SISTEMÁTICA PARA IDENTIFICAÇÃO DAS VARIÁVEIS PREDITIVAS MAIS RELEVANTES EM UM PROCESSO DO SETOR METAL-MECÂNICO

Detalhes bibliográficos
Autor(a) principal: Stein, Marcela
Data de Publicação: 2014
Outros Autores: Anzanello, Michel José, Kahmann, Alessandro
Tipo de documento: Artigo
Idioma: por
Título da fonte: Revista Gestão Industrial
Texto Completo: https://periodicos.utfpr.edu.br/revistagi/article/view/1576
Resumo: As avançadas tecnologias de monitoramento e coleta de dados de processos industriais têm gerado um grande volume de informações que viabilizam a análise do desempenho destes processos. Neste contexto, procedimentos de seleção de variáveis constituem-se em importante recurso para aprimorar o monitoramento e entendimento de tais informações, tipicamente apoiadas em bancos formados por variáveis altamente correlacionadas, ruidosas ou com informação pouco relevante. Esse artigo propõe uma sistemática para identificar as variáveis (indicadores) mais relevantes com vistas à predição dos níveis de formação de sucata em uma empresa do ramo metal mecânico. Para tanto, um modelo de regressão linear múltipla é inicialmente ajustado aos dados normalizados. As variáveis são então sistematicamente removidas com base no valor absoluto do coeficiente de regressão. Após cada eliminação de variável, a capacidade preditiva do modelo é avaliada através das medidas de desempenho Critério de Informação Akaike (AIC) e Soma dos Quadrados dos Erros (SQE). A capacidade preditiva dos modelos resultantes foi considerada adequada por especialistas de processo.
id UTFPR-5_ffac3787bb55ca566de47abc9c7f226c
oai_identifier_str oai:periodicos.utfpr:article/1576
network_acronym_str UTFPR-5
network_name_str Revista Gestão Industrial
repository_id_str
spelling SISTEMÁTICA PARA IDENTIFICAÇÃO DAS VARIÁVEIS PREDITIVAS MAIS RELEVANTES EM UM PROCESSO DO SETOR METAL-MECÂNICOG QualidadeAs avançadas tecnologias de monitoramento e coleta de dados de processos industriais têm gerado um grande volume de informações que viabilizam a análise do desempenho destes processos. Neste contexto, procedimentos de seleção de variáveis constituem-se em importante recurso para aprimorar o monitoramento e entendimento de tais informações, tipicamente apoiadas em bancos formados por variáveis altamente correlacionadas, ruidosas ou com informação pouco relevante. Esse artigo propõe uma sistemática para identificar as variáveis (indicadores) mais relevantes com vistas à predição dos níveis de formação de sucata em uma empresa do ramo metal mecânico. Para tanto, um modelo de regressão linear múltipla é inicialmente ajustado aos dados normalizados. As variáveis são então sistematicamente removidas com base no valor absoluto do coeficiente de regressão. Após cada eliminação de variável, a capacidade preditiva do modelo é avaliada através das medidas de desempenho Critério de Informação Akaike (AIC) e Soma dos Quadrados dos Erros (SQE). A capacidade preditiva dos modelos resultantes foi considerada adequada por especialistas de processo.Universidade Tecnológica Federal do Paraná (UTFPR)Stein, MarcelaAnzanello, Michel JoséKahmann, Alessandro2014-12-09info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://periodicos.utfpr.edu.br/revistagi/article/view/157610.3895/S1808-04482014000100007Revista Gestão Industrial; v. 10, n. 1 (2014)1808-044810.3895/S1808-044820140001reponame:Revista Gestão Industrialinstname:Universidade Tecnológica Federal do Paraná (UTFPR)instacron:UTFPRporhttps://periodicos.utfpr.edu.br/revistagi/article/view/1576/1825Direitos autorais 2016 CC-BYhttp://creativecommons.org/licenses/by/4.0info:eu-repo/semantics/openAccess2014-12-18T12:53:24Zoai:periodicos.utfpr:article/1576Revistahttps://periodicos.utfpr.edu.br/revistagiPUBhttps://periodicos.utfpr.edu.br/revistagi/oai||revistagi@utfpr.edu.br1808-04481808-0448opendoar:2014-12-18T12:53:24Revista Gestão Industrial - Universidade Tecnológica Federal do Paraná (UTFPR)false
dc.title.none.fl_str_mv SISTEMÁTICA PARA IDENTIFICAÇÃO DAS VARIÁVEIS PREDITIVAS MAIS RELEVANTES EM UM PROCESSO DO SETOR METAL-MECÂNICO
title SISTEMÁTICA PARA IDENTIFICAÇÃO DAS VARIÁVEIS PREDITIVAS MAIS RELEVANTES EM UM PROCESSO DO SETOR METAL-MECÂNICO
spellingShingle SISTEMÁTICA PARA IDENTIFICAÇÃO DAS VARIÁVEIS PREDITIVAS MAIS RELEVANTES EM UM PROCESSO DO SETOR METAL-MECÂNICO
Stein, Marcela
G Qualidade
title_short SISTEMÁTICA PARA IDENTIFICAÇÃO DAS VARIÁVEIS PREDITIVAS MAIS RELEVANTES EM UM PROCESSO DO SETOR METAL-MECÂNICO
title_full SISTEMÁTICA PARA IDENTIFICAÇÃO DAS VARIÁVEIS PREDITIVAS MAIS RELEVANTES EM UM PROCESSO DO SETOR METAL-MECÂNICO
title_fullStr SISTEMÁTICA PARA IDENTIFICAÇÃO DAS VARIÁVEIS PREDITIVAS MAIS RELEVANTES EM UM PROCESSO DO SETOR METAL-MECÂNICO
title_full_unstemmed SISTEMÁTICA PARA IDENTIFICAÇÃO DAS VARIÁVEIS PREDITIVAS MAIS RELEVANTES EM UM PROCESSO DO SETOR METAL-MECÂNICO
title_sort SISTEMÁTICA PARA IDENTIFICAÇÃO DAS VARIÁVEIS PREDITIVAS MAIS RELEVANTES EM UM PROCESSO DO SETOR METAL-MECÂNICO
author Stein, Marcela
author_facet Stein, Marcela
Anzanello, Michel José
Kahmann, Alessandro
author_role author
author2 Anzanello, Michel José
Kahmann, Alessandro
author2_role author
author
dc.contributor.none.fl_str_mv
dc.contributor.author.fl_str_mv Stein, Marcela
Anzanello, Michel José
Kahmann, Alessandro
dc.subject.por.fl_str_mv G Qualidade
topic G Qualidade
description As avançadas tecnologias de monitoramento e coleta de dados de processos industriais têm gerado um grande volume de informações que viabilizam a análise do desempenho destes processos. Neste contexto, procedimentos de seleção de variáveis constituem-se em importante recurso para aprimorar o monitoramento e entendimento de tais informações, tipicamente apoiadas em bancos formados por variáveis altamente correlacionadas, ruidosas ou com informação pouco relevante. Esse artigo propõe uma sistemática para identificar as variáveis (indicadores) mais relevantes com vistas à predição dos níveis de formação de sucata em uma empresa do ramo metal mecânico. Para tanto, um modelo de regressão linear múltipla é inicialmente ajustado aos dados normalizados. As variáveis são então sistematicamente removidas com base no valor absoluto do coeficiente de regressão. Após cada eliminação de variável, a capacidade preditiva do modelo é avaliada através das medidas de desempenho Critério de Informação Akaike (AIC) e Soma dos Quadrados dos Erros (SQE). A capacidade preditiva dos modelos resultantes foi considerada adequada por especialistas de processo.
publishDate 2014
dc.date.none.fl_str_mv 2014-12-09
dc.type.none.fl_str_mv
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://periodicos.utfpr.edu.br/revistagi/article/view/1576
10.3895/S1808-04482014000100007
url https://periodicos.utfpr.edu.br/revistagi/article/view/1576
identifier_str_mv 10.3895/S1808-04482014000100007
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://periodicos.utfpr.edu.br/revistagi/article/view/1576/1825
dc.rights.driver.fl_str_mv Direitos autorais 2016 CC-BY
http://creativecommons.org/licenses/by/4.0
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Direitos autorais 2016 CC-BY
http://creativecommons.org/licenses/by/4.0
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Tecnológica Federal do Paraná (UTFPR)
publisher.none.fl_str_mv Universidade Tecnológica Federal do Paraná (UTFPR)
dc.source.none.fl_str_mv Revista Gestão Industrial; v. 10, n. 1 (2014)
1808-0448
10.3895/S1808-044820140001
reponame:Revista Gestão Industrial
instname:Universidade Tecnológica Federal do Paraná (UTFPR)
instacron:UTFPR
instname_str Universidade Tecnológica Federal do Paraná (UTFPR)
instacron_str UTFPR
institution UTFPR
reponame_str Revista Gestão Industrial
collection Revista Gestão Industrial
repository.name.fl_str_mv Revista Gestão Industrial - Universidade Tecnológica Federal do Paraná (UTFPR)
repository.mail.fl_str_mv ||revistagi@utfpr.edu.br
_version_ 1800237644556271616

Registros relacionados