Modelos de regressão para dados correlacionados. Cibele Russo
|
|
- Eric Lagos
- 5 Há anos
- Visualizações:
Transcrição
1 Modelos de regressão para dados correlacionados Cibele Russo ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo (ICMC USP) Modelos para dados correlacionados 1 / 58
2 Conteúdo da aula Modelo linear com efeitos mistos Modelo marginal modelo hierárquico Aplicações Referências: Pinheiro and Bates (2009) Mixed-effects Models in S and S-PLUS, Springer. Searle, S. R., Casella, G. McCulloch, C. E. (2006), Variance Components. Wiley Series in Probability and Statistics. Verbeke G. and Molenberghs G. (2000) Linear mixed models for longitudinal data, Springer Series in Statistics, Springer-Verlag, New-York. Cibele Russo (ICMC USP) Modelos para dados correlacionados 2 / 58
3 Medidas repetidas e dados longitudinais Medidas repetidas (repeated measurements) são obtidas quando uma resposta é observada repetidamente em um conjunto de unidades experimentais Unidades experimentais: Sujeitos, pacientes, participantes Animais, plantas Grupos (clusters): famílias, cidades, filiais de uma companhia Dados longitudinais são um caso especial de medidas repetidas Cibele Russo (ICMC USP) Modelos para dados correlacionados 3 / 58
4 Medidas repetidas e dados longitudinais Quando as medidas são repetidas no mesmo indivíduo (ou em uma mesma unidade experimental), as características individuais induzem uma correlação nos dados observados naquele indivíduo. Cibele Russo (ICMC USP) Modelos para dados correlacionados 4 / 58
5 Modelos para dados correlacionados Resposta longitudinal Indivíduo 1 Indivíduo Tempo Medidas longitudinais (adaptado de Rizopoulos, D. An Introduction to Joint Models for Longitudinal & Survival Data, with Applications in R, short course 27th IWSM, Prague.) Cibele Russo (ICMC USP) Modelos para dados correlacionados 5 / 58
6 Modelos para dados correlacionados Como os indivíduos são amostrados aleatoriamente de uma população, pode-se supor que coeficientes de regressão sujeito-específicos também amostrados de uma população de coeficientes de regressão: β i N(β, D), 1,..., n. Cibele Russo (ICMC USP) Modelos para dados correlacionados 6 / 58
7 Modelos para dados correlacionados Poderíamos então ajustar um modelo diferente para as medidas de cada indivíduo? Sim, mas existe o interesse em estimar o comportamento geral da população, e ao mesmo tempo identificar um padrão específico de cada indivíduo. Cibele Russo (ICMC USP) Modelos para dados correlacionados 7 / 58
8 Modelo com efeitos mistos Um modelo com efeitos mistos para Y ij, a j-ésima resposta observada para o i-ésimo indivíduo, utilizando o valor da covariável x, x ij, é dado por Y ij = (β 0 + b i0 ) + (β 1 + b i1 )x ij + ɛ i, i = 1,..., n; j = 1,..., m i Cibele Russo (ICMC USP) Modelos para dados correlacionados 8 / 58
9 Modelo com efeitos mistos Y ij = (β 0 + b i0 ) + (β 1 + b i1 )x ij + ɛ i, i = 1,..., n; j = 1,..., m i Efeitos fixos β 0 é o efeito fixo referente ao intercepto da reta β 1 é o efeito fixo referente ao coeficiente angular da reta Efeitos aleatórios b i0 é um efeito aleatório adicionado ao intercepto b i1 é um efeito aleatório adicionado ao coeficiente angular Cibele Russo (ICMC USP) Modelos para dados correlacionados 9 / 58
10 Modelos com efeitos mistos Qual o resultado da inclusão dos efeitos aleatórios no intercepto e no coeficiente angular? Cibele Russo (ICMC USP) Modelos para dados correlacionados 10 / 58
11 Interpretação dos efeitos adicionados ao modelo Intercepto aleatório age distance Exemplo de retas resultantes da inclusão de intercepto aleatório Cibele Russo (ICMC USP) Modelos para dados correlacionados 11 / 58
12 Interpretação dos efeitos adicionados ao modelo Coeficiente angular aleatório age distance Exemplo de retas resultantes da inclusão de coeficiente angular aleatório Cibele Russo (ICMC USP) Modelos para dados correlacionados 12 / 58
13 Interpretação dos efeitos adicionados ao modelo Intercepto e coeficiente angular aleatório age distance Exemplo de retas resultantes da inclusão de intercepto e coeficiente angular aleatório Cibele Russo (ICMC USP) Modelos para dados correlacionados 13 / 58
14 Interpretação dos efeitos adicionados ao modelo Intercepto aleatório age distance Coeficiente angular aleatório age distance Intercepto e coeficiente angular aleatório age distance Retas resultantes da inclusão dos efeitos aleatórios Cibele Russo (ICMC USP) Modelos para dados correlacionados 14 / 58
15 Modelo com efeitos mistos Reescrevendo o modelo temos Y ij = (β 0 + b i0 ) + (β 1 + b i1 )x ij + ɛ ij, i = 1,..., n; j = 1,..., m i Y ij = (β 0 + β 1 x ij ) + (b i0 + b i1 x ij ) + ɛ ij, i = 1,..., n; j = 1,..., m i em que m i observações pertencem ao indivíduo i. Matricialmente, Y i = X i β + Z i b i + ɛ i, i = 1,..., n; Cibele Russo (ICMC USP) Modelos para dados correlacionados 15 / 58
16 Modelo com efeitos mistos Modelo linear com efeitos mistos (1 covariável, intercepto e coeficiente angular aleatórios) com Y i = β = [ β 0 β 1 ] Y 1. Y n, ɛ i = Y i = X i β + Z i b i + ɛ i, i = 1,..., n 1 x i1 X 1 x i = Z i = i2.., ɛ i1. ɛ in 1 x in [ ], b b i0 i =. b i1 Cibele Russo (ICMC USP) Modelos para dados correlacionados 16 / 58
17 Modelo com efeitos mistos Modelo linear com efeitos mistos (1 covariável, intercepto e coeficiente angular aleatórios) Y i = X i β + Z i b i + ɛ i, i = 1,..., n Y i(mi 1): vetor de respostas do indivíduo i (aleatório) X i(mi 2): matriz do modelo referente aos efeitos fixos do indivíduo i (fixa e conhecida) β (2 1) : vetor de parâmetros (efeitos fixos) Z i(mi 2): matriz do modelo referente aos efeitos aleatórios para o indivíduo i (fixa e conhecida) b i(2 1) : vetor de efeitos aleatórios para o indivíduo i (aleatório) ɛ i(mi 1): vetor de erros aleatórios para o indivíduo i (aleatório) Cibele Russo (ICMC USP) Modelos para dados correlacionados 17 / 58
18 Modelo com efeitos mistos Modelo linear com efeitos mistos (1 covariável, intercepto e coeficiente angular aleatórios) Suposições comuns: b i ind N 2 (0, D) ɛ i ind N mi (0, σ 2 I ) b i independente de ɛ i. Y i = X i β + Z i b i + ɛ i, i = 1,..., n Parâmetros a serem estimados: β, σ 2, elementos da matriz D. Em alguns trabalhos considera-se D diagonal. Cibele Russo (ICMC USP) Modelos para dados correlacionados 18 / 58
19 Modelo com efeitos mistos Modelo linear com efeitos mistos (forma geral, p covariáveis, q efeitos aleatórios) Y i = X i β + Z i b i + ɛ i, i = 1,..., n Y i(mi 1): vetor de respostas do indivíduo i (aleatório) X i(mi (p+1)): matriz do modelo referente aos efeitos fixos do indivíduo i (fixa e conhecida) β ((p+1) 1) : vetor de parâmetros (efeitos fixos) Z i(mi q): matriz do modelo referente aos efeitos aleatórios para o indivíduo i (fixa e conhecida) b i(q 1) : vetor de efeitos aleatórios para o indivíduo i (aleatório) ɛ i(mi 1): vetor de erros aleatórios para o indivíduo i (aleatório) Cibele Russo (ICMC USP) Modelos para dados correlacionados 19 / 58
20 Modelo com efeitos mistos Modelo linear com efeitos mistos (forma geral, p covariáveis, q efeitos aleatórios) Suposições comuns: b i N q (0, D) ɛ i N mi (0, σ 2 I ) Y i = X i β + Z i b i + ɛ i, i = 1,..., n Parâmetros a serem estimados: β, σ 2, elementos da matriz D. Em alguns trabalhos considera-se D diagonal. Cibele Russo (ICMC USP) Modelos para dados correlacionados 20 / 58
21 Modelo com efeitos mistos - Interpretação Efeitos fixos β s têm as mesmas propriedades encontradas nos modelos com efeitos fixos Efeitos aleatórios b ij s são interpretados como o parâmetro i do j-ésimo sujeito se desvia do parâmetro populacional. Características interessantes β s descreve comportamentos populacionais (β + b i ) s descreve comportamentos individuais Cibele Russo (ICMC USP) Modelos para dados correlacionados 21 / 58
22 Modelo com efeitos mistos Modelo linear com efeitos mistos (forma geral, p covariáveis, q efeitos aleatórios) Y i = X i β + Z i b i + ɛ i, i = 1,..., n Estimação dos parâmetros Existem várias formas de estimar os parâmetros, as mais utilizadas são Formulação de dois estágios Enfoque marginal no modelo linear geral misto Enfoque hierárquico no modelo linear geral misto Cibele Russo (ICMC USP) Modelos para dados correlacionados 22 / 58
23 Modelos lineares com efeitos mistos Formulação de dois estágios Estágio 1: Um modelo de regressão linear é ajustado para cada indivíduo separadamente. Esses modelos descrevem a variabilidade intraindivíduos Y i = X i β i + Z i b i + ɛ i, i = 1,..., n Estágio 2: Um modelo de regressão multivariado é ajustado utilizando as estimativas β i obtidas no Estágio 1 como covariáveis. β i = K i β + b i (Verbeke G. and Molenberghs G. (2000) Linear mixed models for longitudinal data, Springer Series in Statistics, Springer-Verlag, New-York.) Cibele Russo (ICMC USP) Modelos para dados correlacionados 23 / 58
24 Modelos lineares com efeitos mistos Formulação de dois estágios { com ɛ i N(0, σ 2 I) e b i N(0, D). Y i = X i β i + Z i b i + ɛ i β i = K i β + b i, i = 1,..., n Cibele Russo (ICMC USP) Modelos para dados correlacionados 24 / 58
25 Modelo linear geral com efeitos mistos Formulação geral e suposições Y i = X i β + Z i b i + ɛ i, i = 1,..., n b i N q (0, D) ɛ i N mi (0, σ 2 I ) b 1,..., b n, ɛ 1,..., ɛ n são independentes Cibele Russo (ICMC USP) Modelos para dados correlacionados 25 / 58
26 Modelo linear geral com efeitos mistos O modelo linear geral com efeitos mistos com as suposições usuais pode ser reescrito como Y i b i ɛ i N mi+q+mi X i β 0 0, Z i DZ i + σ 2 I Z i D σ 2 I DZ i D 0 σ 2 I 0 σ 2 I Cibele Russo (ICMC USP) Modelos para dados correlacionados 26 / 58
27 Modelo hierárquico Outro enfoque seria o Modelo hierárquico usual { Y i b i N(X i β + Z i b i, σ 2 I ), i = 1,..., n b i N(0, D) Cibele Russo (ICMC USP) Modelos para dados correlacionados 27 / 58
28 Modelo hierárquico Uma possibilidade para estimação: Enfoque Bayesiano Y i β, b i N(X i β + Z i b i, σ 2 I ) b i N(0, D) β N(β 0, B) Cibele Russo (ICMC USP) Modelos para dados correlacionados 28 / 58
29 Modelo hierárquico Para estimar β, usamos a distribuição a posteriori de β y, B, D, σ 2, que pode ser obtida de f β (β y) = f (y β, b)fβ (β)f b (b)db f (y β, b)fβ (β)f b (b)dbdβ. Para isso, usa-se o fato de que com V i = Z i DZ i + σ 2 I. E(β y i, B, D, σ 2 ) = (X i V 1 i X i ) 1 X i V 1 i y Cibele Russo (ICMC USP) Modelos para dados correlacionados 29 / 58
30 Modelo marginal Por propriedades da distribuição normal, partindo do modelo em sua formulação geral podemos obter a distribuição marginal de Y i Formulação geral Y i = X i β + Z i b i + ɛ i, i = 1,..., n b i N q (0, D) ɛ i N mi (0, σ 2 I ) b 1,..., b n, ɛ 1,..., ɛ n são independentes Esse modelo pode ser reescrito como um modelo marginal Y i N(X i β, Z i DZ i + σ 2 I ) Cibele Russo (ICMC USP) Modelos para dados correlacionados 30 / 58
31 Modelo marginal Y i N(X i β, Z i DZ i + σ 2 I ) Podemos então estimar os parâmetros β pelo método da máxima verossimilhança, utilizando a função de verossimilhança de θ = (β, τ ) com τ o vetor de elementos de V i = Z i DZ i + σ 2 I. Cibele Russo (ICMC USP) Modelos para dados correlacionados 31 / 58
32 Modelo marginal A função de verossimilhança é dada por L(θ) = n i=1 { { (2π) n i /2 V i (τ ) 1/2 exp 1 }} 2 (y i X β) V 1 i (τ )(y i X β) Se τ é conhecido, β = ( n i X i V 1 i (τ )X i ) 1 n n X i V 1 i (τ )y i. Se τ não é conhecido, pode-se considerar um processo iterativo. Cibele Russo (ICMC USP) Modelos para dados correlacionados 32 / 58
33 Modelo marginal Se τ é conhecido, β N(β, n i=1 X i V 1 i X i ) Na prática, substitui-se τ por um estimador com boas propriedades e obtém-se inferências aproximadas. Cibele Russo (ICMC USP) Modelos para dados correlacionados 33 / 58
34 Propriedades Vários modelos hierárquicos diferentes podem levar ao mesmo modelo marginal, Um modelo marginal bem ajustado pode não ser uma evidência de um bom modelo hierárquico, Um tratamento satisfatório do modelo hierárquico só é possível em um contexto Bayesiano, Componentes de variância negativos (de D) podem ser obtidos sob o enfoque marginal, o que não acontece no modelo hierárquico. Cibele Russo (ICMC USP) Modelos para dados correlacionados 34 / 58
35 Predição dos efeitos aleatórios Método de Bayes empírico Distribuição a posteriori de b i y i : com Λ i uma matriz positiva definida. b i y i N(DZ i V 1 i (y i X i β), Λ i ) Podemos então utilizar a média a posteriori de b i y i como preditor de b i b i = DZ i V 1 i (y i X i β). Cibele Russo (ICMC USP) Modelos para dados correlacionados 35 / 58
36 Valores preditos para a variável resposta Podemos obter um preditor para Y i fazendo Ŷ i = X i β + Zi bi = X i β + Zi DZ T 1 i V i (y i X i β) = (I mi Z i DZ T 1 i V = σ 2 V 1 i i )X i β + Zi DZ T 1 i V i X i β + (Imi σ 2 V 1 i )y i, que pode ser interpretado como uma média ponderada entre o perfil populacional X i β e os dados observados yi, com pesos σ 2 1 V i e (I mi σ 2 1 V i ), respectivamente. y i Cibele Russo (ICMC USP) Modelos para dados correlacionados 36 / 58
37 Modelos com efeitos mistos em R Pacote nlme Possibilita o ajuste de modelos lineares e não lineares com efeitos mistos Várias possibilidades de estruturas de variância e covariância Pacote lme4 Possibilita o ajuste de modelos lineares, não lineares e lineares generalizados com efeitos mistos Utiliza apenas efeitos aleatórios Permite outras estruturas para os efeitos aleatórios Cibele Russo (ICMC USP) Modelos para dados correlacionados 37 / 58
38 Exemplo: Dados ortodônticos Modelo linear com efeitos mistos (1 covariável, intercepto aleatório) { Y i = X i β + Z i b i + ɛ b i N(0, D), ɛ i N(0, σ 2 I ) Nesse caso, X i = para i = 1,... 11, Z i = Cibele Russo (ICMC USP) Modelos para dados correlacionados 38 / 58
39 Exemplo: Dados ortodônticos Modelo linear com efeitos mistos (1 covariável, intercepto aleatório) Comandos em R: > library(nlme) > attach(orthodont) > fit.ia<-lme(distance~ age,data=orthodont,random=~ 1 Subject) > ranef(fit.ia) > coef(fit.ia) > plot(fit.ia) > plot(augpred(fit.ia),aspect= xy,grid=t) > qqnorm(fit.ia,~ resid(.) Sex) Certifique-se que os comandos foram passados corretamente para o R. Cibele Russo (ICMC USP) Modelos para dados correlacionados 39 / 58
40 Exemplo: Dados ortodônticos Modelo linear com efeitos mistos (1 covariável, intercepto aleatório) Fitted values (mm) Standardized residuals Cibele Russo (ICMC USP) Modelos para dados correlacionados 40 / 58
41 Exemplo: Dados ortodônticos Modelo linear com efeitos mistos (1 covariável, intercepto aleatório) F03 F04 F Distance from pituitary to pterygomaxillary fissure (mm) F06 M06 M03 M16 F01 M04 M12 M05 F05 M01 M13 M02 F07 M10 M14 M11 F02 F10 M09 M07 F08 F09 M15 M Age (yr) Cibele Russo (ICMC USP) Modelos para dados correlacionados 41 / 58
42 Exemplo: Dados ortodônticos Modelo linear com efeitos mistos (1 covariável, intercepto aleatório) Residuals (mm) Quantiles of standard normal Male Female Cibele Russo (ICMC USP) Modelos para dados correlacionados 42 / 58
43 Exemplo: Dados ortodônticos Modelo linear com efeitos mistos (1 covariável, coeficiente angular aleatório) { Y i = X i β + Z i b i + ɛ b i N(0, D), ɛ i N(0, σ 2 I ) Nesse caso, X i = para i = 1,... 11, Z i = Cibele Russo (ICMC USP) Modelos para dados correlacionados 43 / 58
44 Exemplo: Dados ortodônticos Modelo linear com efeitos mistos (1 covariável, coeficiente angular aleatório) Comandos em R: > library(nlme) > attach(orthodont) > fit.ca<-lme(distance~ age,data=orthodont,random=~ -1+age Subject) > ranef(fit.ca) > coef(fit.ca) > plot(fit.ca) > plot(augpred(fit.ca),aspect= xy,grid=t) > qqnorm(fit.ca,~ resid(.) Sex) Certifique-se que os comandos foram passados corretamente para o R. Cibele Russo (ICMC USP) Modelos para dados correlacionados 44 / 58
45 Exemplo: Dados ortodônticos Modelo linear com efeitos mistos (1 covariável, coeficiente angular aleatório) Fitted values (mm) Standardized residuals Cibele Russo (ICMC USP) Modelos para dados correlacionados 45 / 58
46 Exemplo: Dados ortodônticos Modelo linear com efeitos mistos (1 covariável, coeficiente angular aleatório) F03 F04 F Distance from pituitary to pterygomaxillary fissure (mm) F06 M06 M03 M16 F01 M04 M12 M05 F05 M01 M13 M02 F07 M10 M14 M11 F02 F10 M09 M07 F08 F09 M15 M Age (yr) Cibele Russo (ICMC USP) Modelos para dados correlacionados 46 / 58
47 Exemplo: Dados ortodônticos Modelo linear com efeitos mistos (1 covariável, coeficiente angular aleatório) Residuals (mm) Quantiles of standard normal Male Female Cibele Russo (ICMC USP) Modelos para dados correlacionados 47 / 58
48 Exemplo: Dados ortodônticos Modelo linear com efeitos mistos (1 covariável, intercepto e coeficiente angular aleatórios) { Y i = X i β + Z i b i + ɛ b i N(0, D), ɛ i N(0, σ 2 I ) Nesse caso, X i = para i = 1,... 11, Z i = Cibele Russo (ICMC USP) Modelos para dados correlacionados 48 / 58
49 Exemplo: Dados ortodônticos Modelo linear com efeitos mistos (1 covariável, intercepto e coeficiente angular aleatórios) Comandos em R: > library(nlme) > attach(orthodont) > fit.doisefeitos<-lme(distance~ age,data=orthodont,random=~ age Subject) > summary(fit.doisefeitos) > ranef(fit.doisefeitos) > coef(fit.doisefeitos) > plot(fit.doisefeitos) > plot(augpred(fit.doisefeitos),aspect= xy,grid=t) > qqnorm(fit.doisefeitos,~ resid(.) Sex) Certifique-se que os comandos foram passados corretamente para o R. Cibele Russo (ICMC USP) Modelos para dados correlacionados 49 / 58
50 Exemplo: Dados ortodônticos Modelo linear com efeitos mistos (1 covariável, intercepto e coeficiente angular aleatório) Fitted values (mm) Standardized residuals Cibele Russo (ICMC USP) Modelos para dados correlacionados 50 / 58
51 Exemplo: Dados ortodônticos Modelo linear com efeitos mistos (1 covariável, intercepto e coeficiente angular aleatório) F03 F04 F Distance from pituitary to pterygomaxillary fissure (mm) F06 M06 M03 M16 F01 M04 M12 M05 F05 M01 M13 M02 F07 M10 M14 M11 F02 F10 M09 M07 F08 F09 M15 M Age (yr) Cibele Russo (ICMC USP) Modelos para dados correlacionados 51 / 58
52 Exemplo: Dados ortodônticos Modelo linear com efeitos mistos (1 covariável, intercepto e coeficiente angular aleatório) Residuals (mm) Quantiles of standard normal Male Female Cibele Russo (ICMC USP) Modelos para dados correlacionados 52 / 58
53 Exemplo: Dados ortodônticos Modelo linear com efeitos mistos (1 covariável, intercepto e coeficiente angular aleatório) Residuals (mm) Quantiles of standard normal Male Female Cibele Russo (ICMC USP) Modelos para dados correlacionados 53 / 58
54 Exemplo: Dados de produtividade industrial Consideramos um modelo Y ijk = β j + b i + ɛijk, i = 1,..., 6; j = 1, 2, 3; k = 1, 2, 3, com b i N(0, σ 2 b ), ɛ ijk N(0, σ 2 ). Existe um efeito fixo para cada tipo de máquina e um efeito aleatório para cada trabalhador. Cibele Russo (ICMC USP) Modelos para dados correlacionados 54 / 58
55 Exemplo: Dados de produtividade industrial Comandos em R: > library(nlme) > attach(machines) > fit.machine1<-lme(score~ Machine,random=~ 1 Worker) > fit.machine1 > summary(fit.machine1) Certifique-se que os comandos foram passados corretamente para o R. Cibele Russo (ICMC USP) Modelos para dados correlacionados 55 / 58
56 Exercício: Dados de produtividade industrial Outro possível modelo seria Y ijk = β j + b i + b ij + ɛ ijk, i = 1,..., 6; j = 1, 2, 3; k = 1, 2, 3, com b i N(0, σ 2 1), b ij N(0, σ 2 2), ɛ ijk N(0, σ 2 ). Esse modelo tem efeitos aleatórios em dois níveis: os efeitos b i para o trabalhador e b ij para o tipo de máquina dentro de cada trabalhador. Devemos ler isso como trabalhador e máquina dentro de trabalhador. Cibele Russo (ICMC USP) Modelos para dados correlacionados 56 / 58
57 Exercício: Dados de produtividade industrial Comandos em R: Podemos simplesmente atualizar o modelo anterior com a função update > fit.machine2<-update(fit.machine1,random=~ 1 Worker/Machine) > fit.machine2 > summary(fit.machine2) Certifique-se que os comandos foram passados corretamente para o R. Cibele Russo (ICMC USP) Modelos para dados correlacionados 57 / 58
58 Pergunta: Qual é o melhor modelo? Cibele Russo (ICMC USP) Modelos para dados correlacionados 58 / 58
Modelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Leia maisModelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Leia maisModelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Leia maisModelos Lineares Mistos
Modelos Lineares Mistos Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 131 99, Brasil email: lucambio@ufpr.br Setembro de 1 Introdução O modelo de regressão linear
Leia maisUtilização de modelos marginais na análise de dados longitudinais irregulares em relação ao tempo
Utilização de modelos marginais na análise de dados longitudinais irregulares em relação ao tempo César Gonçalves de Lima 1 Michele Barbosa 2 Valdo Rodrigues Herling 3 1. Introdução Dados longitudinais
Leia maisAnálise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
Leia maisAnálise de Dados Longitudinais Modelos Lineares Mistos
1/61 Análise de Dados Longitudinais Modelos Lineares Mistos Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ 2/61 Modelo Linear Misto 1 Modelo de Efeitos Fixos: apresenta somente fatores fixos,
Leia maisModelos Lineares Mistos
Modelos Lineares Mistos (correlação) Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br Setembro de 2008 1 Introdução Para
Leia maisAnálise de modelos lineares mistos com dois fatores longitudinais: um fator quantitativo e um qualitativo ordinal.
Anais do XII Encontro Mineiro de Estatística - MGEST 013. Uberlândia - 0 e 06 de setembro de 013. Revista Matemática e Estatística em Foco - ISSN:318-0 Análise de modelos lineares mistos com dois fatores
Leia maisAnálise de Dados Longitudinais Modelos de Regressão - Perspecitva Histórica
1/41 Análise de Dados Longitudinais Modelos de Regressão - Perspecitva Histórica Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Revisão para Dados Transversais 1 Características Informações amostrais
Leia maisCoeficiente de determinação R 2 no modelo de regressão linear normal
Coeficiente de determinação R 2 no modelo de regressão linear normal Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br
Leia maisIntrodução ao modelo de Regressão Linear
Introdução ao modelo de Regressão Linear Prof. Gilberto Rodrigues Liska 8 de Novembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores (junto ao administrativo)
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisRevisão de Modelos de regressão. Prof. Thais C O Fonseca - DME, UFRJ
Revisão de Modelos de regressão Prof. Thais C O Fonseca - DME, UFRJ Conteúdo Regressão linear simples Regressão linear múltipla Método de Mínimos Quadrados Introdução a Inferência Bayesiana em Regressão
Leia maisUNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO. PROJETO DE EXTENSÃO Software R: de dados utilizando um software livre.
UNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO PROJETO DE EXTENSÃO Software R: Capacitação em análise estatística de dados utilizando um software livre. Fonte: https://www.r-project.org/ Módulo
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2. Veremos
Leia maisAjuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis.
Ajuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis. João Daniel Nunes Duarte a, Vinícius Diniz Mayrink b a Estudante de Graduação, e-mail: joaodaniel@ufmg.br
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto Introdução 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2.
Leia maisTratamento Estatístico de Dados em Física Experimental
Tratamento Estatístico de Dados em Física Experimental Prof. Zwinglio Guimarães o semestre de 06 Tópico 7 - Ajuste de parâmetros de funções (Máxima Verossimilhança e Mínimos Quadrados) Método da máxima
Leia maisCapacitação em R e RStudio PROJETO DE EXTENSÃO. Software R: capacitação em análise estatística de dados utilizando um software livre.
UFFS Universidade Federal da Fronteira Sul Campus Cerro Largo PROJETO DE EXTENSÃO Software R: capacitação em análise estatística de dados utilizando um software livre Fonte: https://www.r-project.org/
Leia maisDisciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ CURSO DE ESTATÍSTICA. Jayme Gomes dos Santos Junior Luciana Helena Kowalski
UNIVERSIDADE FEDERAL DO PARANÁ CURSO DE ESTATÍSTICA Jayme Gomes dos Santos Junior Luciana Helena Kowalski MODELAGEM DA EXPECTATIVA DE VIDA NOS MUNICÍPIOS DO PARANÁ A PARTIR DE COVARIÁVEIS DO CENSO 2010
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisMODELOS MATEMÁTICOS E APLICAÇÕES 2015/2016 EXERCÍCIOS DE MODELOS LINEARES MISTOS PARTE I
MODELOS MATEMÁTICOS E APLICAÇÕES 2015/2016 EXERCÍCIOS DE MODELOS LINEARES MISTOS PARTE I 1. Num estudo de selecção da videira, com vista a estudar a variabilidade genética do rendimento da casta Touriga
Leia maisRegressão. PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei
Regressão PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei Regressão Introdução Analisar a relação entre duas variáveis (x,y) através da equação (equação de regressão) e do gráfico
Leia maisRegressão Linear - Parte I
UFPE - Universidade Federal de Pernambuco Curso: Economia Disciplina: ET-406 Estatística Econômica Professor: Waldemar Araújo de S. Cruz Oliveira Júnior Regressão Linear - Parte I 1 Introdução Podemos
Leia maisModelagem da estrutura de covariância na análise de medidas repetidas
Modelagem da estrutura de covariância na análise de medidas repetidas Marisol García Peña Sergio Arciniegas Alarcón Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento
Leia maisUMA PROPOSTA DE ANÁLISE EM ENSAIOS DE DEGRADABILIDADE RUMINAL IN SITU UTILIZANDO MODELOS NÃO LINEARES MISTOS
Revista da Estatística UFOP, Vol II, 2012, ISSN 2237-8111, XI Encontro Mineiro de Estatística - MGEST UMA PROPOSTA DE ANÁLISE EM ENSAIOS DE DEGRADABILIDADE RUMINAL IN SITU UTILIZANDO MODELOS NÃO LINEARES
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisExercícios Selecionados de Econometria para Concursos Públicos
1 Exercícios Selecionados de Econometria para Concursos Públicos 1. Regressão Linear Simples... 2 2. Séries Temporais... 17 GABARITO... 20 2 1. Regressão Linear Simples 01 - (ESAF/Auditor Fiscal da Previdência
Leia maisAnálise de Dados Longitudinais Aula
1/20 Análise de Dados Longitudinais Aula 13.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/20 Sumário 1 Modelos Marginais 2 3/20 Modelos Marginais Modelos Marginais para Dados
Leia maisInfluência Local Gilberto A. Paula
Influência Local p. 1/18 Influência Local Gilberto A. Paula Instituto de Matemática e Estatística Universidade de São Paulo e-mail:giapaula@ime.usp.br Influência Local p. 2/18 Preliminares O método de
Leia maisTratamento de Dados Ausentes em Estudos Longitudinais
Tratamento de Dados Ausentes em Estudos Longitudinais Stella Maris Lemos Nunes Baracho / UFVJM 1 Introdução Em muitas situações há interesse em se estudar o comportamento de uma característica (variável)
Leia maisRESOLUÇÃO Nº 01/2016
Legislações Complementares: Resolução Nº 02/2016 Colegiado DEst Resolução Nº 03/2016 Colegiado DEst Resolução Nº 01/2017 Colegiado DEst RESOLUÇÃO Nº 01/2016 O Departamento de Estatística, tendo em vista
Leia maisRegressão Linear. Prof. Dr. Leandro Balby Marinho. Análise de Dados II. Introdução Regressão Linear Regressão Múltipla
Regressão Linear Prof. Dr. Leandro Balby Marinho Análise de Dados II Prof. Leandro Balby Marinho 1 / 36 UFCG DSC Roteiro 1. Introdução 2. Regressão Linear 3. Regressão Múltipla Prof. Leandro Balby Marinho
Leia maisModelos de Regressão Linear Simples - parte I
Modelos de Regressão Linear Simples - parte I Erica Castilho Rodrigues 19 de Agosto de 2014 Introdução 3 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir
Leia maisEconometria. Econometria MQO MQO. Resíduos. Resíduos MQO. 1. Exemplo da técnica MQO. 2. Hipóteses do Modelo de RLM. 3.
3. Ajuste do Modelo 4. Modelo Restrito Resíduos Resíduos 1 M = I- X(X X) -1 X Hipóteses do modelo Linearidade significa ser linear nos parâmetros. Identificação: Só existe um único conjunto de parâmetros
Leia maisAnálise de Dados Categóricos
1/43 Análise de Dados Categóricos Modelo de Regressão de Poisson Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Departamento de Estatística Universidade Federal de Minas Gerais 2/43 Revisão:
Leia maisTransformações e Ponderação para corrigir violações do modelo
Transformações e Ponderação para corrigir violações do modelo Diagnóstico na análise de regressão Relembrando suposições Os erros do modelo tem média zero e variância constante. Os erros do modelo tem
Leia mais2 A questão da restrição na aleatorização e a utilização de Modelos mistos
18 A questão da restrição na aleatorização e a utilização de Modelos mistos Neste capítulo é apresentada inicialmente a questão da restrição na aleatorização em planejamento de experimentos, e em seguida
Leia maisComparação entre intervalos de confiança calculados com métodos bootstrap e intervalos assintóticos
Comparação entre intervalos de confiança calculados com métodos strap e intervalos assintóticos Selene Loibel Depto. de Estatística, Matemática Aplicada e Computação, IGCE, UNESP, Rio Claro, SP E-mail:sloibel@rc.unesp.br,
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisCorrelação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
Leia maisModelo Linear Generalizado Exponencial Potência
Modelo Linear Generalizado Exponencial Potência Cristian Villegas 1 2 1 Introdução Os modelos lineares normais são amplamente aplicados em diversas áreas do conhecimento para modelar a média de dados contínuos
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Introdução Solução de equações não lineares
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisModelos Lineares Mistos: Uma Abordagem Bayesiana
Universidade de Brasília IE - Instituto de Exatas Departamento de Estatística Modelos Lineares Mistos: Uma Abordagem Bayesiana Alex Luiz Martins Matheus da Rocha Dissertação de Mestrado Orientador: Professor
Leia maisAnálise de variância para experimentos com dependência espacial entre parcelas: abordagem autoregressiva e Geoestatística
Análise de variância para experimentos com dependência espacial entre parcelas: abordagem autoregressiva e Geoestatística Diogo Francisco Rossoni (DES/UEM) Cristina Henriques Nogueira (DEX/UFLA) Renato
Leia maisModelo marginal de odds proporcionais para dados longitudinais: um estudo de simulação
Modelo marginal de odds proporcionais para dados longitudinais: um estudo de simulação Nívea B. da Silva 1 Enrico A. Colosimo 2 Leila A. F. Amorim 3 1 Introdução Nos últimos anos muitas metodologias têm
Leia maisREGRESSÃO E CORRELAÇÃO
REGRESSÃO E CORRELAÇÃO A interpretação moderna da regressão A análise de regressão diz respeito ao estudo da dependência de uma variável, a variável dependente, em relação a uma ou mais variáveis explanatórias,
Leia maisComparando equações de regressão em dados de saúde
Comparando equações de regressão em dados de saúde Terezinha Aparecida Guedes*, Ivan Ludgero Ivanqui e Ana Beatriz Tozzo Martins Departamento de Estatística, Universidade Estadual de Maringá, Av Colombo,
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisPlanejamento de Experimentos Experimento com um fator aleatório
1 / 12 Planejamento de Experimentos Experimento com um fator aleatório Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG 2 / 12 Modelo Estatístico para Efeitos Fixos Y ij = µ + τ i + ɛ ij em que
Leia maisCOKRIGAGEM. Aplicação da cokrigagem
COKRIGAGEM Procedimento geoestatístico segundo o qual diversas variáveis regionalizadas podem ser estimadas em conjunto, com base na correlação espacial entre si. É uma extensão multivariada do método
Leia maisI Workshop em Inteligência Computacional e Aprendizado Estatístico Aplicados à Agropecuária
I Workshop em Inteligência Computacional e Aprendizado Estatístico Aplicados à Agropecuária Camila Ferreira Azevedo Professora Departamento de Estatística - UFV Email: camila.azevedo@ufv.br 1 Colaboradores:
Leia maisExplorando a Flexibilidade do Modelo Linear Misto - Aplicações no Mapeamento de Genes
Explorando a Flexibilidade do Modelo Linear Misto - Aplicações no Mapeamento de Genes Nubia Esteban Duarte Suely R. Giolo 2 Mariza de Andrade 3 Julia M. Paván Soler 4 INCOR-USP 2 UFPR 3 Mayo Clinic, MN,
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia mais3. Estimação pontual USP-ICMC-SME. USP-ICMC-SME () 3. Estimação pontual / 25
3. Estimação pontual USP-ICMC-SME 2013 USP-ICMC-SME () 3. Estimação pontual 2013 1 / 25 Roteiro Formulação do problema. O problema envolve um fenômeno aleatório. Interesse em alguma característica da população.
Leia maisModelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Leia maisEnsaio Clínico de Contraceptivos José Luiz Padilha da Silva 24 de outubro de 2018
Ensaio Clínico de Contraceptivos José Luiz Padilha da Silva 24 de outubro de 2018 Exemplo: Ensaio Clínico de Contraceptivos Introdução Este exemplo é de um estudo longitudinal de uso de contraceptivos
Leia maisREGRESSÃO LINEAR Parte I. Flávia F. Feitosa
REGRESSÃO LINEAR Parte I Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Julho de 2015 Onde Estamos Para onde vamos Inferência Esta5s6ca se resumindo a uma equação
Leia maisPlanejamento de Experimentos. 13. Experimentos com fatores aleatórios
Planejamento de Experimentos 13. Experimentos com fatores aleatórios Até aqui assumimos que os fatores nos experimentos eram fixos, isto é, os níveis dos fatores utilizados eram níveis específicos de interesse.
Leia maisExemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisModelo de regressão Beta
Modelo de regressão Beta Fernando Lucambio Pérez Departamento de Estatística Universidade Federal do Paraná Agosto de 2004 1 Consideremos uma situação em que a variável resposta contínua é restrita ao
Leia maisPESQUISA EM MERCADO DE CAPITAIS. Prof. Patricia Maria Bortolon, D. Sc.
PESQUISA EM MERCADO DE CAPITAIS Prof. Patricia Maria Bortolon, D. Sc. Cap. 7 A Estrutura de Correlações dos Retornos dos Ativos: modelo de índice único ELTO, E.; GRUBER, M.; BROW, S., GOETZMA, W. Moderna
Leia maisModelos Lineares Generalizados - Verificação do Ajuste do Modelo
1 Modelos Lineares Generalizados - Verificação do Ajuste do Modelo Erica Castilho Rodrigues 9 de Abril de 2015 2 3 Função Deviance Podemos ver o ajuste de um modelo a um conjunto de dados como: uma forma
Leia maisInstituto Federal Goiano
Instituto Federal Goiano Conteúdo 1 2 A correlação mede apenas o grau de associação entre duas variáveis, mas não nos informa nada sobre a relação de causa e efeito de uma variável sobre outra Na correlação,
Leia maisRegressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Regressão sem intercepto; Formas alternativas do modelo de regressão Regressão sem
Leia maisComparação de Modelos Bayesianos na Análise de Dados de Contagem de CD4. Emílio A. C. Barros Jorge Alberto Achcar
Comparação de Modelos Bayesianos na Análise de Dados de Contagem de CD4 Emílio A. C. Barros Jorge Alberto Achcar Faculdade de Medicina de Ribeirão Preto-USP Introdução Dados longitudinais de Contagem na
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia maisTestes de Degradação e Testes de Degradação Acelerados
Testes de Degradação e Testes de Degradação Acelerados Magda Carvalho Pires UFMG Departamento de Estatística Métodos Estatísticos em Confiabilidade e Manutenção 12 de Novembro de 2007 Resumo Testes de
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisModelos de Regressão Linear Simples - parte III
1 Modelos de Regressão Linear Simples - parte III Erica Castilho Rodrigues 20 de Setembro de 2016 2 3 4 A variável X é um bom preditor da resposta Y? Quanto da variação da variável resposta é explicada
Leia maisRegression and Clinical prediction models
Regression and Clinical prediction models Session 6 Introducing statistical modeling Part 2 (Correlation and Linear regression) Pedro E A A do Brasil pedro.brasil@ini.fiocruz.br 2018 Objetivos Continuar
Leia maisExemplo Ausências Escolares
Exemplo Ausências Escolares Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Ausências Escolares 2 o Semestre 2015 1 / 24 Ausências
Leia maisModelos de Regressão Múltipla - Parte VII
1 Modelos de Regressão Múltipla - Parte VII Erica Castilho Rodrigues 26 de Janeiro de 2016 2 3 Vimos como ajustar um modelo não linear fazendo transformações das variáveis, como, por exemplo Y = exp{β
Leia maisModelos de Regressão Múltipla - Parte VIII
1 Modelos de Regressão Múltipla - Parte VIII Erica Castilho Rodrigues 15 de Fevereiro de 2017 2 3 Observações não usuais 4 As observações não usuais podem ser: Outliers: não se ajustam bem ao modelo (resíduo
Leia maisAnálise de Dados Longitudinais Aula
1/24 Análise de Dados Longitudinais Aula 31.10.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/24 Sumário 1 Dados Ausentes em Estudos Longitudinais 2 Imputação de Dados 3 Simulações
Leia maisCE062c - GAMLSS. Silva, J.P; Taconeli, C.A. 09 de outubro, Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, / 42
CE062c - GAMLSS Silva, J.P; Taconeli, C.A. 09 de outubro, 2018 Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, 2018 1 / 42 Por que GAMLSS? Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro,
Leia mais9 Correlação e Regressão. 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla
9 Correlação e Regressão 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 1 9-1 Aspectos Gerais Dados Emparelhados há uma relação? se há, qual
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
Leia maisFundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Áreas
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Áreas Áreas Na análise de áreas o atributo estudado é em geral resultando de uma contagem ou um
Leia maisMétodos Quantitativos para Avaliação de Políticas Públicas
ACH3657 Métodos Quantitativos para Avaliação de Políticas Públicas Aula 11 Análise de Resíduos Alexandre Ribeiro Leichsenring alexandre.leichsenring@usp.br Alexandre Leichsenring ACH3657 Aula 11 1 / 26
Leia maisPlanejamento de Experimentos Medidas Repetidas
1 / 27 Planejamento de Experimentos Medidas Repetidas Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG Exemplo: 2 / 27 3 / 27 Em outras aplicações, a resposta de cada unidade experimental é medida
Leia maisMAE Modelos Lineares Generalizados 2 o semestre 2017
MAE5763 - Modelos Lineares Generalizados 2 o semestre 2017 Prof. Gilberto A. Paula 3 a Lista de Exercícios 1. Supor y i ind FE(µ, φ i ) com φ i = α + γz i, para i = 1,..., n. Como ca a matriz modelo Z?
Leia maisAULA 1 - Modelos determinísticos vs Probabiĺısticos
AULA 1 - Modelos determinísticos vs Probabiĺısticos Susan Schommer Econometria I - IE/UFRJ O que é Econometria? Aplicação de métodos estatísticos e matemáticos para analisar os dados econômicos, com o
Leia maisExemplos Modelos de Quase-Verossimilhança
Exemplos Modelos de Quase-Verossimilhança p. 1/40 Exemplos Modelos de Quase-Verossimilhança Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de
Leia maisAnálise de Regressão - parte I
16 de Outubro de 2012 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos para dados coletados. Entender como método de mínimos é usado
Leia maisModelo g.l. SQ Retas concorrentes ,46 Retas paralelas ,22 Retas com intercepto comum ,49 Retas coincidentes ,23
1 1) Em estudo observacional sobre comportamento de sono de 58 espécies de animais, uma das variáveis respostas foi o número total de horas de sono por dia (Y). O interesse desse estudo estava em relacionar
Leia maisModelos de Regressão Linear Simples - parte II
Modelos de Regressão Linear Simples - parte II Erica Castilho Rodrigues 14 de Outubro de 2013 Erros Comuns que Envolvem a Análise de Correlação 3 Erros Comuns que Envolvem a Análise de Correlação Propriedade
Leia maisINTRODUÇÃO À ESTATÍSTICA ESPACIAL. Prof. Anderson Rodrigo da Silva
INTRODUÇÃO À ESTATÍSTICA ESPACIAL Prof. Anderson Rodrigo da Silva anderson.silva@ifgoiano.edu.br Métodos Índices de agregação Métodos de quantificação da dependência especial Correlograma Variograma Métodos
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS A distribuição dos tempos de permanência dos estudantes nos cursos de graduação de certa universidade é uma distribuição normal com média igual a 6 anos e desvio padrão igual
Leia maisErros com Distribuição Log-Beta-Weibull em Regressões Lineares
UNIVERSIDADE DE BRASÍLIA DEPARTAMENTO DE ESTASTÍSTICA Monograa Erros com Distribuição Log-Beta-Weibull em Regressões Lineares Helson Barcelos Resende Orientador: Antônio Eduardo Gomes Brasília, 9 de dezembro
Leia maisUNIVERSIDADE FEDERAL DO ESPÍRITO SANTO Centro de Ciências Exatas Departamento de Estatística
Vitória, 08 de novembro de 2017 O DEST da Universidade Federal do Espírito Santo informa que estarão abertas as inscrições para provimento de cargos de Professor do Magistério Superior do Quadro Permanente
Leia maisInferência em Recursos Florestais e Ecologia: A Abordagem da Verossimilhança 1
Inferência em Recursos Florestais e Ecologia: A Abordagem da Verossimilhança 1 JOÃO LUÍS F. BATISTA 2 16 de outubro de 2008 Resumo Além dos dois paradigmas mais populares na Estatística, o Freqüentista
Leia mais