em que tipo de previsão (modelo) utilizar. Dado um
conjunto de dados históricos disponíveis, percebem-se na literatura diversos critérios a
considerar na seleção dos métodos, entre eles o padrão dos dados existentes e o grau de
acurácia desejado. Visto que, busca-se uma avaliação dos melhores métodos para previsão,
aplicados em uma série real, o presente referencial teórico será subdivido em duas partes: (i)
métodos de previsão e medidas de acurácia e (ii) previsão de demanda em auditorias médicas.
2.1. MÉTODOS DE PREVISÃO E MEDIDAS DE ACURÁCIA

A previsão pode ser definida como um processo quantitativo ou qualitativo para a
determinação de dados futuros. Dentre os métodos quantitativos, dois tipos básicos de
modelos são usados: modelos de séries temporais (foco deste estudo) e modelos causais.
Conforme Kerkkänen et al. (2009), existem pelo menos 70 diferentes técnicas para previsão
de séries temporais. Entende-se por série temporal uma sequencia de observações históricas
sobre uma variável de interesse.
Em séries temporais, a metodologia Box-Jenkins é uma das mais conhecidas e
utilizadas para previsões (CHEN e WANG, 2007; XU et al., 2010). Segundo Chen e Wang
(2007) a vantagem desta técnica é sua flexibilidade, outros autores apontam o fato de serem
simples e de baixo custo (MAKRIDAKIS et al., 1998; MARTÍNEZ e ZAMPROGNO, 2003;
MORETTIN e TOLOI, 2006). Já para Armstrong e Brodie (1999) o alisamento exponencial é
o método mais popular e com o melhor custo/benefício entre as técnicas de séries temporais.
64
Taylor (2003) também valoriza o alisamento exponencial por sua robustez e praticidade nas
aplicações em que um grande número de séries é considerado. No entanto, estes métodos
sofrem a limitação de serem técnicas lineares, isto é, inadequadas para muitos problemas do
mundo real. Neste ponto, Zhang (2003) sugere que as RNA podem ser uma alternativa
promissora aos tradicionais métodos lineares por sua capacidade de modelação não-linear.
Todavia, desde Bates e Granger (1969) as técnicas de previsões deixaram de ser
estudas apenas de forma individual. Diversos métodos de combinação de previsões foram
ganhando destaque por seu desempenho. No entanto, ainda não há um consenso de que
algum método seja superior aos demais.
A média simples é um dos métodos mais conhecidos para combinação de previsões
(CLEMEN, 1989; MENEZES et al., 2000). Para diversos autores este método é muitas vezes
preferível à combinação ponderada (FIGLEWSKI E URICH, 1983; JEONG E KIM, 2009;
HSIAO E WAN, 2011). Stock e Watson (2004) já definem o desempenho da média simples
como um enigma da combinação de previsões. Jeong e Kim (2009) comparam teórica e
empiricamente a média simples e a média ponderada e Menezes et al. (2000) discutem o
desempenho da média aritmética em algumas situações específicas.
Superando o desempenho da média aritmética, Martins e Werner (2012) apontam a
combinação de previsões pelo método da variância mínima como mais acurado. Mas, além
dos métodos considerados usuais, a literatura apresenta uma grande variedade de estudos com
outros enfoques. Poncela et al. (2011), por exemplo, propõem a utilização de técnicas de
redução da dimensão, apontando a previsão de mínimos quadrados parciais (PLS), de
regressão por componentes principais e de análise fatorial como superiores aos modelos
usuais. Wang e Chang (2010) destacam a combinação por redes neurais (fuzzy neural
networks). Já Hsiao e Wan (2011) apresentam um enfoque Bayesiano como superior ao
clássico. Contudo, ainda no enfoque clássico, além da combinação via variância mínima,
ajustes por regressão também têm ganhado destaque pelo potencial apresentado em termos de
acurácia (WEATHERFORD e KIMES, 2003; CHEN, 2011; MANCUSO, 2013).
Diversos estudos que comparam o desempenho de diferentes combinações concluem
que nem sempre os métodos mais sofisticados são superiores aos mais simples (STOCK e
WATSON, 2004; KONING et al., 2005). Contudo, uma conclusão é unânime: a precisão das
previsões pode ser substancialmente melhorada através da combinação de previsões
individuais (CLEMEN, 1989). Segundo Hibon e Evgeniou (2005), a vantagem da combinação
está na seleção de diferentes técnicas ao invés de escolher uma única previsão, além do
melhor desempenho.
65
Em suma, a intenção é uma maior eficiência do sistema de previsão de demanda,

reduzindo a incerteza e os erros. Assim, quanto maior for o grau de precisão associado às
previsões melhor será o desempenho da organização. Para tanto, são utilizadas medidas de
acurácia como indicadores dessa imprecisão e, também, como critério para seleção de
métodos. A maioria das técnicas de previsão é fundamentada em minimizar a soma de
quadrados ou de valores absolutos dos erros de previsão, e esta é uma maneira de medir a
acurácia dos modelos. Entretanto, existem várias formas de medir a acurácia, dentre elas: o
valor médio dos erros absolutos (MAE - Mean Absolute Error), o valor médio dos erros
absolutos percentuais (MAPE - Mean Absolute Perceptual Error), a raiz do erro médio
quadrático (RMSE – Root Mean Squared Error) e o coeficiente U de Theil.
As medidas relativas, baseadas em percentuais, independem de escala (ordem de
grandeza dos dados), enquanto as medidas absolutas se caracterizam por serem dependentes
da escala. Neste primeiro grupo, o MAPE é a medida mais utilizada nos estudos com
comparação de métodos (ARMSTRONG e COLLOPY, 1992). No segundo grupo, o RMSE
tem sido considerado um dos mais populares para comparação de métodos, porém criticado
por ser mais sensível à outliers do que o MAE (ARMSTRONG e COLLOPY, 1992;
HYNDMAN e KOEHLER, 2006). Hyndman e Koehler (2006) indicam a medida MAE
quando todas as séries estão na mesma escala, pois sua compreensão é mais simples. Para
Theil e Scholes (1967), a avaliação das previsões está frequentemente condicionada à
heterogeneidade dos dados subjacentes, sendo algumas observações mais fáceis de prever que
outras. Para tanto, Henri Theil propôs o coeficiente de desigualdade U.
2.2. PREVISÃO DE DEMANDA EM AUDITORIAS MÉDICAS

A auditoria em serviços de saúde é um tema dos mais relevantes às instituições de
saúde, porquanto essencial à manutenção da própria “saúde financeira” de tais organizações
(PAES e MAIA, 2005). Para tanto, no momento em que a saúde no Brasil apresentou um
quadro onde os serviços públicos não tinham como atender às demandas da população e o
acesso ao setor privado se tornou cada vez mais restrito, empresas foram criadas e
desenvolvidas com foco na gestão destas organizações.
De acordo com a Agência Nacional de Saúde (ANS), a auditoria médica abrange um
conjunto de atividades que consiste na revisão, perícia, intervenção ou exame de contas de
serviços ou procedimentos realizados por organizações prestadoras de serviços de saúde. Para
garantir a eficiência da prestação dos serviços de saúde, a auditoria médica é realizada com o
objetivo de sinalizar as situações de não conformidade, tornando possível a intervenção no
66
processo, além de se certificar sobre o cumprimento dos procedimentos padrões das rotinas
(NASCIMENTO, 2010).
Contudo, empresas deste nicho de mercado necessitam de uma ação gerencial voltada
à garantir a segurança das operadoras de saúde associadas. Assim, a previsão de demanda é
um recurso fundamental ao seu gerenciamento.
3. MATERIAIS E MÉTODOS
De forma aplicada a dados quantitativos reais de uma empresa de auditoria na área da
saúde, esta pesquisa se caracteriza como exploratória e descritiva: explora o uso dos métodos
de previsão em uma série temporal não estacionária, procurando descrever o conjunto de
dados com máxima precisão possível, descobrindo suas relações e conexões, sua natureza e
características, sem manipulá-los. Definindo-se um estudo de caso, por ser um procedimento
de pesquisa em um contexto local (GIL, 2002; LAKATOS e MARCONI, 2010).
A análise dos dados e dos métodos foi realizada com os softwares R-Project versão
2.15.0. Esta seção descreve o estudo de caso considerado e a metodologia empregada,
detalhando os passos básicos para a realização da análise comparativa dos métodos de
previsão (técnicas e combinações).
3.1. ESTUDO DE CASO: AUDITORIA MÉDICA

Este estudo de caso está fundamentado nos dados disponibilizados por uma empresa
de auditorias e consultorias na área da saúde, sendo estes transformados matematicamente
devido a questões de sigilo. Trata-se de uma empresa de pequeno porte que atualmente conta
com aproximadamente 30 operadoras de saúde associadas. Assim, a demanda da empresa é
estabelecida pelo total mensal de solicitações efetuadas no sistema.
3.2. ETAPAS DE PESQUISA

A fase inicial deste estudo contempla a seleção dos dados históricos das solicitações
médicas registradas pela empresa, ou seja, a quantidade de auditorias e/ou consultorias
prestadas (demanda real); assim como sua análise descritiva. Tais dados serão obtidos
diretamente da fonte oficial, compreendendo o período de setembro de 2006 a maio de 2012,
resultando em 69 observações mensais, sendo 57 para modelagem (treino) e as últimas 12
observações para o teste de previsões. Após a análise preliminar dos dados, serão realizadas
as três etapas descritas a seguir.
67
3.2.1. Etapa 1: Realização das modelagens individuais e obtenção das previsões

Optou-se pelas técnicas tradicionais e de inteligência artificial dentre as diversas
técnicas quantitativas de previsão baseadas em séries temporais. Por tradicional se definiu as
técnicas de alisamento exponencial e de Box-Jenkins, pois ambas são amplamente difundidas
(ARMSTRONG e BRODIE, 1999; MORETTIN e TOLOI, 2006; CHEN e WANG, 2007; XU
et al., 2010). Segundo Abdel-Aal e Al-Garni (1997), os modelos Box-Jenkins são largamente
utilizados tanto na medicina como na engenharia (WERNER e RIBEIRO, 2003). Dentro da
inteligência artificial, optou-se pela previsão baseada em redes neurais artificiais, pois esta
técnica tem apresentado um crescimento em suas aplicações e mostrado vantagens sobre as
técnicas tradicionais (CALÔBA et al., 2002; PALIWAL e KUMAR, 2009; MARTINS, 2011;
MANCUSO, 2013).
Para o processo de definição dos parâmetros dos modelos será utilizada a opção de
escolha automática, disponibilizada pelo programa computacional. Os critérios relacionados
ao processo de escolha dos modelos e dos parâmetros visam minimizar as medidas de erro.
3.2.2. Etapa 2: Cálculo das combinações de previsões

Com as 12 previsões individuas, para o período de teste, das três técnicas selecionadas
na etapa anterior, serão calculadas as previsões combinadas. Para tanto, considerar-se-á o
grupo de modelos de combinação listados na Figura 1.
Modelo Fórmula
Média Simples ∑ ̂ ⁄
Variância Mínima ∑ ̂ onde (∑ ) ⁄∑ (∑ )
Regressão ∑ ̂
Figura 1: Modelos de Combinação de Previsões
onde é a previsão combinada para o período , com (total de

observações); ̂ é o valor da previsão para o período , tal que RNA (1), ARIMA (2)
e Alisamento Exponencial (3); e, no modelo de regressão, e são os coeficientes angular
e linear, respectivamente, com o erro aleatório (ruído) para o período . Supondo erros não
correlacionados e com distribuição normal, média zero e variância constante. Sendo que
(peso da previsão ) é deduzido pela equação desenvolvida a partir da proposta de Betes e
Granger (1969) para o cálculo dos pesos, onde ( ̂ ) é o erro da previsão para o
período .
68
3.2.3. Etapa 3: Comparação das medidas de acurácia

Os métodos de previsão (individuais e combinações) serão avaliados conforme o
desempenho das medidas de acurácia: MAE, MAPE, RMSE e U de Theil, assim como em
Mancuso (2013).
4. RESULTADOS E DISCUSSÃO
Como resultado desta pesquisa, descreve-se primeiramente o comportamento dos
dados modelados. Seguindo-se, então, com a análise comparativa dos seis modelos validados.
4.1. ANÁLISE PRELIMINAR DOS DADOS

Para uma análise preliminar dos dados, primeiramente buscou-se identificar qual tipo
de comportamento de série de dados esta demanda se identificava. Assim, a análise
exploratória dos dados permite investigar relações e estruturas comportamentais do conjunto
de observações coletadas. A Tabela 1 apresenta as estatísticas descritivas efetuadas.
Tabela 1 – Estatísticas Descritivas
2006 2007 2008 2009 2010 2011 2012 Total
Mínimo 01 04 03 188 233 337 83 01
Máximo 11 56 303 704 903 1.035 647 1.035
Média 05 24 136 451 654 731 446 380
Mediana 04 19 130 486 657 772 603 337
Desvio padrão 04 16 132 154 185 245 248 321
Curtose 2,65 0,15 -2,25 0,25 1,20 -1,01 -1,16 -1,20
Assimetria 1,50 1,05 0,08 -0,48 -0,92 -0,55 -0,96 0,29
Total 30 293 2.008 5.802 8.222 7.990 1.855 26.200
Ao analisar a Tabela 1 é necessário atentar para o fato de que o conjunto de dados tem
o seu início no mês de setembro de 2006 e seu término no mês de maio de 2012. Percebe-se,
entretanto, um crescimento na demanda histórica entre 2008 e 2010, assim como o aumento
da variabilidade nos anos subsequentes, 2011 e 2012. Esta estrutura comportamental da série
e melhor reconhecida pelo gráfico da Figura 2.
Ainda na Tabela 1, os valores para curtose e assimetria encontrados para esta série
variam entre negativos e positivos. A curtose, por ser uma medida que caracteriza o
“achatamento” da curva da função de distribuição, quando negativa indica um pico mais
tênue, um corpo mais grosso e uma cauda mais fina que a distribuição normal; e um valor
positivo costuma indicar um pico mais agudo, um corpo mais fino e uma cauda mais grossa.
Já a assimetria negativa representa a cauda esquerda da função maior que a do lado direito; e
um valor positivo indica a cauda direita maior que a do lado esquerdo. Logo, apenas no ano
69
de 2008 os dados apresentam ser simétricos (assimetria < 0,15), sendo que nos anos de 2006 e
2007, os dados apresentaram uma forte assimetria (>1,0). Referente à curtose, considerando
que a curva normal (Gaussiana) tem curtose igual a zero, os dados de 2008, 2011 e 2012
representam uma curva platicúrtica (mais achatada na sua parte superior), 2006 e 2010
(leptocúrtica) e 2007 e 2009 (mesocúrtica).
1000
800
600
400
200
0
set/06 set/07 set/08 set/09 set/10 set/11
Figura 2: Histórico da Demanda Mensal

A Figura 2 apresenta o gráfico dos dados históricos coletados da demanda. Este

gráfico demonstra a relação dos valores demandados em função do período de observação,
possibilitando o estudo do comportamento e das principais características da série. Assim, é
possível observar que a série apresenta tendência positiva, indicada pela linha tracejada e
confirmada ao se observar a média anual da demanda na Tabela 1, que cresce ao longo dos
anos. Porém, destaca-se uma queda na demanda em 2012. Sugere-se também o
comportamento sazonal dos dados, que atinge altas quantidades nos meses de março/abril e
julho/agosto caindo imediatamente em setembro/outubro, atingindo os níveis mais baixos em
janeiro. Esta regularidade dos dados pode ser analisada pelo gráfico da Figura 3.
Analisando a Figura 3, sugere-se uma sazonalidade dos dados, destacada pelo padrão
de demanda relacionado aos meses. O teste de Fisher para verificar a existência de
periodicidade na série confirma esta suspeita, com p-valor < 0,001 a série apresenta
sazonalidade. Datas comemorativas (ex. ano novo) e férias são exemplos de fatores que
podem interferir na demanda do setor médico. Assim, descreve-se a série em estudo como não
estacionária e sazonal.
70
1200
1000 2007
800 2008
600 2009
400 2010
2011
200
2012
0
jan fev mar abr mai jun jul ago set out nov dez
Figura 3: Histórico da Demanda Anual

4.2. ANÁLISE DOS MÉTODOS DE PREVISÃO

Com a realização da análise exploratória dos dados, verificou-se a estrutura
comportamental da série em estudo, fundamentando-se, assim, para a modelagem da série. A
Figura 4 representa as três técnicas de previsões individuais modeladas e selecionadas a partir
de um conjunto de validação.
Figura 4: Modelagens Individuais

Como verificado anteriormente, a série apresenta tendência e sazonalidade; logo, pela

metodologia de Box-Jenkins, conclui-se que o processo SARIMA (0, 1, 1) x (0, 1, 0)12 foi o
mais adequado pelos critérios AIC. Para a técnica de alisamento exponencial o modelo
multiplicativo de Holt-Winters foi o que melhor se ajustou. Já o modelo baseado nas redes
neurais artificiais está representado por uma rede feedforward (direta) com quatro neurônios
71
na camada intermediária. Para esta técnica em particular, enfrentaram-se dificuldades, visto a

divergência dos dados e o tamanho amostral (57 observações). Dos diversos modelos
testados, obteve-se a convergência apenas com a alteração do parâmetro stepmax, no r-
project, sendo este expressivamente aumentado.
Na sequência foram ajustadas as previsões combinadas. A Figura 5 ilustra as três
técnicas combinadas tendo como base os modelos descritos anteriormente.
Figura 5: Previsões Combinadas

Observando a Figura 5, percebe-se uma suavização nas combinações, sendo as

combinações por regressão e variância mínima similares em seu comportamento. Contudo,
apenas a Tabela 2 permite uma real noção da acurácia dos modelos.
Tabela 2 – Medidas de Acurácia
RNA 236,20 60,03 264,36 0,23
ARIMA 343.06 139,90 411,01 0,26
Alis. Exp. 432.96 166,08 509,86 0,30
Média Simples 268,52 111,31 316,15 0,22
Var. Mínima 182,47 78,69 242,00 0,18
Regressão 169,07 59,96 214,55 0,17
Conforme a Tabela 2, a menor média absoluta dos erros (MAE) foi obtida pela
combinação via Regressão, seguida pela combinação por Variância Mínima. A raiz quadrada
do erro quadrático médio (RMSE) e o coeficiente de desigualdade U de Theil também
obtiveram melhores resultados para a combinação via Regressão, seguida pela combinação
72
via Variância Mínima. Já a média percentual dos erros (MAPE) destaca o modelo de redes
neurais como o segundo melhor, sendo muito semelhante à combinação por regressão. No
entanto, é importante notar que o índice MAPE penaliza mais os erros de previsões de
pequenas demandas do que os erros de grandes demandas.
Contudo, verifica-se a superioridade dos métodos de combinação, em termos precisão,
comparados às previsões individuais. As combinações via variância mínima e por regressão
apresentaram maiores acurácias que as previsões individuais, sendo a média simples a menos
acurada das três e superada pela técnica RNA. No entanto, a combinação via média simples é
mais acurada que as técnicas ARIMA e AE, ou seja, não apresentou menores resultados que as
redes neurais, mas sua previsão é melhor que as piores previsões individuais, assim como descrito
por Jeong e Kim (2009).,. Assim como em Mancuso (2013), a combinação por regressão foi o
método mais preciso. Destacando-se, assim, a superioridade da combinação por regressão
frente à dados não estacionários. No entanto, a modelagem RNA apresentou melhores
medidas de acurácia do que na simulação de Mancuso (2013).
5. CONCLUSÕES
Aplicado aos dados de uma empresa da área de auditoria médica foi verificado como
três técnicas de previsões individuais e três modelos de combinação de previsões se
comportam frente a uma série de dados reais (não estacionários); visto que, os mesmos
métodos foram comparados no estudo de simulação (séries estacionárias) de Mancuso (2013).
Neste contexto, a hipótese sugerida foi a de que o método constatado como mais acurado para
as séries simuladas seria o mesmo para uma série real. Foram avaliadas três técnicas de
previsões individuais: ARIMA, alisamento exponencial e redes neurais artificiais; e três
modelos de combinação de previsões: média simples (aritmética), variância mínima e
regressão.
Baseando-se em quatro medidas de acurácia: MAE, MAPE, RMSE e U de Theil; o
processo de regressão para combinação de previsões foi o mais cotado, precedido pela
combinação via variância mínima. Constatando-se, então, a equivalência dos melhores
métodos de previsões para séries estacionárias. No entanto, o modelo RNA demonstrou
superioridade em relação às demais técnicas de previsão individuais. A respeito do modelo
RNA, destaca-se que esta é uma técnica para séries não lineares, ao contrário dos demais
métodos.
Ainda no conjunto de validação, observou-se uma resistência dos modelos no
acompanhamento das flutuações da série, selecionando-se os mais acurados. No entanto, estas
73
dificuldades são devidas ao número de períodos observados; visto que as observações foram
divididas em treinamento e teste.
Contudo, novamente a metodologia de combinação das previsões individuais destaca-
se perante as demais técnicas. O indicativo dos resultados deste estudo é, claramente, que a
combinação de previsões pelo método de regressão não deve ser ignorado pelos previsores.
Em suma, ainda que os ganhos da combinação sejam limitados, os riscos associados ao se
incorporar previsões de diferentes fontes a um modelo parecem ser baixos frente aos ganhos
em absorver informações complementares, desde que tratadas de forma adequada.
REFERÊNCIAS
ABDEL-AAL, R. E.; AL-GARNI, A. Z. Forecasting Monthely Electric Energy Consumption in Eastern Saudi
Arabia Using Univariate Time-Series Analysis. Energy, v. 22, 1997, p. 1059-1069.
ARMSTRONG, J. S.; BRODIE, R. J. Forecasting for Marketing. In: HOOLEY, G. J.; HUSSEY, M. K.
Quantitative Methods in Marketing. 2. ed., London: International Thompson Business Press, 1999.
ARMSTRONG, J. S.; COLLOPY, F. Error Measures for Generalizing About Forecasting Methods: Empirical
Comparisons. International Journal of Forecasting, v.8, n. 1, p. 69-80. Jun, 1992
BATES, J. M.; GRANGER, C. W. J. The Combining of Forecasts. Operational Research Quarterly, v. 20, n.
4, p. 451-468. Nottingham, 1969.
CALÔBA, G. M.; CALÔBA, L. P.; SALIBY, E. Cooperação entre Redes Neurais Artificiais e técnicas
‘clássicas’ para previsão de demanda de uma série de vendas de cerveja na Austrália. Pesquisa Operacional, v.
22, 2002, p. 345-358.
CHEN, K. Y. Combining linear and nonlinear model in forecasting tourism demand. Expert Systems with
Applications, v. 38, 2011, p. 10368-10376.
CHEN, K. Y.; WANG, C. H. A hybrid SARIMA and support vector machines in forecasting the production
values of the machinery industry in Taiwan. Expert Systems with Applications, v.32, 2007, p. 254-264.
Forecasting, v. 5, 1989, p. 559-583.
FIGLEWSKI, S.; URICH, T. Optimal Aggregation of Money Supply Forecasts: Accuracy, Profitability and
Market Efficiency. The Journal of Finance, v.38, 1983, p. 695-710.
FOGLIATTO, F. S.; RIBEIRO, J. L. D.; WERNER, L.; LEMOS, F. O.; BRUN, M. P. Previsão de demanda por
energia elétrica: método e aplicação. Anais do XXV Encontro Nac. de Eng. de Produção (ENEGEP), ABEPRO:
Porto Alegre, 2005, p. 3100-3107.
GIL, A. C. Como elaborar projetos de pesquisa. São Paulo: Atlas, 4 ed. 2002.
HIBON, M.; EVGENIOU, T. To Combine or not to combine: selecting among forecasts and their combinations.
HSIAO, C.; WAN, S. K. Comparison of forecasting methods with an application to predicting excess equity
premium. Mathematics and Computers in Simulation, v. 81, 2011, p. 1235–1246.
HYNDMAN, R. J.; KOEHLER, A. B. Another look at measures of forecast accuracy. International Journal of
Forecasting, v. 22, 2006, p. 679-688.
JEONG, D.; KIM, Y. Combining single-value stream flow forecasts: A review and guidelines for selecting
techniques. Journal of Hydrology, v.377, 2009, p. 284-299.
KERKKÄNEN, A.; KORPELA, J.; HUISKONEN, J. Demand forecasting errors in industrial context:
Measurement and impacts. Int. J. Production Economics, v. 118, p. 43-48. 2009.
74
KONING, A. J.; FRANSES, P. H.; HIBON, M.; STEKLER, H. O. The M3 competition: Statistical tests of the
results. International Journal of Forecasting, v.21, 2005, p. 397-409.
LAKATOS, E. M. MARCONI, M. A. Fundamentos de Metodologia Científica. São Paulo: Atlas, 7 ed. 2010
MAKRIDAKIS, S.; WHEELWRIGHT, S.; HYNDMAN, R. Forecasting: Methods and Applications. New
York: John Wiley & Sons, 3 ed. 1998.
MANCUSO, A. C. B. Uma investigação do desempenho de métodos de Combinação de Previsões: simulado
e aplicado. Dissertação (mestrado), PPGEP, UFRGS. Porto Alegre, 2013.
MARTÍNEZ, R. O.; ZAMPROGNO, B. Comparação de algumas técnicas de previsão em análise de séries
temporais. Revista Colombiana de Estadística, v.26, 2003, p. 129-157.
MARTINS, V. L. M. Comparações de combinação de previsões correlacionadas e não correlacionadas com
as suas previsões individuais: um estudo com séries industriais. Dissertação (mestrado), 100f. Programa de
Pós-Graduação em Engenharia de Produção, UFRGS. Porto Alegre, 2011.
MARTINS V. L. M, WERNER L. Forecast combination in industrial series: A comparison between individual
2012, p. 11479-11486.
MENEZES, L. M.; BUN, D. W.; TAYLOR, J. W. Review of guidelines for the use of combined forecasts.
European Journal of Operational Research, v.120, 2000, p. 190-204.
MORETTIN, P. A.; TOLOI, C. M. C. Análise de Séries Temporais. São Paulo: Edgard Blucher, 2ª ed, 2006.
NASCIMENTO, F. M. S. A auditoria médica como referência para melhoria da qualidade da prestação dos
serviços de saúde. Dissertação (mestrado), 30f. Pós-Graduação em Gestão de Planos de Saúde, Universidade
Anhanguera / Uniderp. Belém, 2010.
PAES, P. P. L.; MAIA, J. R. Manual de Auditoria de Contas Médicas. Ministério da Defesa, Exército
Brasileiro, 4ª região militar / 4ª divisão de exército. Hospital Geral de Juiz de Fora, 2005.
Systems with Applications, v. 36, p. 2-17. 2009.
PONCELA P.; RODRÍGUEZ J.; MANGAS RS, SENRA E. Forecast combination through dimension reduction
techniques. International Journal of Forecasting, v. 27, 2011, p. 224-237.
STOCK, J. H.; WATSON, M. W. Combination Forecasts of Output Growth in a Seven-Country Data Set.
TAYLOR, J. W. Exponential smoothing with a damped multiplicative trend. International Journal of
Forecasting, v.19, 2003, p. 715-725.
THEIL, H.; SCHOLES, M. Forecasting Evaluation Based on a Multiplicative Decomposition of Mean Square
Errors. Econometrica, v. 35, n. 1, p. 70-88. Jan, 1967.
manufacturer. Expert Systems with Applications, v.37, 2010, p. 8119-8126.
WEATHERFORD, L. R.; KIMES, S. E. A comparison of forecasting methods for hotel revenue management.
WERNER, L.; RIBEIRO, J. L. D. Previsão de Demanda: Uma aplicação dos Modelos Box-Jenkins na área de
Assistência Técnica de Computadores Pessoais. Gestão & Produção, v. 10, 2003, p. 47-67.
Xu, X.; Qi, Y.; Hua, Z. Forecasting demand of commodities after natural disasters. Expert Systems with
Applications, v.37, 2010, 4313-4317.
ZHANG, G. P. Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing,
v.50, 2003, p. 159-175.
75
V. CONSIDERAÇÕES FINAIS
1. DISCUSSÃO DOS RESULTADOS
A revisão bibliográfica apresentada no capítulo 2 (artigo 1) descreve a importância da

combinação de previsões no meio acadêmico. Evidencia, também, os principais
procedimentos adotados na área. Em termos das abordagens identificadas, confirma-se a
Comparação de Métodos como metodologia para a verificação da eficiência das modelagens.
Assim, ciente do potencial dos modelos de regressão para combinação de previsões, os
capítulos 3 e 4 (artigo 2 e 3) apresentam um estudo comparativo entre os principais modelos
de combinação detectados na pesquisa bibliográfica (média aritmética e variância mínima) e a
combinação via regressão. Conforme o objetivo principal desta dissertação - identificar dentre
estes o melhor modelo em termos de acurácia- esta comparação foi realizada através de uma
análise descritiva das medidas de acurácia propostas (MAE, MAPE, RMSE e coeficiente U de
Theil).
O capítulo 3 (artigo 2) compara a eficiência das modelagens em 500 séries simuladas,
sendo estas estacionárias. Já o capítulo 4 (artigo 3) compara a eficiência das modelagens para
uma série de dados reais (não estacionários), onde há sazonalidade, tendência e
comportamento variante no tempo, isto é, há presença de fatores não controláveis (fatores
naturais). Em ambos os estudos as modelagens foram igualmente realizadas, obtendo-se as
previsões individuais por Redes Neurais Artificiais (RNA), Box-Jenkins (ARIMA) e
Alisamento Exponencial, para cada série analisada. A Tabela 1 ordena os métodos (técnicas
individuais e modelos de combinação) conforme o melhor desempenho para as quatro
medidas de acurácia nos dois estudos.
A primeira parte da Tabela 1 ordena os métodos que se apresentaram superiores na
maioria das séries simuladas. Ou seja, para as medidas MAE e MAPE o método RNA foi o
segundo mais cotado em termos de acurácia (o melhor em 132 séries); na medida MAE o
Alisamento Exponencial e a Variância Mínima foram igualmente cotados (superiores em seis
das 500 séries); e para a medida RMSE e o coeficiente U de Theil o modelo de Regressão foi
superior nas 500 séries simuladas. A segunda parte da Tabela 1 ordena os métodos, em termos
de acurácia, para a série de dados estudada no segundo artigo.
Os resultados obtidos, apresentados na Tabela 1, enfatizam a melhoria das previsões
quando estas são combinadas via regressão, tanto para séries convergentes (estacionárias)
quanto para a série divergente (não estacionárias) nas quatro medidas de acurácia. No entanto,
o segundo melhor modelo difere nos dois estudos. A combinação via variância mínima é a
76
segunda mais acurada para a série divergente (em três das quatro medidas) e a previsão
individual RNA é a segunda melhor em séries convergentes. Observa-se também o baixo
desempenho da combinação via média simples.
Tabela 1 - Ordenação dos melhores métodos relacionados às medidas de acurácia.

Artigo 2 (séries estacionárias)
Redes Neurais (RNA) 2 (39) 2 (57) (000) 2 (17)
Box-Jenkins (ARIMA) 4 (23) 4 (25) (000) 3 (11)
Alisamento Exponencial 3 (24) 3 (34) (000) 4 (10)
Média Simples 6 (12) 6 (15) (000) 6 (4)
Variância Mínima 5 (13) 5 (17) (000) 5 (9)
Regressão 1 (389) 1 (352) 1 (500) 1 (449)
Artigo 3 (série não estacionária)
Redes Neurais (RNA) 3 2 3 4
Box-Jenkins (ARIMA) 5 5 5 5
Alisamento Exponencial 6 6 6 6
Média Simples 4 4 4 3
Variância Mínima 2 3 2 2
Regressão 1 1 1 1
2. CONCLUSÕES
A previsão de demanda é um fator fundamental no gerenciamento empresarial,

tornando-se vital em muitas situações. O atual nível competitivo das empresas requer
previsões cada vez mais acuradas, sedo estas um diferencial para o sucesso empresarial. Para
tanto, a combinação de previsões ganhou destaque em termos de acurácia.
Buscando a melhoria das previsões, a combinação de demanda ganhou destaque no
meio acadêmico, como foi constatado na revisão da literatura do tema (artigo 1). Das quatro
abordagens identificadas, estudos de Exploração do tema foram os mais cotados,
caracterizando uma área ainda em desenvolvimento. No entanto, em termos de Aplicação, a
combinação de previsões já é um método amplamente difundido, estando presente em
diversas áreas do conhecimento.
Na literatura se distingue, ainda, a Comparação de Métodos como uma das quatro
abordagens estudadas. Entretanto, assim como o Resumo ou Revisão da Literatura, este é um
campo pouco explorado. Ainda assim, evidencia-se uma tendência à comparação das técnicas
individuais com a combinação via média aritmética e variância mínima, isto é, há uma
carência de estudos que considerem, ainda, modelos de regressão para a combinação de
77
previsões. Neste ideal, os artigos 2 e 3, expostos nos capítulos 3 e 4, consideram os três

métodos de combinação supracitados, assim como três técnicas individuais (RNA, ARIMA e
alisamento exponencial), em um estudo comparativo. A comparação foi realiza em quatro
medidas de acurácia: MAE, MAPE, RMSE e U de Theil.
O artigo 2, baseado em 500 séries simuladas, identifica a combinação via regressão
como o método mais acurado para previsão em séries estacionárias. Sendo a previsão
individual via redes neurais (RNA) a segunda melhor em termos de acurácia.
O artigo 3, aplicado aos dados históricos de uma empresa de auditorias médicas
(caracterizando uma série com tendência), também identifica a combinação via regressão
como método superior aos demais. Sendo a combinação via variância mínima a segunda
melhor em termos de acurácia. Neste estudo, a média percentual dos erros absolutos (MAPE)
demonstrou-se mais sensível à flutuação dos erros.
Assim, os resultados obtidos confirmaram a hipótese de que o melhor método, mais
acurado, em séries convergentes (estacionárias) é também o melhor para série divergente (não
estacionárias). No entanto, o segundo melhor método depende do comportamento dos dados.
Estes resultados servem como um indicativo para a consideração do modelo de regressão nos
conjuntos de validação dos métodos de previsão. Ressalta-se aqui o fato de que estas
conclusões são baseadas na análise de 500 séries convergentes e apenas uma série divergente.
3. TRABALHOS FUTUROS
As análises apresentadas nesta dissertação, assim como seus resultados, possibilitam a

abordagem de outros questionamentos que poderão ser tema de pesquisas futuras. Sugere-se a
adoção de outras técnicas individuais de previsão e comparação de outros modelos para
combinação de previsões. Assim como estudos de séries que contemplam diferentes padrões
de comportamento dos dados.
Sugere-se, também, uma maior exploração da combinação por regressão e de seu
potencial, assim como sua aplicação em outras séries reais. Em relação às técnicas de redes
neurais artificiais, um ponto a ser mais bem estudado é a volatilidade da precisão das
previsões, averiguadas aqui quando comparadas as series simuladas à série real.
Outra questão a ser pesquisada é a popularidade da média aritmética. As conclusões
desta dissertação não relacionam a média simples como um dos modelos mais acurados; no
entanto, este ainda é um método amplamente adotado. Sugere-se um estudo comparativo que
considere o custo-benefício da aplicação dos modelos em cenários reais. Valendo-se da
relação entre acurácia e facilidade / praticidade de implementação.
78
REFERÊNCIAS
ANDRAWIS, R. R.; ATIYA, A. F.; EL-SHISHINY, H. Combination of long term and short term forecasts, with
application to tourism demand forecasting. International Journal of Forecasting, v.27, 2011, p. 870-886.
ARMSTRONG, J. S. Research Needs in Forecasting. International Journal of Forecasting, v.4, 1988, p. 449-
465.
ARMSTRONG, J. S. Principles of forecasting: A handbook for researchers and practitioners. Kluwer
Academic Publishers, 2001.
BARBALHO, C. R. S. Planejamento Estratégico: uma análise metodológica. Informação e Informação, v. 2,
1997, p. 29-44.
BATES, J. M.; GRANGER, C. W. J. The Combination of Forecasts. Operational Research Quarterly, v.20,
1969, p. 451-468.
BROWN, S.; LAMMING, R.; BESSANT, J.; JONES, P. Strategic Operations Management. Butterworth
Heinemann, 2 ed, 2005.
Forecasting, v.5, 1989, p. 559-583.
FILDES, R.; MAKRIDAKIS, S. The Impact of Empirical Accuracy Studies On Time Series Analysis and
Forecasting. International Statistical Review, v.63, 1995, p. 289-308.
FOGLIATTO, F. S.; RIBEIRO, J. L. D.; WERNER, L. ; LEMOS, F. O.; BRUM, M. P. Previsão de demanda por
energia elétrica Método e aplicação. Revista Produção Online, v. 5, 2005, p. 1-12.
HIBON, M.; EVGENIOU, T. To combine or not to combine: selecting among forecasts and their combinations.
KIM, W. C.; MAUBORGNE, R. Blue Ocean Strategy: How to Create Uncontested Market Space and Make the
Competition Irrelevant. Harvard Business Review, v. 82, 2004, p. 71-80.
MAKRIDAKIS, S. Metaforecasting: Ways of Improving Forecasting Accuracy and Usefulness. International
MAKRIDAKIS, S. Forecasting: Its Role and Value For Planning and Strategy. International Journal of
Forecasting, v.12, 1996, p. 513-537.
MAKRIDAKIS, S.; WINKLER, R. L. Averages of Forecasts: Some Empirical Results. Management Science,
v. 29, 1983, p. 987-996.
MAKRIDAKIS, S.; HIBON, M. The M3-Competition: results, conclusions and implications. International
forecasts and its combinations with and without correlated errors. Expert Systems with Applications, v.39,
2012, p. 11479-11486.
MOON, M. A.; MENTZER, J. T.; SMITH, C. D.; GARVER, M. S. Seven Keys to Better Forecasting. Business
Horizons, v.5, 1998, p. 44-52.
NEWBOLD, P.; GRANGER, C. W. J. Experience with Forecasting Univariate Time Series and the Combination
of Forecasts. Journal of the Royal Statistical Society (A), v.137, 1974, p. 131-165.
SILVA, E. L.; MENEZES, E. M. Metodologia da Pesquisa e Elaboração de Dissertação. Universidade
Federal de Santa Catarina. Florianópolis, 2005.
STOCK, J. H.; WATSON, M. W. Combination Forecasts of Output Growth in a Seven Country Data Set.
manufacturer. Expert Systems with Applications, v.37, 2010, p. 8119–8126.
WEBBY, R.; O’CONNOR, M. Judgemental and statistical time series forecasting: a review of the literature.

Combinação de Previsão

Enviado por

Direitos autorais:

Formatos disponíveis

Combinação de Previsão

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Combinação de Previsão

Enviado por

Direitos autorais:

Formatos disponíveis

1

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

Aline Castello Branco Mancuso

Uma Investigação do Desempenho de Métodos

Aline Castello Branco Mancuso

Uma Investigação do Desempenho de Métodos de Combinação de Previsões:

Dissertação submetida ao Programa de Pós-

Orientador: Liane Werner, Drª.

Aline Castello Branco Mancuso

Uma Investigação do Desempenho de Métodos de Combinação de Previsões:

Professor Michel José Anzanello, Dr. (PPGEP/UFRGS)

Professor Cleber Bigsonin, Dr. (DEST/UFRGS)

Professor Marcio Valk, Dr. (DEST/UFRGS)

Dedico ao meu marido e aos meus pais que

Agradeço a Deus, em primeiro lugar, que me permitiu levantar e lutar. Agradeço a

Agradeço à empresa de auditorias médicas pela compreenção e colaboração

Agradeço aos professores do PPGEP pelas inumeras contribuições e orientações

A previsão de demanda é uma das principais ferramentas para a eficiência do

Palavras-chave: previsões de demanda, combinação de previsões, auditoria médica.

Forecasting is a key tool for ensuring the efficiency of management in organizations,

Key words: demand forecasts, combination of forecasts, medical audit.

Figura 1: Combinação de Previsões ................................................................................... 22

CAPÍTULO III – ARTIGO 2

Figura 1: Modelos de Combinação de Previsões ................................................................ 50

Figura 1: Modelos de Combinação de Previsões ................................................................ 67

Tabela 1 – Artigos identificados nas Bases de Dados ......................................................... 20

CAPÍTULO III – ARTIGO 2

Tabela 1 – Análise Descritiva das Medidas de Acurácia ..................................................... 53

Tabela 1 – Estatísticas Descritivas ..................................................................................... 68

CAPÍTULO V – CONSIDERAÇÕES FINAIS

Tabela 1 – Ordenação dos melhores métodos relacionados às medidas de acurácia ............ 76

II. ARTIGO 1: UMA REVISÃO DA LITERATURA SOBRE AS ABORDAGENS DA

2.1. Questão de Pesquisa ...................................................................................... 19

3. Combinação de Previsões ......................................................................................... 21

3.1. Métodos Objetivos de Combinação ............................................................... 22

4.1. Classificação ................................................................................................. 26

5. Considerações Finais ................................................................................................ 35

III. ARTIGO 2: UM ESTUDO COMPARATIVO DE COMBINAÇÕES DE PREVISÕES E SUAS

2.1. Técnicas Individuais de Previsão................................................................... 47

3. Procedimentos Metodológicos .................................................................................. 51

IV. ARTIGO 3: ESTUDO DOS MÉTODOS DE PREVISÃO DE DEMANDA APLICADOS EM UMA

2.1. Métodos de previsão e Medidas de acurácia .................................................. 63

3. Materiais e Métodos ................................................................................................. 66

3.1. Estudo de Caso: Auditoria Médica ................................................................ 66

3.2.1. Etapa 1: Realização das modelagens individuais e obtenção das

4. Resultados e Discussão ............................................................................................. 68

4.1. Análise Preliminar dos Dados........................................................................ 68

V. CONSIDERAÇÕES FINAIS .......................................................................................... 75

1. Discussão dos Resultados ............................................................................................. 75

As mudanças no mercado estão em constante evolução e as exigências dos clientes

As medidas de acurácia, além de identificarem a precisão de um processo, também são

O tema desta dissertação é a combinação de previsões de demanda, com foco nos

A crescente disseminação e utilização de computadores, associados à disponibilidade

O método de trabalho desta dissertação é apresentado segundo dois aspectos: tipo de

A presente dissertação está organizada em formato de artigos científicos. Assim,

II. ARTIGO 1: UMA REVISÃO DA LITERATURA SOBRE AS ABORDAGENS DA

ALINE CASTELLO BRANCO MANCUSO

A primeira revisão bibliográfica sobre o assunto combinação de previsões foi realizada

As mudanças no mercado estão em constante evolução, as ações locais dependentes de