Tânia Lucia Hojo (UFMG) Sueli Aparecida Mingoti (UFMG)
|
|
- Vanessa Almada Pinhal
- 7 Há anos
- Visualizações:
Transcrição
1 Modelos de equações estruturas: uma avalação dos métodos de máxma verossmlhança, mínmos quadrados ordnáros e mínmos quadrados parcas usados na estmação de parâmetros do modelo. Tâna Luca Hojo (UFMG) hojo@est.mest.ufmg.br Suel Aparecda Mngot (UFMG) suel@est.ufmg.br Resumo Atualmente, com um mercado compettvo, o montoramento da satsfação do consumdor é um fator essencal para o sucesso da empresa, propcando a melhora contínua do produto (ou servço) de acordo com as expectatvas do consumdor. Entretanto, a satsfação é um conjunto de concetos teórcos formados por varáves que não podem ser dretamente mensuradas (chamadas varáves latentes). Além dsso, estes concetos podem representar váras relações de dependênca entre as varáves. Uma técnca que tem sdo utlzada nesta área é a modelagem de equações estruturas (SEM), que também é conhecda como análse da estrutura de covarânca. A SEM é utlzada quando deseja-se analsar váras relações de dependênca as quas são relaconadas entre s, podendo uma varável dependente numa equação ser a varável ndependente numa outra equação. Além de ncorporar varáves que não são mensuradas dretamente. Este estudo enfoca o desenvolvmento estatístco que têm ocorrdo durante os últmos anos na Modelagem de Equações Estruturas, prncpalmente na área de marketng, apresentando os aspectos teórcos e uma comparação dos métodos de estmação. Palavras chave: Equações estruturas, Métodos de estmação, Qualdade, Varáves latentes. Introdução A qualdade sempre é vsta como o atendmento rgoroso de especfcações técncas ou de padrões de conformdade, vsando garantr a confabldade do produto ou servços. Atualmente, com um mercado altamente compettvo, a satsfação do consumdor é uma preocupação vtal para companhas e organzações, no aperfeçoamento da qualdade do produto ou servço e, conseqüentemente, a lealdade de seus clentes. É mportante ressaltar que clentes satsfetos resultam num maor grau de fdeldade e conseqüentemente em melhores resultados para a companha. Clentes mutos satsfetos também costumam dssemnar nformações postvas, que atraem o nteresse de outros clentes, contrbundo para a sua consoldação no mercado. A satsfação do consumdor, que é o resultado da comparação das expectatvas do consumdor com a qualdade percebda, possblta o acompanhamento da prestação do servço, dentfcando problemas a serem corrgdos e possbltando a melhora da qualdade dos servços oferecdos. Ou seja, é um nstrumento estratégco no processo de planejamento e gestão das organzações. Entretanto, a satsfação é um conjunto de concetos teórcos (constructos) formado por varáves que não são dretamente mensuráves ou observáves (chamadas de varáves latentes). O reconhecmento deste prncípo, despertou a necessdade de desenvolver estudos mas sofstcados para montorar a satsfação do consumdor como forma de avalação do desempenho ENEGEP 004 ABEPRO 670
2 global das organzações. Uma técnca que tem sdo muto utlzada nesta área é a modelagem de equações estruturas (HAIR et. al., 998), que também é conhecda por análse da estrutura de covarânca. Bascamente, se resume em modelos de regressão nos quas as varáves latentes são utlzadas para tentar descrever uma possível relação de "causa-efeto". Na realdade, pode-se dzer que as equações estruturas combnam as técncas de análse de regressão e análse fatoral. Como todo modelo de regressão, exstem parâmetros desconhecdos e que precsam ser estmados a partr da amostra observada. O problema de estmação é mas complexo devdo à presença das varáves latentes. Os métodos estatístcos mas comuns utlzados para a estmação de parâmetros são: máxma verossmlhança, mínmos quadrados ordnáros e mínmos quadrados parcas. Estes métodos são procedmentos teratvos os quas mnmzam uma função de ajuste partcular através de sucessvos cálculos das estmatvas dos parâmetros. O objetvo deste estudo é avalar a confabldade dos métodos de estmação em stuações de falta de smetra da dstrbução geradora dos dados amostras, erros de especfcação do modelo, multcolneardade entre as varáves e o efeto do tamanho amostral. Modelos de Equações Estruturas O modelo completo das equações estruturas consste de um sstema de equações lneares, que pode ser decomposto em dos sub-sstemas: o modelo das varáves latentes ou modelo estrutural, que especfca as relações de causaldade entre as varáves latentes, e os modelos de mensuração, que especfcam quas varáves observadas mensuram quas constructos latentes. η = Βη+ Γξ+ ζ (Modelo Estrutural) () =Λ η+ ε (Modelo de Mensuração de ) () x = Λ ξ + ε (Modelo de Mensuração de x) (3) x x onde η e ξ são, respectvamente, varáves latentes endógenas e exógenas; x e são varáves de manfestação ou ndcadores; Β, Γ, Λ, Λ x são as matrzes dos coefcentes; e os vetores de erros são ζ, ε e ε x. O dagrama de camnho representa de forma gráfca os relaconamentos entre as varáves de um modelo de equações estruturas. A fgura exemplfca o dagrama de camnho com o índce de satsfação consumdor europeu (ECSI).. Estmação do Modelo Os procedmentos de estmação mas utlzados para os modelos de equações estruturas são: máxma verossmlhança, mínmos quadrados ordnáros, mínmos quadrados generalzados e mínmos quadrados parcas... Máxma Verossmlhança (ML) Segundo Bollen (989) o método de Máxma Verossmlhança (ML) é a função de ajuste mas amplamente utlzada em equações estruturas, que é defnda por: ENEGEP 004 ABEPRO 67
3 F tr S S p q ( ) = log Σ + ( Σ ) log ML ( + ) Os estmadores de máxma verossmlhança possuem propredades mportantes: são assntotcamente não vcados, consstentes, efcentes e normalmente dstrbuídos (BOLLEN, 989). Sua prncpal desvantagem é que as observações devem ser provenentes de uma dstrbução normal multvarada e na prátca nem sempre sso é verdade. Imagem Expectatva do Consumdor Lealdade Valor Percebdo Satsfação do Consumdor Qualdade Percebda Reclamação Fgura : Dagrama de camnho para o ECSI... Mínmos Quadrados Generalzados (GLS) e Ordnáros (ULS) A função de ajuste do método GLS é dada por: { ( ) } FGLS = tr S Σ W onde W é uma matrz de pesos para a matrz resdual. Portanto, o método ULS é um caso partcular do método GLS quando W = I, ou seja, quando a matrz de pesos é a matrz dentdade. Os estmadores GLS possuem as mesmas propredades dos estmadores de máxma verossmlhança, ou seja, são assntotcamente não vcados, consstentes e possuem uma dstrbução normal multvarada. A prncpal característca dos estmadores de ULS é smplcdade, pos não requer que as varáves observadas tenham uma dstrbução em partcular; além de produzrem estmadores consstentes...3 Mínmos Quadrados Parcas (PLS) O método de Mínmos Quadrados Parcas (PLS) fo ncalmente utlzado por Herman Wold em 98, para estmar varáves latentes nos modelos de índces de satsfação do consumdor. Os algortmos PLS são procedmentos teratvos que combnam as técncas de análse de componentes prncpas, correlação canônca e regressão lnear múltpla, que é dvddo em ENEGEP 004 ABEPRO 67
4 estmação externa e nterna, que serão descrtas a segur. (A) Estmação Externa: as varáves latentes são estmadas como combnações lneares das varáves de manfestação, ou seja, ˆ η = w Y e ˆ ξ = w X η onde os pesos w estmados por dos modos: () se as varáves de manfestação estão relaconadas as varáves latentes endógenas, os pesos w são os coefcentes da regressão lnear smples de sobre η ; () se as varáves de manfestação estão relaconadas às varáves latentes exógenas, os pesos w são os coefcentes da regressão múltpla de ξ sobre x. (B) Estmação Interna: os escores das varáves latentes são obtdos como médas ponderadas das varáves latentes encontradas na estmação nterna. Os pesos podem ser obtdos por três modos: fatoral, centróde e camnho. As prncpas característcas dos estmadores PLS são: não requerem suposções sobre a dstrbução das varáves que podem ser contínuas ou categórcas e é adequado para explcar relações mas complexas (CHIN, 996). No entanto, suas estmatvas são vcadas (O'LOUG- HLIN & COENDERS, 00). ξ 3 Smulação e Resultados O modelo proposto por Cassel et. al. (999) fo utlzado para o processo de geração dos da- ξ, ξ e ξ e uma varável dos. Este modelo consste de três varáves latentes exógenas ( 3) latente endógena ( η ) e é dado por: η = ξ + ξ + ξ + ζ 3 3 ξ = π x + π x + π x + δ 3 3 ξ = π x + π x + π x + δ ξ = π x + π x + π x + δ ( ) ( ) = λ η+ ε ( ) ( ) = λ η+ ε ( ) ( ) = λ η+ ε ( ) ( ) = λ η+ ε Desta forma, no modelo básco os valores de x possuem dstrbução smétrca Beta(6,6), todos os coefcentes π são 3, os coefcentes para as varáves latentes exógenas são = 0,8, = 0, e = 0, e os coefcentes relaconando a η são 3 λ =,, λ =, 0, λ3 = 0,9 e λ4 = 0,8. Os erros δ e ε possuem dstrbução unforme contínua, enquanto que o erro ζ possu dstrbução normal. Em todos os casos o erro possu méda zero e varânca gual a 30% da varânca da varável latente correspondente. Os valores das varáves de manfestação x foram transformados em uma escala de a 0 e smlarmente os escores das varáves latentes ξ e η foram transformados para uma escala de a 00. O processo de geração dos dados fo modfcado para avalar a nfluênca da assmetra das varáves de manfestação, multcolneardade entre as varáves latentes ou manfestação e erros de especfcação do modelo. Para cada caso, foram geradas 500 réplcas para cada tamanho amostral, n = 50, 00 e 000. Neste artgo apresentaremos apenas os resultados obtdos para n = 00. ENEGEP 004 ABEPRO 673
5 3. Assmetra das varáves de manfestação Para avalar o efeto da assmetra das varáves de manfestação, foram consderados três casos de dstrbuções: smétrca (Beta(6,6)), assmetra moderada à dreta (Beta(9,4)) e assmetra elevada à dreta (Beta(9,)). Os resultados da smulação mostraram que a assumndo dstrbução smétrca, os coefcentes π foram melhores estmados através do método PLS (centróde e camnho) e os métodos ML e ULS produzram resultados semelhantes. Para os coefcentes de camnho ( ) os métodos ML e ULS possuem uma pequena vantagem sobre PLS. Observa-se que e 3 são melhores estmados que, para os três métodos. O mesmo ocorre quando a dstrbução é moderadamente assmétrca. No entanto, somente as estmatvas de π no método PLS sofrem um pequeno aumento em seus erros. Agora, quando a dstrbução das varáves tem uma assmetra elevada, o método ML possu uma pequena vantagem sobre os ULS e PLS, em todos os parâmetros. Sendo que as estmatvas de π sofreram uma maor nfluênca da assmetra. Mas cabe ressaltar que nos três casos de assmetra, somente o método PLS (centróde e camnho) não produzu estmatvas nconsstentes. 3. Multcolneardade entre as varáves de manfestação e/ou latentes Para avalar a nfluênca da multcolneardade entre as varáves foram ntroduzdas correlações: (a) entre as varáves do mesmo bloco (denomnadas de r), sto é, entre as varáves de manfestação x que pertencem a mesma varável ξ, e (b) entre os blocos (denomnadas de b), sto é, entre as varáves ξ. Então, foram consderados três casos: () correlação entre as varáves de manfestação (r = 0,7 e b = 0,0); () correlação entre as varáves latentes (r = 0,0 e b = 0,7) e (3) correlação entre as varáves latentes e manfestação (r = 0,7 e b = 0,7). A tabela apresenta os erros médos, quadrátcos, relatvos e absolutos para os três métodos de estmação em estudo. As fguras a 4 lustram o box-plot do erro quadrátco médo para as estmatvas de π, e, respectvamente, para os métodos ML, ULS e PLS (centróde) nos três casos de multcolneardade quando o tamanho amostral é 00. Pela tabela percebe-se que quando há correlação somente entre as varáves de manfestação, os resultados mostram que os métodos ML, ULS e PLS produzem resultados semelhantes, com lgera vantagem para o método ULS, prncpalmente na estmação de π. Quando há correlação somente entre as varáves latentes, o método PLS produz melhores resultados que ML e ULS para as estmatvas de π. Já para os coefcentes de camnho ( ), os métodos ML e ULS possuem uma pequena vantagem em relação a PLS. O mesmo acontece quando exste correlação entre as varáves latentes e manfestação. Anda, observa-se que houve uma dmnução dos erros das estmatvas em todos os parâmetros à medda que são ntroduzdas correlações entre as varáves latentes e manfestação. Este é um fato mportante uma vez que a maora das pesqusas de opnão e mercado produzem varáves correlaconadas. 3.3 Erros de especfcação do modelo Para avalar o efeto dos erros de especfcação do modelo, foram consderados dos casos de omssão do coefcente da varável latente: pequeno = 0, e maor = 0,8. Os resultados da smulação quando há omssão da varável latente com coefcente pequeno =, mostraram que as estmatvas de π foram melhores estmadas pelo método PLS. ( ) 0, ENEGEP 004 ABEPRO 674
6 Correlação Caso (r = 0,7 e b = 0) Caso (r = 0 e b = 0,7) Caso 3 (r = 0,7 e b = 0,7) π λ 3 π λ 3 π λ 3 ML 0,049 0,0496 0,857 0,0084 0,00 0,48 0,0493 0,0585 0,009 0,0094 0,056 0,0497 0,060 0,0087 0,008 ULS 0,056 0,0497 0,89 0,03 0,09 0,35 0,0495 0,0585 0,000 0,0096 0,0474 0,0458 0,060 0,0078 0,0075 Fatoral -0,0636 0,0497 0,867 0,089 0,087 0,088 0,0494 0,0654 0,0098 0,043-0,05 0,0498 0,0669 0,0097 0,03 Centróde -0,0505 0,0497 0,867 0,076 0,077 0,088 0,0494 0,0654 0,0098 0,043-0,05 0,0498 0,0669 0,0097 0,03 EM Camnho -0,0505 0,0497 0,867 0,076 0,077 0,088 0,0494 0,0654 0,0098 0,043-0,05 0,0498 0,0669 0,0097 0,03 ML 0,09 0,049 0,0335 0,0037 0,0030 0,06 0,049 0,0035 0,000 0,000 0,0075 0,049 0,0037 0,000 0,000 ULS 0,0056 0,049 0,0336 0,0007 0,0008 0,067 0,049 0,0035 0,0003 0,0004 0,0096 0,06 0,0037 0,0004 0,0004 Fatoral 0,040 0,049 0,0350 0,006 0,006 0,0086 0,049 0,0044 0,000 0,0003 0,006 0,049 0,0045 0,000 0,000 Centróde 0,054 0,049 0,0350 0,000 0,0008 0,0086 0,049 0,0044 0,000 0,0003 0,006 0,049 0,0045 0,000 0,000 EQM Camnho 0,054 0,049 0,0350 0,0008 0,0008 0,0086 0,049 0,0044 0,000 0,0003 0,006 0,049 0,0045 0,000 0,000 ML 0,08 0,0998 0,87 0,036 0,0335 0,48 0,0996 0,0585 0,03 0,008 0,0705 0,0998 0,060 0,0095 0,009 ULS 0,0597 0,0998 0,89 0,04 0,046 0,389 0,0997 0,0585 0,07 0,04 0,0733 0,036 0,060 0,0 0,007 Fatoral 0,07 0,000 0,867 0,0344 0,0349 0,088 0,0999 0,0654 0,05 0,046 0,066 0,000 0,0669 0,003 0,05 EA Centróde 0,090 0,000 0,867 0,076 0,077 0,088 0,0999 0,0654 0,05 0,046 0,066 0,000 0,0669 0,003 0,05 Camnho 0,090 0,000 0,867 0,076 0,077 0,088 0,0999 0,0654 0,05 0,046 0,066 0,000 0,0669 0,003 0,05 ML 0,487 0,7 0,84 0,369 0,3354 0,737 0,5 0,073 0,9 0,08 0,35 0,8 0,075 0,0950 0,090 ULS 0,80 0,8 0,86 0,406 0,465 0,740 0,6 0,073 0,76 0,4 0,0 0,67 0,075 0,4 0,073 Fatoral 0,3083 0,9 0,333 0,3445 0,3495 0,674 0,8 0,087 0,5 0,464 0,896 0,30 0,0836 0,036 0,50 ER Centróde 0,730 0,9 0,333 0,765 0,775 0,674 0,8 0,087 0,5 0,464 0,896 0,30 0,0836 0,036 0,50 Camnho 0,730 0,9 0,333 0,765 0,775 0,674 0,8 0,087 0,5 0,464 0,896 0,30 0,0836 0,036 0,50 π = =, K,9, λ representa a méda das estmatvas de λ = (,, 0 0, 9 0, 8 ) e = ( 0, 8 0, 0, ). Fonte: Dados smulados. π representa a méda das estmatvas de /3, Tabela : Erros = /3, =, K,9 Médos (EM), Quadrátcos (EQM), Absoluto (EA) e Relatvos (ER) das estmatvas dos parâmetros para o modelo com multcolneardade entre as varáves latentes e/ou manfestação com n = 00. ENEGEP 004 ABEPRO 675
7 No entanto, para os coefcentes de camnho ( e ) 3 os métodos ML e ULS produzem melhores resultados que PLS. E, o mesmo ocorre quando há omssão da varável latente com coefcente maor ( = 0,8), observando que os erros das estmatvas de ( e 3) sofrem uma maor nfluênca Método de Estmação ML Método de Estmação ULS Método de Estmação PLS(centróde) Fgura : Box-plot do erro quadrátco médo para as estmatvas de π quando há multcolneardade entre as varáves latentes e/ou manfestação com n = Método de Estmação ML Método de Estmação ULS Método de Estmação PLS(centróde) Fgura 3: Box-plot do erro quadrátco médo para as estmatvas de quando há multcolneardade entre as varáves latentes e/ou manfestação com n = 00. ENEGEP 004 ABEPRO 676
8 Método de Estmação ML Método de Estmação ULS Método de Estmação PLS(centróde) Fgura 4: Box-plot do erro quadrátco médo para as estmatvas de quando há multcolneardade entre as varáves latentes ou manfestação com n = Conclusões Os resultados da smulação mostraram que as estmatvas para λ em todos os métodos não sofreram nfluênca das nequações (assmetra, multcolneardade e omssão de regressor). Para as estmatvas de π o método PLS produz melhores resultados do que os métodos ML e ULS. No entanto, para os coefcentes de camnho os métodos ML e ULS produzem melhores resultados que PLS, embora a dferença observada entre os erros dos três métodos de estmação não seja elevada. Observa-se melhores resultados em todos os métodos quando é ntroduzda correlação entre as varáves latentes e manfestação. Anda, o método PLS (centróde e camnho) produz estmatvas consstentes. Consderando-se todas as smulações realzadas, verfcou-se que para o método PLS não houve dferença sgnfcatva entre os resultados obtdos para n = 50, 00 e 000. Os métodos ML e ULS foram mas afetados. Portanto, os dados deste estudo ndcam que o método PLS para não ser nfluencado pelo tamanho amostral. Este fato é concordante com o estudo de Cassel et. al. (999) 5 Referêncas Bblográfcas BOLLEN, K. A. (989), Structural Equatons wth Latent Varables, New York, Wle. CASSEL, C., HACKL, P., WESTLUND, A. H. (999), Robustness of partal least-squares method for estmatng latent varable qualt structures, Journal of Appled Statstcs, v. 6, Nº 4, CHIN, W. W., MARCOLIN, B. L., NEWSTED, P. R. (996), A partal least squares latent varable modelng approach for measurng nteracton effects: results from a Monte Carlo smulaton stud and voce mal emoton/adopton stud, Oho, Proceedngs of the Seventeenth Internatonal Conference on Informaton Sstems. HAIR, J. F., ANDERSON, R. E., TATHM, R. L., BLACK, W. C. (998), Multvarate Data Analss, New Jerse, Prentce Hall. O'LOUGHLIN, C., COENDERS G. (000), Applcaton of the European Customer Satsfacton Index to Postal Servces. Structural Equaton Models versus Partal Least Squares, Unverstat de Grona. ENEGEP 004 ABEPRO 677
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia mais4 Modelos de Equações Estruturais
4 Modelos de Equações Estruturas 4. Introdução Este capítulo é dedcado aos fundamentos teórcos sobre os Modelos de Equações Estruturas baseados em Estruturas de Covarâncas (CSM) e em Mínmos Quadrados Parcas
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisINTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS Prof. Dr. Marcelo Martns de Sena MÓDULO 04 Undade Unverstára de Cêncas Eatas e Tecnológcas UnUCET Anápols 1 MÓDULO 04
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisCap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisAnálise de influência
Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisAULA EXTRA Análise de Regressão Logística
1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável
Leia maisUNIVERSIDADE NOVA DE LISBOA Faculdade de Economia Análise de Dados e Probabilidade 2º Semestre 2008/2009 Exame Final 1ª Época. Grupo I (4 Valores)
UNIVERSIDADE NOVA DE LISBOA Faculdade de Economa Análse de Dados e Probabldade º Semestre 008/009 Exame Fnal ª Época Clara Costa Duarte Data: 8/05/009 Graça Slva Duração: h0 Grupo I (4 Valores) A gelatara
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia maisModelagem do crescimento de clones de Eucalyptus via modelos não lineares
Modelagem do crescmento de clones de Eucalyptus va modelos não lneares Joselme Fernandes Gouvea 2 Davd Venanco da Cruz 3 Máco Augusto de Albuquerque 3 José Antôno Alexo da Slva Introdução Os fenômenos
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisRedução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma
Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia maisUNIVERSIDADE FEDERALDO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS FACULDADE DE ESTATÍSTICA CURSO DE BACHARELADO EM ESTATÍSTICA
UNIVERSIDADE FEDERALDO PARÁ INSTITUTO DE CIÊNCIAS EATAS E NATURAIS FACULDADE DE ESTATÍSTICA CURSO DE BACHARELADO EM ESTATÍSTICA JEFFERSON PINTO BARBOSA JUNIOR ECONOMETRIA: MULTICOLINEARIDADE E HETEROCEDASTICIDADE
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisEquações Simultâneas
Equações Smultâneas Caracterzação. Os modelos de equações smultâneasenvolvem mas de uma varável dependente, ou endógena, sendo necessáras tantas equações quanto for o número de varáves endógenas 2. Uma
Leia maisMétodos Experimentais em Ciências Mecânicas
Métodos Expermentas em Cêncas Mecâncas Professor Jorge Luz A. Ferrera Sumáro.. Dagrama de Dspersão. Coefcente de Correlação Lnear de Pearson. Flosofa assocada a medda da Estatstca. este de Hpótese 3. Exemplos.
Leia maisCapítulo 2. Modelos de Regressão
Capítulo 2 Modelos de regressão 39 Capítulo 2 Modelos de Regressão Objetvos do Capítulo Todos os modelos são errados, mas alguns são útes George E P Box Algumas vezes fcamos assustados quando vemos engenheros
Leia maisSELEÇÃO DE MODELOS VOLUMÉTRICOS PARA CLONES DE EUCALYPTUS SPP., NO PÓLO GESSEIRO DO ARARIPE
SELEÇÃO DE MODELOS VOLUMÉTRICOS PARA CLONES DE EUCALYPTUS SPP, NO PÓLO GESSEIRO DO ARARIPE Jáder da Slva Jale Joselme Fernandes Gouvea Alne Santos de Melo Denns Marnho O R Souza Kléber Napoleão Nunes de
Leia maisO PROBLEMA DA MODELAGEM DA VARIÂNCIA NA OTIMIZAÇÃO EXPERIMENTAL DE PRODUTOS OU PROCESSOS
O PROBLEMA DA MODELAGEM DA VARIÂNCIA NA OTIMIZAÇÃO EXPERIMENTAL DE PRODUTOS OU PROCESSOS Pedro Alberto Barbetta Departamento de Informátca e de Estatístca Unversdade Federal de Santa Catarna Antono Cezar
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maisGARANTIA DE EXCELENTE INTERCAMBIALIDADE E REDUÇÃO DE CUSTOS ATRAVÉS DA ANÁLISE ESTATÍSTICA DE TOLERÂNCIAS
GARANIA DE EXCELENE INERCAMBIALIDADE E REDUÇÃO DE CUSOS ARAVÉS DA ANÁLISE ESAÍSICA DE OLERÂNCIAS Edvaldo Antono Bulba* *Prof. Dr. da Fatec SP FEI e Unversdade São Judas E mal: bulba@fe.edu.br Resumo Numa
Leia maisREGRESSÃO E CORRELAÇÃO
Relaconamento entre varáves : - requer conhecmento REGRESSÃO E CORRELAÇÃO Y = f ( ) + ε Ex: 1. Y = Lucro de uma Empresa = Investmento em Publcdade Y(v.aleatóra) em função de (v.determnístca), onde Y é
Leia maisEscola Superior de Tecnologia de Viseu. Fundamentos de Estatística 2006/2007 Ficha nº 7
Escola Superor de Tecnologa de Vseu Fundamentos de Estatístca 006/00 Fcha nº. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
Leia maisTeoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva
Teora da Regressão Espacal Aplcada a Modelos Genércos Sérgo Alberto Pres da Slva ITENS DE RELACIONAMENTOS Tópcos Báscos da Regressão Espacal; Banco de Dados Geo-Referencados; Modelos Genércos Robustos;
Leia maisINSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Centfca Curso Matemátca Engenhara Electrotécnca º Semestre º 00/0 Fcha nº 9. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisProcessamento de Sinal
APSI - Processamento de Snal Processamento de Snal Concetos, Métodos e Aplcações Texto Tutoral da Dscplna: APSI - LEEC J.P. Marques de Sá msa@fe.up.pt Faculdade de Engenhara da Unversdade do Porto J.P.
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisEstatística Aplicada II CORRELAÇÃO. AULA 21 07/11/16 Prof a Lilian M. Lima Cunha
09//06 Estatístca Aplcada II CORRELAÇÃO AULA 07//6 Prof a Llan M. Lma Cunha CORRELAÇÃO: Identfcar a estênca ou não de assocação lnear entre varáves: -Preço de um produto em regões; -Frete e Km percorrdo;
Leia maisRegressão Linear Simples. Frases. Roteiro
Regressão Lnear Smples Frases Por serem mas precsos que as palavras, os números são partcularmente adequados para transmtr conclusões centífcas Pagano e Gauvre, 4 Rotero. Modelagem de Relação. Modelo Lnear
Leia mais5 Análise Conjunta da Média e da Dispersão
5 Análse Conjunta da Méda e da Dspersão Neste capítulo vamos apresentar métodos de dentfcação dos fatores que afetam a méda e a varânca da resposta, em expermentos fatoras não replcados. Na otmzação de
Leia maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL
3.1- Introdução. ESTATÍSTICA MEDIDAS DE TENDÊNCIA CENTRAL Como na representação tabular e gráfca dos dados a Estatístca Descrtva consste num conjunto de métodos que ensnam a reduzr uma quantdade de dados
Leia maisMODELAGEM CONJUNTA DE MÉDIA E VARIÂNCIA EM EXPERIMENTOS FRACIONADOS SEM REPETIÇÃO UTILIZANDO GLM
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO MODELAGEM CONJUNTA DE MÉDIA E VARIÂNCIA EM EXPERIMENTOS FRACIONADOS SEM REPETIÇÃO UTILIZANDO
Leia maisDepartamento de Produção, UNESP, Campus de Guaratinguetá Av. Ariberto Pereira da Cunha, 333, Guaratinguetá, S.P. CEP
A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 3, Natal-RN MONITORAMENTO DA MÉDIA E DA VARIABILIDADE DE UM PROCESSO POR MEIO DA ESTATÍSTICA DE QUI-QUADRADO NÃO- CENTRALIZADA Antôno Fernando
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisContagens em dispositivos de pesagens (scale counting)
Contagens em dspostvos de pesagens (scale countng) Raquel Cymrot (Unversdade Presbterana Macenze) raquelc@macenze.com.br Lnda Lee Ho (USP) lndalee@usp.br Resumo Mutas vezes uma ndústra produz pequenas
Leia maisUniversidade Federal de São Carlos Centro de Ciências Exatas e de Tecnologia Departamento de Estatística
Unversdade Federal de São Carlos Centro de Cêncas Exatas e de Tecnologa Departamento de Estatístca Introdução ao Controle Estatístco de Processo on-lne Paulo Henrque Ferrera da Slva Orentador: Prof. Dr.
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 4 Regressão Linear
ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11 EERCÍCIOS PRÁTICOS - CADERNO 4 Regressão Lnear 4. EERCÍCIOS PARA RESOLVER NAS AULAS 4.1. O gestor de marketng duma grande cadea de supermercados quer determnar
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia maisFACULDADE DE ECONOMIA DO PORTO. Licenciatura em Economia E C O N O M E T R I A II
FACULDADE DE ECONOMIA DO PORTO Lcencatura em Economa E C O N O M E T R I A II (LEC310) Avalação dstrbuída - Teste global 25 de Junho de 2007 NOTAS PRÉVIAS: 1. A prova tem duração de 2 horas. 2. Apenas
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisSerão abordados nesse capítulo os modelos causais, utilizados como ferramentas para o desenvolvimento e análise desse trabalho.
3. Modelos causas Serão abordados nesse capítulo os modelos causas, utlzados como ferramentas para o desenvolvmento e análse desse trabalho. 3.1. Econometra A base da Econometra é a aplcação de métodos
Leia maisUma proposta de modificação do índice de capacidade multivariado de Cheng
Uma proposta de modfcação do índce de capacdade multvarado de heng Suel Aparecda Mngot (UFMG) - suel@est.ufmg.br Fernando Augusto Alves Glóra (UFMG) - bodmufmg@yahoo.com.br Resumo Neste artgo apresentamos
Leia mais2 Referencial Teórico
Referencal Teórco O obetvo deste capítulo é apresentar os concetos de rsco, correlação e dversfcação no contexto da Teora oderna de Carteras e os últmos estudos a respeto das correlações entre mercados
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia maisAvaliando a Qualidade dos Estimadores de Variogramas (Variograma Experimental) em presença de normalidade e Outliers.
Avalando a Qualdade dos Estmadores de Varogramas (Varograma Expermental) em presença de normaldade e Outlers. Suel Aparecda Mngot PD em Estatístca Profa. Ajunta do Dep. de Estatístca/ UFMG suel@est.ufmg.br
Leia maisANÁLISE DE COMPONENTES PRINCIPAIS, ANÁLISE FATORIAL: Exemplos em STATA. Prof. Dr. Evandro Marcos Saidel Ribeiro RESUMO
UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ADMINISTRAÇÃO ANÁLISE DE COMPONENTES PRINCIPAIS, ANÁLISE FATORIAL: Eemplos em STATA. Prof. Dr. Evandro Marcos
Leia maisF = O modelo de Regressão Múltipla Geral é dado por: Y i = β 1 + β 2 X 1i + β 3 X 2i + +β k X ki + U i Para testar a hipótese nula de que: H
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Nem sempre se quer testar os coefcentes ndvduas da regressão. Pode ser necessáro e é convenente testar o modelo como um todo, sto é testar
Leia maisTabela 1. Porcentagem de crianças imunizadas contra DPT e taxa de mortalidade de menores de 5 anos para 20 países, 1992.
Regressão Lnear Algumas vezes estamos nteressados não apenas se exste assocação entre duas varáves quanttatvas x e y, mas nós temos também uma hpótese a respeto de uma provável relação de causa e efeto
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia mais