A implementation mathematical-computational method for the detection and treatment of financial outliers in higher education

  • Nathan C. Freitas UFRPE
  • Roberta M. M. Gouveia UFRPE
  • Gabriel A. de Albuquerque Júnior UFRPE
  • Maria da Conceição M. Batista UFRPE
  • Rodrigo Lins Rodrigues UFRPE

Resumo


O Censo da Educação Superior ocorre anualmente, coletando dados de Instituições de Ensino Superior (IES) no Brasil. Diferentes fatores podem levar a anomalias ou outliers em alguns destes dados coletados. Este trabalho propõe um método matemático-computacional para detectar e tratar valores financeiros atípicos das IES. Para tanto, adota-se as análises univariadas e bivariadas dos dados. Foram analisados dados de despesas e receitas das IES do Censo de 2016 a 2019. Esta análise revelou que 204 de 2.224 IES, aproximadamente 10%, reportaram algum dado atípico.

Referências

Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (Inep). (2022) Censo da Educação Superior. Acesso em 10 de outubro de 2022. Disponível em [link].

Fayyad, U. Piatetsky-Shapiro, G. e Smyth, P. (1996) From Data Mining to Knowledge Discovery in Databases. AI Magazine.

Silva, P. do Nascimento, R. L. S. Lima, M. Fagundes, R. & de Souza, F. D. F. (2019). Modelos de regressão aplicados a predição do desempenho escolar de estudantes do ensino fundamental. Anais do XXX Simpósio Brasileiro de Informática na Educação (SBIE), p. 1631.

Pinto, G. Freitas Júnior, O. & Costa, E. (2020). Mineração de Dados Educacionais: Um Modelo de Predição do Perfil do Aluno para Melhoria do IDEB. Anais do XXXI Simpósio Brasileiro de Informática na Educação (SBIE), p. 1172.

Machado, R. G. (2022) Subsídio às Fiscalizações Públicas: Identificação dos Municípios com gastos discrepantes na Educação Básica, CADERNOS DE FINANÇAS PÚBLICAS. 22(01).

Carrano, D., Albergaria, E., Infante, C., & Rocha, L. (2019). Combinando Técnicas de Mineração de Dados para Melhorar a Detecção de Indicadores de Evasão Universitária. Anais do XXX Simpósio Brasileiro de Informática na Educação (SBIE), p. 1321.

de Siqueira Gê, E. A., & Borges, E. F. (2021). Identificação de outliers em processos de dispensas e inexigibilidades em licitações públicas: um estudo comparativo entre UFRN, IFRN e UFERSA nos anos de 2017 e 2018. Revista Inovar Contábil. 2(01).

Witten, I. H. Frank, Eibe; Hall, Mark A. (2011). Data mining: practical machine learning tools and techniques. 3rd ed. Burlington, MA:Elsevier/Morgan Kaufmann.

Hair, J. F, Anderson, R. E. Tatham, R. L., Black, W. C. (2009). Análise multivariada de dados. São Paulo: Bookman.

Tuley, JOHN W. (1977). Exploratory Data Analysis. Addison"Wesley Publishing Company Reading, Massachusetts, 1st ed.
Publicado
28/11/2022
FREITAS, Nathan C.; GOUVEIA, Roberta M. M.; ALBUQUERQUE JÚNIOR, Gabriel A. de; BATISTA, Maria da Conceição M.; RODRIGUES, Rodrigo Lins. A implementation mathematical-computational method for the detection and treatment of financial outliers in higher education. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 19. , 2022, Campinas/SP. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2022 . p. 740-751. ISSN 2763-9061. DOI: https://doi.org/10.5753/eniac.2022.227587.

##plugins.generic.recommendByAuthor.heading##