Explorando a Flexibilidade do Modelo Linear Misto - Aplicações no Mapeamento de Genes
|
|
- Eric Alcântara
- 5 Há anos
- Visualizações:
Transcrição
1 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, USA 4 IME-USP (RBras) Presidente Prudente Julho de 205 / 39
2 Conteúdo Introdução Formulação do modelo misto Poligênico Decomposição do estimador do efeito fixo Prática no R Índice para discriminar variáveis preditoras Índice para discriminar famílias influentes Prática no R (RBras) Presidente Prudente Julho de / 39
3 Introdução Motivação A motivação para a formulação das metodologias estatísticas propostas decorre da necessidade na literatura de se explorar a flexibilidade do modelo linear misto no mapeamento genético. Sendo esta uma área de interesse na análise estatística de dados genômicos de alta dimensão e útil para pesquisas em medicina personalizada. (RBras) Presidente Prudente Julho de / 39
4 Metodologias Estatísticas Modelo Misto (Verbeke e Molenberghs, 2000) O modelo misto pode ser escrito em forma matricial como segue: Y = Xβ + Zγ + ɛ. () com Y = (Y,..., Y c ), X = (X,..., X c ), Z = diag(z,..., Z c ), γ = (γ,..., γ c ) e ɛ = (ɛ,..., ɛ c ), Comunmente, assume-se que E [γ] = 0 e E [ɛ] = 0, com matriz de covariância [ ] [ ] γ 0 cq n Cov =, ɛ 0 n cq Σ onde e Σ são matrizes positivas definidas de ordem cq e n (n = c i= n i), as quais correspondem as matrizes de covariância dos vetores γ e ɛ, respectivamente. (RBras) Presidente Prudente Julho de / 39
5 Metodologias Estatísticas Tomando ξ = Zγ + ɛ, tem-se o modelo marginal onde E[ξ] = 0 e Var[ξ] = V = Z Z + Σ. Y = Xβ + ξ, (2) Se e Σ são conhecidas, então o modelo marginal é o modelo com matriz de ponderação V. Pode-se escalar e Σ supondo = σ 2 D e Σ = σ 2 R, onde R e D são matrizes positivas definidas. Portanto, V = (ZDZ + R)σ 2. Para o caso de homocedasticidade, R = I n. (RBras) Presidente Prudente Julho de / 39
6 Metodologias Estatísticas Definindo M como M = σ 2 V = (ZDZ + R), segue que Também, define-se a matriz Q como M = (σ 2 ) V = (ZDZ + R). (3) ( Q = M MX X MX) X M = (I P) M, com as seguintes propriedades, QM Q = Q and QX = 0, onde P = X ( X MX ) X M. Essas duas matrizes, M e Q, serão muito importantes no desenvovimento teórico das metodologias propostas. (RBras) Presidente Prudente Julho de / 39
7 Metodologias Estatísticas Modelo Misto Poligênico (Amos, 994; Almasy and Blangero, 998) Y f = X f β + g f + e f, f =,..., F, (4) Y f Vetor que representa a variável resposta. X f β Matrix de efeitos fixos. g f representa o efeito genético exercido sobre Y. e f representa os efeitos residuais. g f e e f são não correlacionados, com distribuição normal, com média zero e variância σg 2 e σe, 2 respectivamente. Sendo 2Φ a matriz de relacionamento entre indivíduos, a matriz de covariância é V: V = 2Φσg 2 + Iσe 2 = σy 2 ( 2Φh 2 g + Ihe 2 ), (5) h 2 g = σ2 g σ 2 y e h 2 e = σ2 e σ 2 y são as herdabilidades genéticas e residuais, respectivamente. (RBras) Presidente Prudente Julho de / 39
8 Metodologias Estatísticas Matriz de parentesco Coeficiente de relacionamento φ ij = (/2) r (grau de parentesco). 2Φ = , ( (RBras) Presidente Prudente Julho de / 39
9 Metodologias Estatísticas Herdabilidade (coeficiente de correlação intraclasse): Define-se como a proporção da variância total que é devida a componentes genéticos. h 2 g = σ2 g. σg 2 + σe 2 Se h 2 g for pequena, pode-se inferir que a variável resposta não é regulada determinantemente por fatores genéticos. (RBras) Presidente Prudente Julho de / 39
10 Metodologias Estatísticas Figura: Arquitetura Genética de doenças. Existem ao menos dois tipos de efeitos genéticos: População (variantes comuns) modelam E[Y ], Famílias (variantes raras) modelam Cov[Y ]. Y = E[Y X ] + [Y E[Y X ]]. (7) }{{}}{{} Efeitos fixos Efeitos aleatórios (RBras) Presidente Prudente Julho de / 39
11 Metodologias Estatísticas Delineamento de famílias e plataformas de snps (RBras) Presidente Prudente Julho de 205 / 39
12 Metodologias Estatísticas Codificação dos SNPs como variáveis preditoras 2, se o indivíduo é homozigoto AA, SNP j =, se o indivíduo é heterozigoto Aa, 0, se o indivíduo é homozigoto aa. (8) j =, 2,...K, K = 0 6. (RBras) Presidente Prudente Julho de / 39
13 Considerando o modelo misto poligênico dado em 4 Y f = X f β + g f + e f, f =,..., F, O objetivo é particionar o efeito de um SNP em duas componentes associadas com g f e e f usando a teoria associada ao Gráfico da Variável Adicionada. Formular um critério de seleção de variáveis preditoras. Propor um índice para detectar famílias influentes. Avaliação da metodologia nos dados simulados do Genetic Analysis Workshop 7, GAW7 (Almasy et al., 20). (RBras) Presidente Prudente Julho de / 39
14 Gráfico da Variável Adicionada em modelos mistos (Hodges, 998; Hilden-Minton, 995) Y = X β + X SNP β SNP + ɛ; ɛ = g + e, (9) Estimativa do efeito do SNP ˆβ SNP = ( X SNP V X SNP ) X SNP V Y (0) Y = X β + ɛ, ɛ = g + e r 2 (residuos) () X SNP = X β + ɛ r (residuos) (2) (RBras) Presidente Prudente Julho de / 39
15 O efeito da variável adicionada pode ser escrito em função dos resíduos, r e r2 ˆβ 2 = = ( ) X 2 Q X 2 X 2 Q Y (3) ( ) r r r 2 r 2, (4) Portanto, ˆβ 2 pode ser interpretado como o estimador de mínimos quadrados ( ) (ordinários) do coeficiente angular. Var ˆβ 2 = (r r ) σ 2 Plot { } r 2 r ˆβ SNP Gráfico da variável adicionada marginal. (RBras) Presidente Prudente Julho de / 39
16 Decomposição do Gráfico da Variável Adicionada (Hilden-Minton, 995; Nobre, 2004). Y = X β + X SNP β SNP + ɛ (5) = X β + X SNP β SNP + g + e. (6) r = ( rg r e ), r2 = ( r2g r 2e ). Plots r 2g r g ˆβ g SNP, r 2e r e ˆβ e SNP. (RBras) Presidente Prudente Julho de / 39
17 M = B B [ B = R /2 D /2 Z ]. (7) B pode ser particionada em matrizes associadas ao componente residual (R) e ao efeito aleatório (D). e [ r y = BQ Y = R /2 Q Y D /2 Z Q Y ] [ R = /2 (Y X ˆβ Zˆγ) D /2ˆγ ] [ ] ry. =, (8) r y.2 r x2 = BQ X 2 = [ R /2 Q X 2 D /2 Z Q X 2 ] [ R = /2 (X 2 X β ˆ Zγˆ ) D /2 γˆ ] [ ] rx2. =. (9) r x2.2 (RBras) Presidente Prudente Julho de / 39
18 Assim, ˆβ SNP é particionado em efeitos poligênicos e residuais: ˆβ SNP }{{} SNP effect = w g ˆβ g SNP }{{} + w e ˆβ SNP e }{{}. efeitos poligênicos efeitos residuais w g + w e = Regiões genômicas associadas à estrutura familiar (variantes genéticas raras). SNPs com efeitos principalmente associados ao componente residual os quais estão segregando principalmente na população geral (variantes genéticas comuns). (RBras) Presidente Prudente Julho de / 39
19 Graficamente, pode-se representar esta partição: ˆβ SNP }{{} SNP effect = w g ˆβ g SNP }{{} + w e ˆβ SNP e }{{}. efeitos poligênicos efeitos residuais (RBras) Presidente Prudente Julho de / 39
20 Índice para discriminar SNPs O mapeamento de genes, por exemplo, considera plataformas de SNPs que incluem um número muito grande de variáveis preditoras a serem estudadas. No intuito de tornar mais operacional a seleção e discriminação de variáveis preditoras em espaços de alta dimensão é apresentado um índice obtido a partir de estimativas do componente de variância poligênico sob os modelos reduzido e completo (que inclui a variável adicionada). (RBras) Presidente Prudente Julho de / 39
21 Modelo reduzido Y = X i β + g + e (20) Estimativas dos parâmetros em (20) wg0 + we0 = Modelo completo (incluíndo a variável adicionada) Y = X i β + SNP i β SNP + g + e (2) Estimativas dos parametros em (2) wg + we = Estimativas das diferenças dos modelos na parte poligênica e na parte residual: dg = wg0-wg de = we0-we (RBras) Presidente Prudente Julho de / 39
22 Indice para discriminar SNPs negativo,se a maior mudança ocorre sob a variância residual, d gj = 0,se a variável adicionada não causa mudanças, positivo,se a maior mudança ocorre sob a variância poligênica. (RBras) Presidente Prudente Julho de / 39
23 índice para detectar famílias influentes. Na formulação do modelo linear misto de componentes de variância, um nível adicional de decomposição é proposto considerando o componente poligênico do efeito total da variável adicionada. Este índice especifica a contribuição de cada família em termos de pesos e coeficientes angulares. (RBras) Presidente Prudente Julho de / 39
24 índice para detectar famílias influentes. ˆβ SNP }{{} SNP effect = w g ˆβ g SNP }{{} + w e ˆβe }{{ SNP }. efeitos poligênicos efeitos residuais β SNP ˆ = w ˆ g β g SNP + w e ˆ β e SNP F = w g w gf ˆβ g SNPf + w e f = F w gf ˆβ SNPf e. (22) f = I f = w gf ˆβg SNPf, f =,..., F. (23) Discriminar famílias caudais, a saber, famílias que apresentam altos coeficientes angulares (em módulo). (RBras) Presidente Prudente Julho de / 39
25 índice para detectar famílias influentes. I f = w gf ˆβ g SNPf, f =,..., F. (24) Discriminar famílias caudais, a saber, famílias que apresentam altos coeficientes angulares (em módulo). (RBras) Presidente Prudente Julho de / 39
26 Aplicações nos dados do GAW7 O banco de dados do Genetic Analysis Workshop 7 (GAW7) (Almasy et al., 20) consiste de: indivíduos distribuídos em 8 famílias extendidas,(média = 87.2, s.e. = 9.33) SNPs, são não monomórficos, - Uma doença comum com prevalência de 30 % foi simulada junto com três variáveis quantitativas, Q, Q2 e Q4. 7 snps foram usados para simular o fenótipo Q, o fenótipo de interesse. (RBras) Presidente Prudente Julho de / 39
27 (RBras) Presidente Prudente Julho de / 39
28 SNP com efeito poligênico e residual - partição do efeito do snp C6S298 (RBras) Presidente Prudente Julho de / 39
29 Componente genético por famílias - snp C6S298 (RBras) Presidente Prudente Julho de / 39
30 Tabela: Resultados para os dados do GAW7 usando o fenótipo Q como variável resposta e 4 snps como variáveis preditoras, incluíndo os valores de ˆβ 2, a decomposição de ˆβ 2, os pvalores associados e o índice d g. Gene SNP ˆβ 2 w g0 w e0 w g w e p value d g (se) VEGFA C6S e (0.74) Decomposition ˆβ 2 = w g ˆβg 2 + we ˆβ 2 e ˆβ g 2 p-value w g ˆβg 2 ˆβ 2 e p value (se) (se) w e ˆβe 2 VEGFA C6S e e (0.068) (0.05) (RBras) Presidente Prudente Julho de / 39
31 Tabela: Resultados da decomposição de ˆβ g 2 para as 8 famílias.. SNP família w g,f ˆβ g 2,f I f C6S298 f f f f f f f f (RBras) Presidente Prudente Julho de / 39
32 SNP sem efeito poligênico nem residual - partição do efeito do snp C3S32 (RBras) Presidente Prudente Julho de / 39
33 Componente genético por famílias - snp C3S32 (RBras) Presidente Prudente Julho de / 39
34 SNP com efeito poligênico negativo - partição do efeito do snp C6S584 (RBras) Presidente Prudente Julho de / 39
35 Componente genético por famílias - snp C6S584 (RBras) Presidente Prudente Julho de / 39
36 (RBras) Presidente Prudente Julho de / 39
37 PERSPECTIVAS (RBras) Presidente Prudente Julho de / 39
38 A Tabela 2 mostra a estrutura da contribuição de cada família para o estudo de estructuras de variação para discriminar efeitos de SNPs. Tabela: Decomposiçãn dos efeitos de SNPs SNP SNP 2... SNP j... SNP K β g 2, βe 2, β g 2,2 βe 2,2... β g 2,j β2,2 e... β g 2,K βe 2,K Fam l w β g 2, w 2 β g 2,2 w j β g 2,j w K β g 2,K.. Fam f w f β g 2,f w f 2 β g 2,f 2 w fj β g 2,fj w fk β g 2,fK.. Fam F w F β g 2,F w F 2 β g 2,F 2... w Fj β g 2,Fj w FK β g 2,FK ** Possibilidades de achar padrões de variação (RBras) Presidente Prudente Julho de / 39
39 ** Encontrar a distribuição do índice dg. (RBras) Presidente Prudente Julho de / 39
40 Referências Bibliográficas Referências Bibliográficas. Almasy, L. and Blangero, J. (998). Multipoint Quantitative-Trait Linkage Analysis in General Pedigrees. Am. J. Hum. Genet., 62, Almasy, L., Dyer, T. D., Peralta, J. M., Kent, J. W., Charlesworth, J. C., Curran, J. E. and Blangero, J. (20). Genetic Analysis Workshop 7 mini-exome simulation. BMC Proceedings, 5, (suppl 9):S2. Amos, C. I. (994). Robust Variance-Components Approach for Assessing Genetic Linkage in Pedigrees. Am. J. Hum. Genet, 54(3), Blangero, J., Williams, J. & Almasy, L. (2000). Quantitative Trait Locus Mapping Using Human Pedigrees. Human Biology. 72(), de Andrade, M., Amos, C. I. and Thiel, T. J. (999). Methods to estimate genetic components of variance for quantitative traits in family studies. Genet. Epidemiol., 7, (RBras) Presidente Prudente Julho de / 39
41 Referências Bibliográficas Referências Bibliográficas. Duarte, N. E. (202). Mapeamento Genético utilizando a teoria do gráfico da variável em modelos lineares mistos. Tesse para obtenção do grau de Doutor em Ciências. Área de concentração Estatística. Instituto de Matemática e Estatística da Universidade de São Paulo. São Paulo. Duarte, N. E., Giolo, S. R., Pereira, A. C., de Andrade M., and Soler, J. P. (204). Using the theory of added-variable plot for linear mixed models to decompose genetic effects in family data. Stat Appl Genet Mol Biol., 3, Hilden-Minton, J. A. (995): Multilevel Diagnostics for Mixed and Hierarchical Linear Models, PhD Thesis, University of California, Los Angeles, Ed Moderna. (RBras) Presidente Prudente Julho de / 39
42 Referências Bibliográficas Referências Bibliográficas. Johnson, B. W. and McCulloch, R. E. (987). Added-Variable Plots in Linear Regression. Technometrics, 29, Nobre, S. J. (2004). Métodos de Diagnóstico para Modelos Lineares Mistos. Dissertação para obtenção do grau de Mestre em Ciências. Área de concentração Estatística. Instituto de Matemática e Estatística da Universidade de São Paulo. São Paulo. Nobre, J. S. and Singer, J. M. (2007). Residuals analysis for linear mixed models. Biometrical. J., 49, Nobre, J. S. and Singer, J. M. (20). Leverage analysis for linear mixed models. J. Appl. Stat., 38(5), Wang, P. C. (985). Adding a Variable in generalized linear models. Technometrics, 27, (RBras) Presidente Prudente Julho de / 39
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 maisEstudo da Variabilidade Genética com Apoio do R
Estudo da Variabilidade Genética com Apoio do R Joanlise Marco de Leon Andrade UNB Júlia Maria Pavan Soler IME/USP Suely Ruiz Giolo Dest/UFPR Mariza de Andrade - Mayo Clinic, Rochester, USA Dogma da Biologia:
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 maisNubia Esteban Duarte TESE APRESENTADA AO DE DOUTOR EM CIÊNCIAS. Programa: Estatística Orientadora: Profa. Dra. Júlia Maria Pavan Soler
Mapeamento Genético utilizando a teoria do gráfico da variável adicionada em modelos lineares mistos Nubia Esteban Duarte INSTITUTO DE TESE APRESENTADA AO MATEMÁTICA E ESTATÍSTICA DA UNIVERSIDADE DE PARA
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 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 maisMétodos de Diagnóstico para Modelos Lineares Mistos p.1/58
Métodos de Diagnóstico para Modelos Lineares Mistos Aluno: Juvêncio Santos Nobre juvencio@ime.usp.br Orientador: Prof. PhD Júlio da Motta Singer jmsinger@ime.usp.br IME-USP Métodos de Diagnóstico para
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 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 maisMapeamento de QTL s utilizando variáveis latentes
Mapeamento de QTL s utilizando variáveis latentes Nubia Esteban Duarte 1, Alexandre C Pereira 2, Suely R Giolo 2, 3 e Júlia Maria Pavan Soler (Orientadora) 1 1 Universidade de São Paulo (USP) nubiaest@imeuspbr,pavan@imeuspbr
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 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 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 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 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 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 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 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 maisEconometria I Lista 4: Inferência
Econometria I Lista 4: Inferência Professora: Fabiana Fontes Rocha Monitora: Camila Steffens 07 de maio de 2018 Instruções: Objetivos com a lista: estruturação do conteúdo e compreensão da matemática e
Leia maisRegressão linear múltipla
Pós-Graduação em Agronomia - CPGA-Solos Análise Multivariada Aplicada as Ciências Agrárias Regressão linear múltipla Carlos Alberto Alves Varella Objetivo da disciplina Ensinar modelagem estatística de
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 maisVariável dependente Variável independente Coeficiente de regressão Relação causa-efeito
Unidade IV - Regressão Regressões Lineares Modelo de Regressão Linear Simples Terminologia Variável dependente Variável independente Coeficiente de regressão Relação causa-efeito Regressão correlação Diferença
Leia maisINTRODUÇÃO A MODELOS MISTOS
INTRODUÇÃO A MODELOS MISTOS Delineamento experimental ou desenho experimental, de uma forma bastante simples, é a forma em que os tratamentos (níveis de um fator ou combinações de níveis de fatores) são
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 maisi j i i Y X X X i j i i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Leia maisProcedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear
Procedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear Rogério Antonio de Oliveira 1 Chang Chiann 2 1 Introdução Atualmente, para obter o registro
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 maisRedução de Variância: Amostragem Antitética
Redução de Variância: Amostragem Antitética Frederico Almeida & Guilherme Aguilar Universidade Federal de Minas Gerais September 20, 2018 Frederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de
Leia maisUniversidade Federal de Viçosa Departamento de Estatística
Universidade Federal de Viçosa Departamento de Estatística Prova Seletiva para o Programa de Pós-Graduação em Estatística Aplicada e Biometria. Nível Doutorado - 22/nov/2013 Nome: Assinatura:. Número do
Leia maisEconometria. Econometria ( ) O modelo de regressão linear múltipla. O modelo de regressão linear múltipla. Aula 2-26/8/2010
Aula - 6/8/010 Econometria Econometria 1. Hipóteses do Modelo de RLM O modelo de regressão linear múltipla Estudar a relação entre uma variável dependente e uma ou mais variáveis independentes. Forma genérica:
Leia maisNotas de Aulas Econometria I ** Eduardo P. Ribeiro, 2010 PARTE II
Notas de Aulas Econometria I ** Eduardo P Ribeiro, 00 PARTE II Autocorrelação Autocorrelação: violação da hipótese: E [ε t ε t-s ] = 0, para s > 0, como por exemplo, ε t = ε t- + υ t, onde υ t é ruído
Leia maisAULA 8 - MQO em regressão múltipla:
AULA 8 - MQO em regressão múltipla: Definição, Estimação e Propriedades Algébricas Susan Schommer Econometria I - IE/UFRJ Regressão Múltipla: Definição e Derivação A partir de agora vamos alterar o nosso
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 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 maisTÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO
TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO Mario de Andrade Lira Junior lira.pro.br\wordpress REGRESSÃO X CORRELAÇÃO Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida
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 maisMAE 317 Planejamento e Pesquisa I Profa. Júlia Maria Pavan Soler
MAE 37 Planeamento e Pesquisa I Profa. Júlia Maria Pavan Soler pavan@ime.usp.br IME/USP º Semestre/09 Delineamento Completamente Aleatorizado - DCA T T... T Y Y... Y Y Y... Y...... Yi... Yn Y n... Yn n
Leia maisUNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE CIÊNCIAS EXATAS
1 1) Seja X uma variável aleatória com função de densidade dada por: Pede-se: f (x) = e 2 1 (, )(x) 1.1) Qual a distribuição da variável aleatória Y = X? 1.2) Encontre o valor esperado da variável Y. 2
Leia maisAula 7 - Revisão de Álgebra Matricial
23 de Abril de 2018 // 26 de Abril de 2018 Introdução Objetivo da revisão: revisar a notação matricial, técnicas de álgebra linear e alguns resultados importantes Conteúdos: 1 Vetores e matrizes 2 Operações
Leia maisMÉTODOS DE SELEÇÃO. Professor: Dr. Alexandre Leseur dos Santos Mestranda: Lurdes Rodrigues Estágio em Docência I Disciplina: Melhoramento Genético
MÉTODOS DE SELEÇÃO 1 Professor: Dr. Alexandre Leseur dos Santos Mestranda: Lurdes Rodrigues Estágio em Docência I Disciplina: Melhoramento Genético 2 MÉTODOS DE SELEÇÃO INTRODUÇÃO A seleção pode ser realizada
Leia maisProf. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 12 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 2017
Prof. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 2 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 207 SUMÁRIO - BREVE DESCRIÇÃO, FUNDAMENTOS, CONCEITOS, CARACTERÍSTICAS,
Leia maisCE071 - Análise de Regressão Linear
CE071 - Análise de Regressão Linear Cesar Augusto Taconeli 30 de maio, 2018 Cesar Augusto Taconeli CE071 - Análise de Regressão Linear 30 de maio, 2018 1 / 21 Aula 7 - Regressão linear com covariáveis
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 maisModelos de Regressão Múltipla - Parte I
Modelos de Regressão Múltipla - Parte I Erica Castilho Rodrigues 4 de Outubro de 2016 2 3 Introdução 4 Quando há apenas uma variável explicativa X, temos um problema de regressão linear simples onde ǫ
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 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 maisMétodos Quantitativos Aplicados
Métodos Quantitativos Aplicados Aula 10 http://www.iseg.utl.pt/~vescaria/mqa/ Tópicos apresentação Análise Regressão: Avaliação de relações de dependência em que se explica o comportamento de uma/várias
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 maisMarkov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP. lane. Ref: Kim e Nelson (1999) e Hamilton (1990)
Markov Switching Models Profa. Airlane Alencar Depto de Estatística - IME-USP www.ime.usp.br/ lane Ref: Kim e Nelson (1999) e Hamilton (1990) 1 Objetivo Mudança nos parâmetros de um modelo de regressão
Leia maisEscola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo
Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo Regressão Polinomial e Análise da Variância Piracicaba Setembro 2014 Estatística Experimental 18 de Setembro de 2014 1 / 20 Vimos
Leia maisi j i i Y X X X i j 1 i 2 i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos 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 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 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 maisExemplo Multicolinearidade
Exemplo Multicolinearidade Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 1 o Semestre 2013 G. A. Paula (IME-USP) Calor do Cimento 1 o Semestre 2013 1 / 28 Calor de Cimento
Leia maisAvaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação
Avaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação Vanessa Siqueira Peres da Silva 1 2 Daniel Furtado Ferreira 1 1 Introdução É comum em determinadas
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Nas chamadas de suporte de uma empresa de telecomunicações, o funcionário Pedro resolve o problema do cliente em duas de cada três vezes em que é solicitado, enquanto Marcos resolve
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Estimação
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 maisMAE Planejamento e Pesquisa II
MAE0327 - Planejamento e Pesquisa II EXPERIMENTOS/ESTUDOS NÃO-BALANCEADOS COM FATORES FIXOS - PARTE 1 7 de agosto de 2016 Denise A Botter MAE0327 7 de agosto de 2016 1 / 1 PLANEJAMENTO E PESQUISA I Estudos
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 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 MISTOS VISANDO À ESTIMAÇÃO DO COEFICIENTE DE HERDABILIDADE PARA DADOS DE PROPORÇÕES
COMPARAÇÃO DE MODELOS MISTOS VISANDO À ESTIMAÇÃO DO COEFICIENTE DE HERDABILIDADE PARA DADOS DE PROPORÇÕES Telde Natel CUSTÓDIO 1 Décio BARBIN RESUMO: O objetivo deste trabalho foi apresentar um procedimento
Leia maisESTIMATIVAS DE COMPONENTES DE VARIÂNCIA E PARÂMETROS GENÉTICOS PARA GANHO DE PESO EM DOIS REBANHOS DA RAÇA HEREFORD
ESTIMATIVAS DE COMPONENTES DE VARIÂNCIA E PARÂMETROS GENÉTICOS PARA GANHO DE PESO EM DOIS REBANHOS DA RAÇA HEREFORD JULIANA ELLEN GUSSO 1, JOSÉ BRACCINI NETO 2, LEONARDO TALAVERA CAMPOS 3, JÚLIO OTÁVIO
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 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 Métodos de Monte Carlo baseados em Cadeias de Markov:
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 maisINTRODUÇÃO A ECONOMETRIA
INTRODUÇÃO A ECONOMETRIA Análise de regressão e uso do Eviews Introdução O modelo de regressão linear se utiliza para estudar a relação que existe entre uma variável dependente e uma ou várias variáveis
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 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 maisUso da linguagem R para análise de dados em ecologia
Uso da linguagem R para análise de dados em ecologia Objetivo da aula Apresentar os princípios básicos de modelagem numérica em Biologia. Modelagem numérica em Biologia O que é um modelo? Uma representação,
Leia maisEstudo dirigido de Análise Multivariada
Estudo dirigido de Análise Multivariada Conceitos Iniciais De um modo geral, os métodos estatísticos de análise multivariada são aplicados para analisar múltiplas medidas sobre cada indivíduo ou objeto
Leia maisEconometria. Econometria: Paradigma. Porque usar econometria? Porque usar econometria?
Econometria: Paradigma Econometria 1. O Paradigma da Econometria 19/8 Fundamentos teóricos Microeconometria e macroeconometria Modelagem comportamental: otimização, oferta de trabalho, equações de demanda,
Leia maisDELINEAMENTO EM BLOCOS CASUALIZADOS (DBC)
DELINEAMENTO EM BLOCOS CASUALIZADOS (DBC) Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha Universidade Estadual de Londrina Departamento de Estatística 08 de julho de 2017 DBC O delineamento em
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 maisPlanejamento de Experimentos
Planejamento de Experimentos Exercício 6.17 Um pesquisador rodou uma única replicação de um plano 2 4, tendo obtido as seguintes estimativas dos efeitos: A = 76, 95, B = 67, 52, C = 7, 84 e D = 18, 73
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 mais5.3 Variáveis aleatórias gaussianas conjuntas
M. Eisencraft 5.3 Variáveis aleatórias gaussianas conjuntas 64 respectivamente. São as chamadas funções características marginais: Φ X (ω ) = Φ X,Y (ω,0) (5.0) Φ Y (ω ) = Φ X,Y (0,ω ) (5.) Os momentos
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 maisEXAME NACIONAL DE SELEÇÃO 2010
EXAME NACIONAL DE SELEÇÃO 2010 PROVA DE ESTATÍSTICA 1 o Dia: 30/09/2009 - QUARTA FEIRA HORÁRIO: 10h 30m às 12h 45m (horário de Brasília) EXAME NACIONAL DE SELEÇÃO 2010 PROVA DE ESTATÍSTICA 1º Dia: 30/09
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 maisCC-226 Aula 03 - Análise de Regressão
CC-226 Aula 03 - Análise de Regressão Carlos Henrique Q Forster - Instituto Tecnológico de Aeronáutica 2008 1 Regressão Linear Simples 11 Descrição do problema de regressão linear simples Relação entre
Leia maisProva de Estatística
Prova de Estatística 1. Para um número-índice ser considerado um índice ideal, ele precisa atender duas propriedades: reversão no tempo e o critério da decomposição das causas. Desta forma, é correto afirmar
Leia maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
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 maisO efeito interacção em modelos de equações estruturais
O efeito interacção em modelos de equações estruturais Maria de Fátima Salgueiro - ISCTE Business School, Lisboa fatima.salgueiro@iscte.pt XIV Congresso Anual da SPE - Covilhã 2006 XIV CONGRESSO DA SPE
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 maisEconometria I Lista 2: modelo de regressão linear clássico e regressão simples
Econometria I Lista 2: modelo de regressão linear clássico e regressão simples Professora: Fabiana Fontes Rocha Monitora: Camila Steffens 19 de março de 2018 Instruções: Objetivos com a lista: estruturação
Leia maisSensoriamento Remoto II
Sensoriamento Remoto II Componentes principais Revisão de matemática Análise de componentes principais em SR UFPR Departamento de Geomática Prof. Jorge Centeno 2016 copyright@ centenet Revisão matemática
Leia maisAnálise de Dados Longitudinais Análise Exploratória
1/64 Análise de Dados Longitudinais Análise Exploratória Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ 2/64 Análise Exploratória 1 Estrutura da Média Medidas Resumo; Perfis individuais. Perfil
Leia maisSegunda Lista de Exercícios Cálculo de Probabilidades II Prof. Michel H. Montoril
Exercício 1. Uma urna contém 4 bolas numeradas: {1, 2, 2, 3}. Retira-se dessa urna duas bolas aleatoriamente e sem reposição. Sejam 1 : O número da primeira bola escolhida; 2 : O número da segunda bola
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 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 maisEsquema Fatorial. Esquema Fatorial. Lucas Santana da Cunha 06 de outubro de 2018 Londrina
Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha 06 de outubro de 2018 Londrina Nos experimentos mais simples comparamos níveis (tratamentos) de apenas um fator; Nos experimentos mais simples comparamos
Leia maisMario de Andrade Lira Junior lira.pro.br\wordpress
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress autorais. 27/04/2009 1 Modelo simplificação da realidade Linear formato de reta Generalizado não específico Cada delineamento experimental
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 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 Linear Simples
Regressão Linear Simples Capítulo 16, Estatística Básica (Bussab&Morettin, 8a Edição) 10a AULA 18/05/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 10a aula (18/05/2015) MAE229 1 / 38 Introdução
Leia maisModelos de Análise de Variância
Modelos de Análise de Variância Delineamento Completamente Aleatorizado: k tratamentos, r réplicas (balanceado) yi iid ~ N ; i i Normalidade Variância constante ( homocedasticidade ) Independência Análise
Leia maisModelos com erros nas variáveis: teoria e
Modelos com erros nas variáveis: teoria e aplicações Alexandre Galvão Patriota Agradecimentos à Fapesp, Cnpq e Capes pelo apoio financeiro Alexandre G. Patriota (patriota@ime.usp.br) Modelos com erros
Leia mais