Inteligência artificial aplicada por meio de Deep Learning (redes neurais) e pelo método tradicional econométrico de regressão por mínimos quadrados ordinários

Resumo

O campo de aplicação para instrumentos que envolvem algoritmos de inteligência artificial (IA) está cada vez mais abrangente no mundo atual. sendo que em praticamente todas as ciências, esse ramo de aprendizado avança em várias áreas e especificidades. Dessa forma, esta pesquisa teve como objetivo verificar, em termos aplicados e didáticos, se a metodologia tradicional econométrica de regressões por mínimos quadrados ordinários (MQO) e a metodologia de redes neurais (RN) têm o mesmo desempenho em situações diversas de testes empíricos para série de dados sobrepostos em algoritmos de inteligência artificial. O problema da pesquisa foi saber se o método MQO e o método RN, em geral, apresentam resultados satisfatórios em estimativas estatísticas e para certos tipos de algoritmos de IA. A hipótese da pesquisa é que os métodos tradicionais, como o MQO, funcionam melhor para dados estruturados, enquanto redes neurais destacam-se com dados complexos/aleatórios. Em prévia, os testes econométricos quantitativos realizados demonstraram que a utilização das metodologias RN e MQO são abordagens que podem ser utilizadas em conjunto quando aplicadas em algoritmos de IA. Os resultados quantitativos ainda demonstraram que a técnica RN, em geral, apresenta melhores resultados para dados com características de variáveis aleatórias e o método tradicional econométrico MQO apresenta, em geral, melhores resultados para quando os dados observados têm características de variáveis “mais comportadas” e menos aleatórias em termos matemáticos. Sendo ainda, que o critério principal utilizado para mensuração de desempenho foi o indicador de Mínimos Quadrados Médio (MSE - Mean Squared Error), além também dos indicadores de Raiz Quadrada da Média dos Erros ao Quadrado (RMSE - Root Mean Squared Error), Erro Absoluto Médio (MAE - Mean Absolute Error) e o Coeficiente de Determinação R².