Question

Durante o delineamento experimental em projetos de Ciência de Dados, o analista deve estruturar metodologicamente a divisão do conjunto de dados para treinamento, validação e teste. O objetivo central é obter uma estimativa não viesada do erro de generalização do modelo em dados não observados. Em cenários práticos que envolvem a predição de fenômenos de natureza temporal (séries temporais e dados longitudinalmente indexados), as propriedades estatísticas de independência e distribuição idêntica (i.i.d.) são frequentemente violadas. Considerando os fundamentos teóricos de reamostragem e validação cruzada aplicados a dados dependentes, assinale a abordagem conceitualmente correta.

Accepted Answer

E) A validação cruzada por estratégia de janela em expansão (expanding window) respeita a causalidade cronológica ao incrementar iterativamente o conjunto de treinamento com dados históricos passados, avaliando o modelo estritamente em observações futuras contíguas.

Answer

A) O isolamento de blocos contíguos de teste sem a inserção de zonas de descarte (gaps) entre os conjuntos de treino e teste elimina a dependência de longo prazo dos dados, forçando o colapso da variância do estimador de erro.

Answer

B) O emprego da validação cruzada k-fold convencional com permutação aleatória prévia elimina a autocorrelação temporal residual do atributo alvo, garantindo estimativas de erro não viesadas para dados longitudinais estruturados.

Answer

C) A amostragem por reamostragem estratificada (Stratified k-fold) atua sobre o índice temporal para forçar que cada subconjunto possua uma representação idêntica das flutuações sazonais, inviabilizando o viés de look-ahead.

Answer

D) A técnica de divisão aleatória simples do tipo Holdout (80/20) preserva a independência assintótica das observações temporais sequenciais, desde que o tamanho amostral total supere o limite crítico estabelecido pelos teoremas assintóticos.

Mais questões de Modelos AR, MA, ARMA e ARIMA