Um sistema híbrido baseado em combinação de preditores para previsão de vários passos à frente de séries temporais de taxas de mortalidade

Abstract

Prever taxas de mortalidade para vários passos à frente é essencial em áreas como demo- grafia, seguros e políticas públicas. Geralmente, os estudos de previsão de taxas de mortalidade têm se baseado na suposição de que os resíduos dos preditores são ruídos aleatórios. No en- tanto, problemas como má-especificação (i.e., sobreajuste e subajuste) ou o comportamento dinâmico do fenômeno temporal conduzem a modelos viesados ou imprecisos, deixando pa- drões nos resíduos ainda não modelados. Considerando esse problema, esta tese propõe um novo sistema híbrido para a previsão de vários passos à frente de taxas de mortalidade. O sis- tema proposto é composto de três etapas: (i) um modelo estatístico linear é usado para prever as taxas de mortalidade; (ii) um modelo de Aprendizado de Máquina (AM) é empregado para prever os padrões não-lineares dos resíduos de (i); e (iii) as estimativas da série e dos resíduos são combinadas por uma soma simples. Para cada conjunto de dados, o sistema seleciona em um pool de modelos de AM o mais promissor para prever os resíduos. O desempenho de previsão do sistema proposto foi avaliado por meio de uma análise experimental, a qual consi- derou quinze conjuntos de dados disponíveis na Human Mortality Database (HMD). Os dados englobaram as taxas de mortalidade da população total, masculina e feminina de cinco países: Austrália, Estados Unidos, França, Japão e Portugal, considerando cento e uma faixas etárias, desde o nascimento até os 100 anos de idade. A proposta utilizou o modelo Autorregressivo Integrado de Médias Móveis para prever as taxas de mortalidade e empregou um pool dos modelos Perceptron de Multicamadas (MLP), Long Short-Term Memory (LSTM) e Neural basis expansion analysis for interpretable time series (N-BEATS) para prever os resíduos do preditor linear. O sistema proposto foi comparado com alternativas da literatura, entre técnicas estatísticas tradicionais, modelos de AM e sistemas híbridos, utilizando Mean Absolute Per- centage Error (MAPE) e Mean Absolute Scaled Error (MASE) como métricas de desempenho preditivo. A proposta alcançou uma média menor que 1,875% e 1,516 para o MAPE e MASE, respectivamente considerando todos os conjuntos de dados e dez horizontes de previsão. Ade- mais, os resultados sugerem que o sistema proposto é promissor, alcançando o menor erro de previsão conforme evidenciado pelo teste Nemenyi Multiple comparisons with the best (MCB). Perante o exposto, o sistema proposto pode contribuir, melhorando a acurácia de previsão das taxas de mortalidade, em atividades como projeção populacional, antecipação de necessidades na área da saúde, na busca pela solvência de seguradoras e fundos de pensão.