A utilização dos métodos de suavização exponencial simples, suavização exponencial de Holt e suavização exponencial de Holt-Winters retornaram um erro de previsão (raiz do erro médio quadrático) maior que os modelos da classe ARIMA. Embora o erro absoluto médio calculado para a suavização exponencial simples e para a suavização exponencial de Holt foram inferior aos erros dos modelos da classe ARIMA, os valores previtos através destes métodos foram próximos de zero, inclusive com algumas previsões com valores ne- gativos. Com relação à suavização exponencial de Holt-Winters alguns valores observados ficaram fora do intervalo de confiança da previsão.
Foram ajustados três modelos a partir da metodologia de Box-Jenkins, sendo estes o ARIMA(5,0,0), o ARIMA(3,0,3) e o SARIMA(2, 0, 3)(1, 0, 1)52. Percebeu-se que apesar do
indicativo de que a dengue sofra influência de variáveis climáticas, que são por natureza sazonais, o modelo SARIMA(2, 0, 3)(1, 0, 1)52 que considera a sazonalidade se mostrou
inferior aos outros modelos tanto com relação ao AIC quanto aos erros de previsão. Um dos motivos associados ao fato do modelo sazonal ser inferior pode ser em decorrência dos dados serem semanais, segundo Hyndman e Athanasopoulos (2018) a dificuldade em trabalhar com dados semanais é que o período ssazonal é grande e não inteiro, o número médio de semanas em um ano é de 52,18.
Foi constatado que para a série análisada a inclusão de outliers aditivos, através da análise de intervenção, não melhora de forma expressiva o modelo, principalmente com relação a previsão. A inclusão da covariável temperatura máxima, através do modelo ARI- MAX não melhorou de forma expressiva o modelo. Ao fazer a modelagem da volatilidade da série utilizando os modelos da família ARCH/GARCH, observa-se que a série possui uma alta volatilidade e que os picos de volatilidade estimados coincidem com as maiores taxas de incidência de dengue.
Com base nos resultados obtidos, foi observado que nenhum modelo foi suficiente para explicar a taxa de incidência de dengue em Natal e fazer previsões confiáveis. Existiu
a dificuldade em se trabalhar com dados da dengue em decorrência da complexidade epidemiológica da doença, juntamente com o fato apresentarem múltiplos padrões. Vale citar que os dados com frequência semanal foram transformados para a frequência mensal, entretanto os resultados do ajuste de modelos através da metodologia de Box-Jenkins se mostraram semelhantes aos resultados dos dados em semanas epidemiológicas.
Como sugestão para trabalhos futuros, pode-se tentar incorporar covariáveis climáticas através da técnica de regressão dinâmica harmônica. Hyndman e Athanasopoulos (2018) sugeriram a utilizaçao desta técnica para séries temporais com frequência semanal. Uma outra alternativa seria trabalhar com a série temporal do número de casos de dengue notificados e utilizar uma metodologia para séries temporais de valores inteiros.
Referências
AKBAR, R. Ten threats to global health in 2019. 2019. Disponível em: <https: //www.who.int/emergencies/ten-threats-to-global-health-in-2019>. Acesso em Março 21, 2019.
BARRETO, J. Natal registra 6.585 casos de dengue, zika e chikungunya no primeiro semestre de 2018. G1, 2018. Disponível em: <https://g1.globo.com/rn/rio-grande- do-norte/noticia/natal-registra-6585-casos-de-dengue-zika-e-chikungunya-no-primeiro- semestre-do-ano.ghtml>. Acesso em: 22 mai. 2019.
BESERRA, E. B. et al. Efeitos da temperatura no ciclo de vida, exigências térmicas e estimativas do número de gerações anuais de aedes aegypti (diptera, culicidae). Iheringia. Série Zoologia, SciELO Brasil, v. 99, n. 2, p. 142–148, 2009.
BHATT, S. et al. The global distribution and burden of dengue. Nature, Nature Publishing Group, v. 496, n. 7446, p. 504, 2013.
BOLLERSLEV, T. Generalized autoregressive conditional heteroskedasticity. Journal of econometrics, Elsevier, v. 31, n. 3, p. 307–327, 1986.
BOX, G. E. P.; JENKINS, G. M. Time Series Analysis: Forecasting and Control. San Francisco: Holden-Day, 1970.
BOX, G. E. P.; JENKINS, G. M.; REINSEL, G. C. Time series analysis, forecasting and control. [S.l.]: Englewood Cliffs: Prentice-Hall, 1994.
BRADY, O. J. et al. Refining the global spatial limits of dengue virus transmission by evidence-based consensus. PLoS neglected tropical diseases, Public Library of Science, v. 6, n. 8, p. e1760, 2012.
BRADY, O. J. et al. Modelling adult aedes aegypti and aedes albopictus survival at different temperatures in laboratory and field settings. Parasites & vectors, BioMed Central, v. 6, n. 1, p. 351, 2013.
CHANG, I.; TIAO, G. C.; CHEN, C. Estimation of time series parameters in the presence of outliers. Technometrics, Taylor & Francis Group, v. 30, n. 2, p. 193–204, 1988.
CHRISTOPHERS, S. R. Aedes aegypti: The yellow fever mosquito. [S.l.]: CUP Archive, 1960.
CLEVELAND, R. B. et al. Stl: a seasonal-trend decomposition. Journal of official statistics, v. 6, n. 1, p. 3–73, 1990.
COM mais de mil casos registrados, Natal vive início de epidemia de dengue. G1, 2018. Disponível em: <https://g1.globo.com/rn/rio-grande-do-norte/noticia/com-mais-de-mil- casos-registrados-natal-vive-inicio-de-epidemia-de-dengue.ghtml>. Acesso em: 22 mai. 2019.
CORTES, F. et al. Time series analysis of dengue surveillance data in two brazilian cities. Acta tropica, Elsevier, v. 182, p. 190–197, 2018.
ENGLE, R. F. Autoregressive conditional heteroscedasticity with estimates of the variance of united kingdom inflation. Econometrica: Journal of the Econometric Society, JSTOR, p. 987–1007, 1982.
FOCKS, D. A. et al. Dynamic life table model for aedes aegypti (diptera: Culicidae): analysis of the literature and model development. Journal of medical entomology, Oxford University Press Oxford, UK, v. 30, n. 6, p. 1003–1017, 1993.
GRANGER, C. W.; HALLMAN, J. Nonlinear transformations of integrated time series. Journal of Time Series Analysis, Wiley Online Library, v. 12, n. 3, p. 207–224, 1991.
GUZMAN, M. G.; HARRIS, E. Dengue. The Lancet, Elsevier, v. 385, n. 9966, p. 453–465, 2015.
HOPP, M. J.; FOLEY, J. A. Global-scale relationships between climate and the dengue fever vector, aedes aegypti. Climatic change, Springer, v. 48, n. 2-3, p. 441–463, 2001. HYNDMAN, R. J.; ATHANASOPOULOS, G. Forecasting: principles and practice. [S.l.]: OTexts, 2018.
JOHANSSON, M. A. et al. Evaluating the performance of infectious disease forecasts: A comparison of climate-driven and seasonal dengue forecasts for mexico. Scientific reports, v. 6, p. 33707, 2016.
KOOPMAN, J. S. et al. Determinants and predictors of dengue infection in mexico. American journal of epidemiology, Oxford University Press, v. 133, n. 11, p. 1168–1178, 1991.
LUZ, P. M. et al. Time series analysis of dengue incidence in rio de janeiro, brazil. The American journal of tropical medicine and hygiene, ASTMH, v. 79, n. 6, p. 933–939, 2008.
MARTINEZ, E. Z.; SILVA, E. A. S. d. Predicting the number of cases of dengue infection in ribeirão preto, são paulo state, brazil, using a sarima model. Cadernos de saude publica, SciELO Public Health, v. 27, p. 1809–1818, 2011.
MARTINEZ, E. Z.; SILVA, E. A. S. d.; FABBRO, A. L. D. A sarima forecasting model to predict the number of cases of dengue in campinas, state of são paulo, brazil. Revista da Sociedade Brasileira de Medicina Tropical, SciELO Brasil, v. 44, n. 4, p. 436–440, 2011.
MCARTHUR, M. A.; SZTEIN, M. B.; EDELMAN, R. Dengue vaccines: recent developments, ongoing challenges and current candidates. Expert review of vaccines, Taylor & Francis, v. 12, n. 8, p. 933–953, 2013.
MESSINA, J. P. et al. The many projected futures of dengue. Nature Reviews Microbiology, Nature Publishing Group, v. 13, n. 4, p. 230, 2015.
MORETTIN, P. A.; TOLOI, C. M. C. Previsão de séries temporais. 2. ed. São Paulo: Atual, 1987.
MORETTIN, P. A.; TOLOI, C. M. C. Análise de séries temporais. 2. ed. São Paulo: Edgar Blucher, 2006.
NATAL apresenta redução no número de notificações dos casos de arboviroses. Prefeitura do Natal, 2019. Disponível em: <https://natal.rn.gov.br/noticia/ntc-30335.html>. Acesso em: 22 mai. 2019.
NATAL sai do quadro de epidemia de dengue, afirma Secretaria de Saúde. Agora RN, 2018. Disponível em: <https://agorarn.com.br/cidades/natal-sai-do-quadro-de-epidemia- de-dengue-afirma-secretaria-de-saude/>. Acesso em: 22 mai. 2019.
NATAL tem redução de 14% em casos de dengue, zika e chikungunya no início de 2019. G1, 2019. Disponível em: <https://g1.globo.com/rn/rio-grande-do- norte/noticia/2019/03/13/natal-tem-reducao-de-14-em-casos-de-dengue-zika-e- chikungunya-no-inicio-de-2019.ghtml>. Acesso em: 22 mai. 2019.
PAIVA, H. F. d. M. Impacto de Variáveis Meteorológicas na Ocorrência de Doenças Transmitidas pelo Mosquito Aedes aegypti em Natal-RN. 2018. Dissertação (Mestrado no Programa de Pós-graduação em Engenharia de Produção), - Universidade Federal do Rio Grande do Norte, Natal.
PEREIRA, M. B. Teste de Dickey-Fuller robusto baseado nos ranks para séries temporais com observações atípicas. 2010. Monografia (Bacharelado em Estatística), Universidade Federal do Espírito Santo, Vitória.
POWERS, A. M. Chikungunya virus control: is a vaccine on the horizon? The Lancet, Elsevier, v. 384, n. 9959, p. 2008–2009, 2014.
R Core Team. R: A Language and Environment for Statistical Computing. Vienna, Austria, 2019. Disponível em: <https://www.R-project.org/>.
REISEN, V. A. et al. Robust dickey–fuller tests based on ranks for time series with additive outliers. Metrika, Springer, v. 80, n. 1, p. 115–131, 2017.
REISEN, V. A.; MOLINARES, F. A. F.; TEIXEIRA, E. C. Modelagem de séries temporais sazonais na presença de outliers: Estudo de caso da vazo máxima mensal do rio jucu, es, brasil. Revista Brasileira de Recursos Hídricos, v. 13, n. 2, p. 45–53, 2008. ROY, C. J. et al. Chikungunya vaccine candidate is highly attenuated and protects nonhuman primates against telemetrically monitored disease following a single dose. The Journal of infectious diseases, Oxford University Press, v. 209, n. 12, p. 1891–1899, 2014. SIMMONS, C. P. et al. Dengue. New England Journal of Medicine, Mass Medical Soc, v. 366, n. 15, p. 1423–1432, 2012.
SOARES, A. I. M. Modelagem e monitoramento das taxas de incidência de dengue da cidade de Natal/RN. 2019. Monografia (Bacharelado em Estatística), Universidade Federal do Rio Grande do Norte, Natal.
VILLAR, L. et al. Efficacy of a tetravalent dengue vaccine in children in latin america. New England Journal of Medicine, v. 372, n. 2, p. 113–123, 2015.
WU, P.-C. et al. Weather as an effective predictor for occurrence of dengue fever in taiwan. Acta tropica, v. 103, n. 1, p. 50–57, 2007.
ZELLWEGER, R. M. et al. Socioeconomic and environmental determinants of dengue transmission in an urban setting: An ecological study in nouméa, new caledonia. PLoS neglected tropical diseases, Public Library of Science, v. 11, n. 4, p. e0005471, 2017.