Previsão do Índice de Desenvolvimento Humano e da expectativa de vida nos países da América Latina por meio de técnicas de mineração de dados

Santos, Celso Bilynkievycz dos; Pilatti, Luiz Alberto; Pedroso, Bruno; Carvalho, Deborah Ribeiro; Guimarães, Alaine Margarete

doi:10.1590/1413-812320182311.26142016

Resumo

A previsibilidade de indicadores epidemiológicos pode contribuir na projeção de variáveis dependentes, auxiliar em tomadas de decisões para sustentar ou não políticas públicas e justificar o cenário vivido pelos países e o mundo. O artigo tem por objetivo predizer o Índice de Desenvolvimento Humano e a expectativa de vida nos países latino-americanos no período de 2015 a 2020, utilizando técnicas de mineração de dados. Foram percorridas as etapas do processo Descoberta de Conhecimento em Base Dados. Adotaram-se para previsões modelos desenvolvidos com séries multivariadas através do algoritmo de mineração de dados SMOReg, que apresentaram melhor desempenho em testes desenvolvidos durante o experimento. As médias do Índice de Desenvolvimento Humano e da expectativa de vida nos países latino-americanos tendem a aumentar no período analisado, respectivamente, 4,99 ± 3,90 % e 2,65 ± 0,06 anos. Experiências multivariadas possibilitam maior aprendizagem dos algoritmos, aumentando sua precisão. As técnicas de mineração de dados apresentaram melhor qualidade nas previsões em relação à técnica mais popular, ARIMA. As previsões sugerem média de crescimento do IDH e EV dos países latino-americanos maiores que a mundial.

Previsão; Mineração de dados; IDH; Expectativa de vida; América Latina

Introdução

A maioria dos países latino-americanos passa por um processo de desenvolvimento humano muito semelhante, possivelmente em função do contexto histórico de suas emancipações políticas e características sociais e culturais. Este processo de desenvolvimento pode ser avaliado a partir do Índice de Desenvolvimento Humano (IDH), adotado pelo United Nations Development Programme (UNDP) para medir os avanços na qualidade de vida de um país¹1. United Nations Development Programme (UNDP). Human Development Report (HDR) 1990: Concept and Measurement of human development. New York: UNDP; 1990.

2. Alkire S. Human development: Definitions, critiques, and related concepts. UNDP-HDRO Occasional Papers 2010.^-³3. United Nations Development Programme (UNDP). Human Development Report (HDR) 2014. Sustaining Human Progress: Reducing Vulnerabilities and Building Resilience. New York: UNDP; 2014. a partir da média geométrica entre indicadores de educação, saúde e renda⁴4. Kovacevic M. Review of HDI critiques and potential improvements, UNDP. Human Development Reports 2010; 33., que classifica a maior parte dos países da América Latina como países em desenvolvimento com IDH alto⁵5. United Nations Development Programme (UNDP). Human Development Report (HDR) 2015. Rethinking Work for Human Development. New York: UNDP; 2015..

Por apresentar dependência da componente “saúde”, medida por uma vida longa e saudável, o índice é amplamente utilizado em pesquisas da área de saúde⁶6. Percio J, Medina NH, Luna EA. Visual Impairment and Human Development in Brazil. Int J Epidemiol 2015; 44(Supl. 1):i157.

7. Sadovsky ADI, Poton WL, Reis-Santos B, Barcelos MRB, Silva ICM. Índice de Desenvolvimento Humano e prevenção secundária de câncer de mama e colo do útero: um estudo ecológico. Cad Saude Publica 2015; 31(7):1539-1550.

8. Tavares LF, Castro IRR, Levy RB, Cardoso LO, Claro RM. Dietary patterns of Brazilian adolescents: results of the Brazilian National School-Based Health Survey (PeNSE). Cad Saude Publica 2014; 30(12):2679-2690.

9. Szuster DAC, Caiaffa WT, Andrade EIG, Acurcio FA, Cherchiglia ML. Sobrevida de pacientes em diálise no SUS no Brasil. Cad Saude Publica 2012; 28(3):415-424.

10. Castro JMd, Rodrigues-Júnior AL. A influência da mortalidade por causas externas no desenvolvimento humano na Faixa de Fronteira brasileira. Cad Saude Publica 2012; 28(1):195-200.

11. Kariminia A, Chokephaibulkit K, Pang J, Lumbiganon P, Hansudewechakul R, Amin J, Kumarasamy N, Puthanakit T, Kurniati N, Nik Yusoff NK, Saphonn V, Fong SM, Razali K, Nallusamy R, Sohn AH, Sirisanthana V. Cohort Profile: The TREAT Asia Pediatric HIV Observational Database. Int J Epidemiol 2011; 40(1):15-24.

12. Martinez EZ, Roza DL, Caccia-Bava MCGG, Achcar JA, Dal-Fabbro AL. Gravidez na adolescência e características socioeconômicas dos municípios do Estado de São Paulo, Brasil: análise espacial. Cad Saude Publica 2011; 27(5):855-867.^-¹³13. González-Zapata LI, Estrada-Restrepo A, Álvarez-Castaño LS, Álvarez-Dardet C, Serra-Majem L. Exceso de peso, aspectos económicos, políticos y sociales en el mundo: un análisis ecológico. Cad Saude Publica 2011; 27(9):1746-1756., enquanto sua componente decomposta mais utilizada neste tipo de estudos é a expectativa de vida (EV)¹⁴14. Kanso S, Romero DE, Leite IC, Marques A. A evitabilidade de óbitos entre idosos em São Paulo, Brasil: análise das principais causas de morte. Cad Saude Publica 2013; 29(4):735-748.

15. Mendes ACG, Sá DA, Miranda GMD, Lyra TM, Tavares RAW. Assistência pública de saúde no contexto da transição demográfica brasileira: exigências atuais e futuras. Cad Saude Publica 2012; 28(5):955-964.

16. Chiavegatto Filho ADP, Laurenti R. Decomposição da diferença da expectativa de vida de Minas Gerais em relação ao Rio de Janeiro e São Paulo, Brasil. Cad Saude Publica 2013; 29(6):1131-1140.

17. Cervantes CAD, Botero MA. Average years of life lost due to breast and cervical cancer and the association with the marginalization index in Mexico in 2000 and 2010. Cad Saude Publica 2014; 30(5):1093-1102.

18. Campolina AG, Adami F, Santos JLF, Lebrão ML. A transição de saúde e as mudanças na expectativa de vida saudável da população idosa: possíveis impactos da prevenção de doenças crônicas. Cad Saude Publica 2013; 29(6):1217-1229.

19. Camargos MCS, Gonzaga MR. Viver mais e melhor? Estimativas de expectativa de vida saudável para a população brasileira. Cad Saude Publica 2015; 31(7):1460-1472.

20. Stringhini S, Polidoro S, Sacerdote C, Kelly RS, van Veldhoven K, Agnoli C, Grioni S, Tumino R, Giurdanella MC, Panico S, Mattiello A, Palli D, Masala G, Gallo V, Castagné R, Paccaud F, Campanella G, Chadeau-Hyam M, Vineis P. Life-course socioeconomic status and DNA methylation of genes regulating inflammation. Int J Epidemiol 2015; 44(4):1320-1330.

21. Li L, Hardy R, Kuh D, Power C. Life-course body mass index trajectories and blood pressure in mid life in two British birth cohorts: stronger associations in the later-born generation. Int J Epidemiol 2015; 44(3):1018-1026.

22. Lacey RE, Sacker A, Kumari M, Worts D, McDonough P, Booker C, McMunn A. Work-family life courses and markers of stress and inflammation in mid-life: evidence from the National Child Development Study. Int J Epidemiol 2015; 45(4):1247-1259.

23. Hendi AS. Trends in U.S. life expectancy gradients: the role of changing educational composition. Int J Epidemiol 2015; 44(3):946-955.

24. Morton SM, De Stavola BL, Leon DA. Intergenerational determinants of offspring size at birth: a life course and graphical analysis using the Aberdeen Children of the 1950s Study (ACONF). Int J Epidemiol 2014; 43(3):749-759.

25. Anstey KJ, Kingston A, Kiely KM, Luszcz MA, Mitchell P, Jagger C. The influence of smoking, sedentary lifestyle and obesity on cognitive impairment-free life expectancy. Int J Epidemiol 2014; 43(6):1874-1883.

26. Brunekreef B, Von Mutius E, Wong GK, Odhiambo JA, Clayton TO, Group tIPTS. Early life exposure to farm animals and symptoms of asthma, rhinoconjunctivitis and eczema: an ISAAC Phase Three Study. Int J Epidemiol 2012; 41(3):753-761.^-²⁷27. Mackenbach JP, Looman CW. Life expectancy and national income in Europe, 1900-2008: an update of Preston’s analysis. Int J Epidemiol 2013; 42(4):1100-1110., que também se encontra entre os indicadores mais utilizados para avaliar o desenvolvimento socioeconômico de um país.

A literatura apresenta um quantitativo muito grande de pesquisas recentes⁶6. Percio J, Medina NH, Luna EA. Visual Impairment and Human Development in Brazil. Int J Epidemiol 2015; 44(Supl. 1):i157.

7. Sadovsky ADI, Poton WL, Reis-Santos B, Barcelos MRB, Silva ICM. Índice de Desenvolvimento Humano e prevenção secundária de câncer de mama e colo do útero: um estudo ecológico. Cad Saude Publica 2015; 31(7):1539-1550.

8. Tavares LF, Castro IRR, Levy RB, Cardoso LO, Claro RM. Dietary patterns of Brazilian adolescents: results of the Brazilian National School-Based Health Survey (PeNSE). Cad Saude Publica 2014; 30(12):2679-2690.

9. Szuster DAC, Caiaffa WT, Andrade EIG, Acurcio FA, Cherchiglia ML. Sobrevida de pacientes em diálise no SUS no Brasil. Cad Saude Publica 2012; 28(3):415-424.

10. Castro JMd, Rodrigues-Júnior AL. A influência da mortalidade por causas externas no desenvolvimento humano na Faixa de Fronteira brasileira. Cad Saude Publica 2012; 28(1):195-200.

11. Kariminia A, Chokephaibulkit K, Pang J, Lumbiganon P, Hansudewechakul R, Amin J, Kumarasamy N, Puthanakit T, Kurniati N, Nik Yusoff NK, Saphonn V, Fong SM, Razali K, Nallusamy R, Sohn AH, Sirisanthana V. Cohort Profile: The TREAT Asia Pediatric HIV Observational Database. Int J Epidemiol 2011; 40(1):15-24.

12. Martinez EZ, Roza DL, Caccia-Bava MCGG, Achcar JA, Dal-Fabbro AL. Gravidez na adolescência e características socioeconômicas dos municípios do Estado de São Paulo, Brasil: análise espacial. Cad Saude Publica 2011; 27(5):855-867.

13. González-Zapata LI, Estrada-Restrepo A, Álvarez-Castaño LS, Álvarez-Dardet C, Serra-Majem L. Exceso de peso, aspectos económicos, políticos y sociales en el mundo: un análisis ecológico. Cad Saude Publica 2011; 27(9):1746-1756.

14. Kanso S, Romero DE, Leite IC, Marques A. A evitabilidade de óbitos entre idosos em São Paulo, Brasil: análise das principais causas de morte. Cad Saude Publica 2013; 29(4):735-748.

15. Mendes ACG, Sá DA, Miranda GMD, Lyra TM, Tavares RAW. Assistência pública de saúde no contexto da transição demográfica brasileira: exigências atuais e futuras. Cad Saude Publica 2012; 28(5):955-964.

16. Chiavegatto Filho ADP, Laurenti R. Decomposição da diferença da expectativa de vida de Minas Gerais em relação ao Rio de Janeiro e São Paulo, Brasil. Cad Saude Publica 2013; 29(6):1131-1140.

17. Cervantes CAD, Botero MA. Average years of life lost due to breast and cervical cancer and the association with the marginalization index in Mexico in 2000 and 2010. Cad Saude Publica 2014; 30(5):1093-1102.

18. Campolina AG, Adami F, Santos JLF, Lebrão ML. A transição de saúde e as mudanças na expectativa de vida saudável da população idosa: possíveis impactos da prevenção de doenças crônicas. Cad Saude Publica 2013; 29(6):1217-1229.

19. Camargos MCS, Gonzaga MR. Viver mais e melhor? Estimativas de expectativa de vida saudável para a população brasileira. Cad Saude Publica 2015; 31(7):1460-1472.

20. Stringhini S, Polidoro S, Sacerdote C, Kelly RS, van Veldhoven K, Agnoli C, Grioni S, Tumino R, Giurdanella MC, Panico S, Mattiello A, Palli D, Masala G, Gallo V, Castagné R, Paccaud F, Campanella G, Chadeau-Hyam M, Vineis P. Life-course socioeconomic status and DNA methylation of genes regulating inflammation. Int J Epidemiol 2015; 44(4):1320-1330.

21. Li L, Hardy R, Kuh D, Power C. Life-course body mass index trajectories and blood pressure in mid life in two British birth cohorts: stronger associations in the later-born generation. Int J Epidemiol 2015; 44(3):1018-1026.

22. Lacey RE, Sacker A, Kumari M, Worts D, McDonough P, Booker C, McMunn A. Work-family life courses and markers of stress and inflammation in mid-life: evidence from the National Child Development Study. Int J Epidemiol 2015; 45(4):1247-1259.

23. Hendi AS. Trends in U.S. life expectancy gradients: the role of changing educational composition. Int J Epidemiol 2015; 44(3):946-955.

24. Morton SM, De Stavola BL, Leon DA. Intergenerational determinants of offspring size at birth: a life course and graphical analysis using the Aberdeen Children of the 1950s Study (ACONF). Int J Epidemiol 2014; 43(3):749-759.

25. Anstey KJ, Kingston A, Kiely KM, Luszcz MA, Mitchell P, Jagger C. The influence of smoking, sedentary lifestyle and obesity on cognitive impairment-free life expectancy. Int J Epidemiol 2014; 43(6):1874-1883.

26. Brunekreef B, Von Mutius E, Wong GK, Odhiambo JA, Clayton TO, Group tIPTS. Early life exposure to farm animals and symptoms of asthma, rhinoconjunctivitis and eczema: an ISAAC Phase Three Study. Int J Epidemiol 2012; 41(3):753-761.^-²⁷27. Mackenbach JP, Looman CW. Life expectancy and national income in Europe, 1900-2008: an update of Preston’s analysis. Int J Epidemiol 2013; 42(4):1100-1110. que colocam a EV ou o IDH como variáveis balizadoras de estudos de saúde.

A previsibilidade do IDH ou de suas componentes pode auxiliar em tomadas de decisões governamentais, apoiando ou não políticas públicas, caso os valores reais correspondam às expectativas das previsões. Suas projeções também podem ser utilizadas em estudos prospectivos de diferentes áreas, entre elas a da saúde, para explicar o comportamento futuro de variáveis dependentes.

A literatura oferece uma variedade de técnicas de previsão, dentre as quais se destacam as previsões a partir de técnicas de Mineração de Dados (MD) aplicadas em diferentes áreas²⁸28. Mangalova E, Agafonov E. Wind power forecasting using the k-nearest neighbors algorithm. Int J Forecasting 2014; 30(2):402-406.

29. Silva L. A feature engineering approach to wind power forecasting: GEFCom 2012. Int J Epidemiol 2014; 30(2):395-401.

30. Rodrigues BD, Stevenson MJ. Takeover prediction using forecast combinations. Int J Forecasting 2013; 29(4):628-641.

31. Correa FE, Gama J, Pizzigatti Correa PL, Alves LRA. Data mining frequent temporal events in agrieconomic time series. IEEE Lat Am T 2015; 13(7):2329-2334.

32. Sousa WRN, Couto MS, Castro AF, Silva MPS. Evaluation of desertification processes in ouricuri-pe through trend estimates of times series. IEEE Lat Am T 2013; 11(1):602-606.

33. Xie Y, Schreier G, Hoy M, Liu Y, Neubauer S, Chang DCW, Redmond SJ, Lovell NH. Analyzing health insurance claims on different timescales to predict days in hospital. J Biomed Inform 2016; 60:187-196.^-³⁴34. Winters-Miner LA, Bolding PS, Hilbe JM, Goldstein M, Hill T, Nisbet R, Walton N, Miner GD. Biomedical Informatics. In: Winters-Miner LA, Bolding PS, Hilbe JM, Goldstein M, Hill T, Nisbet R, Walton N, Miner GD. Practical Predictive Analytics and Decisioning Systems for Medicine. Cambridge: Academic Press; 2015. p. 42-59., entre elas a da saúde³³33. Xie Y, Schreier G, Hoy M, Liu Y, Neubauer S, Chang DCW, Redmond SJ, Lovell NH. Analyzing health insurance claims on different timescales to predict days in hospital. J Biomed Inform 2016; 60:187-196.^,³⁴34. Winters-Miner LA, Bolding PS, Hilbe JM, Goldstein M, Hill T, Nisbet R, Walton N, Miner GD. Biomedical Informatics. In: Winters-Miner LA, Bolding PS, Hilbe JM, Goldstein M, Hill T, Nisbet R, Walton N, Miner GD. Practical Predictive Analytics and Decisioning Systems for Medicine. Cambridge: Academic Press; 2015. p. 42-59.. No entanto, não foi possível identificar estudos predizendo o IDH ou a EV dos países da América Latina.

Diante desta abertura na literatura, o presente estudo tem como objetivo prever o IDH e a EV nos países latino-americanos para o período de 2015 a 2020, a partir de seus dados históricos, utilizando técnicas de MD.

Pretende-se com este estudo contribuir na projeção destes indicadores utilizados em pesquisas epidemiológicas e, também, contribuir na avaliação de algoritmos e modelos empregados, a partir das comparações entre as previsões e as tendências divulgadas pelo UNDP para o IDH em períodos anteriores às projeções e entre suas medidas de qualidade de previsões.

Materiais e métodos

A partir dos dados históricos do IDH de 188 países filiados ao UNDP, referentes ao período de 1990 a 2014, foram desenvolvidas todas as etapas do processo de Descoberta de Conhecimento em Base Dados (DCBD)³⁵35. Fayyad UM, Piatetsky-Shapiro G, Smyth P. From data mining to knowledge discovery in databases. AI magazine 1996; 17(3):37., apresentadas nas próximas subseções. Durante o processo, foi definido o algoritmo e modelo com melhor desempenho para efetivar previsão do IDH e da EV nos 22 países latino-americanos filiados ao UNDP no período de 2015 a 2020.

A maioria das etapas do processo de DCBD foi realizada no ambiente de MD WEKA³⁶36. Hall M, Frank E, Holmes G, Pfahringer B, Reutemann P, Witten IH. The WEKA data mining software: an update. ACM SIGKDD explorations newsletter 2009; 11(1):10-18., utilizando a técnica de Forecast, através de uma interface de programação de aplicativos disponível a partir da versão 3.7.

Durante o processo, foi avaliado o desempenho de diferentes algoritmos baseados em funções. A partir do algoritmo com melhor desempenho, foram desenvolvidos modelos de previsão, e seus resultados, comparados com os últimos relatórios do UNDP, para definição dos modelos mais eficientes.

Para avaliar os resultados, utilizaram-se as medidas de qualidade das previsões das séries temporais: erro absoluto médio (MAE), erro quadrático médio (MSE), raiz quadrada do erro quadrático médio (RMSE), erro percentual absoluto médio (MAPE), precisão direcional (DAC), erro absoluto relativo (RAE), e raiz quadrada do erro quadrático relativo (RRSE). Também, foram realizados testes estatísticos de análise de variância, T de Student pareado por países, em diferentes momentos do processo de DCBD, adotando com nível de significância, alfa = 0,05.

Paralelo ao DCBD, foi desenvolvido, através do software SPSS, um modelo de previsão utilizando-se a técnica de previsão mais popular, Autoregressive Integrated Moving Average (ARIMA) para, ao final dos testes, compará-la às técnicas de MD.

Pré-Processamento de mineração de dados

O pré-processamento iniciou-se com a obtenção dos dados de IDH e EV da base do UNDP³⁷37. United Nations Development Programme (UNDATA). Human Development Index trends, 1980–2013. New York: UNDATA; 2014., atualizada em 24 de julho de 2014 e do seu relatório referente ao IDH 2013³3. United Nations Development Programme (UNDP). Human Development Report (HDR) 2014. Sustaining Human Progress: Reducing Vulnerabilities and Building Resilience. New York: UNDP; 2014.. Esta fonte de dados pode sofrer atualizações pontuais a qualquer momento, e à divulgação de um novo relatório de IDH anual, as séries temporais podem sofrer atualizações mais significativas.

A partir destas fontes, foi desenvolvida uma base de dados específica, através do Microsoft Access, com as séries temporais referentes ao período de 1980 a 2013. Após a implementação desta base de dados, foi realizada a etapa de DCBD de “exploração da base de dados”, por meio da Linguagem de Consultas Estruturadas (Structured Query Language – SQL), resultando na estatística descritiva das séries temporais, incorporadas às Tabelas 3 e 4, apresentada na seção de Resultados.

Thumbnail

Tabela 3
Últimos pontos de observações das séries temporais históricas do IDH dos países da América Latina, suas projeções para 2015 a 2020 e resumo estatístico do índice mundial e dos países latino-americanos.

Thumbnail

Tabela 4
Últimos pontos de observações das séries temporais históricas da expectativa de vida nos países da América Latina e projeções para 2015 a 2020.

Ao final do Pré-Processamento de MD, foram selecionadas 90 séries temporais do IDH para testes, separadas em dois lotes de dados, sendo o primeiro para testar a previsão do IDH 2013 e o segundo para previsão do IDH 2014, com dados anteriores ao período de previsão. Cada lote de dados foi utilizado para o desenvolvimento de: i) um modelo multivariado global (MMG), treinado com séries multivariadas correspondentes aos 188 países filiados à UNDP; ii) 22 modelos multivariados específicos (MME), treinados com grupos que variavam de dois a 45 países com capacidade explicativa do índice de cada país latino-americano; iii) 22 modelos univariados (MU), treinados com séries correspondentes a cada país da América Latina, resultando no total de 45 modelos por lote de dados. O MMG foi treinando com os dados de 188 países para aumentar a experiência do algoritmo.

Para o desenvolvimento dos MMEs, foram selecionados conjuntos de dados de IDH de países candidatos a previsores de cada país da América Latina (atributo meta). Os conjuntos de dados foram escolhidos através do algoritmo de seleção baseada em correlação: Correlation-based Feature Selection (CFS)³⁸38. Hall MA. Correlation-based feature selection for machine learning [thesis]: The University of Waikato; 1999., por meio do método de validação cruzada. Este algoritmo prioriza conjuntos de atributos (variáveis independentes) muito relacionados com o atributo meta (variável dependente) e pouco relacionados entre si.

Mineração de dados

Nesta etapa, foi selecionando o algoritmo mais adequado ao estudo, testando os algoritmos pertencentes ao grupo de aprendizagem baseada em funções: Least Median Squared, Linear Regression, Multilayer Perceptron, RBF Network, SMOReg, Gaussian Processes.

Para poupar custos operacionais, os testes preliminares foram realizados apenas para previsão do IDH 2013, em que foi selecionado o algoritmo SMOReg³⁹39. Shevade SK, Keerthi SS, Bhattacharyya C, Murthy KRK. Improvements to the SMO algorithm for SVM regression. IEEE T Neur Net Lear 2000; 11(5):1188-1193., por apresentar os melhores resultados para as diferentes categorias de modelos (Tabela 1).

Thumbnail

Tabela 1
MAE dos modelos de previsão desenvolvidos com algoritmo de MD baseado em funções.

Finalizando a etapa de MD, 90 modelos foram desenvolvidos para conclusão dos testes com o uso do algoritmo SMOReg: dois MMGs, 44 MMEs e 44 MUs. Estes modelos foram comparados na previsão do IDH de 22 países da América Latina nos períodos de 2013-2014 para escolha do modelo de melhor desempenho (Tabela 2).

Thumbnail

Tabela 2
Medidas de qualidade dos modelos desenvolvidos para testar a previsão do IDH dos países da America Latina filiados ao UNDP.

Pós-Processamento de Mineração de Dados

Os resultados dos modelos alimentaram uma base de dados que permitiu comparações entre os valores reais e as previsões, assim como entre as medidas de qualidade dos modelos. Os valores reais referentes ao IDH 2013 foram consultados no UNDP³3. United Nations Development Programme (UNDP). Human Development Report (HDR) 2014. Sustaining Human Progress: Reducing Vulnerabilities and Building Resilience. New York: UNDP; 2014., em 24 de julho de 2014, enquanto os valores referentes ao IDH 2014 foram consultados após sua atualização e divulgação realizada pelo UNDP⁵5. United Nations Development Programme (UNDP). Human Development Report (HDR) 2015. Rethinking Work for Human Development. New York: UNDP; 2015., em 14 de dezembro de 2015.

Depois de percorridas todas as etapas de DCBD para testar algoritmos e modelos, retornaram-se as etapas anteriores, repetindo-se o processo para previsão do IDH e EV no período de 2015 a 2020, aplicando-se apenas o algoritmo e o modelo com melhor desempenho, SMOReg e MMU, respectivamente. Antes da efetivação da previsão, as séries temporais de 1980 a 2014 foram atualizadas em 14 de dezembro de 2015, pois, a cada divulgação de um novo relatório, a base de dados da UNDP³⁷37. United Nations Development Programme (UNDATA). Human Development Index trends, 1980–2013. New York: UNDATA; 2014. pode sofrer atualizações mais significativas³3. United Nations Development Programme (UNDP). Human Development Report (HDR) 2014. Sustaining Human Progress: Reducing Vulnerabilities and Building Resilience. New York: UNDP; 2014..

Resultados

A Tabela 1 apresenta estatísticas de resumo do MAE dos testes realizados para escolha do algoritmo de melhor desempenho, aferindo ao SMOReg o melhor desempenho.

A Tabela 2 apresenta estatísticas de resumo das medidas de qualidade dos testes de previsão do IDH 2013-2014 dos países da America Latina, para seleção do melhor modelo de previsão.

Verificou-se, por meio da Tabela 2, que os MMUs apresentaram as melhores medidas de qualidade das previsões, correspondendo aos maiores valores de DAC e menores tipos de erros (MAE, RMSE, MAPE, RAE e RRSE), em relação aos MMEs e MUs.

A Figura 1 apresenta o MAE de testes realizados com modelos de previsões adotados neste estudo e comparados com o método ARIMA.

Thumbnail

Figura 1
MAE acumulado por modelos, resultantes das previsões do IDH 2013-2014 dos países da América Latina.

Observou-se que os modelos desenvolvidos através de técnicas de MD apresentaram os menores erros absolutos em relação ao modelo ARIMA.

A Tabela 3 apresenta os cinco últimos pontos de observações das séries temporais históricas do IDH nos países latino-americanos³⁷37. United Nations Development Programme (UNDATA). Human Development Index trends, 1980–2013. New York: UNDATA; 2014., as previsões do índice (2015 a 2020) estimadas pelo algoritmo SMOReg em MMGs, o resumo estatístico do índice mundial e na América Latina e seu o percentual de crescimento para o período de projeção.

A Figura 2 apresenta direções e previsões dos modelos (linhas tracejadas), tendências (linhas contínuas) divulgadas pelo UNDP³3. United Nations Development Programme (UNDP). Human Development Report (HDR) 2014. Sustaining Human Progress: Reducing Vulnerabilities and Building Resilience. New York: UNDP; 2014.^,⁵5. United Nations Development Programme (UNDP). Human Development Report (HDR) 2015. Rethinking Work for Human Development. New York: UNDP; 2015. e previsões do MMUs do IDH 2015-2020 de alguns países da América Latina, que apresentaram as melhores e piores medidas de qualidade das previsões, apesar de não apresentarem diferenças estatísticas significativas entre os valores nominais das previsões e os valores das tendências já divulgadas (2014 e 2015).

Thumbnail

Figura 2
Previsões e tendências do IDH de Cuba(a), Venezuela(b), Nicarágua(c), El Salvador(d).

A Figura 3 apresenta a curva de crescimento do IDH mundial, com os valores médio, máximo, mínimo e de variâncias, registrados ao longo do período, além da média da América Latina e seus países com o maior e menor IDH.

Thumbnail

Figura 3
Séries Temporais Históricas (1980 -2014) e Horizonte de Previsões (2015 a 2020) do IDH Mundial, da América Latina e de Países Latino-americanos com maior (Argentina) e menor (Haiti) índice.

A Tabela 4 apresenta os cinco últimos pontos de observações das séries temporais históricas da EV nos países latino-americanos³⁷37. United Nations Development Programme (UNDATA). Human Development Index trends, 1980–2013. New York: UNDATA; 2014., as previsões para variável (2015 a 2020) estimadas pelo algoritmo SMOReg em MMGs, resumo estatístico da variável no mundo e na América Latina e o seu percentual de crescimento para o período de projeção.

A Figura 4 apresenta a curva de crescimento da EV mundial, com os valores médio, máximo, mínimo e de variâncias, registrados ao longo do período, além da média dos países desenvolvidos, da América Latina e seus países como a maior e menor EV.

Thumbnail

Figura 4
Séries temporais históricas (1980 -2014) e horizonte de previsões (2015 a 2020) da EV mundial, da América Latina e de países latino-americanos com a maior (Chile) e menor (Haiti) EV.

Discussão

Previsões do IDH

Em relação às previsões do IDH, ressalta-se que atualizações significativas dos índices de alguns países podem limitar o estudo. Segundo o UNDP¹1. United Nations Development Programme (UNDP). Human Development Report (HDR) 1990: Concept and Measurement of human development. New York: UNDP; 1990., as estimativas internacionais e nacionais de dados podem apresentar inconsistência, uma vez que as agências de dados internacionais consultam os dados nacionais e, eventualmente, estimam dados inexistentes para comparação entre países. Em relação a estas atualizações, observaram-se diferenças significativas entre os valores de IDH, divulgados em 24 de julho de 2014³3. United Nations Development Programme (UNDP). Human Development Report (HDR) 2014. Sustaining Human Progress: Reducing Vulnerabilities and Building Resilience. New York: UNDP; 2014. e 14 de dezembro de 2015⁵5. United Nations Development Programme (UNDP). Human Development Report (HDR) 2015. Rethinking Work for Human Development. New York: UNDP; 2015..

Algumas previsões deste estudo, decorrentes dos testes para seleção do algoritmo e modelo, de previsão, apontaram contradições com as direções das tendências do IDH de outros estudos³3. United Nations Development Programme (UNDP). Human Development Report (HDR) 2014. Sustaining Human Progress: Reducing Vulnerabilities and Building Resilience. New York: UNDP; 2014.^,⁵5. United Nations Development Programme (UNDP). Human Development Report (HDR) 2015. Rethinking Work for Human Development. New York: UNDP; 2015. em relação a todos os resultados dos modelos para Cuba, em 2013 (Figura 2a), e Venezuela, em 2014 (Figura 2b). Cuba também apresentou o maior MAE em relação à previsão do IDH 2014, além de apresentar as maiores diferenças entre relatórios da UNDP³3. United Nations Development Programme (UNDP). Human Development Report (HDR) 2014. Sustaining Human Progress: Reducing Vulnerabilities and Building Resilience. New York: UNDP; 2014.^,⁵5. United Nations Development Programme (UNDP). Human Development Report (HDR) 2015. Rethinking Work for Human Development. New York: UNDP; 2015.. Já as previsões para a Nicarágua, em 2013 (Figura 2c), e El Salvador, em 2014 (Figura 2d), apresentaram os menores MAE. Estas comparações, quando favoráveis as previsões, no caso da Nicarágua e El Salvador, podem sustentar políticas públicas ou econômicas adotadas por estes países para o desenvolvimento do índice e, quando desfavoráveis as estimativas, no caso da Venezuela, podem levantar questionamentos de suas políticas ou de seus dados, que podem encontrar-se desatualizados ou inconsistentes, como foi caso de Cuba.

Bolívia (+0,61%) e Cuba (+0,13%) apresentaram, respectivamente, o maior e menor ganho percentual do IDH no último período (2013-2014) em relação aos países da America Latina, enquanto a Venezuela (-0,61%) apresentou perda no índice³3. United Nations Development Programme (UNDP). Human Development Report (HDR) 2014. Sustaining Human Progress: Reducing Vulnerabilities and Building Resilience. New York: UNDP; 2014.^,⁵5. United Nations Development Programme (UNDP). Human Development Report (HDR) 2015. Rethinking Work for Human Development. New York: UNDP; 2015..

A partir das previsões apresentadas neste estudo (Tabela 3), observa-se que o Uruguai poderá atingir, até 2016, o mesmo nível de desenvolvimento da Argentina e Chile, atualmente classificados⁵5. United Nations Development Programme (UNDP). Human Development Report (HDR) 2015. Rethinking Work for Human Development. New York: UNDP; 2015. como países desenvolvidos com desenvolvimento humano muito elevado (IDH > 0,799). O mesmo poderá ocorrer com o Panamá em 2017, Cuba em 2019 e Costa Rica em 2020. Os países em desenvolvimento, Paraguai e El Salvador, poderão passar da classe de desenvolvimento humano médio (0,599 < IDH < 0,7) para desenvolvimento humano elevado (0,699 < IDH < 0,8), respectivamente, em 2019 e 2020.

O IDH médio dos países da América Latina (4,99 ± 3,90%) nas projeções deste estudo, referentes ao período de 2015 a 2020, apresentam uma expectativa de crescimento acima da média mundial (4,63 ± 0,20%), mantendo a mesma tendência⁵5. United Nations Development Programme (UNDP). Human Development Report (HDR) 2015. Rethinking Work for Human Development. New York: UNDP; 2015. que destaca a América Latina e o Caribe com os maiores IDH, classificados como alto e com índices superiores às regiões da Europa, Ásia, Pacífico, Estados Árabes e África subsaariana.

Nicarágua (7,13%) e Guatemala (7,02%) tendem a apresentar maior crescimento do índice para o mesmo período, enquanto Belize (1,86%) tende a apresentar o menor crescimento. O Haiti (6,13%), apesar de tender a um crescimento acima da média mundial, permanecerá como único país da América Latina classificado⁵5. United Nations Development Programme (UNDP). Human Development Report (HDR) 2015. Rethinking Work for Human Development. New York: UNDP; 2015. como subdesenvolvido (IDH < 0,55). Os demais países tendem a manter-se na mesma classe de desenvolvimento humano, mesmo apresentando crescimento do índice.

O Brasil, que atualmente passa por um momento de crise econômica⁴⁰40. Watts J. Brazil’s health system woes worsen in economic crisis. Lancet 2016; 387(10028):1603-1604., não perceberá mudanças tão significativas no IDH, no caso de avanços significativos na EV ou na educação como se prevê, pois com a nova metodologia de cálculo, estes avanços tendem a ser atenuados pela renda baixa, em função do déficit do PIB. A média geométrica empregada no cálculo do índice reduz o nível de substitutibilidade entre as dimensões, em virtude de que o baixo desempenho em uma determinada dimensão não pode ser mais compensado pelo maior desempenho em outra dimensão⁵5. United Nations Development Programme (UNDP). Human Development Report (HDR) 2015. Rethinking Work for Human Development. New York: UNDP; 2015.. Apesar das críticas⁴¹41. Ravallion M. Troubling tradeoffs in the human development index. J Dev Econ 2012; 99(2):201-209. ao novo tipo de cálculo do IDH, observa-se que este privilegia países com menor desigualdade entre suas componentes⁴4. Kovacevic M. Review of HDI critiques and potential improvements, UNDP. Human Development Reports 2010; 33., pois a média geométrica tende a ser cada vez menor que a média aritmética à medida que se aumenta a variância entre as componentes.

Previsões da Expectativa de Vida

Foi possível confrontar as previsões com estudos recentes de outras agências internacionais⁴²42. Central Intelligence Agency (CIA). The World Factbook. Langley: CIA; 2016.^,⁴³43. World Bank. World Development Indicators. Washington: The World Bank; 2016., que já disponibilizam a EV de 2015 de seus países filiados. No entanto, observam-se diferenças em suas séries temporais em relação à fonte de dados³3. United Nations Development Programme (UNDP). Human Development Report (HDR) 2014. Sustaining Human Progress: Reducing Vulnerabilities and Building Resilience. New York: UNDP; 2014.^,⁵5. United Nations Development Programme (UNDP). Human Development Report (HDR) 2015. Rethinking Work for Human Development. New York: UNDP; 2015.^,³⁷37. United Nations Development Programme (UNDATA). Human Development Index trends, 1980–2013. New York: UNDATA; 2014. utilizada no treinamento dos modelos desenvolvidos neste estudo, que o limita até que se divulguem novos valores de EV ou outros estudos para possibilitar comparações.

Este indicador também pode apresentar inconsistência, pois muitos óbitos não são registrados corretamente¹⁶16. Chiavegatto Filho ADP, Laurenti R. Decomposição da diferença da expectativa de vida de Minas Gerais em relação ao Rio de Janeiro e São Paulo, Brasil. Cad Saude Publica 2013; 29(6):1131-1140..

Analisando as séries históricas mundiais de EV, antes das previsões para a América Latina, através da base de dados do UNDP³⁷37. United Nations Development Programme (UNDATA). Human Development Index trends, 1980–2013. New York: UNDATA; 2014., observa-se que, nos últimos 34 anos, a média mundial foi de 67,84 ± 2,89 anos. A menor EV registrada no período foi a da população do Camboja, em 1980, com média de 27,5 anos, enquanto a da população mundial nesse período era de 61,62 ± 10,5 anos. Em 1995, Ruanda apresentou a menor EV (31,50 anos), bem abaixo dos padrões mundiais da época, de 65,44 ± 10,18 anos. No último relatório⁵5. United Nations Development Programme (UNDP). Human Development Report (HDR) 2015. Rethinking Work for Human Development. New York: UNDP; 2015., Hong Kong - China registrou a maior EV (84 anos em 2014) e a Suazilândia apresentou a menor EV (49 anos), enquanto os padrões mundiais apresentaram a EV média de 71,03 ± 8,37 anos. O Haiti é o país da América Latina que sempre apresentou a menor EV, a qual era, em 2014, de 62,8 anos, com perspectivas, segundo as projeções deste estudo, de chegar à EV de 65,89 anos até 2020, acima de -1DP (65,06 anos) da previsão da média mundial. Outros países, como Belize (70 anos), Bolívia (68,3 anos) e Guiana (66,4 anos), também apresentam EV abaixo da média mundial, enquanto a maioria, correspondente a 81,82% dos países da America Latina, apresentam EV acima da média mundial. A EV média da America Latina historicamente³⁷37. United Nations Development Programme (UNDATA). Human Development Index trends, 1980–2013. New York: UNDATA; 2014.^,⁴²42. Central Intelligence Agency (CIA). The World Factbook. Langley: CIA; 2016.^,⁴³43. World Bank. World Development Indicators. Washington: The World Bank; 2016. sempre se apresentou acima da média mundial.

As projeções deste estudo estimam que nos próximos seis anos a média da EV da América Latina aumente de 74 para 76,5 ± 4,42 anos, enquanto a mundial é estimada em 73,29 ± 8,24 anos, e que em 2015 já seria de 74,3 ± 4,34, o que se confirmou em outro estudo⁴²42. Central Intelligence Agency (CIA). The World Factbook. Langley: CIA; 2016..

Atualmente³⁷37. United Nations Development Programme (UNDATA). Human Development Index trends, 1980–2013. New York: UNDATA; 2014., o Chile (81,7 anos) apresenta a maior EV da América Latina, com média superior aos demais países desenvolvidos (79,9 ± 2,81), e tende a chegar até 2020 à EV de 85,25 anos, também superior à prevista neste estudo para os países desenvolvidos (81,61 ± 3,12 anos).

Apesar das EV se apresentarem crescentes, Kanso et al.¹⁴14. Kanso S, Romero DE, Leite IC, Marques A. A evitabilidade de óbitos entre idosos em São Paulo, Brasil: análise das principais causas de morte. Cad Saude Publica 2013; 29(4):735-748. apontam que a EV aos 60 anos aumentaria em 20% se esses óbitos causados por morte evitáveis não ocorressem e que a sobremortalidade masculina foi observada em quase todas as causas de morte evitáveis analisadas, o que pode estar relacionado à maior exposição a fatores de risco e à menor utilização dos serviços de saúde pelos homens. Por outro lado, estudos¹⁹19. Camargos MCS, Gonzaga MR. Viver mais e melhor? Estimativas de expectativa de vida saudável para a população brasileira. Cad Saude Publica 2015; 31(7):1460-1472. apontam uma desvantagem notável do sexo feminino em relação à EV saudável.

Os dados de EV, principalmente analisados de maneiras decompostas, com ou sem saúde, por sexo e regiões, podem ser utilizados em políticas públicas, como referências para cálculo de planos de saúde e de contribuições previdenciárias⁴⁴44. Inoue JT, Rodrigues CG, Afonso LE. Tábua de mortalidade e expectativa de vida saudável: uma aplicação à população beneficiária de planos de saúde privados no Brasil em 2008. In: Anais do 12º Congresso USP de Controladoria e Contabilidade; 2012; São Paulo. p. 1-15., decursos para pagamentos de pensões⁴⁵45. Brasil. Lei nº 13.183, de 4 de novembro de 2015. Altera as Leis nºs 8.212, de 24 de julho de 1991, e 8.213, de 24 de julho de 1991, para tratar da associação do segurado especial em cooperativa de crédito rural e, ainda essa última, para atualizar o rol de dependentes, estabelecer regra de não incidência do fator previdenciário, regras de pensão por morte e de empréstimo consignado, a Lei nº 10.779, de 25 de novembro de 2003, para assegurar pagamento do seguro-defeso para familiar que exerça atividade de apoio à pesca, a Lei nº 12.618, de 30 de abril de 2012, para estabelecer regra de inscrição no regime de previdência complementar dos servidores públicos federais titulares de cargo efetivo, a Lei nº 10.820, de 17 de dezembro de 2003, para dispor sobre o pagamento de empréstimos realizados por participantes e assistidos com entidades fechadas e abertas de previdência complementar e a Lei nº 7.998, de 11 de janeiro de 1990; e dá outras providências. Diário Oficial da União 2015; 5 nov.^,⁴⁶46. Lu B, He W, Piggott J. Should China introduce a social pension? The Journal of the Economics of Ageing 2014; 4:76-87., como justificativas para reformas previdenciárias⁴⁷47. Rocha FRF. A previdência social no Brasil: uma política em reestruturação. Temporalis 2016; 2(30):453-473., no planejamento do futuro da assistência à saúde¹⁵15. Mendes ACG, Sá DA, Miranda GMD, Lyra TM, Tavares RAW. Assistência pública de saúde no contexto da transição demográfica brasileira: exigências atuais e futuras. Cad Saude Publica 2012; 28(5):955-964. e qualidade de vida dos idosos⁴⁸48. Rosa VD. Atividade física e a qualidade de vida de mulheres idosas. FACES 2016.

49. Vecchia RD, Ruiz T, Bocchi SCM, Corrente JE. Qualidade de vida na terceira idade: um conceito subjetivo. Rev Bras Epidemiol 2005; 8(3):246-252.^-⁵⁰50. Minayo MCS, Hartz ZMA, Buss PM. Qualidade de vida e saúde: um debate necessário. Cien Saude Colet 2000; 5(1):7-18., bem como para prever o aumento de doenças relacionadas ao envelhecimento⁵¹51. Salgado Filho N, Brito DJA. Doença renal crônica: a grande epidemia deste milênio. J Bras Nefrol 2006; 28(2):1-5..

Método, Modelos e Algoritmo de Previsão

Expressiva parte da literatura sugere que previsões combinadas podem melhorar as previsões individuais³⁰30. Rodrigues BD, Stevenson MJ. Takeover prediction using forecast combinations. Int J Forecasting 2013; 29(4):628-641.. Isso foi visível nos modelos multivariados (MM), que apresentam melhores resultados que os MUs. Nos MMs, o algoritmo aprendeu com o comportamento de histórico das séries temporais de todos ou de grupos de países, enquanto nos MUs a aprendizagem se limitou às séries temporais do país-alvo.

Os MMGs apresentaram melhor desempenho que os demais. Mas esta vantagem relativa do preditor multivariado pode ser diferente para cada país. Outros estudos⁵²52. Peña D, Sánchez I. Measuring the advantages of multivariate vs. univariate forecasts. J Time Ser Anal 2007; 28(6):886-909. também destacam vantagens dos modelos multivariados, principalmente se existirem fortes relações entre as séries temporais, o que também ocorreu no presente estudo.

Os testes de análise de variância sugerem evidências da inexistência de diferenças significativas entre as previsões dos modelos e as tendências divulgadas pelo UNDP⁵5. United Nations Development Programme (UNDP). Human Development Report (HDR) 2015. Rethinking Work for Human Development. New York: UNDP; 2015. para o IDH 2013 e 2014. No entanto, os MMGs apresentaram as melhores medidas de qualidade acumuladas durante todo período de treinamento e previsão, com a maior DAC e os menores tipos de erro em relação aos demais modelos.

A eficiência dos MMGs pode ser implicitamente explicada pelas interdependências e vulnerabilidade dos países, mencionadas em outros estudos³3. United Nations Development Programme (UNDP). Human Development Report (HDR) 2014. Sustaining Human Progress: Reducing Vulnerabilities and Building Resilience. New York: UNDP; 2014..

Em relação ao método de avaliação dos modelos, observa-se que as medidas de qualidade MAE e DAC são suficientes para qualificar a previsão do IDH ou EV, dispensando-se a necessidade da análise de variância, pois apesar de não existirem diferenças estatísticas significativas entre previsões dos modelos e os valores reais, o MAE permitiu identificar os melhores modelos, confirmando estudos⁵³53. Armstrong JS. Evaluating forecasting methods. In: Armstrong JS, editor. Principles of forecasting: Springer; 2001. p. 443-472. que discutem o uso das medidas de qualidade específicas para previsão.

O algoritmo SMOReg apresentou as melhores medidas de qualidade durante os testes de previsão em relação a outros dos mesmo paradigma de aprendizagem (Tabela 1), confirmando estudos anteriores⁵⁴54. Li C, Jiang L. Using locally weighted learning to improve SMOreg for regression. Pacific Rim International Conference on Artificial Intelligence; 2006; Berlin Heidelberg: Springer; 2006. p. 375-384. e também reafirmado vantagens no uso das técnicas de MD (Figura 1) em relação a outras técnicas mais populares de previsão, como ARIMA, já apontadas em estudos anteriores⁵⁵55. Hong T, Pinson P, Fan S. Global energy forecasting competition 2012. Int J Forecasting 2014; 30(2):357-363..

As maiores dificuldades enfrentadas neste método de previsão se referem ao custo operacional. As etapas de pré e pós-processamento de MD consumiram aproximadamente 80% do custo operacional, como sugerem estudos anteriores⁵⁶56. Mannila H. Data mining: machine learning, statistics, and databases. Scientific and Statistical Database Management, International Conference on; 1996: IEEE Computer Society; 1996. p. 2-2.. Falta de acesso a dados totalmente consistentes foi outro problema, frequente em grandes bases de dados⁵⁷57. Witten IH, Frank E. Practical machine learning tools and techniques. 2nd ed. San Francisco: Morgan Kaufmann; 2005., pois atualizações nos dados de observação já publicadas limitaram o estudo, diminuindo a previsibilidade.

Conclusão

Modelos desenvolvidos a partir de séries temporais multivariadas, apesar de mais complexos, apresentaram melhor precisão que os modelos desenvolvidos a partir de séries univariadas.

As séries temporais multivariadas possibilitam maior aprendizagem dos algoritmos com o aumento de diferentes experiências históricas univariadas.

As técnicas de mineração de dados apresentaram melhor qualidade nas previsões em relação à técnica mais popular, ARIMA.

O IDH é um índice robusto com grande previsibilidade e vulnerabilidade, utilizado em pesquisas epidemiológicas, principalmente como delimitador demográfico ou parâmetro comparativo.

As previsões apontam que as médias de crescimento do IDH e da EV nos países da América Latina tendem a permanecerem maiores que a média mundial.

As contradições entre a previsão e os valores reais do índice ou de suas componentes, se comparados, futuramente poderão desencadear reflexões e auxiliar em tomadas de decisões para sustentação ou não de políticas públicas voltadas ao planejamento e gestão de saúde e, também, justificar o cenário vivido pelos países e mundo.

Referências

¹
United Nations Development Programme (UNDP). Human Development Report (HDR) 1990: Concept and Measurement of human development New York: UNDP; 1990.
²
Alkire S. Human development: Definitions, critiques, and related concepts. UNDP-HDRO Occasional Papers 2010.
³
United Nations Development Programme (UNDP). Human Development Report (HDR) 2014. Sustaining Human Progress: Reducing Vulnerabilities and Building Resilience New York: UNDP; 2014.
⁴
Kovacevic M. Review of HDI critiques and potential improvements, UNDP. Human Development Reports 2010; 33.
⁵
United Nations Development Programme (UNDP). Human Development Report (HDR) 2015. Rethinking Work for Human Development New York: UNDP; 2015.
⁶
Percio J, Medina NH, Luna EA. Visual Impairment and Human Development in Brazil. Int J Epidemiol 2015; 44(Supl. 1):i157.
⁷
Sadovsky ADI, Poton WL, Reis-Santos B, Barcelos MRB, Silva ICM. Índice de Desenvolvimento Humano e prevenção secundária de câncer de mama e colo do útero: um estudo ecológico. Cad Saude Publica 2015; 31(7):1539-1550.
⁸
Tavares LF, Castro IRR, Levy RB, Cardoso LO, Claro RM. Dietary patterns of Brazilian adolescents: results of the Brazilian National School-Based Health Survey (PeNSE). Cad Saude Publica 2014; 30(12):2679-2690.
⁹
Szuster DAC, Caiaffa WT, Andrade EIG, Acurcio FA, Cherchiglia ML. Sobrevida de pacientes em diálise no SUS no Brasil. Cad Saude Publica 2012; 28(3):415-424.
¹⁰
Castro JMd, Rodrigues-Júnior AL. A influência da mortalidade por causas externas no desenvolvimento humano na Faixa de Fronteira brasileira. Cad Saude Publica 2012; 28(1):195-200.
¹¹
Kariminia A, Chokephaibulkit K, Pang J, Lumbiganon P, Hansudewechakul R, Amin J, Kumarasamy N, Puthanakit T, Kurniati N, Nik Yusoff NK, Saphonn V, Fong SM, Razali K, Nallusamy R, Sohn AH, Sirisanthana V. Cohort Profile: The TREAT Asia Pediatric HIV Observational Database. Int J Epidemiol 2011; 40(1):15-24.
¹²
Martinez EZ, Roza DL, Caccia-Bava MCGG, Achcar JA, Dal-Fabbro AL. Gravidez na adolescência e características socioeconômicas dos municípios do Estado de São Paulo, Brasil: análise espacial. Cad Saude Publica 2011; 27(5):855-867.
¹³
González-Zapata LI, Estrada-Restrepo A, Álvarez-Castaño LS, Álvarez-Dardet C, Serra-Majem L. Exceso de peso, aspectos económicos, políticos y sociales en el mundo: un análisis ecológico. Cad Saude Publica 2011; 27(9):1746-1756.
¹⁴
Kanso S, Romero DE, Leite IC, Marques A. A evitabilidade de óbitos entre idosos em São Paulo, Brasil: análise das principais causas de morte. Cad Saude Publica 2013; 29(4):735-748.
¹⁵
Mendes ACG, Sá DA, Miranda GMD, Lyra TM, Tavares RAW. Assistência pública de saúde no contexto da transição demográfica brasileira: exigências atuais e futuras. Cad Saude Publica 2012; 28(5):955-964.
¹⁶
Chiavegatto Filho ADP, Laurenti R. Decomposição da diferença da expectativa de vida de Minas Gerais em relação ao Rio de Janeiro e São Paulo, Brasil. Cad Saude Publica 2013; 29(6):1131-1140.
¹⁷
Cervantes CAD, Botero MA. Average years of life lost due to breast and cervical cancer and the association with the marginalization index in Mexico in 2000 and 2010. Cad Saude Publica 2014; 30(5):1093-1102.
¹⁸
Campolina AG, Adami F, Santos JLF, Lebrão ML. A transição de saúde e as mudanças na expectativa de vida saudável da população idosa: possíveis impactos da prevenção de doenças crônicas. Cad Saude Publica 2013; 29(6):1217-1229.
¹⁹
Camargos MCS, Gonzaga MR. Viver mais e melhor? Estimativas de expectativa de vida saudável para a população brasileira. Cad Saude Publica 2015; 31(7):1460-1472.
²⁰
Stringhini S, Polidoro S, Sacerdote C, Kelly RS, van Veldhoven K, Agnoli C, Grioni S, Tumino R, Giurdanella MC, Panico S, Mattiello A, Palli D, Masala G, Gallo V, Castagné R, Paccaud F, Campanella G, Chadeau-Hyam M, Vineis P. Life-course socioeconomic status and DNA methylation of genes regulating inflammation. Int J Epidemiol 2015; 44(4):1320-1330.
²¹
Li L, Hardy R, Kuh D, Power C. Life-course body mass index trajectories and blood pressure in mid life in two British birth cohorts: stronger associations in the later-born generation. Int J Epidemiol 2015; 44(3):1018-1026.
²²
Lacey RE, Sacker A, Kumari M, Worts D, McDonough P, Booker C, McMunn A. Work-family life courses and markers of stress and inflammation in mid-life: evidence from the National Child Development Study. Int J Epidemiol 2015; 45(4):1247-1259.
²³
Hendi AS. Trends in U.S. life expectancy gradients: the role of changing educational composition. Int J Epidemiol 2015; 44(3):946-955.
²⁴
Morton SM, De Stavola BL, Leon DA. Intergenerational determinants of offspring size at birth: a life course and graphical analysis using the Aberdeen Children of the 1950s Study (ACONF). Int J Epidemiol 2014; 43(3):749-759.
²⁵
Anstey KJ, Kingston A, Kiely KM, Luszcz MA, Mitchell P, Jagger C. The influence of smoking, sedentary lifestyle and obesity on cognitive impairment-free life expectancy. Int J Epidemiol 2014; 43(6):1874-1883.
²⁶
Brunekreef B, Von Mutius E, Wong GK, Odhiambo JA, Clayton TO, Group tIPTS. Early life exposure to farm animals and symptoms of asthma, rhinoconjunctivitis and eczema: an ISAAC Phase Three Study. Int J Epidemiol 2012; 41(3):753-761.
²⁷
Mackenbach JP, Looman CW. Life expectancy and national income in Europe, 1900-2008: an update of Preston’s analysis. Int J Epidemiol 2013; 42(4):1100-1110.
²⁸
Mangalova E, Agafonov E. Wind power forecasting using the k-nearest neighbors algorithm. Int J Forecasting 2014; 30(2):402-406.
²⁹
Silva L. A feature engineering approach to wind power forecasting: GEFCom 2012. Int J Epidemiol 2014; 30(2):395-401.
³⁰
Rodrigues BD, Stevenson MJ. Takeover prediction using forecast combinations. Int J Forecasting 2013; 29(4):628-641.
³¹
Correa FE, Gama J, Pizzigatti Correa PL, Alves LRA. Data mining frequent temporal events in agrieconomic time series. IEEE Lat Am T 2015; 13(7):2329-2334.
³²
Sousa WRN, Couto MS, Castro AF, Silva MPS. Evaluation of desertification processes in ouricuri-pe through trend estimates of times series. IEEE Lat Am T 2013; 11(1):602-606.
³³
Xie Y, Schreier G, Hoy M, Liu Y, Neubauer S, Chang DCW, Redmond SJ, Lovell NH. Analyzing health insurance claims on different timescales to predict days in hospital. J Biomed Inform 2016; 60:187-196.
³⁴
Winters-Miner LA, Bolding PS, Hilbe JM, Goldstein M, Hill T, Nisbet R, Walton N, Miner GD. Biomedical Informatics. In: Winters-Miner LA, Bolding PS, Hilbe JM, Goldstein M, Hill T, Nisbet R, Walton N, Miner GD. Practical Predictive Analytics and Decisioning Systems for Medicine Cambridge: Academic Press; 2015. p. 42-59.
³⁵
Fayyad UM, Piatetsky-Shapiro G, Smyth P. From data mining to knowledge discovery in databases. AI magazine 1996; 17(3):37.
³⁶
Hall M, Frank E, Holmes G, Pfahringer B, Reutemann P, Witten IH. The WEKA data mining software: an update. ACM SIGKDD explorations newsletter 2009; 11(1):10-18.
³⁷
United Nations Development Programme (UNDATA). Human Development Index trends, 1980–2013 New York: UNDATA; 2014.
³⁸
Hall MA. Correlation-based feature selection for machine learning [thesis]: The University of Waikato; 1999.
³⁹
Shevade SK, Keerthi SS, Bhattacharyya C, Murthy KRK. Improvements to the SMO algorithm for SVM regression. IEEE T Neur Net Lear 2000; 11(5):1188-1193.
⁴⁰
Watts J. Brazil’s health system woes worsen in economic crisis. Lancet 2016; 387(10028):1603-1604.
⁴¹
Ravallion M. Troubling tradeoffs in the human development index. J Dev Econ 2012; 99(2):201-209.
⁴²
Central Intelligence Agency (CIA). The World Factbook Langley: CIA; 2016.
⁴³
World Bank. World Development Indicators Washington: The World Bank; 2016.
⁴⁴
Inoue JT, Rodrigues CG, Afonso LE. Tábua de mortalidade e expectativa de vida saudável: uma aplicação à população beneficiária de planos de saúde privados no Brasil em 2008. In: Anais do 12º Congresso USP de Controladoria e Contabilidade; 2012; São Paulo. p. 1-15.
⁴⁵
Brasil. Lei nº 13.183, de 4 de novembro de 2015. Altera as Leis nºs 8.212, de 24 de julho de 1991, e 8.213, de 24 de julho de 1991, para tratar da associação do segurado especial em cooperativa de crédito rural e, ainda essa última, para atualizar o rol de dependentes, estabelecer regra de não incidência do fator previdenciário, regras de pensão por morte e de empréstimo consignado, a Lei nº 10.779, de 25 de novembro de 2003, para assegurar pagamento do seguro-defeso para familiar que exerça atividade de apoio à pesca, a Lei nº 12.618, de 30 de abril de 2012, para estabelecer regra de inscrição no regime de previdência complementar dos servidores públicos federais titulares de cargo efetivo, a Lei nº 10.820, de 17 de dezembro de 2003, para dispor sobre o pagamento de empréstimos realizados por participantes e assistidos com entidades fechadas e abertas de previdência complementar e a Lei nº 7.998, de 11 de janeiro de 1990; e dá outras providências. Diário Oficial da União 2015; 5 nov.
⁴⁶
Lu B, He W, Piggott J. Should China introduce a social pension? The Journal of the Economics of Ageing 2014; 4:76-87.
⁴⁷
Rocha FRF. A previdência social no Brasil: uma política em reestruturação. Temporalis 2016; 2(30):453-473.
⁴⁸
Rosa VD. Atividade física e a qualidade de vida de mulheres idosas. FACES 2016.
⁴⁹
Vecchia RD, Ruiz T, Bocchi SCM, Corrente JE. Qualidade de vida na terceira idade: um conceito subjetivo. Rev Bras Epidemiol 2005; 8(3):246-252.
⁵⁰
Minayo MCS, Hartz ZMA, Buss PM. Qualidade de vida e saúde: um debate necessário. Cien Saude Colet 2000; 5(1):7-18.
⁵¹
Salgado Filho N, Brito DJA. Doença renal crônica: a grande epidemia deste milênio. J Bras Nefrol 2006; 28(2):1-5.
⁵²
Peña D, Sánchez I. Measuring the advantages of multivariate vs. univariate forecasts. J Time Ser Anal 2007; 28(6):886-909.
⁵³
Armstrong JS. Evaluating forecasting methods. In: Armstrong JS, editor. Principles of forecasting: Springer; 2001. p. 443-472.
⁵⁴
Li C, Jiang L. Using locally weighted learning to improve SMOreg for regression. Pacific Rim International Conference on Artificial Intelligence; 2006; Berlin Heidelberg: Springer; 2006. p. 375-384.
⁵⁵
Hong T, Pinson P, Fan S. Global energy forecasting competition 2012. Int J Forecasting 2014; 30(2):357-363.
⁵⁶
Mannila H. Data mining: machine learning, statistics, and databases. Scientific and Statistical Database Management, International Conference on; 1996: IEEE Computer Society; 1996. p. 2-2.
⁵⁷
Witten IH, Frank E. Practical machine learning tools and techniques 2^nd ed. San Francisco: Morgan Kaufmann; 2005.

Datas de Publicação

Publicação nesta coleção
Nov 2018

Histórico

Recebido
25 Maio 2016
Aceito
21 Out 2016
Revisado
23 Out 2016

This is an Open Access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.

[1] ¹
United Nations Development Programme (UNDP). Human Development Report (HDR) 1990: Concept and Measurement of human development New York: UNDP; 1990.

[2] ²
Alkire S. Human development: Definitions, critiques, and related concepts. UNDP-HDRO Occasional Papers 2010.

[3] ³
United Nations Development Programme (UNDP). Human Development Report (HDR) 2014. Sustaining Human Progress: Reducing Vulnerabilities and Building Resilience New York: UNDP; 2014.

[4] ⁴
Kovacevic M. Review of HDI critiques and potential improvements, UNDP. Human Development Reports 2010; 33.

[5] ⁵
United Nations Development Programme (UNDP). Human Development Report (HDR) 2015. Rethinking Work for Human Development New York: UNDP; 2015.

[6] ⁶
Percio J, Medina NH, Luna EA. Visual Impairment and Human Development in Brazil. Int J Epidemiol 2015; 44(Supl. 1):i157.

[7] ⁷
Sadovsky ADI, Poton WL, Reis-Santos B, Barcelos MRB, Silva ICM. Índice de Desenvolvimento Humano e prevenção secundária de câncer de mama e colo do útero: um estudo ecológico. Cad Saude Publica 2015; 31(7):1539-1550.

[8] ⁸
Tavares LF, Castro IRR, Levy RB, Cardoso LO, Claro RM. Dietary patterns of Brazilian adolescents: results of the Brazilian National School-Based Health Survey (PeNSE). Cad Saude Publica 2014; 30(12):2679-2690.

[9] ⁹
Szuster DAC, Caiaffa WT, Andrade EIG, Acurcio FA, Cherchiglia ML. Sobrevida de pacientes em diálise no SUS no Brasil. Cad Saude Publica 2012; 28(3):415-424.

[10] ¹⁰
Castro JMd, Rodrigues-Júnior AL. A influência da mortalidade por causas externas no desenvolvimento humano na Faixa de Fronteira brasileira. Cad Saude Publica 2012; 28(1):195-200.

[11] ¹¹
Kariminia A, Chokephaibulkit K, Pang J, Lumbiganon P, Hansudewechakul R, Amin J, Kumarasamy N, Puthanakit T, Kurniati N, Nik Yusoff NK, Saphonn V, Fong SM, Razali K, Nallusamy R, Sohn AH, Sirisanthana V. Cohort Profile: The TREAT Asia Pediatric HIV Observational Database. Int J Epidemiol 2011; 40(1):15-24.

[12] ¹²
Martinez EZ, Roza DL, Caccia-Bava MCGG, Achcar JA, Dal-Fabbro AL. Gravidez na adolescência e características socioeconômicas dos municípios do Estado de São Paulo, Brasil: análise espacial. Cad Saude Publica 2011; 27(5):855-867.

[13] ¹³
González-Zapata LI, Estrada-Restrepo A, Álvarez-Castaño LS, Álvarez-Dardet C, Serra-Majem L. Exceso de peso, aspectos económicos, políticos y sociales en el mundo: un análisis ecológico. Cad Saude Publica 2011; 27(9):1746-1756.

[14] ¹⁴
Kanso S, Romero DE, Leite IC, Marques A. A evitabilidade de óbitos entre idosos em São Paulo, Brasil: análise das principais causas de morte. Cad Saude Publica 2013; 29(4):735-748.

[15] ¹⁵
Mendes ACG, Sá DA, Miranda GMD, Lyra TM, Tavares RAW. Assistência pública de saúde no contexto da transição demográfica brasileira: exigências atuais e futuras. Cad Saude Publica 2012; 28(5):955-964.

[16] ¹⁶
Chiavegatto Filho ADP, Laurenti R. Decomposição da diferença da expectativa de vida de Minas Gerais em relação ao Rio de Janeiro e São Paulo, Brasil. Cad Saude Publica 2013; 29(6):1131-1140.

[17] ¹⁷
Cervantes CAD, Botero MA. Average years of life lost due to breast and cervical cancer and the association with the marginalization index in Mexico in 2000 and 2010. Cad Saude Publica 2014; 30(5):1093-1102.

[18] ¹⁸
Campolina AG, Adami F, Santos JLF, Lebrão ML. A transição de saúde e as mudanças na expectativa de vida saudável da população idosa: possíveis impactos da prevenção de doenças crônicas. Cad Saude Publica 2013; 29(6):1217-1229.

[19] ¹⁹
Camargos MCS, Gonzaga MR. Viver mais e melhor? Estimativas de expectativa de vida saudável para a população brasileira. Cad Saude Publica 2015; 31(7):1460-1472.

[20] ²⁰
Stringhini S, Polidoro S, Sacerdote C, Kelly RS, van Veldhoven K, Agnoli C, Grioni S, Tumino R, Giurdanella MC, Panico S, Mattiello A, Palli D, Masala G, Gallo V, Castagné R, Paccaud F, Campanella G, Chadeau-Hyam M, Vineis P. Life-course socioeconomic status and DNA methylation of genes regulating inflammation. Int J Epidemiol 2015; 44(4):1320-1330.

[21] ²¹
Li L, Hardy R, Kuh D, Power C. Life-course body mass index trajectories and blood pressure in mid life in two British birth cohorts: stronger associations in the later-born generation. Int J Epidemiol 2015; 44(3):1018-1026.

[22] ²²
Lacey RE, Sacker A, Kumari M, Worts D, McDonough P, Booker C, McMunn A. Work-family life courses and markers of stress and inflammation in mid-life: evidence from the National Child Development Study. Int J Epidemiol 2015; 45(4):1247-1259.

[23] ²³
Hendi AS. Trends in U.S. life expectancy gradients: the role of changing educational composition. Int J Epidemiol 2015; 44(3):946-955.

[24] ²⁴
Morton SM, De Stavola BL, Leon DA. Intergenerational determinants of offspring size at birth: a life course and graphical analysis using the Aberdeen Children of the 1950s Study (ACONF). Int J Epidemiol 2014; 43(3):749-759.

[25] ²⁵
Anstey KJ, Kingston A, Kiely KM, Luszcz MA, Mitchell P, Jagger C. The influence of smoking, sedentary lifestyle and obesity on cognitive impairment-free life expectancy. Int J Epidemiol 2014; 43(6):1874-1883.

[26] ²⁶
Brunekreef B, Von Mutius E, Wong GK, Odhiambo JA, Clayton TO, Group tIPTS. Early life exposure to farm animals and symptoms of asthma, rhinoconjunctivitis and eczema: an ISAAC Phase Three Study. Int J Epidemiol 2012; 41(3):753-761.

[27] ²⁷
Mackenbach JP, Looman CW. Life expectancy and national income in Europe, 1900-2008: an update of Preston’s analysis. Int J Epidemiol 2013; 42(4):1100-1110.

[28] ²⁸
Mangalova E, Agafonov E. Wind power forecasting using the k-nearest neighbors algorithm. Int J Forecasting 2014; 30(2):402-406.

[29] ²⁹
Silva L. A feature engineering approach to wind power forecasting: GEFCom 2012. Int J Epidemiol 2014; 30(2):395-401.

[30] ³⁰
Rodrigues BD, Stevenson MJ. Takeover prediction using forecast combinations. Int J Forecasting 2013; 29(4):628-641.

[31] ³¹
Correa FE, Gama J, Pizzigatti Correa PL, Alves LRA. Data mining frequent temporal events in agrieconomic time series. IEEE Lat Am T 2015; 13(7):2329-2334.

[32] ³²
Sousa WRN, Couto MS, Castro AF, Silva MPS. Evaluation of desertification processes in ouricuri-pe through trend estimates of times series. IEEE Lat Am T 2013; 11(1):602-606.

[33] ³³
Xie Y, Schreier G, Hoy M, Liu Y, Neubauer S, Chang DCW, Redmond SJ, Lovell NH. Analyzing health insurance claims on different timescales to predict days in hospital. J Biomed Inform 2016; 60:187-196.

[34] ³⁴
Winters-Miner LA, Bolding PS, Hilbe JM, Goldstein M, Hill T, Nisbet R, Walton N, Miner GD. Biomedical Informatics. In: Winters-Miner LA, Bolding PS, Hilbe JM, Goldstein M, Hill T, Nisbet R, Walton N, Miner GD. Practical Predictive Analytics and Decisioning Systems for Medicine Cambridge: Academic Press; 2015. p. 42-59.

[35] ³⁵
Fayyad UM, Piatetsky-Shapiro G, Smyth P. From data mining to knowledge discovery in databases. AI magazine 1996; 17(3):37.

[36] ³⁶
Hall M, Frank E, Holmes G, Pfahringer B, Reutemann P, Witten IH. The WEKA data mining software: an update. ACM SIGKDD explorations newsletter 2009; 11(1):10-18.

[37] ³⁷
United Nations Development Programme (UNDATA). Human Development Index trends, 1980–2013 New York: UNDATA; 2014.

[38] ³⁸
Hall MA. Correlation-based feature selection for machine learning [thesis]: The University of Waikato; 1999.

[39] ³⁹
Shevade SK, Keerthi SS, Bhattacharyya C, Murthy KRK. Improvements to the SMO algorithm for SVM regression. IEEE T Neur Net Lear 2000; 11(5):1188-1193.

[40] ⁴⁰
Watts J. Brazil’s health system woes worsen in economic crisis. Lancet 2016; 387(10028):1603-1604.

[41] ⁴¹
Ravallion M. Troubling tradeoffs in the human development index. J Dev Econ 2012; 99(2):201-209.

[42] ⁴²
Central Intelligence Agency (CIA). The World Factbook Langley: CIA; 2016.

[43] ⁴³
World Bank. World Development Indicators Washington: The World Bank; 2016.

[44] ⁴⁴
Inoue JT, Rodrigues CG, Afonso LE. Tábua de mortalidade e expectativa de vida saudável: uma aplicação à população beneficiária de planos de saúde privados no Brasil em 2008. In: Anais do 12º Congresso USP de Controladoria e Contabilidade; 2012; São Paulo. p. 1-15.

[45] ⁴⁵
Brasil. Lei nº 13.183, de 4 de novembro de 2015. Altera as Leis nºs 8.212, de 24 de julho de 1991, e 8.213, de 24 de julho de 1991, para tratar da associação do segurado especial em cooperativa de crédito rural e, ainda essa última, para atualizar o rol de dependentes, estabelecer regra de não incidência do fator previdenciário, regras de pensão por morte e de empréstimo consignado, a Lei nº 10.779, de 25 de novembro de 2003, para assegurar pagamento do seguro-defeso para familiar que exerça atividade de apoio à pesca, a Lei nº 12.618, de 30 de abril de 2012, para estabelecer regra de inscrição no regime de previdência complementar dos servidores públicos federais titulares de cargo efetivo, a Lei nº 10.820, de 17 de dezembro de 2003, para dispor sobre o pagamento de empréstimos realizados por participantes e assistidos com entidades fechadas e abertas de previdência complementar e a Lei nº 7.998, de 11 de janeiro de 1990; e dá outras providências. Diário Oficial da União 2015; 5 nov.

[46] ⁴⁶
Lu B, He W, Piggott J. Should China introduce a social pension? The Journal of the Economics of Ageing 2014; 4:76-87.

[47] ⁴⁷
Rocha FRF. A previdência social no Brasil: uma política em reestruturação. Temporalis 2016; 2(30):453-473.

[48] ⁴⁸
Rosa VD. Atividade física e a qualidade de vida de mulheres idosas. FACES 2016.

[49] ⁴⁹
Vecchia RD, Ruiz T, Bocchi SCM, Corrente JE. Qualidade de vida na terceira idade: um conceito subjetivo. Rev Bras Epidemiol 2005; 8(3):246-252.

[50] ⁵⁰
Minayo MCS, Hartz ZMA, Buss PM. Qualidade de vida e saúde: um debate necessário. Cien Saude Colet 2000; 5(1):7-18.

[51] ⁵¹
Salgado Filho N, Brito DJA. Doença renal crônica: a grande epidemia deste milênio. J Bras Nefrol 2006; 28(2):1-5.

[52] ⁵²
Peña D, Sánchez I. Measuring the advantages of multivariate vs. univariate forecasts. J Time Ser Anal 2007; 28(6):886-909.

[53] ⁵³
Armstrong JS. Evaluating forecasting methods. In: Armstrong JS, editor. Principles of forecasting: Springer; 2001. p. 443-472.

[54] ⁵⁴
Li C, Jiang L. Using locally weighted learning to improve SMOreg for regression. Pacific Rim International Conference on Artificial Intelligence; 2006; Berlin Heidelberg: Springer; 2006. p. 375-384.

[55] ⁵⁵
Hong T, Pinson P, Fan S. Global energy forecasting competition 2012. Int J Forecasting 2014; 30(2):357-363.

[56] ⁵⁶
Mannila H. Data mining: machine learning, statistics, and databases. Scientific and Statistical Database Management, International Conference on; 1996: IEEE Computer Society; 1996. p. 2-2.

[57] ⁵⁷
Witten IH, Frank E. Practical machine learning tools and techniques 2^nd ed. San Francisco: Morgan Kaufmann; 2005.

País*		Últimos Pontos de Observação %					Horizonte de Previsão						Variação %
		2010	2011	2012	2013	2014	2015	2016	2017	2018	2019	2020	2015-2020
ARG		0,811	0,818	0,831	0,833	0,836	0,843	0,85	0,858	0,865	0,874	0,882	5,50
CHL		0,814	0,821	0,827	0,83	0,832	0,836	0,844	0,852	0,86	0,869	0,877	5,43
URY		0,78	0,784	0,788	0,79	0,793	0,799	0,805	0,812	0,819	0,826	0,833	4,98
PAN		0,761	0,759	0,772	0,777	0,78	0,786	0,793	0,8	0,807	0,815	0,823	5,49
CUB		0,778	0,776	0,772	0,768	0,769	0,774	0,78	0,787	0,794	0,802	0,809	5,21
CRI		0,75	0,756	0,761	0,764	0,766	0,77	0,776	0,783	0,789	0,796	0,803	4,78
VEN		0,757	0,761	0,764	0,764	0,762	0,761	0,765	0,769	0,774	0,779	0,785	2,97
MEX		0,746	0,748	0,754	0,755	0,756	0,76	0,766	0,772	0,778	0,784	0,791	4,63
BRA		0,737	0,742	0,746	0,752	0,755	0,761	0,769	0,778	0,786	0,795	0,804	6,45
PER		0,718	0,722	0,728	0,732	0,734	0,739	0,745	0,752	0,759	0,766	0,773	5,26
ECU		0,717	0,723	0,727	0,73	0,732	0,734	0,739	0,743	0,748	0,754	0,759	3,68
COL		0,706	0,713	0,715	0,718	0,72	0,724	0,73	0,736	0,743	0,75	0,757	5,19
BLZ		0,709	0,711	0,716	0,715	0,715	0,715	0,717	0,72	0,723	0,726	0,728	1,86
DOM		0,701	0,704	0,708	0,711	0,715	0,72	0,726	0,733	0,74	0,747	0,754	5,41
PRY		0,668	0,671	0,669	0,677	0,679	0,681	0,686	0,691	0,696	0,701	0,707	4,05
SLV		0,653	0,658	0,662	0,664	0,666	0,669	0,674	0,682	0,689	0,696	0,703	5,48
BOL		0,641	0,647	0,654	0,658	0,662	0,667	0,671	0,677	0,683	0,689	0,695	4,96
GUY		0,624	0,63	0,629	0,634	0,636	0,637	0,64	0,644	0,648	0,651	0,655	3,00
NIC		0,619	0,623	0,625	0,628	0,631	0,636	0,643	0,651	0,66	0,668	0,676	7,13
GTM		0,611	0,617	0,624	0,626	0,627	0,632	0,639	0,647	0,655	0,663	0,671	7,05
HND		0,61	0,612	0,607	0,604	0,606	0,61	0,616	0,622	0,629	0,635	0,641	5,84
HTI		0,471	0,475	0,479	0,481	0,483	0,487	0,492	0,497	0,502	0,507	0,513	6,13
América Latina
	µ	0,699	0,703	0,707	0,71	0,712	0,716	0,721	0,727	0,734	0,74	0,747	4,99
	±	0,081	0,081	0,083	0,083	0,083	0,083	0,083	0,084	0,084	0,085	0,086	3,90
Mundial
	µ	0,679	0,683	0,687	0,689	0,691	0,695	0,7	0,705	0,711	0,717	0,723	4,63
	±	0,157	0,156	0,156	0,155	0,155	0,154	0,155	0,155	0,155	0,155	0,155	0,2

País*		Últimos Pontos de Observação %					Horizonte de Previsão						Variação %
		2010	2011	2012	2013	2014	2015	2016	2017	2018	2019	2020	2015-2020
CHL		80,4	80,7	81,1	81,4	81,7	82,14	82,63	83,19	83,81	84,50	85,25	4,35
CRI		78,8	78,9	79,1	79,2	79,4	79,58	79,82	80,09	80,40	80,75	81,13	2,18
CUB		79	79,1	79,2	79,3	79,4	79,53	79,64	79,78	79,95	80,17	80,41	1,27
PAN		76,8	77	77,2	77,4	77,6	77,86	78,12	78,43	78,76	79,14	79,56	2,52
URY		76,6	76,7	76,9	77	77,2	77,37	77,59	77,84	78,13	78,47	78,83	2,11
MEX		76,1	76,2	76,4	76,6	76,8	77,04	77,33	77,70	78,13	78,63	79,18	3,10
ARG		75,6	75,8	75,9	76,1	76,3	76,54	76,79	77,09	77,43	77,80	78,20	2,49
ECU		75	75,2	75,4	75,7	75,9	76,25	76,65	77,15	77,72	78,35	79,06	4,16
NIC		73,7	74	74,3	74,6	74,9	75,36	75,90	76,56	77,30	78,13	79,05	5,55
PER		73,7	73,9	74,1	74,3	74,6	74,93	75,36	75,89	76,51	77,22	77,99	4,55
BRA		73,3	73,6	73,9	74,2	74,5	74,91	75,35	75,86	76,43	77,08	77,79	4,41
VEN		73,6	73,7	73,9	74	74,2	74,38	74,61	74,85	75,14	75,46	75,81	2,17
COL		73,3	73,5	73,7	73,9	74	74,22	74,44	74,71	75,00	75,34	75,72	2,33
DOM		72,7	72,9	73,1	73,3	73,5	73,79	74,11	74,51	74,96	75,47	76,05	3,47
HND		72,4	72,6	72,8	72,9	73,1	73,37	73,69	74,09	74,58	75,16	75,81	3,71
SLV		71,9	72,2	72,5	72,8	73	73,41	73,94	74,59	75,30	76,11	77,03	5,52
PRY		72,3	72,5	72,6	72,8	72,9	73,09	73,25	73,47	73,69	73,97	74,27	1,88
GTM		70,9	71,1	71,4	71,6	71,8	72,14	72,56	73,07	73,66	74,34	75,11	4,61
BLZ		69,7	69,7	69,8	69,9	70	70,07	70,14	70,22	70,28	70,32	70,34	0,48
BOL		66,4	66,9	67,5	67,9	68,3	68,87	69,44	70,09	70,80	71,63	72,55	6,23
GUY		66	66,1	66,2	66,3	66,4	66,54	66,72	66,91	67,12	67,34	67,57	1,77
HTI		61,3	61,7	62,1	62,4	62,8	63,23	63,66	64,13	64,65	65,24	65,89	4,91
América Latina
	µ	73,2	73,4	73,6	73,8	74	74,3	74,6	75	75,4	75,9	76,5	3,33
	±	4,47	4,43	4,39	4,38	4,36	4,34	4,33	4,33	4,35	4,37	4,42	2,05
Mundial
	µ	69,9	70,2	70,5	70,8	71	71,4	71,7	72	72,4	72,8	73,3	3,18
	±	8,89	8,73	8,59	8,47	8,37	8,27	8,22	8,19	8,19	8,21	8,24	2,20

Horizonte de Previsão		IDH 2013-2014

Modelo		MMG^a		MME^b		MU^c

Estatística		µ	±	µ	±	µ	±
Medida de Qualidade	Precisão direcional - DAC**	98,61	4,23	96,46	5,54	96,11	5.72
	Erro absoluto médio - MAE*	0,0002	0,00005	0,0008	0,0005	0,0014	0,0007
	Erro percentual absoluto médio - MAPE*	0,026	0,006	0,12	0,07	0,21	0,08
	Erro quadrático médio - MSE	0,0	0,0	0,0	0,0	0,0	0,0
	Erro absoluto relativo - RAE*	3,53	0,57	17,49	11,28	29,58	15,11
	Raiz quadrada do erro quadrático médio - RMSE*	0,0002	0,00005	0,001	0,001	0,002	0,001
	Raiz quadrada do erro quadrático relativo - RRSE*	3,51	0,65	25,15	13,80	40,20	17,38

Saúde Pública

Saúde Pública

Previsão do Índice de Desenvolvimento Humano e da expectativa de vida nos países da América Latina por meio de técnicas de mineração de dados

Resumo

Introdução

Materiais e métodos

Pré-Processamento de mineração de dados

Mineração de dados

Pós-Processamento de Mineração de Dados

Resultados

Discussão

Previsões do IDH

Previsões da Expectativa de Vida

Método, Modelos e Algoritmo de Previsão

Conclusão

Referências

Datas de Publicação

Histórico

Previsão		IDH 2013

Modelo		MMG

Estatística		µ
Algoritmo	SMOReg	0,0002 ^a
	Gaussian Processes	0,0011 ^b
	RBF Network	0,0165 ^d
	Multilayer Perceptron	**
	Linear Regression	**
	Least Median Squared	**