Modelação de dados do serviço de urgência no Hospital de Braga

Detalhes bibliográficos
Autor(a) principal: Costa, Luís Paulo Ferreira da
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/1822/54702
Resumo: Dissertação de mestrado em Estatística
id RCAP_17de3a9838baf132fa2b0e4038743dad
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/54702
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Modelação de dados do serviço de urgência no Hospital de BragaModelos de regressão linearErros autocorrelacionadosPrevisão diáriaAplicação em ShinyMultiple linear regressionAutocorrelated errorsForecastingShiny AppCiências Naturais::MatemáticasDissertação de mestrado em EstatísticaEste trabalho consiste num estudo sobre a capacidade de previsão do número diário de pacientes que são admitidos no serviço de urgências do Hospital de Braga (SUHB). Para este estudo temos ao nosso dispôr séries temporais anuais do número de pacientes, desde 2012 até 2016, sendo feita posteriormente uma análise de regressão linear múltipla com erros correlacionados. Nessa análise são identificados os seguintes problemas: (1) os erros do modelo não são independentes, (2) algumas das variáveis explicativas não são significativas, (3) o termo de erro do modelo é definido por um processo autoregressivo. Os erros de um modelo autoregressivo irão ser considerados seguindo um processo autoregressivo integrado e de médias móveis (ARIMA). Definiu-se dois modelos de regressão, nos quais os termos de erro de ambos, seguem um processo autoregressivo de ordem sete (AR(7)). No primeiro modelo fazem-se previsões a longo prazo (um mês ou um ano), no segundo modelo utilizam-se os dados diários observados em tempo real para alterar as previsões já feitas no primeiro modelo, obtendo-se melhores previsões. Comparando as previsões dos modelos, realizadas no mesmo período de tempo, é possível observar que, o erro percentual absoluto médio do primeiro modelo é superior ao segundo modelo. Com a ajuda do software R, mais precisamente o package Shiny, foi possível construir uma web-app de previsão. Esta aplicação permite fazer previsão utilizando ambos os modelos estudados.This work is about the capacity of forecasting the daily number of patients that enter Hospital of Braga Emergency Room (HBER). For this study we have annual time series of the daily number of patients since 2012 up to 2016, and having that we then do multiple regression analysis with correlated errors. In that analysis we identify the following problems: (1) the errors of the model are not independent, (2) some of the explanatory variables are not significant, (3) the model is not considering the errors of an autoregressive process. The errors of an autoregressive model are going to be considered has following an ARIMA process. We defined two regression models in which the error term of both models, follow an autoregressive process of order seven (AR(7)). In the first model the forecasting is done for a long time period (one month or one year), in the second model we use the daily observed data, in real time, so that the forecasting is altered in relation to the first model, doing that we can obtain better forecasts. Comparing the forecasts, for the same period, we can observe that the mean absolute percentage error from the first model is higher than the second model. With the help of R statistical software, more precisely the Shiny package, we were able to build a forecasting Web-App. Using this App we can forecast using both of the models that we study in this paper.Sousa, InêsDória, SóniaUniversidade do MinhoCosta, Luís Paulo Ferreira da20182018-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/1822/54702por201906031info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T11:56:00Zoai:repositorium.sdum.uminho.pt:1822/54702Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T18:45:36.073473Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Modelação de dados do serviço de urgência no Hospital de Braga
title Modelação de dados do serviço de urgência no Hospital de Braga
spellingShingle Modelação de dados do serviço de urgência no Hospital de Braga
Costa, Luís Paulo Ferreira da
Modelos de regressão linear
Erros autocorrelacionados
Previsão diária
Aplicação em Shiny
Multiple linear regression
Autocorrelated errors
Forecasting
Shiny App
Ciências Naturais::Matemáticas
title_short Modelação de dados do serviço de urgência no Hospital de Braga
title_full Modelação de dados do serviço de urgência no Hospital de Braga
title_fullStr Modelação de dados do serviço de urgência no Hospital de Braga
title_full_unstemmed Modelação de dados do serviço de urgência no Hospital de Braga
title_sort Modelação de dados do serviço de urgência no Hospital de Braga
author Costa, Luís Paulo Ferreira da
author_facet Costa, Luís Paulo Ferreira da
author_role author
dc.contributor.none.fl_str_mv Sousa, Inês
Dória, Sónia
Universidade do Minho
dc.contributor.author.fl_str_mv Costa, Luís Paulo Ferreira da
dc.subject.por.fl_str_mv Modelos de regressão linear
Erros autocorrelacionados
Previsão diária
Aplicação em Shiny
Multiple linear regression
Autocorrelated errors
Forecasting
Shiny App
Ciências Naturais::Matemáticas
topic Modelos de regressão linear
Erros autocorrelacionados
Previsão diária
Aplicação em Shiny
Multiple linear regression
Autocorrelated errors
Forecasting
Shiny App
Ciências Naturais::Matemáticas
description Dissertação de mestrado em Estatística
publishDate 2018
dc.date.none.fl_str_mv 2018
2018-01-01T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/1822/54702
url http://hdl.handle.net/1822/54702
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv 201906031
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132209118969856