Modelagem de dados complexos por meio de extensões do modelo de
|
|
- Maria Clara Mangueira
- 5 Há anos
- Visualizações:
Transcrição
1 Modelagem de dados complexos por meio de extensões do modelo de regressão clássico Luiz R. Nakamura Departamento de Informática e Estatística Universidade Federal de Santa Catarina luiz.nakamura@ufsc.br Florianópolis 04 de Julho de 2018
2 Sumário 1 Motivação 2 Contexto histórico 3 GAMLSS 4 Referências
3 Dados sobre aluguel Os dados sobre aluguel são provenientes de uma pesquisa conduzida em Abril de 1993 pela Infratest Sozialforschung, em que uma amostra aleatória sobre imóveis com novos contratos de locação nos últimos quatro anos em Munich foi selecionada. Para este conjunto de dados temos 1,967 observações e cinco variáveis:
4 Dados sobre aluguel R: valor do aluguel mensal (variável resposta) Fl: tamanho do imóvel em metros quadrados A: ano de construção H: fator de dois níveis, se existe (0), ou não (1), aquecimento central no imóvel loc: fator que indica a qualidade da localização do imóvel sendo: abaixo da média (1), na média (2) e acima da média (3)
5 input output X Y
6 Variável resposta: valor do aluguel Frequency Mínimo Máximo Mediana Média Desvio Padrão Assimetria 1.07 Curtose R R
7 Gráficos de dispersão R R Fl A R R H loc
8 Como explicar o relacionamento entre o valor do aluguel mensal e as variáveis explicativas disponíveis?
9 Como explicar o relacionamento entre o valor do aluguel mensal e as variáveis explicativas disponíveis? All models are wrong, but some are useful (George E.P. Box)
10 Modelo de regressão linear clássico
11 Modelo de regressão linear clássico Definição Y i = β 0 + β 1 X i β r X ir + ɛ i, i = 1,..., n em que ɛ i N (0, σ 2 )
12 Modelo de regressão linear clássico Definição Y i = β 0 + β 1 X i β r X ir + ɛ i, i = 1,..., n em que ɛ i N (0, σ 2 ) Matricialmente Y = X β + ɛ
13 Modelo de regressão linear clássico Definição Y i = β 0 + β 1 X i β r X ir + ɛ i, i = 1,..., n em que ɛ i N (0, σ 2 ) Matricialmente ou ainda, Y = X β + ɛ µ = X β, em que Y N(µ, σ 2 )
14 Suposições do modelo
15 Exemplo: dados sobre aluguel R: Modelo de regressão linear
16 Exemplo: dados sobre aluguel R: Modelo de regressão linear library(gamlss) data(rent) #do pacote gamlss.data
17 Exemplo: dados sobre aluguel R: Modelo de regressão linear library(gamlss) data(rent) #do pacote gamlss.data r1 <- gamlss(r Fl + A + H + loc, family=no, data=rent)
18 Exemplo: dados sobre aluguel R: Modelo de regressão linear library(gamlss) data(rent) #do pacote gamlss.data r1 <- gamlss(r Fl + A + H + loc, family=no, data=rent) summary(r1)
19 Exemplo: dados sobre aluguel R: Modelo de regressão linear library(gamlss) data(rent) #do pacote gamlss.data r1 <- gamlss(r Fl + A + H + loc, family=no, data=rent) summary(r1) Saída Estimate Std. Error t value Pr(> t ) (Intercept) e-09 *** Fl < 2e-16 *** A e-10 *** H < 2e-16 *** loc e-07 *** loc e-14 ***
20 Análise de resíduos plot(r1)
21 Análise de resíduos plot(r1) Against Fitted Values Against index Quantile Residuals Quantile Residuals Fitted Values index Density Estimate Normal Q Q Plot Density Sample Quantiles Quantile. Residuals Theoretical Quantiles
22 Análise de resíduos worm plot wp(r1)
23 Análise de resíduos worm plot wp(r1) Deviation Unit normal quantile
24 Modelo linear generalizado (GLM) (Nelder e Wedderburn, 1972)
25 Modelo linear generalizado (GLM) (Nelder e Wedderburn, 1972) Definição g(µ) = X β, em que Y ExpFamily(µ, φ) em que g(µ) é chamada de função de ligação
26 Família exponencial f (y θ; φ) = exp { φ 1 [yθ b(θ) + c(y; φ)] }
27 Família exponencial f (y θ; φ) = exp { φ 1 [yθ b(θ) + c(y; φ)] } Exemplos normal gamma normal inversa Poisson binomial entre outras...
28 Suposições do modelo
29 Exemplo: dados sobre aluguel R: GLM (distribuição gamma)
30 Exemplo: dados sobre aluguel R: GLM (distribuição gamma) r2 <- gamlss(r Fl + A + H + loc, family=ga, data=rent) summary(r2)
31 Exemplo: dados sobre aluguel R: GLM (distribuição gamma) r2 <- gamlss(r Fl + A + H + loc, family=ga, data=rent) summary(r2) Saída Estimate Std. Error t value Pr(> t ) (Intercept) e-07 *** Fl < 2e-16 *** A e-07 *** H < 2e-16 *** loc e-10 *** loc e-15 ***
32 Análise de resíduos plot(r2)
33 Análise de resíduos plot(r2) Against Fitted Values Against index Quantile Residuals Quantile Residuals Fitted Values index Density Estimate Normal Q Q Plot Density Sample Quantiles Quantile. Residuals Theoretical Quantiles
34 Análise de resíduos worm plot wp(r2)
35 Análise de resíduos worm plot wp(r2) Deviation Unit normal quantile
36 Modelo aditivo generalizado (GAM) (Hastie e Tibshirani, 1990)
37 Modelo aditivo generalizado (GAM) (Hastie e Tibshirani, 1990) Definição J g(µ) = X β + h j (x j ), em que Y ExpFamily(µ, φ) j=1 em que h j (x j ) são funções de suavização não-paramétricas
38 Comportamento de uma função de suavização
39 Comportamento de uma função de suavização µ variável explicativa
40 Exemplo: dados sobre aluguel R: GAM (distribuição gamma)
41 Exemplo: dados sobre aluguel R: GAM (distribuição gamma) r3 <- gamlss(r pb(fl) + pb(a) + H + loc, family=ga, data=rent) summary(r3)
42 Exemplo: dados sobre aluguel R: GAM (distribuição gamma) r3 <- gamlss(r pb(fl) + pb(a) + H + loc, family=ga, data=rent) summary(r3) Saída Estimate Std. Error t value Pr(> t ) (Intercept) e-08 *** pb(fl) < 2e-16 *** pb(a) e-06 *** H < 2e-16 *** loc e-10 *** loc < 2e-16 ***
43 Exemplo: dados sobre aluguel R: GAM (distribuição gamma) r3 <- gamlss(r pb(fl) + pb(a) + H + loc, family=ga, data=rent) summary(r3) Saída Estimate Std. Error t value Pr(> t ) (Intercept) e-08 *** pb(fl) < 2e-16 *** pb(a) e-06 *** H < 2e-16 *** loc e-10 *** loc < 2e-16 *** NOTE: Additive smoothing terms exist in the formulas: i) Std. Error for smoothers are for the linear effect only.
44 Comportamento das funções de suavização term.plot(r3, pages=2)
45 Comportamento das funções de suavização term.plot(r3, pages=2) Partial for pb(fl) Partial for pb(a) Fl A
46 Análise de resíduos plot(r3)
47 Análise de resíduos plot(r3) Against Fitted Values Against index Quantile Residuals Quantile Residuals Fitted Values index Density Estimate Normal Q Q Plot Density Sample Quantiles Quantile. Residuals Theoretical Quantiles
48 Análise de resíduos worm plot wp(r3)
49 Análise de resíduos worm plot wp(r3) Deviation Unit normal quantile
50 Modelos aditivos generalizados para locação, escala e forma (GAMLSS) (Rigby e Stasinopoulos, 2005)
51 Modelos aditivos generalizados para locação, escala e forma (GAMLSS) (Rigby e Stasinopoulos, 2005) Definição g k (θ k ) = X k β k + J k j=1 h jk (x jk ), k = 1,..., p em que Y D(θ k ) e D denota qualquer distribuição (não necessariamente da família exponencial) com p parâmetros
52 Suposições do modelo
53 GAMLSS Modelos de regressão semi-paramétricos paramétrico: envolve uma distribuição para a variável resposta (que não necessariamente pertence à família exponencial) semi: pode envolver partes lineares (paramétrica) e/ou termos de suavização não-paramétricos Pacote gamlss no R (Stasinopoulos e Rigby, 2007)
54 Os GAMLSS podem ser reescritos como (h j = Zγ)
55 Os GAMLSS podem ser reescritos como (h j = Zγ) J 1 g 1 (µ) = X 1 β 1 + Z j1 γ j1 j=1 J 2 g 2 (σ) = X 2 β 2 + Z j2 γ j2 j=1 J 3 g 3 (ν) = X 3 β 3 + Z j3 γ j3 j=1 J 4 g 4 (τ ) = X 4 β 4 + Z j4 γ j4 em que Z é uma matriz de bases, γ é um conjunto de coeficientes sujeitos à penalização quadrática λγ Gγ, λ é um parâmetro de suavização, G = D D é uma matriz conhecida e D é uma matriz de diferenças j=1
56 Distribuições
57 Distribuições Tipos de distribuição Existem, atualmente, mais de 100 distribuições implementadas junto ao pacote gamlss.dist, entre elas:
58 Distribuições Tipos de distribuição Existem, atualmente, mais de 100 distribuições implementadas junto ao pacote gamlss.dist, entre elas: Contínuas Discretas Mistas
59 Distribuições Tipos de distribuição Existem, atualmente, mais de 100 distribuições implementadas junto ao pacote gamlss.dist, entre elas: Contínuas Discretas Mistas Importante Parametrizações diferentes das habituais!
60 Alguns pacotes no R
61 Alguns pacotes no R gamlss gamlss.dist gamlss.data gamlss.add gamlss.cens gamlss.demo gamlss.nl gamlss.tr gamlss.mx gamlss.spatial gamlss.util o pacote original todas as distribuições disponíveis conjuntos de dados para outros termos aditivos variáveis respostas com censura demos para distribuições e suavizações modelos não-lineares distribuições truncadas distribuições de mistura e efeitos aleatórios modelos espaciais outros
62 Seleção de modelos
63 Seleção de modelos Os GAMLSS podem ser representados por M = {D, G, T, L}, em que D especifica a distribuição da variável resposta; G especifica o conjunto de funções de ligação para os parâmetros da distribuição µ, σ, ν e τ; e T especifica os termos que aparecem nos preditores para µ, σ, ν e τ. L especifica os parâmetros de suavização associados a cada um dos parâmetros da distribuição da variável resposta
64 Estratégia de seleção Para o ajuste de um GAMLSS, todos os componentes citados no slide anterior devem ser especificados
65 Estratégia de seleção Para o ajuste de um GAMLSS, todos os componentes citados no slide anterior devem ser especificados Componente D: seleção da distribuição
66 Estratégia de seleção Para o ajuste de um GAMLSS, todos os componentes citados no slide anterior devem ser especificados Componente D: seleção da distribuição 1 Ajuste:
67 Estratégia de seleção Para o ajuste de um GAMLSS, todos os componentes citados no slide anterior devem ser especificados Componente D: seleção da distribuição 1 Ajuste: qual o suporte da variável resposta?
68 Estratégia de seleção Para o ajuste de um GAMLSS, todos os componentes citados no slide anterior devem ser especificados Componente D: seleção da distribuição 1 Ajuste: qual o suporte da variável resposta? Critério de informação de Akaike generalizado (GAIC), dado por GAIC(κ) = 2 ˆl + κ df em que df são os graus de liberdade. O modelo com menor GAIC é selecionado
69 Estratégia de seleção Para o ajuste de um GAMLSS, todos os componentes citados no slide anterior devem ser especificados Componente D: seleção da distribuição 1 Ajuste: qual o suporte da variável resposta? Critério de informação de Akaike generalizado (GAIC), dado por GAIC(κ) = 2 ˆl + κ df em que df são os graus de liberdade. O modelo com menor GAIC é selecionado 2 Diagnóstico: utilização de gráficos de resíduos
70 Componente G: seleção das funções de ligação
71 Componente G: seleção das funções de ligação Em geral (por default), nos GAMLSS, utilizamos as funções de ligação baseados no espaço dos parâmetros. Por exemplo, para a distribuição normal, temos:
72 Componente G: seleção das funções de ligação Em geral (por default), nos GAMLSS, utilizamos as funções de ligação baseados no espaço dos parâmetros. Por exemplo, para a distribuição normal, temos: < µ <, logo utilizamos a função identidade
73 Componente G: seleção das funções de ligação Em geral (por default), nos GAMLSS, utilizamos as funções de ligação baseados no espaço dos parâmetros. Por exemplo, para a distribuição normal, temos: < µ <, logo utilizamos a função identidade σ > 0, logo utilizamos a função logaritmica
74 Componente G: seleção das funções de ligação Em geral (por default), nos GAMLSS, utilizamos as funções de ligação baseados no espaço dos parâmetros. Por exemplo, para a distribuição normal, temos: < µ <, logo utilizamos a função identidade σ > 0, logo utilizamos a função logaritmica A utilização de diferentes funções de ligação também pode ser comparada por meio do GAIC e de gráficos de resíduos
75 Componente T : seleção das covariáveis do modelo
76 Componente T : seleção das covariáveis do modelo Procedimento stepwise baseado no GAIC:
77 Componente T : seleção das covariáveis do modelo Procedimento stepwise baseado no GAIC:
78 Componente T : seleção das covariáveis do modelo Procedimento stepwise baseado no GAIC: Após a realização dos passos supracitados, seleciona-se o modelo final. Observe que, por meio deste procedimento, conjuntos de variáveis explicativas distintas podem ser selecionadas para cada um dos parâmetros da distribuição da variável resposta
79 Componente L: seleção dos parâmetros de suavização do modelo
80 Componente L: seleção dos parâmetros de suavização do modelo Métodos globais (fora dos algoritmos do GAMLSS) e métodos locais (dentro dos algoritmos do GAMLSS) Máxima verossimilhança Critério de informação de Akaike generalizado Validação cruzada
81 Exemplo: dados sobre aluguel R: GAMLSS
82 Exemplo: dados sobre aluguel R: GAMLSS f1 <- fitdist(rent$r 1, type = realplus ) f1$fits[1:5]
83 Exemplo: dados sobre aluguel R: GAMLSS f1 <- fitdist(rent$r 1, type = realplus ) f1$fits[1:5] Saída BCCGo GG BCPEo GIG BCTo
84 Exemplo: dados sobre aluguel R: GAMLSS f1 <- fitdist(rent$r 1, type = realplus ) f1$fits[1:5] Saída BCCGo GG BCPEo GIG BCTo Distribuição BCCGo µ > 0: Mediana σ > 0: Coeficiente de variação < ν < : Assimetria
85 Seleção do modelo baseado na distribuição BCCGo
86 Seleção do modelo baseado na distribuição BCCGo r4 <- gamlss(r 1, data=rent, family=bccgo)
87 Seleção do modelo baseado na distribuição BCCGo r4 <- gamlss(r 1, data=rent, family=bccgo) r4 <- stepgaicall.a(r4, scope=list(lower= 1, upper= pb(fl)+pb(a)+h+loc))
88 summary(r4)
89 summary(r4) Mu Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) *** pb(fl) < 2e-16 *** H < 2e-16 *** pb(a) e-11 *** loc e-10 *** loc < 2e-16 *** Sigma Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-14 *** pb(a) < 2e-16 *** pb(fl) loc loc * H Nu Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) H * pb(a)
90 Comportamento das funções de suavização para µ term.plot(r4, pages=2)
91 Comportamento das funções de suavização para µ term.plot(r4, pages=2) Partial for pb(fl) Partial for pb(a) Fl A
92 Comportamento das funções de suavização para σ term.plot(r4, what= sigma, pages=2) Partial for pb(fl) Partial for pb(a) Fl A
93 Comportamento das funções de suavização para ν term.plot(r4, what= nu )
94 Comportamento das funções de suavização para ν term.plot(r4, what= nu ) Partial for pb(a) A
95 Análise de resíduos plot(r4)
96 Análise de resíduos plot(r4) Against Fitted Values Against index Quantile Residuals Quantile Residuals Fitted Values index Density Estimate Normal Q Q Plot Density Sample Quantiles Quantile. Residuals Theoretical Quantiles
97 Análise de resíduos worm plot wp(r4)
98 Análise de resíduos worm plot wp(r4) Deviation Unit normal quantile
99 Comparação entre os modelos ajustados AIC(r1,r2,r3,r4) df AIC r r r r
100 Deviation Deviation Unit normal quantile Unit normal quantile Deviation Deviation Unit normal quantile Unit normal quantile
101 References P.K. Dunn and G.K. Smyth. (1996). Randomized quantile residuals. Journal of Computational and Graphical Statistics 5, P.H. Eilers and B.D. Marx. (1996). Flexible smoothing with B-splines and penalties. Statistical Science 11, P.H. Eilers, B.D. Marx and M. Durbán. (2015). Twenty years of P-splines. SORT 39, J.A. Nelder and R.W.M. Wedderburn. (1972). Generalized linear models. Journal of the Royal Statistical Society: Series A 135, R.A. Rigby and D.M. Stasinopoulos (2005). Generalized additive models for location, scale and shape. Journal of the Royal Statistical Society: Series C 54, D.M. Stasinopoulos and R.A. Rigby (2007). Generalized Additive Models for Location Scale and Shape (GAMLSS) in R. Journal of Statistical Software 23, D.M. Stasinopoulos, R.A. Rigby, G.Z. Heller, V. Voudouris and F. De Bastiani (2017). Flexible Regression and Smoothing: using GAMLSS in R, CRC Press. S. van Buuren and M. Fredriks. (2001). Worm plot: a simple diagnostic device for modelling growth reference curves. Statistics in Medicine 20,
102
CE062c - 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 maisModelagem de dados de consumo de combustível de veículos por meio de GAMLSS
Universidade Federal do Paraná Alcides Conte Neto, Hektor Dannyel Brasil Modelagem de dados de consumo de combustível de veículos por meio de GAMLSS Curitiba 2018 Alcides Conte Neto, Hektor Dannyel Brasil
Leia maisModelos aditivos generalizados para locação, escala e forma na análise do número de lesões corticais em pacientes com esclerose múltipla
ISSN: 2317-0840 Modelos aditivos generalizados para locação, escala e forma na análise do número de lesões corticais em pacientes com esclerose múltipla 1 Universidade Federal do Paraná - UFPR Ricardo
Leia maisUtilização de GAMLSS na construção de curvas de referência: um estudo de caso sobre composição corporal.
Universidade Federal do Paraná - UFPR Alexandre Doral Marques Utilização de GAMLSS na construção de curvas de referência: um estudo de caso sobre composição corporal. Curitiba - PR 2017 Alexandre Doral
Leia maisAplicação do Modelo GAMLSS a Dados Imobiliários: Um estudo de caso de lotes urbanos na cidade de São Carlos, SP
Aplicação do Modelo GAMLSS a Dados Imobiliários: Um estudo de caso de lotes urbanos na cidade de São Carlos, SP Amanda Cristina Estevam 1 Guilherme Moraes Ferraudo 1 Vera Tomazella 1 Francisco Louzada
Leia maisQuantis residuais. Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná
Quantis residuais Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná Orientador: Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Resumo Uma etapa importante
Leia maisModelos Lineares Generalizados
Modelos Lineares Generalizados Emilly Malveira de Lima Análise de Dados Categóricos Universidade Federal de Minas Gerais - UFMG 10 de Maio de 2018 Emilly Malveira (PGEST-UFMG) 10 de Maio de 2018 1 / 20
Leia maisModelos de regressão beta inflacionados
Modelos de regressão beta inflacionados Raydonal Ospina Martínez Orientadora: Silvia Lopes de Paula Ferrari Recife/PE: 3 de Março de 2009 XI Escola de Modelos de Regressão 1 / 22 APOIO FINANCIERO CAPES,
Leia maisCE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 13 de setembro de 2018
CE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 13 de setembro de 2018 Examplo usando gamlssnp(): dados de cérebros de animais O tamanho do cérebro (brain) e peso corporal (body) foram registrados
Leia maisCE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 06 de novembro de 2018
A função plot.gamlss() CE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 06 de novembro de 2018 Considere os dados de circunferência abdominal discutido anteriormente. relacionamos a circunferência
Leia maisANÁLISE DOS CUSTOS DE PARTOS DE UMA OPERADORA DE PLANOS DE SAÚDE UTILIZANDO GAMLSS
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA CURSO DE ESTATÍSTICA Rafaela de Sousa Kienen ANÁLISE DOS CUSTOS DE PARTOS DE UMA OPERADORA DE PLANOS DE SAÚDE UTILIZANDO
Leia maisFAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES
FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a
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 maisAplicação dos modelos lineares generalizados na análise do
Aplicação dos modelos lineares generalizados na análise do número de ácaros Ana Paula Coelho Madeira Silva 12 Fabrício Oliveira Fernandes 12 Marcos Antonio Matiello Fadini 12 1 Introdução O estudo das
Leia maisA Importância da Estatística na Pesquisa Científica e na Tomada de Decisão
A Importância da Estatística na Pesquisa Científica e na Tomada de Decisão Ricardo Alves de Olinda Universidade Estadual da Paraíba - UEPB Centro de Ciências e Tecnologia - CCT Departamento de Estatística
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 maisRegressão de Poisson e parentes próximos
Janeiro 2012 Família Exponencial Seja Y uma variável aleatória. A distribuição de probabilidade de Y pertence à família exponencial se a sua função densidade de probabilidade é da forma ( ) yθ b(θ) f (y
Leia maisModelos Lineares Generalizados para Dados de Contagem Ananda Bordignon, Brendha Lima, Giovanna Lazzarin 28 de novembro de 2018
Modelos Lineares Generalizados para Dados de Contagem Ananda Bordignon, Brendha Lima, Giovanna Lazzarin 28 de novembro de 2018 1. Introdução O objetivo deste trabalho é apresentar uma análise estatística,
Leia maisMODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS
MODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS 1 Diversas distribuições podem ser consideradas para a modelagem de dados positivos com distribuição contínua e assimétrica, como, por exemplo, as
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 maisCE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 23 de outubro de 2018
CE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 23 de outubro de 2018 A função random() A função random() permite que termos de intercepto aleatório sejam ajustados em qualquer um dos parâmetros
Leia maisÓbitos por Acidentes de Transporte em Santa Catarina no ano de 2016
Óbitos por Acidentes de Transporte em Santa Catarina no ano de 2016 Modelos Lineares Generalizados Lais Hoffmam Simone Matsubara Willian Meira Yasmin Fernandes Curitiba 2018 Sumário 1. Resumo... 3 2. Introdução...
Leia mais4 Modelos Lineares Generalizados
4 Modelos Lineares Generalizados Neste capítulo, serão apresentados arcabouços teóricos dos modelos lineares generalizados (MLGs) e como casos particulares desses modelos são aplicáveis ao problema da
Leia maisModelos ARCH e GARCH Aula 8. Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8
Modelos ARCH e GARCH Aula 8 Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8 Motivação Pesquisadores que se dedicam a prever séries temporais, tais como preços
Leia maisRegressão para Dados Binários - Estudo de Dengue
Universidade Federal do Paraná Departamento de Estatística Regressão para Dados Binários - Estudo de Dengue CE225 - Modelos Lineares Generalizados Francielle Przibiciem de Mattos GRR20124686 Guilherme
Leia maisEstimação da creatinina sérica basal através de modelos GAMLSS
UNIVERSIDADE DE LISBOA FACULDADE DE CIÊNCIAS DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL Estimação da creatinina sérica basal através de modelos GAMLSS Inês Rodrigues Mendonça Mestrado em Bioestatística
Leia maisModelos Binomial e Poisson
Objetivos Motivação BIE5781 - Pós-Graduação em Ecologia USP Setembro de 2016 Objetivos Motivação Objetivo da Aula Os objetivos dessa aula são: Objetivos Motivação Objetivo da Aula Os objetivos dessa aula
Leia maisRelatório GLM - Predição de doênça coronária cardíaca através do modelo de regressão generalizado com resposta Binomial
UNIVERSIDADE FEDERAL DO PARANÁ Rafael Morciani Alves da Silva Maike Willian Martins dos Santos Mateus Gemelli Ramos Relatório GLM - Predição de doênça coronária cardíaca através do modelo de regressão
Leia maisRELACÃO DO CRIME EM CIDADES PEQUENAS COM CUSTO, IDADE E ANOS DE ESTUDO DE ESTADOS DA AMERICA DO NORTE
Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Estatística RELACÃO DO CRIME EM CIDADES PEQUENAS COM CUSTO, IDADE E ANOS DE ESTUDO DE ESTADOS DA AMERICA DO NORTE CE225 - Modelos
Leia maisBIE5782. Unidade 7: INTRODUÇÃO AOS MODELOS LINEARES
BIE5782 Unidade 7: INTRODUÇÃO AOS MODELOS LINEARES ROTEIRO 1.Motivação 2. Método dos mínimos quadrados 3. Ajuste no R: função lm 4. Resultado no R: objeto lm 5. Premissas, interpretação e diagnóstico 6.
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 maisAnálise de dados em Geociências
Análise de dados em Geociências Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Introdução Regressão linear dados independentes séries temporais Regressão de quantis Regressão
Leia maisEXPLORANDO OS MODELOS LINEARES GENERALIZADOS APLICAÇÃO A DADOS DE UM PEQUENO SUPERMERCADO
Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Estatística EXPLORANDO OS MODELOS LINEARES GENERALIZADOS APLICAÇÃO A DADOS DE UM PEQUENO SUPERMERCADO CE225 - Modelos Lineares Generalizados
Leia maisResultados: Como resultados, descrever a proporção de vezes em que o modelo usado na simulação dos dados (LOGNO2) produziu menor valor de GAIC.
Universidade Federal do Paraná - Departamento de Estatística CE062c - Modelos Generalizados Aditivos para Locação, Escala e Forma Profs. José Luiz Padilha da Silva e Cesar Augusto Taconeli Trabalho 1 Objetivo:
Leia maisMEDIÇÃO DA QUALIDADE DO VINHO BRANCO NORTE PORTUGUÊS
Universidade Federal do Paraná Departamento de Estatística MEDIÇÃO DA QUALIDADE DO VINHO BRANCO NORTE PORTUGUÊS CE225 - Modelos Lineares Generalizados Francielle Przibiciem de Mattos GRR20124686 Guilherme
Leia maisGAM. Ilka Afonso Reis
GAM Ilka Afonso Reis Modelo Estatístico O objetivo de um modelo estatístico é fornecer a base matemática para responder às seguintes questões: As variáveis preditoras/explicativas explicam adequadamente
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 maisRegressão Logística: Um Estudo sobre o Uso de Tabaco entre Alunos da Universidade Federal do Paraná Curitiba
UNIVERSIDADE FEDERAL DO PARANÁ Departamento de Estatística Regressão Logística: Um Estudo sobre o Uso de Tabaco entre Alunos da Universidade Federal do Paraná Curitiba CE225 - Modelos Lineares Generalizados
Leia maisModelos lineares parciais aditivos generalizados com suavização por meio de P-splines. Amanda Amorim Holanda
Modelos lineares parciais aditivos generalizados com suavização por meio de P-splines Amanda Amorim Holanda Dissertação apresentada ao Instituto de Matemática e Estatística da Universidade de São Paulo
Leia maisCONHECIMENTOS ESPECÍFICOS
CESPE/UnB FUB/03 fa 5 4 3 CONHECIMENTOS ESPECÍFICOS 60 As distribuições B e C possuem os mesmos valores para os quartis Q e Q, e o quartil superior em B corresponde ao quartil central (Q ) da distribuição
Leia maisModelos lineares generalizados: um estudo sobre leilões de veículos
UNIVERSIDADE FEDERAL DO PARANÁ Departamento de Estatística Modelos lineares generalizados: um estudo sobre leilões de veículos CE5 - Modelos Lineares Generalizados Aline Benatti, GRR: 454 Andryas Waurzenczak,
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA
06 UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CAROLINE MARTINS SELIS GRR: 20137507 MILTON ABRAAO FERREIRA GRR: 20137581 NATHALIE DO AMARAL PORTO MARTINS GRR: 20137583 RELATÓRIO DE ANÁLISE
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ. André Luiz Grion GRR Bruno Henrique Abreu GRR
UNIVERSIDADE FEDERAL DO PARANÁ André Luiz Grion GRR1598 Bruno Henrique Abreu GRR159983 Predição dos resultados dos jogos do campeonato brasileiro via modelagem do número de gols utilizando dados do Cartola
Leia maisAntes de resolvermos a)-c), vamos relembrar a diferença entre esperança (variância) conditional e esperança (variância) incondicional.
Econometria Avançada - 015-1 SOLUÇÃO Terceira lista de exercícios Problema 1. Seja r t os retornos (ou log-retornos) diários de um ativo financeiros (por exemplo, S&P500 ou Petrobrás ON) tal que r t =
Leia maisModelos paramétricos para séries temporais de contagem. Igor André Milhorança
Modelos paramétricos para séries temporais de contagem Igor André Milhorança Dissertação apresentada ao Instituto de Matemática e Estatística da Universidade de São Paulo para obtenção do título de Mestre
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR LUAN FIORENTIN GRR
UNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR - 20160239 LUAN FIORENTIN GRR - 20160219 MODELAGEM DE DADOS DE ÓBITOS POR AGRESSÕES NO ESTADO DE SÃO PAULO NO ANO DE 2016 CURITIBA Novembro
Leia maisExtensões e Aplicações do Modelo de Regressão Conway-Maxwell-Poisson para Modelagem de Dados de Contagem
Extensões e Aplicações do Modelo de Regressão Conway-Maxwell-Poisson para Modelagem de Dados de Contagem Eduardo Elias Ribeiro Junior Orientação: Prof. Dr. Walmes Marques Zeviani Trabalho de Conclusão
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 maisModelos Binomial e Poisson
Objetivos Motivação BIE5781 - Pós-Graduação em Ecologia USP setembro de 2012 Objetivo da Aula Objetivos Motivação Os objetivos dessa aula são: Objetivos Motivação Objetivo da Aula Os objetivos dessa aula
Leia maisPrecificação de apartamentos para o bairro Água Verde em Curitiba
Precificação de apartamentos para o bairro Água Verde em Curitiba Chuck Norris Arnold Schwarzenegger 18 de julho de 2013 O preço de imóveis depende principalmente do seu tamanho e localização. A infraestrutura
Leia maisINCIDÊNCIA DE DENGUE EM UMA CIDADE DA COSTA MEXICANA: UM ESTUDO PREDITIVO
Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Estatística INCIDÊNCIA DE DENGUE EM UMA CIDADE DA COSTA MEXICANA: UM ESTUDO PREDITIVO CE225 - Modelos Lineares Generalizados Eduardo
Leia maisModelos assimétricos inacionados de zeros. Mariana Ferreira Dias
Modelos assimétricos inacionados de zeros Mariana Ferreira Dias Dissertação apresentada ao Instituto de Matemática e Estatística da Universidade de São Paulo para obtenção do título de Mestre em Ciências
Leia maisAjuste e comparação de modelos para dados grupados e censurados
Ajuste e comparação de modelos para dados grupados e censurados 1 Introdução José Nilton da Cruz 1 Liciana Vaz de Arruda Silveira 2 José Raimundo de Souza Passos 2 A análise de sobrevivência é um conjunto
Leia maisRELAÇÃO ENTRE EXPECTATIVA DE VIDA E CARACTERÍSTICAS DOS ESTADOS NORTE-AMERICANOS ENTRE OS ANOS DE 1969 E 1970
Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Estatística RELAÇÃO ENTRE EXPECTATIVA DE VIDA E CARACTERÍSTICAS DOS ESTADOS NORTE-AMERICANOS ENTRE OS ANOS DE 1969 E 1970 CE225 -
Leia maisModelo de regressão estável aplicado a econometria
Modelo de regressão estável aplicado a econometria financeira Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br 1 Objetivos
Leia maisTrabalho de Modelos Lineares Generalizados
Universidade Federal do Paraná Trabalho de Modelos Lineares Generalizados Ananda Bordignon 1, Brendha Lima 2, Giovanna Lazzarin 3 12 de Novembro de 2018 1 GRR20149157 2 GRR20149163 3 GRR20149088 1 SUMÁRIO
Leia maisRegressão para Dados de Contagem - Segurança e privatização ferroviária na Grã-Bretanha
Universidade Federal do Paraná Departamento de Estatística Regressão para Dados de Contagem - Segurança e privatização ferroviária na Grã-Bretanha CE22 - Modelos Lineares Generalizados Francielle Przibiciem
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 maisExame da OAB. Gilberto A. Paula. Departamento de Estatística IME-USP, Brasil
Exame da OAB Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2017 G. A. Paula (IME-USP) Exame da OAB 2 o Semestre 2017 1 / 29 Exame da OAB Sumário 1 Exame
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Julgue os itens que se seguem, acerca da estatística descritiva. 51 Na distribuição da quantidade de horas trabalhadas por empregados de certa empresa, é sempre possível determinar
Leia mais1 z 1 1 z 2. Z =. 1 z n
Gabarito Lista 3. Tópicos de Regressão. 2016-2. 1. Temos que y i ind N (µ, φi ), com log φ i = α + γz i, para i = 1,..., n, portanto (i) para o γ = (α, γ) a matriz modelo ca Z = 1 z 1 1 z 2.. 1 z n (ii)
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 mais4 Metodologia. Wt = W 0 exp{(l/k)(1-e-kt)} (8)
4 Metodologia Serão apresentadas duas formas de se estimar a persistência. A primeira é de forma mais agregada e se utiliza de dados em forma de triângulos de run-off e é conhecida como Chain Ladder, uma
Leia maisSELEÇÃO DE VARIÁVEIS
SELEÇÃO DE VARIÁVEIS objetivo incluir tantas covariáveis quantas forem necessárias para auxiliar na predição do modelo? (1) buscar o menor subconjunto de covariáveis capaz de explicar adequadamente a variação
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 maisModelos Lineares Generalizados
unificação metodológica Alexandre Adalardo de Oliveira PlanECO 2017 1 of 43 03/29/2017 11:47 AM Conceitos estrutura do erro preditora linear função de ligação 2 of 43 03/29/2017 11:47 AM Função de ligação
Leia maisIntrodução aos Modelos Lineares em Ecologia
Introdução aos Modelos Lineares em Ecologia Prof. Adriano Sanches Melo - Dep. Ecologia UFG asm.adrimelo no gmail.com Página do curso: www.ecologia.ufrgs.br/~adrimelo/lm/ Livro-texto: Crawley, M.J. 2005.
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 maisb) Teste a hipótese de efeito significante do tamanho da população sobre a venda do produto, na presença de renda per capita
Exemplo 1 (continuação a Estime por intervalo de 95% de confiança, o aumento do número médio de lotes vendidos devido a 1000 pessoas a mais na população, mantendo a renda per capita fixa b Teste a hipótese
Leia maisO USO DE MODELOS DE REGRESSÃO LOGÍSTICA PARA AVALIAÇÃO DO PROBLEMA DE EVASÃO DE ALUNOS NO CURSO DE QUÍMICA INDUSTRIAL DA UNUCET-UEG
O USO DE MODELOS DE REGRESSÃO LOGÍSTICA PARA AVALIAÇÃO DO PROBLEMA DE EVASÃO DE ALUNOS NO CURSO DE QUÍMICA INDUSTRIAL DA UNUCET-UEG Robson de Souza Vieira 1 ; Rogério Silva Pimentel 1 ; Emerson Wruck 2
Leia maisEFICIÊNCIA DE UM TRATAMENTO APLICADO A PACIENTES COM LEUCEMIA
Universidade Federal do Paraná Departamento de Estatística EFICIÊNCIA DE UM TRATAMENTO APLICADO A PACIENTES COM LEUCEMIA CE225 - Modelos Lineares Generalizados Jhenifer Caetano Veloso - GRR20137558 Rogério
Leia maisFernando Moura DME-UFRJ. V Escola de Amostragem
Modelos assimétricos para estimação em pequenos domínios Fernando Moura DME-UFRJ V Escola de Amostragem Cuiabá Outubro 2017 Fernando Moura DME-UFRJ () 1 / 1 Sumário Sumário Fernando Moura DME-UFRJ () 2
Leia maisEstatística II Licenciatura em Gestão. Parte I
Estatística II Licenciatura em Gestão 1 o semestre 2015/2016 ER - 03/02/2016 09:00 Nome N o Espaço reservado a classificações A utilização do telemóvel, em qualquer circunstância, é motivo suficiente para
Leia maisExemplo Misto Ataques Epilépticos
Exemplo Misto Ataques Epilépticos Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Ataques Epilépticos 2 o Semestre 2016 1 / 25
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 maisPlanejamento de Experimentos Suposições do Modelo e Comparações Múltiplas
1 / 30 Planejamento de Experimentos Suposições do Modelo e Comparações Múltiplas Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG 2 / 30 Exemplo típico: Resistência de uma nova fibra sintética
Leia maisIntrodução Regressão linear Regressão de dados independentes Regressão não linear. Regressão. Susana Barbosa
Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2012-2013 Regressão linear x : variável explanatória y : variável resposta Gráfico primeiro! Gráfico primeiro! Gráfico primeiro! Modelo linear x
Leia maisModelos e inferência para um experimento em blocos casualizados para o número de vagens em soja RESUMO
Modelos e inferência para um experimento em blocos casualizados para o número de vagens em soja Natália da Silva Martins 1, Davi Butturi-Gomes 1, Lucas Souza Capelaro 2 1 Instituto de Ciências Exatas,
Leia maisMétodos Estatísticos Avançados em Epidemiologia
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Métodos Estatísticos Avançados em Epidemiologia Aula 2-2 Regressão de Poisson: Modelando Contagens Distribuição
Leia maisMODELANDO A TAXA DE NEOPLASIA PULMONAR NO BRASIL VIA MODELOS LINEARES GENERALIZADOS
Revista da Estatística UFOP, Vol III, 2014 - ISSN 2237-8111 MODELANDO A TAXA DE NEOPLASIA PULMONAR NO BRASIL VIA MODELOS LINEARES GENERALIZADOS Thiago Rezende dos Santos 1,2, Roger William Câmara Silva
Leia maisFilho, não é um bicho: chama-se Estatística!
Paulo Jorge Silveira Ferreira Filho, não é um bicho: chama-se Estatística! Estatística aplicada uma abordagem prática FICHA TÉCNICA EDIÇÃO: Paulo Ferreira TÍTULO: Filho, não é um bicho: chama-se Estatística!
Leia maisDimensionamento de amostras para regressão logística
Dimensionamento de amostras para regressão logística Arminda Lucia Siqueira 1 Flávia Komatsuzaki 1 Introdução Regressão logística é hoje padrão de análise para muitos estudos da área da saúde cuja variável
Leia maisAula 22/10/2018 José Luiz Padilha 22 de outubro de 2018
Modelando a Variância Estimação Aula 22/10/2018 José Luiz Padilha 22 de outubro de 2018 A estimação dos parâmetros α 0 e α 1 em um modelo ARCH(1) é geralmente realizada por verossimilhança condicional.
Leia maisExemplos Regressão Dados de Contagem
Exemplos Regressão Dados de Contagem p. 1/26 Exemplos Regressão Dados de Contagem Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
Leia maisNúmero de Consultas ao Médico
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA CURSO DE ESTATÍSTICA João Matheus S. K. T. Hneda Lineu Alberto Cavazani de Freitas Número de Consultas ao Médico Análise
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 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 maisANOVA com modelos encaixados
ANOVA com modelos encaixados Motivação 1 Testar a significância de β j ( j = 0, 1,, p na presença das demais regressoras, usando o teste t, é trabalho, pois precisa de: ^β e ^Var (^β j = ^σ 2 j c ( j+1(
Leia maisUniversidade Federal de São Carlos Centro de Ciências Exatas e Tecnologia Programa de pós-graduação em Estatística
Universidade Federal de São Carlos Centro de Ciências Exatas e Tecnologia Programa de pós-graduação em Estatística Título Comparação do desempenho de Modelos Lineares Generalizados (MLG) e Modelos Aditivos
Leia mais3 Modelos e metodologias comparadas
3 Modelos e metodologias comparadas Este capítulo tem o propósito de listar algumas das alternativas existentes na literatura que envolve classificação, e serão utilizadas neste trabalho sendo comparadas
Leia maisModelos de Regressão para Dados de Contagem
UNIVERSIDADE FEDERAL DO PARANÁ Departamento de Estatística Modelos de Regressão para Dados de Contagem CE225 - Modelos Lineares Generalizados Professor Cesar Taconelli Andrea A Alves, GRR: 20096668 NathanM
Leia maisAssociação entre duas variáveis
Associação entre duas variáveis Questões de interesse: Será que duas variáveis são independentes ou pelo contrário dependentes? E se forem dependentes, qual o tipo e grau de dependência? Existem diversas
Leia maisGabarito Lista 2 LES0773 Estatística III. Os resultados dessa regressão são apresentados na seguinte tabela:
Gabarito Lista 2 LES0773 Estatística III Exercício 1) Utilizando a ferramenta Análise de Dados e a sua função Regressão, foi realizada uma regressão levando em consideração os gastos com PD como variável
Leia maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Leia maisDisciplina de Modelos Lineares
Disciplina de Modelos Lineares 2012-2 Seleção de Variáveis Professora Ariane Ferreira Em modelos de regressão múltipla é necessário determinar um subconjunto de variáveis independentes que melhor explique
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 maisDISCRETIZADAS NA ANÁLISE DE DADOS DE SOBREVIVÊNCIA RESUMO
APLICAÇÕES DE DISTRIBUIÇÕES DISCRETIZADAS NA ANÁLISE DE DADOS DE SOBREVIVÊNCIA Danielle Peralta 1, Josmar Mazucheli 1, Isabelle Picada Emanuelli 2 e Robson Marcelo Rossi 1 1 Departamento de Estatística,
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 maisTestes de especificação para a função de ligação em modelos lineares generalizados para dados binários
Artigo original DOI: 10.5902/2179460X14203 Ciência e Natura, Santa Maria, v. 37 n. 1, 2015, p. 1 11 Revista do Centro de Ciências Naturais e Exatas - UFSM ISSN impressa: 0100-8307 ISSN on-line: 2179-460X
Leia mais