Explainable Artificial Intelligence (XAI) for bounded outcomes applied to the Municipal Human Development Index

Resumo

Este estudo analisa o Índice de Desenvolvimento Humano Municipal (IDHM) de municípios do estado de São Paulo utilizando modelos de regressão para respostas no intervalo unitário e algoritmos de aprendizado de máquina, incluindo Random Forest e XGBoost. Os métodos são comparados em termos de capacidade preditiva e interpretabilidade. Os resultados indicam desempenho preditivo muito semelhante entre as abordagens, sugerindo que a capacidade dos modelos é determinada principalmente pela informação contida nos preditores e que a regressão para respostas no intervalo unitário permanece competitiva com métodos de aprendizado de máquina mais flexíveis. A renda familiar per capita emergiu como o preditor mais influente do IDHM, seguida por variáveis relacionadas à educação e à pobreza. Técnicas de interpretabilidade agnósticas ao modelo revelaram efeitos não lineares e forneceram perspectivas locais e globais sobre as contribuições dos preditores. As descobertas oferecem uma estrutura robusta e interpretável para analisar o desenvolvimento municipal e podem contribuir para o monitoramento regional e o planejamento de políticas públicas.

Ficha do documento

Tipo

Artigo científico

Ano

2026

Instituição

Associação Brasileira de Estudos Regionais e Urbanos

Fonte

Revista Brasileira de Estudos Regionais e Urbanos

Idioma

Inglês

Acesso

Não informado

DOI

10.54766/rberu.v20i3.1263

Identificador

oai:ojs.emnuvens.com.br:article/1263

Licença

https://creativecommons.org/licenses/by/4.0

Temas

Políticas PúblicasDesenvolvimento RegionalEducaçãoGestão Municipal

Palavras-chave

Random forestShapley valuesXGBoostFloresta aleatóriavalores de Shapley