<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Pedro de Sá on Medium]]></title>
        <description><![CDATA[Stories by Pedro de Sá on Medium]]></description>
        <link>https://medium.com/@Pedro_Sa?source=rss-41e456d473b8------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*50hw_HXQZlfdTRhJ9ggbkA.jpeg</url>
            <title>Stories by Pedro de Sá on Medium</title>
            <link>https://medium.com/@Pedro_Sa?source=rss-41e456d473b8------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 02:24:11 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@Pedro_Sa/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Modelo ARIMA com variável exógena para análise de intervenção]]></title>
            <link>https://medium.com/@Pedro_Sa/modelo-arima-com-vari%C3%A1vel-ex%C3%B3gena-para-an%C3%A1lise-de-interven%C3%A7%C3%A3o-626d426d0a92?source=rss-41e456d473b8------2</link>
            <guid isPermaLink="false">https://medium.com/p/626d426d0a92</guid>
            <category><![CDATA[arima]]></category>
            <category><![CDATA[time-series-analysis]]></category>
            <category><![CDATA[public-health]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Pedro de Sá]]></dc:creator>
            <pubDate>Sat, 14 Jan 2023 14:59:52 GMT</pubDate>
            <atom:updated>2023-03-18T18:19:13.869Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/580/1*fTe07RlWU4kjsxY0WBrVEw.png" /></figure><h3>Análise de intervenção utilizando modelo ARIMA com variável exógena</h3><p>Este é um exemplo resumido de aplicação de um modelo de erros ARIMA com variável de intervenção. O objetivo é exemplificar a análise de impacto dos efeitos da pandemia em dados públicos de saúde.</p><p>As séries temporais de saúde pública podem ser afetadas tanto pelo direcionamento das políticas públicas, como também por fatores externos, que tendo seu tempo conhecido (data de período do evento) podem ser inseridos no modelo e são conhecidos como intervenções (1).</p><p>As intervenções acarretam em mudanças na ampliação da variância de uma série temporal univariada.</p><p>A forma de representar esses eventos se dá por variáveis que são conhecidas como <strong><em>pulse</em></strong>, representada por 1 no momento da ocorrência da intervenção e 0 fora do momento da intervenção. A segunda se chama <strong><em>step</em></strong>, que é uma variável <em>dummy</em> representada por 0 no momento anterior ao da intervenção e 1 a partir do momento da intervenção. Além dessas duas formas principais de representar intervenções, existem na literatura outras formas (1).</p><blockquote>Para o aprofundamento nos modelos de intervenção indico o livro <strong>Teoria e Aplicações de Modelos de séries Temporais em Economia</strong>, do autor Mario Antonio Margarido.</blockquote><p>O objetivo aqui é estimar o impacto do período da pandemia de COVID-19 na detecção mensal de casos novos de hanseníase no Brasil, considerando que além das restrições realizadas para impedir o avanço da doença, houve remanejamento de profissionais que atendiam na atenção primária à saúde, para o atendimento aos pacientes com COVID-19.</p><p>Os dados utilizados nesse exemplo são públicos e podem ser acessados no site do DATASUS do Ministério da Saúde: https://datasus.saude.gov.br/informacoes-de-saude-tabnet/.</p><p>Foram utilizados os dados de casos novos de hanseníase, registrados no Sistema de Informação de Agravos de Notificação (Sinan), por mês, nos anos de 2018 a 2021.</p><p>Para representar o período de pandemia de COVID-19 foi utilizada uma variável <strong><em>step</em></strong>.</p><p>A análise foi realizada utilizando a linguagem R e os seguintes pacotes foram usados:</p><pre>pacotes &lt;- c(&quot;tseries&quot;,     # Gráficos e estatísticas<br>             &quot;forecast&quot;,    # Forecast, gráficos e testes<br>             &quot;tidyverse&quot;,   # Manipulação de dados<br>             &quot;ggfortify&quot;,   # Visualização de dados<br>             &quot;FinTS&quot;,       # Análises de ST<br>             &quot;lmtest&quot;,      # Teste de modelos<br>             &quot;broom&quot;)       # Resume estatísticas para tibble<br><br>install.packages(pacotes)<br>library(pacotes)</pre><p>Dados utilizados:</p><pre># Dados de série temporal de casos novos de hanseníase<br>dados &lt;- read.csv2(file = &quot;dados_hanseniase.csv&quot;, header = T, sep = &#39;;&#39;)</pre><pre>ANO  MES_DIAG CASOS_NOVOS STEP<br>1  2018   Janeiro        2298    0<br>2  2018 Fevereiro        2257    0<br>3  2018     Marco        2516    0<br>4  2018     Abril        2469    0<br>5  2018      Maio        2593    0<br>6  2018     Junho        2257    0<br>7  2018     Julho        2304    0<br>8  2018    Agosto        2810    0<br>9  2018  Setembro        2580    0<br>10 2018   Outubro        2657    0<br>11 2018  Novembro        2259    0<br>12 2018  Dezembro        1733    0<br>13 2019   Janeiro        2480    0<br>14 2019 Fevereiro        2606    0<br>15 2019     Marco        2150    0<br>16 2019     Abril        2389    0<br>17 2019      Maio        2397    0<br>18 2019     Junho        2002    0<br>19 2019     Julho        2265    0<br>20 2019    Agosto        2463    0<br>21 2019  Setembro        2486    0<br>22 2019   Outubro        2576    0<br>23 2019  Novembro        2318    0<br>24 2019  Dezembro        1839    0<br>25 2020   Janeiro        2252    0<br>26 2020 Fevereiro        2153    0<br>27 2020     Marco        1791    1<br>28 2020     Abril         905    1<br>29 2020      Maio         907    1<br>30 2020     Junho        1098    1<br>31 2020     Julho        1350    1<br>32 2020    Agosto        1334    1<br>33 2020  Setembro        1596    1<br>34 2020   Outubro        1653    1<br>35 2020  Novembro        1469    1<br>36 2020  Dezembro        1310    1<br>37 2021   Janeiro        1185    1<br>38 2021 Fevereiro        1460    1<br>39 2021     Marco        1563    1<br>40 2021     Abril        1397    1<br>41 2021      Maio        1481    1<br>42 2021     Junho        1442    1<br>43 2021     Julho        1559    1<br>44 2021    Agosto        1710    1<br>45 2021  Setembro        1598    1<br>46 2021   Outubro        1488    1<br>47 2021  Novembro        1378    1<br>48 2021  Dezembro         971    1</pre><p>Para gerar a série temporal no R foi utilizada a função ts().</p><pre># Gerar a série temporal anual/mensal<br>ts_hans_newcases &lt;- ts(dados, start = c(2018,1), frequency = 12)</pre><p>Podemos visualizar tanto a série temporal dos casos novos de hanseníase, como a variável de intervenção:</p><pre># Plotar a série temporal<br>autoplot(ts_hans_newcases[,&quot;CASOS_NOVOS&quot;]) + <br>  ggtitle(&quot;&quot;) + <br>  xlab(&quot;Meses&quot;) + <br>  ylab(&quot;Casos novos de hanseníase&quot;) + <br>  ylim(0, 3000)<br><br>autoplot(ts_hans_newcases[,&quot;STEP&quot;]) + <br>  ggtitle(&quot;&quot;) + <br>  xlab(&quot;Meses&quot;) + <br>  ylab(&quot;Casos novos de hanseníase&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/747/1*zPQCPhssxzQUQ_dj6MwfEw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/747/1*Y0Eo6k7PChn3ju0ow7KZ8g.png" /></figure><p>Outras análise podem ser realizadas para a série temporal dos casos novos de hanseníase, entretanto não entraremos em detalhes, já que o objetivo é exemplificar o modelo de intervenção no R.</p><p>Utilizando a função <strong>auto.arima()</strong>, do pacote <strong>forecast</strong> e incluindo a variável exógena com a função <strong>xreg</strong>, temos um modelo sazonal ARIMA(0,0,0)(1,0,0)[12] errors.</p><pre># Modelo de erros ARIMA<br>y &lt;- ts_hans_newcases[,&quot;CASOS_NOVOS&quot;] # Variável dependente<br>x &lt;- ts_hans_newcases[,&quot;STEP&quot;]      # Variável de intervenção (dummy: 0-1)<br><br># Modelo<br>fit &lt;- auto.arima(y, xreg = x)<br><br>summary(fit)</pre><pre>Series: y <br>Regression with ARIMA(0,0,0)(1,0,0)[12] errors <br><br>Coefficients:<br>        sar1  intercept       xreg<br>      0.2722  2353.9320  -950.3463<br>s.e.  0.1546    53.6973    70.9648<br><br>sigma^2 = 57687:  log likelihood = -330.13<br>AIC=668.26   AICc=669.19   BIC=675.74<br><br>Training set error measures:<br>                    ME     RMSE      MAE       MPE     MAPE      MASE<br>Training set -3.136829 232.5539 181.0838 -2.223865 11.26695 0.3860376<br>                  ACF1<br>Training set 0.1673412</pre><p>Podemos interpretar o resultado da seguinte forma: considerando o início da pandemia de COVID-19 no mês de março de 2020, a cada mês da pandemia houve uma redução 950 no número de casos novos de hanseníase detectados no Brasil.</p><p>Agora podemos analisar se o modelo está adequado verificando os resíduos, para isso utilizamos a função <strong>checkresiduals()</strong>.</p><p>Podemos considerar que pela ausência autocorrelação residual aferida pela função de autocorrelação e do teste Ljung-Box, o modelo está adequado.</p><pre># Análise dos resíduos<br>checkresiduals(fit)</pre><pre>Ljung-Box test<br><br>data:  Residuals from Regression with ARIMA(0,0,0)(1,0,0)[12] errors<br>Q* = 6.0267, df = 9, p-value = 0.7372<br><br>Model df: 1.   Total lags used: 10</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/747/1*3BgDZ2Tv0uukj9Pi-Oj3iQ.png" /></figure><p>Agora podemos visualizar o resultado final da análise.</p><pre># Gráfico final<br>(ajustados &lt;- fit$fitted)<br><br>ts.plot(ts_hans_newcases[,&quot;CASOS_NOVOS&quot;], ajustados, lty = c(1,1), type = &quot;l&quot;, <br>        lwd = c(1,2), col = c(1, &quot;red&quot;), xlab=&quot;Mês/ano de diagnóstico&quot;, <br>        ylab = &quot;Número de casos novos&quot;, ylim = c(0, 3000), main = &quot;ARIMA(0,0,0)(1,0,0)[12] errors&quot;) <br>legend(&quot;bottomleft&quot;, col = c(&quot;black&quot;, &quot;red&quot;), <br>       legend = c(&quot;Observado&quot;, &quot;Ajustado&quot;), lty = c( 1, 1), <br>       lwd = c(1,1,1), cex = , bty=&quot;n&quot;) <br>abline(v = 2020.27, col = &quot;grey&quot;, lty = 2, lwd = 2) <br>text(2020.40,2500,&quot;Pandemia COVID-19&quot;, adj = c(0,1), col = &quot;gray&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/974/1*XBo5XGFX9BAKT_90iHRGHw.png" /></figure><p>A análise de intervenção de séries temporais, ou análise de séries temporais interrompidas, como também é conhecida, é uma ferramenta importante para analisar o impacto de fatores externos que afetam o processo da série temporal que se deseja estudar.</p><p>O presente exemplo objetivou apresentar a análise de forma simplificada, já que é importante entender os aspectos teóricos na utilização desses modelos. Fiz a opção por exemplificar com o modelo ARIMA de Box &amp; Jenkins, mas outros modelos também estão disponíveis e podem ser mais adequados a depender dos dados.</p><p>Os códigos completos podem vistos e baixados no Github: <a href="https://github.com/pedrodesa/its_hans_newcases">https://github.com/pedrodesa/its_hans_newcases</a>.</p><p><strong>BIBLIOGRAFIA</strong></p><ol><li>Margarido, MA. Teoria e Aplicações de Modelos de Séries Temporais em Economia.</li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=626d426d0a92" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>