ESTRATÉGIAS PARA MODELAGEM DE DADOS MULTIVARIADOS NA PRESENÇA DE CORRELAÇÃO
|
|
- Vítor Gabriel Amado Tomé
- 7 Há anos
- Visualizações:
Transcrição
1 ESRAÉGIAS ARA MODELAGEM DE DADOS MULIVARIADOS NA RESENÇA DE CORRELAÇÃO v.7, n., p. 7-8, abr. 000 Flavo S. Foglatto Departamento de Engenhara de rodução & ransportes Unversdade Federal do Ro Grande do Sul raça Argentna, 9 Sala LO orto Alegre, RS E-mal: ffoglatto@ppgep.ufrgs.br Resumo Dados multvarados ocorrem com freqüênca em nvestgações empírcas. Em estudos de Engenhara, por exemplo, dados multvarados são coletados ao estudar-se o efeto de dferentes condções de processamento sobre característcas de tens manufaturados. as conjuntos de dados podem apresentar varáves altamente correlaconadas. Neste artgo, nvestga-se o efeto da estrutura de correlação de varáves dependentes em sua modelagem, a partr de regressão lnear. Quatro técncas de regressão são apresentadas e comparadas: regressão de mínmos quadrados ordnáros, regressão de mínmos quadrados generalzados, regressão por equações aparentemente não relaconadas e regressão multvarada. Como modelos de regressão são, va de regra, utlzados com fns predtvos, as técncas de modelagem acma são comparadas com base em sua varânca de predção. As dferentes técncas de regressão são lustradas em um estudo de caso. alavras-chave: técncas de regressão multvarada, varânca de predção, correlação.. Introdução A Análse de Regressão Lnear (ARL) é uma das ferramentas estatístcas mas utlzadas na modelagem de dados. A ARL consste, em sua essênca, na determnação de uma equação ou modelo que descreva de manera efcente o efeto de um grupo de varáves ndependentes sobre uma ou mas varáves dependentes. A aplcação da técnca de modelagem por
2 8 Foglatto Estratégas para Modelagem de Dados Multvarados regressão lnear a um grupo de dados resulta na determnação de coefcentes lneares que ponderam o efeto de varáves ndependentes sobre varáves dependentes. Modelos com uma únca varável dependente são dtos unvarados. Modelos com múltplas varáves dependentes são dtos multvarados. Dados multvarados ocorrem com freqüênca em nvestgações empírcas. Em estudos econômcos, por exemplo, pode-se avalar o efeto de meddas de ajuste trbutáro sobre ndcadores de desempenho econômco (ADELMAN et al., 969). Em estudos de Engenhara, pode-se estudar o efeto de dferentes ajustes nos controles de um equpamento sobre as característcas de undades por ele produzdas (FOGLIAO et al., 998). Em ambos os casos, deseja-se analsar o efeto de um grupo de varáves ndependentes (meddas de ajuste trbutáro, ajustes nos controles de um equpamento) sobre um grupo de varáves dependentes (ndcadores de desempenho econômco, característcas do produto). Outros exemplos podem ser encontrados em JOHNSON & WICHERN (99). Neste trabalho, analsa-se o efeto da estrutura de correlação de varáves dependentes na modelagem de grupos de dados multvarados. ara esse fm, quatro técncas de modelagem va ARL são comparadas relatvamente a um crtéro predetermnado; são elas: () regressão de mínmos quadrados ordnáros (RMQ), () regressão de mínmos quadrados generalzados (RMG), () regressão por equações aparentemente não relaconadas (SURE seemngly unrelated equatons regresson), e (v) regressão multvarada (RMV); ver DRAER & SMIH (98), MYERS (986), ZELLNER (96) e SEBER (984), respectvamente. Cada técnca consdera de manera dstnta a estrutura de correlação entre varáves dependentes na estmação dos coefcentes a serem utlzados nos modelos de regressão. Cabe ressaltar que a estrutura de correlação entre varáves ndependentes é dentcamente consderada em todas as estratégas, não servndo, assm, como crtéro dferencador. Modelos de regressão são, va de regra, utlzados para fns de predção, estmação e controle (MONGOMERY & ECK, 99). Em todos os casos, desejam-se modelos que possam ser utlzados como estmadores efcentes das varáves dependentes modeladas. Assm, sugerese como base para comparação das técncas de modelagem lstadas acma, a varânca das predções geradas a partr de cada modelo. A melhor técnca será aquela que, na méda, gerar predções com menor varânca. As técncas de modelagem ctadas acma são brevemente ntroduzdas na seqüênca. Consdere um grupo de varáves ndependentes utlzadas na modelagem de varáves dependentes. Varáves dependentes podem ser modeladas ndvdualmente (ou seja, desconsderando eventuas correlações entre elas) ou em conjunto. Nas regressões RMQ e RMG, supõese correlação nexstente e modelam-se varáves dependentes ndvdualmente. Essas estratégas de regressão são as mas utlzadas na prátca, prncpalmente por encontrarem-se mplementadas em pacotes computaconas de análse estatístca e serem de fácl compreensão por parte do analsta. Nem sempre, todava, essas técncas consttuem uma escolha adequada. or exemplo, DERRINGER & SUICH (980) e RIBEIRO & ELSAYED (995) utlzam RMQ na modelagem de varáves dependentes altamente correlaconadas (correlações da ordem de 0,8), resultando em modelos com alta varânca de predção. Na regressão SURE, varáves dependentes são modeladas smultaneamente e a correlação entre varáves é consderada na modelagem. Esta técnca de modelagem é bastante comum em estudos de Econometra. A regressão MVR é um caso especal de SURE, onde cada varável dependente é modelada como função de um mesmo grupo de varáves ndependentes, porém com dferentes coefcentes de regressão. A regressão SURE produz modelos cujas predções apresentam varânca pelo menos tão pequena quanto aquelas obtdas usando as demas técncas de regressão (SRIVASAVA & GILES,
3 GESÃO & RODUÇÃO v.7, n., p. 7-8, abr ). Assm, recomenda-se a modelagem de varáves dependentes correlaconadas utlzando a regressão SURE. Varáves dependentes apresentam-se correlaconadas em stuações em que a avalação dreta de algum atrbuto ou propredade em undades expermentas é dfícl. Assm, o pesqusador selecona um conjunto de varáves relaconadas ao atrbuto em questão as quas, va de regra, apresentam-se correlaconadas. Esta é a stuação encontrada no estudo de caso apresentado neste trabalho, cujos dados são utlzados para comparar as dferentes técncas de regressão descrtas acma. Este trabalho dvde-se em cnco seções, nclundo a presente ntrodução. Na seção, ntroduz-se a notação e estrutura genérca do modelo de regressão a ser usado nas seções seguntes. A seção 3 é dvdda em ses subseções: as quatro subseções ncas trazem descrções detalhadas das técncas de regressão contempladas neste trabalho (ou seja, RMQ, RMG, SURE e RMV); um estmador de correlação amostral é apresentado na seqüênca; a últma subseção traz uma comparação entre técncas. Na quarta seção, um exemplo numérco com dados obtdos em um estudo de caso lustra a aplcação das técncas de regressão. A últma seção traz a conclusão do trabalho.. Consderações relmnares A segunte notação e defnções são utlzadas neste trabalho. Letras maúsculas em negrto desgnam matrzes e letras mnúsculas em negrto desgnam vetores. O nverso de uma matrz A é desgnado por A - e sua transposta por A ; analogamente, a desgna o transposto de um vetor a. Uma matrz dentdade de dmensão N por N é desgnada por I N. O operador desgna o produto dreto, ou de Kroenecker, de matrzes (seja A uma matrz com elementos desgnados por a j ; então A B corresponde a uma matrz de blocos, com blocos dados pelo produto a j B). A função tr(a) desgna o traço de uma matrz A e é dada pela soma dos elementos de sua dagonal prncpal. Uma matrz defnda postva apresenta somente elementos postvos em sua dagonal prncpal. Consdere um grupo de dados multvarados formado por varáves dependentes e C varáves ndependentes, observadas em stuações ou níves dstntos. Corrqueramente, as observações das varáves ndependentes corresponderam aos tratamentos em um expermento planejado. O vetor x [x,, x C ] apresenta os valores observados para as C varáves ndependentes em uma dada stuação. Y (x) desgna o valor da ésma varável dependente quando os níves das varáves ndependentes correspondem a x. As varáves dependentes são predtas por modelos de regressão desenvolvdos a partr de um grupo de dados com característcas dadas acma. Supõe-se o segunte modelo genérco de regressão para a ésma varável dependente: y X β + u,,, () onde y [Y,, Y ] é um vetor ( x ) de observações da varável dependente; X é a matrz ( x K ) de regressores, onde K ndca o número de regressores no ésmo modelo; β [β 0, β,, β ( K ) ] é um vetor (K x ) de coefcentes de regressão; e u [u,, u ] é um vetor ( x ) formado por resíduos supostamente segundo uma dstrbução Normal, com matrz de covarâncas dada por D[u ] V () onde V é uma matrz ( x ) defnda postva que se supõe conhecda (um caso especal de V é V σ.i, ou seja, resíduos não correlaconados com varânca comum dada por σ ). or exemplo, seja K 4; então o modelo de regressão para a varável dependente Y possu quatro termos. Os termos, também denomnados regressores, são (por exemplo) a méda, x, x, e x x. Suponha que a prmera stuação ou tratamento expermental observado corresponda a x - e x -. Assm, a prmera lnha da matrz X será dada por (, -,, ) e o vetor de coefcentes β por (β 0, β, β, β ).
4 0 Foglatto Estratégas para Modelagem de Dados Multvarados As equações em () podem ser escrtas como uma únca equação, y Xβ+ u (3) onde y [y,, y ] é um vetor ( x ) de varáves dependentes, X é uma matrz de regressores do tpo dagonal em blocos, de dmensão ( x K ), com os blocos na dagonal prncpal dados pelas matrzes X,,, (os demas blocos da matrz são 0), β [β,, β ] é um vetor ( K x ) de coefcentes, e u [u,, u ] é um vetor ( x ) de resíduos. Note que os vetores y, β e u são vetores formados por vetores. A matrz de covarâncas de u, desgnada por D[u], é uma matrz de blocos com o segunte formato σ I I I σ h σ I I I D[ u] σ σ h σ Σ I h h h h σ I σ I h σ I (4) onde Σ [σ j ],,j,,, e σ j corresponde à covarânca entre varáves dependentes e j. Um estmador para σ e σ j é apresentado na próxma seção. Estmando-se β em (), pode-se predzer o valor Y (x) da ésma varável dependente em um dado arranjo x das varáves ndependentes. Deseja-se um estmador βˆ de β que gere predções Yˆ tão próxmas quanto possível dos valores observados Y. Quatro estmadores de β são apresentados na próxma seção, cada um assocado a dferentes suposções. O desempenho dos dferentes estmadores de β será avalado por sua varânca de predção (ou seja, por sua efcênca; ver MOOD, 974). Um bom estmador de β resulta em predções com pequena varânca. A varânca de predção da ésma varável dependente, avalada em um dado arranjo x das varáves ndependentes, é dada por V[ Yˆ ( x)] V[ˆ β 0 V(ˆ β 0 + x Cov(ˆ β + x +βˆ x + h +βˆ ) + x V(ˆ β ) + h + x x 0 K K, βˆ ) + h + Cov(ˆ β ( K ) ( K ) x K K, βˆ ] V(ˆ β ( K ) ( K ) ) ) + (5) A expressão acma dexa claro que a varânca de predção depende do método utlzado para estmação dos coefcentes de regressão. 3. Quatro écncas para Modelagem de Dados Multvarados Através de Regressão Lnear A s varáves dependentes em () podem ser modeladas ndvdualmente ou smultaneamente como função das varáves ndependentes, conforme as suposções fetas acerca do vetor de resíduos u. Supondo Cov(u, u j ) 0,, j,,, j, a modelagem ndvdual ou smultânea das varáves dependentes resulta no mesmo conjunto de coefcentes de regressão e, por smplcdade, opta-se pela modelagem ndvdual. odava, ao supor-se Cov(u, u j ) 0, devese consderar uma estratéga que permta a modelagem smultânea das varáves dependentes. Nesta seção são apresentadas quatro técncas para estmação dos coefcentes de regressão em (). Nas prmeras duas técncas, RMQ e RMG, as varáves dependentes são modeladas ndvdualmente, supondo nexstênca de correlação entre elas. Nas duas últmas técncas, SURE e RMV, supõe-se varáves correlaconadas, as quas são modeladas smultaneamente. Um método para estmação da matrz de covarâncas Σ em (4) é apresentado na seqüênca. A seção é concluída com uma comparação entre as técncas de regressão abordadas. 3. Modelagem Indvdual de Varáves Dependentes Através da Regressão de Mínmos Quadrados Ordnáros (RMQ) Este é a técnca de regressão mas comumente encontrada na lteratura (ver, por exemplo, CHAERJEE & RICE, 99; SALEON,
5 GESÃO & RODUÇÃO v.7, n., p. 7-8, abr ; e DANIEL & WOOD, 980). Estmatvas dos coefcentes β em () são obtdas mnmzando a soma dos quadrados dos resíduos em u, pela equação: βˆ ( X X ) X y ode-se demonstrar que βˆ é o melhor estmador lnear não tendencoso de β (SALEON, 995, p.87). A matrz de covarâncas de βˆ é dada por: βˆ ] [ σ X ˆ y X β y K D ( X ) onde σ ( ) ( ) ( ˆ X β ) ( ) X X (6) V u é normalmente estmado a partr da méda do quadrado dos resíduos. A varânca do valor predto Yˆ para um dado arranjo x das varáves ndependentes é obtda a partr da expressão em (5), usando a nformação em (6); sto é: ( ) [ ( )] ( ) h x x X X x VY σ 3. Modelagem Indvdual de Varáves Dependentes Através da Regressão de Mínmos Quadrados Generalzados (RMG) A regressão RMG generalza a regressão RMQ apresentada acma. As suposções são: () V em () corresponde a uma matrz defnda postva qualquer (ou seja, resíduos em u podem estar correlaconados e apresentar varâncas desguas) e () varáves dependentes não se apresentam correlaconadas. Consderando as suposções acma, chega-se aos seguntes estmadores dos coefcentes β em () (MYERS, 986): ( X V X ) X V y β ˆ, (7) com matrz de covarâncas de βˆ dada por: βˆ ] D ( V X ) [ X. (8) A varânca do valor predto Yˆ para um dado arranjo x das varáves ndependentes é obtda a partr de (5) e (8); sto é: ( x) [ ˆ Y ( x) ] x ( X V X ) V. (9) A matrz de covarâncas V é, va de regra, desconhecda e deve ser estmada a partr de dados expermentas. A estmação de V é restrta a stuações em que repetdas observações das varáves dependentes y estão dsponíves para um mesmo arranjo x das varáves ndependentes. A partr de múltplas observações de Y (x), calculam-se varâncas e covarâncas amostras utlzadas na determnação da matrz estmada de covarâncas, Vˆ. A matrz Vˆ só deve ser usada quando varâncas e covarâncas amostras forem estmadas a partr de amostras de tamanho consderável (mas de oto observações de Y para cada x, conforme sugerdo por DEAON et al., 983). Caso contráro, a modelagem das varáves dependentes va RMQ costuma gerar resultados mas confáves. 3.3 Modelagem Smultânea de Varáves Dependentes Através da Regressão SURE (Regressão por Equações Aparentemente Não Relaconadas) Consdere resíduos em (3) com matrz de covarâncas conforme apresentado em (4). RMQ e RMG não podem ser aplcados na estmação dos coefcentes β em (), já que os vetores u não são ndependentes. Neste caso, procede-se com a segunte transformação vsando elmnar a dependênca entre vetores u,,, (SEBER, 977): consdere a matrz de covarâncas em (4) e suponha que D[u] V, onde V é uma matrz defnda postva. Assm, pode-se determnar uma matrz não sngular K tal que V KK. Na seqüênca, os elementos em (3) são transformados e renomeados, tal que Z K - y, B K - X, e η K - u. A expressão em (3) pode ser reescrta como:
6 Foglatto Estratégas para Modelagem de Dados Multvarados Z Bβ+η (0) onde B é uma matrz ( K ) com rank dado por K (K - é não sngular por defnção, o que mplca nas seguntes gualdades: rank [K - X] rank [X] K ). ode-se demonstrar que D[η] σ I. Um estmador dos coefcentes em (0), obtdo ao mnmzar-se a soma dos quadrados de η, vem dado por: ( X V X) X V y β ˆ. Note que V - (D[u]) -. Assm, reescrevendo a expressão acma, obtém-se: ( X ( D[ u] ) X) X ( D[ u] ) y β ˆ () ode-se demonstrar que E ( ) β (SRIVASAVA & GILES, 987). A matrz de covarâncas dos coefcentes em () é dada por: D [] ˆ β ( B B) ( X V X) X D[ u] βˆ ( ( ) X) () Após estmar βˆ usando a expressão em (), os modelos para cada varável dependente podem ser separados e a varânca do valor predto Yˆ para um dado arranjo x das varáves ndependentes determnada usando a expressão em (5) e a nformação em (). O método apresentado acma fo orgnalmente concebdo por AIKEN (935) para ldar com casos de regressão múltpla unvarada (ou seja, ) apresentando resíduos correlaconados. ZELLNER (96) estendeu o método para contemplar casos de regressão multvarada, chegando ao resultado em (). Modelos obtdos utlzando a expressão em () são denomnados equações de regressão aparentemente não relaconadas (Seemngly Unrelated Regresson (SURE) Models). A regressão SURE é operaconalzada modelando-se ncalmente as varáves dependentes va RMQ. Uma vez conhecdas as matrzes de regressores X,,,, elas podem ser arranjadas em uma matrz X, a qual é então usada em (). or essa razão, os modelos de regressão obtdos por RMQ e SURE compartlham dos mesmos regressores. 3.4 Modelagem Smultânea de Varáves Dependentes Através de Regressão Multvarada (RMV) Esta regressão corresponde ao análogo multvarado de RMQ, descrto na seção 3.. Supõese que as varáves dependentes são modeladas pelos mesmos regressores; sto é, X X X Z e K K K K. Após substtuções, o modelo em (3) assume a segunte forma: ( I Z) β u y + (3) onde y é um vetor ( x ) de varáves dependentes, com elemento y, Z é uma matrz ( x K) de regressores, β é um vetor (K x ) de coefcentes, com elemento β, e u é um vetor ( x ) de resíduos, com elemento u. As suposções acerca do vetor u em (3) vêm dadas em (4). Os vetores u podem apresentar-se correlaconados. odava, quando todas as varáves dependentes são modeladas pelos mesmos regressores, consderando ou não a correlação entre vetores de resíduos leva aos mesmos estmadores de β, como demonstrado a segur. () ˆβ de β Consdere o vetor de estmadores em (3), obtdo pela expressão para βˆ de RMQ, na seção 3. (com vetores u consderados ndependentes): [( I Z )( I Z) ] ( I Z )y βˆ (). Como ( A B) ( C D) A C B D, a equação acma equvale a: βˆ () ( I ( Z Z) Z )y Modelando as varáves dependentes usando a regressão SURE (observando que MVR é um
7 GESÃO & RODUÇÃO v.7, n., p. 7-8, abr caso especal de SURE e que, em ambos os casos, a correlação entre vetores u é consderada), chega-se a um vetor de estmadores ˆβ de β () dado por: βˆ ( X ( D[ u] ) X) X( D[ u] ) ( X [ Σ I ] X) X[ Σ I ] y ( I Z )( Σ I )( I Z) () y [ ] [ I Z ][ Σ I ] y, o qual, dado que ( A B) ( C D) A C B D, pode ser reescrto como: ˆ () β [( I Z I )( I Z) ] [ I Z Σ Σ I ] ( Z Z) Z Z y I Z Z Z [( ΣΣ ) ] ( ) () ˆβ e y ( )y () ˆβ são dêntcos (ou Os estmadores seja, consderando-se ou não a correlação entre vetores u na estmação dos coefcentes de regressão chega-se ao mesmo resultado). Como esses estmadores ndependem de D[u], pode-se modelar as varáves dependentes ndvdualmente, smplfcando o trabalho algébrco. 3.5 Estmação da Matrz de Covarâncas Σ A matrz Σ em (4) é, va de regra, desconhecda, sendo estmada a partr de dados amostras. Assm, para fns prátcos, Σ pode ser substtuída por uma estmatva Σ ˆ [ σˆ j ]. ZELLNER (96) propõe um estmador de σˆ j baseado nos resíduos obtdos pela modelagem de varáves dependentes va RMQ e dado por: [ I X ( X X ) X ] I X ( X X ) [ X ] y j j j j y j σˆ j, D,j,,, onde D - K, se as varáves dependentes e j forem modeladas pelos mesmos regressores (como descrtos na seção 3.4). Caso contráro, D será dado por: D K K j + + tr [( X X ) X X ( X X ) X X ] j j j j. 3.6 Comparação das Varâncas dos Estmadores Obtdos a artr das Dferentes écncas de Regressão e Comentáros Geras Como menconado anterormente, modelos de regressão são normalmente utlzados para fns predtvos. Assm, atenção especal deve ser dada à varânca dos estmadores dos coefcentes de regressão usado nesses modelos. A varânca dos estmadores βˆ, V(βˆ ), determna a varânca de valores predtos, conforme apresentado em (5). Desta forma, deve-se sempre optar por uma modelagem que resulte nos menores valores possíves para V(βˆ ). Na seqüênca, apresenta-se uma comparação entre as varâncas das estmatvas de β conforme obtdas pelos métodos RMQ e SURE. Os estmadores RMQ e SURE de β são () () denomnados ˆβ e ˆβ, respectvamente, segundo a notação ntroduzda na seção 3.4. () () V( ˆβ ) e V( ˆβ ) estão apresentadas em (6) e (), respectvamente. Seja D[u] V. Consdere a segunte quantdade (SRIVASAVA & GILES, 987): V ( βˆ ( ) () ) V ( βˆ ) ( X X) X VX( X X) ( X V ) X Seja A ( X X) X ( X V X) X V ; assm, pode-se reescrever a expressão acma da segunte manera: ( βˆ ( ) () ) V ( βˆ ) A V AV. Sendo V uma matrz defnda postva por construção, AV A é pelo menos semdefnda postva (elementos na dagonal prncpal são 0; ver SEBER, 977, p.385), o que mplca em ( ) () V ( βˆ ) V ( βˆ ). Desta forma, ˆβ () será pelo () menos tão efcente quanto ˆβ. Sugere-se, assm, () que ˆβ seja sempre preferdo como estmador dos coefcentes dos modelos em (). Observe ( ) () que V ( βˆ ) V ( βˆ ) quando Cov(u, u j ) 0. Conforme apresentado nas seções 3. a 3.4, cada técnca de regressão mplca em suposções
8 4 Foglatto Estratégas para Modelagem de Dados Multvarados acerca dos vetores de resíduos e da relação entre varáves dependentes. Essas suposções são comentadas na seqüênca. Varáves dependentes não correlaconadas com varâncas não homogêneas podem ser modeladas através de RMG, dsponível no pacote estatístco SAS (990). RMV é adequada na estmação de coefcentes de regressão de varáves correlaconadas e modeladas pelos mesmos regressores; RMV é um rotna dsponível no pacote estatístco SAS (990). SURE é adequada quando as varáves dependentes apresentam-se correlaconadas; SURE é uma rotna dsponível no pacote estatístco SAS (990). SURE sempre resulta em estmatvas dos coefcentes de regressão com varânca menor ou gual às estmatvas resultantes nos demas métodos, conforme demonstrado acma. 4. Exemplo C onsdere os dados multvarados apresentados na abela, orundos de um expermento ndustral realzado na Food Manufacturng echnology Faclty, um laboratóro fnancado pelo Exércto Amercano e localzado na Rutgers Unversty, USA. O objetvo do expermento é determnar as condções de autoclavagem adequadas para produção de cubos de carne acondconados em pouches (embalagens com estrutura composta por lâmnas de alumíno, flmes plástcos e resnas) para uso mltar. rês varáves de autoclavagem (varáves ndependentes) são consderadas (ver abela ): empo tempo de processamento em mnutos, onde ( ) 5mn. e (+) 45mn.; emp temperatura de processamento em F; e po tpo de carne utlzada nos cubos, onde (-) natural e (+) moída e prensada. rês varáves de desempenho (varáves dependentes), avaladas por oto especalstas em um panel de avalação sensoral, são consderadas: Y Frmeza dos cubos de carne, Y Dureza da carne; e Y 3 Desfbramento da carne. As avalações forem realzadas segundo o Spectrum Method (uma técnca de Análse Descrtva Quanttatva proposta por MEILGAARD et al., 99), e meddas usando uma escala contínua de 5 pontos. Cada avalação fo replcada quatro vezes. Nesta análse, utlzam-se avalações fetas por um dos panelstas. As varáves dependentes apresentam-se altamente correlaconadas, com valores de correlação amostral dados na abela. Num prmero momento, determnam-se modelos RMQ para as varáves dependentes. As varáves ndependentes ncluídas nos modelos apresentam um nível de sgnfcânca 95%. O desempenho dos modelos em termos de ajuste aos dados fo montorado pelo coefcente de determnação R. Os modelos RMQ vêm apresentados a segur (todos os modelos apresentam R 0,90): Y -5, , emp + + 0,78038empo 3,8083po Y -5,89 + 0,053834emp + + 0,9485empo 3,7744po Y 3 6,05 3,3565po (4) Os resíduos resultantes dos modelos em (4) são analsados quanto a homogenedade das varâncas e correlação entre resíduos dentro de um mesmo vetor u (sto é, resíduos u,, u em u ). ara tanto, () plotaram-se resíduos contra valores predtos pelos modelos (ver MONGOMERY & ECK, 99, p.74) e () calculou-se a estatístca de Durbn-Watson (ver DRAER & SMIH, 98, p.6). Os resultados obtdos em () para o prmero modelo em (4) vêm apresentados na Fgura. Os resíduos apresentam-se homogêneos quanto a varânca. A estatístca D-W resultou em um valor,8. Como o valor crítco d U para este teste é,40, a hpótese de resíduos não correlaconados não pode ser rejetada. Stuação smlar fo encontrada ao analsar-se resíduos resultantes dos demas modelos em (4). Na seqüênca, determnaram-se modelos SURE e RMV para as varáves dependentes
9 GESÃO & RODUÇÃO v.7, n., p. 7-8, abr Resíduos adronzados Gráfco dos Resíduos Valores redtos de Y Fgura Gráfco dos resíduos versus valores predtos de Y. (modelos RMG são dêntcos aos modelos RMQ, dada a homogenedade da varânca dos resíduos em u,,,3). Os modelos SURE, com os mesmos regressores e coefcentes de determnação apresentados em (4), são: Y 0, ,0544emp + + 0,333empo 3,45343po Y, ,0936emp + + 0,375680empo 3,353945po Y 3 6,05 3,3565po (5) Os modelos RMV, com R 0,90, são dados por: Y -5, , emp + + 0,78038empo 3,8083po Y -5,89 + 0,053834emp + + 0,9485empo 3,7744po Y 3-3, ,0495emp + + 0,78973empo 3,9084po Os três grupos de modelos geram estmatvas smlares de Y (x),,,3, para um dado arranjo x das varáves ndependentes. As varâncas são assocadas a essas predções, porém, varam consderavelmente. Os valores de V ( Yˆ ( x) ), V ( Yˆ ( x) ) e V ( Yˆ3 ( x) ), calculados para arranjos x das varáves ndependentes correspondendo às rodadas expermentas, estão apresentados na abela 3. A comparação entre varâncas de predção lmta-se aos modelos obtdos va RMQ e SURE, já que estes correspondem aos valores extremos de varâncas (modelos RMV apresentam valores de V ( Yˆ ( x )) ntermedáros). Observe que V ( Y ˆ ( x )) RMQ > V ( Yˆ ( x )) SURE,,, em todas as rodadas. A alta correlação exstente entre Y e Y torna a modelagem va RMQ nadequada, e sto pode ser constatado comparando as varâncas de predção obtdas V Y ( x) RMQ em cada método. or outro lado, ( ˆ3 ) V ( Y ( x) ) ˆ3 SURE em todas as rodadas, apesar da exstênca de correlação entre Y e Y 3, e Y e Y 3. Isso se deve, em grande parte, ao pequeno número de termos na equação de regressão de Y 3. No caso desta varável dependente, a modelagem va RMQ ou SURE é gualmente satsfatóra. 5. Conclusão este trabalho, nvestga-se a adequação de Num grupo de técncas de regressão lnear na
10 6 Foglatto Estratégas para Modelagem de Dados Multvarados abela Descrção dos níves das varáves ndependentes em cada rodada expermental e resultados da avalação sensoral das rodadas. Varáves Independentes Y Y Y 3 Rodada emp po empo Frmeza Dureza Desfbramento , 0,5, 9,3, 0,3 6,8, 0,8, 9,5, 0,5 6,8, 0,8, 9,3, 0,8 0-9,8,, 9,8, 0,3 9,8,,5, 9,8, 9,8,,5, 9,8, ,3,,9,, 3,5 3,5, 3,, 3,5 3,5,,5, 3,3,,5 4 50,5, 5,3, 3,5, 3,5,5, 6, 3,8, 3,8,3, 3,5, 3, ,8, 5,3, 9,5, 8,3 6,5, 5,5, 9,3, 8,5 6,8, 6, 9,5, 8, ,,,,3 3,,5,,,3 3,,5,,, ,3, 3,3,, 3,3, 3,8,, 3,3,,, , 0, 9,5, 9,8 0, 0, 8,8, 9,6 0, 0, 9,5, 0 abela Matrz de covarâncas (e correlações) amostras das varáves dependentes. Matrz de Covarâncas Y Y Y 3 Y,083,06 (0,9597) 0,98 (0,7458) Y,458,09 (0,756) Y 3,49 abela 3 Valores predtos e varâncas de predção, usando modelagem RMQ e SURE. Resultados para Modelos RMQ Resultados para Modelos SURE Rod. (t) Y h h t Y h t Y3 t V( Y t ) V( Y t ) V( Y 3 t ) Rod. (t) Y h h t Y h t Y3 t V( Y t ) V( Y t ) V( Y 3 t ) 8,69 8,59 9,38 0,09 0,36 0,09 9,0 8,98 9,38 0,08 0, 0,09 0,0 0, 9,38 0,6 0,44 0,09 9,54 9,64 9,38 0, 0,4 0,09 3 3,05 3,0,67 0,3 0,50 0,09 3 3,00 3,05,67 0,0 0,3 0,09 4 3,87 4,8,67 0,4 0,48 0,09 4 3,30 3,5,67 0,0 0,4 0,09 5 8,44 8,33 9,38 0, 0,38 0,09 5 8,9 8,89 9,38 0,09 0, 0,09 6,38,64,67 0,8 0,46 0,09 6,63,93,67 0, 0,5 0,09 7,3,33,67 0, 0,44 0,09 7,67,76,67 0,09 0, 0,09 8 9,9 9,87 9,38 0,4 0,48 0,09 8 9,58 9,47 9,38 0,0 0,4 0,09 modelagem de dados multvarados, na presença de correlação entre varáves dependentes. Quatro técncas de regressão são examnadas: regressão de mínmos quadrados ordnáros (RMQ), regressão de mínmos quadrados generalzados (RMG), regressão por equações aparentemente não relaconadas (SURE seemngly unrelated equatons regresson) e regressão multvarada (RMV). Cada técnca consdera a estrutura de correlação das varáves dependentes de manera dstnta na estmatva dos coefcentes a serem utlzados nos modelos
11 GESÃO & RODUÇÃO v.7, n., p. 7-8, abr de regressão. Essas técncas de regressão são comparadas tendo como base a varânca de predções geradas a partr de seus modelos. Demonstra-se analtcamente que, na presença de varáves dependentes correlaconadas, a modelagem de dados pelos métodos RMQ e RMG resulta subótma em termos de varânca de predção. Nesses casos, a regressão SURE deve ser a estratéga de modelagem utlzada, apresentando varânca de predção pelo menos tão pequena quanto aquela resultante a partr dos demas métodos. A comparação entre estratégas de modelagem é lustrada por um estudo de caso. No estudo, três varáves dependentes altamente correlaconadas são modeladas como função de três varáves ndependentes. O exemplo lustra a superordade da regressão SURE para casos em que as varáves dependentes apresentam-se correlaconadas. Referêncas Bblográfcas ADELMAN, I.; GREER, M. & MORRIS, C..: Instruments and Goals n Economc Development. Amercan Economc Revew, 59(), , 969. AIKEN, A.C.: On Least-Squares and Lnear Combnaton of Observatons. roceedngs of the Royal Socety of Ednburgh, 55, 4-48, 935. CHAERJEE, S. & RICE, B.: Regresson Analyss by Example. nd Ed., John Wley, New York, 99. DANIEL, C. & WOOD, F.S.: Fttng Equatons to Data Computer Analyss of multfactor data. John Wley, New York, 980. DEAON, M.L.; REYNOLDS, Jr., M.R. & MYERS, R.H.: Estmaton and hypothess testng n regresson n the presence of non-homogeneous error varances. Communcatons n Statstcs, B(), p.45-66, 983. DERRINGER, G. & SUICH, R.: Smultaneous Optmzaton of Several Response Varables. Journal of Qualty echnology, (4), 4-9, 980. DRAER, N. & SMIH, H.: Appled Regresson Analyss. nd Ed. John Wley, New York, 98. FOGLIAO, F.S.; ALBIN, S.L. & EER, B.J.: A Herarchcal Approach to Optmzng Descrptve Analyss Multresponse Experments. Journal of Sensory Studes Vol.4(4), Oct-Dec 999, forthcomng. JOHNSON, R.A. & WICHERN, D.W.: Appled Multvarate Statstcal Analyss. 3 rd Ed., rentce Hall, New Jersey, 99. MEILGAARD, M.; CIVILLE, G.V. & CARR, B..: Sensory Evaluaton echnques. Second Ed., CRC ress, Boca Raton, 99. MONGOMERY, D.C. & ECK, E.A.: Introducton to Lnear Regresson Analyss. nd Ed., John Wley, New York, 99. MOOD, A.M., GRAYBILL, F.A. & BOES, D.C.: Introducton to the heory of Statstcs. 3 rd Ed., McGraw-Hll, New York, 974. MYERS, R.H.: Classcal and Modern Regresson wth Applcatons. Duxbury ress, Boston, 986. RIBEIRO, J.L. & ELSAYED, E.A.: A case Study on rocess Optmzaton Usng the Gradent Loss Functon. Internatonal Journal of roducton Research, 33(), , 995. SAS INSIUE: SAS Verson 6.0. SAS Insttute, Cary, North Carolna, 990. SEBER, G.A.F.: Lnear Regresson Analyss. John Wley, New York, 977. SEBER, G.A.F.: Multvarate Observatons. John Wley, New York, 984. SRIVASAVA, V.K. & GILES, D.E.A.: Seemngly Unrelated Regresson Equatons Models Estmaton and Inference. Marcel Dekker, New York, 987. SALEON, J.H.: Lnear Statstcal Models. John Wley, New York, 995. SAGRAHICS: User s Manual Verson.0. Manugstcs, 995. ZELLNER, A.: An Effcent Method of Estmatng Seemngly Unrelated Regressons and ests for Aggregaton Bas. Journal of the Amercan Statstcal Assocaton, 57, , 96.
12 8 Foglatto Estratégas para Modelagem de Dados Multvarados Abstract REGRESSION ECHNIQUES FOR MODELING MULIVARIAE DAA UNDER CORRELAION Multvarate data often arse n emprcal nvestgaton. In Engneerng studes, for example, multvarate data may be collected on the effect of dfferent processng condtons on the characterstcs of a machne output. Such data sets may present hghly correlated varables. In ths paper, we nvestgate the effect of correlaton among dependent varables on ther regresson modelng. Four regresson technques are dscussed and compared: ordnary least squares regresson, generalzed least squares regresson, seemngly unrelated equatons regresson, and multvarate regresson. Snce regresson models are most frequently used for predcton purposes, we compare modelng strateges usng the predcton varance as a performance measure. he paper contans a case study from the food processng ndustry. Key words: multvarate regresson technques, predcton varance, correlaton.
Modelo 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 maisDIAGNÓSTICO 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 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 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 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 maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
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 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 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 maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
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 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 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 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 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 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 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 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 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 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 maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Lnear (PL) Aula : Dualdade. Defnção do Problema Dual. Defnção do problema dual. O que é dualdade em Programação Lnear? Dualdade sgnfca a exstênca de um outro problema de PL, assocado a cada
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 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 maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
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 maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisUM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS
UM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS Rodolfo Hoffmann * Vctor Hugo da Fonseca Porto ** SINOPSE Neste trabalho deduz-se qual é o
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 maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisCAPÍTULO 2 - Estatística Descritiva
INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente
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 mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisCURSO A DISTÂNCIA DE GEOESTATÍSTICA
CURSO A DISTÂNCIA DE GEOESTATÍSTICA Aula 6: Estaconardade e Semvarânca: Estaconardade de a. ordem, Hpótese ntríseca, Hpótese de krgagem unversal, Crtéros para escolha, Verfcação, Representatvdade espacal,
Leia maisEFEITOS DE DISPERSÃO EM PROJETOS FATORIAIS: UMA SIMULAÇÃO CONFIRMATÓRIA
! "#$ " %'&)(*&)+,.- /10.*&4365879&4/1:.+58;.*=?5.@A*3B;.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?=)5.KA:.+5MLN&OHJ5F&4E)*EOHJ&)(IHJ/)G.- D - ;./);.& Foz do Iguaçu, PR, Brasl, 09 a 11 de outubro de 007
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação
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 maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de novembro de 00, Ro de Janero/RJ ERRO DE DIAGNÓSTICO EM AMOSTRAGEM ZERO-DEFEITOS COM RETIFICAÇÃO: DETERMINAÇÃO DO TAMANHO ÓTIMO DE INSPEÇÃO Roberto da
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 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 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 maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia mais3. Estatística descritiva bidimensional
3. Estatístca descrtva bdmensonal (Tabelas, Gráfcos e números) Análse bvarada (ou bdmensonal): avala o comportamento de uma varável em função da outra, por exemplo: Quantas TV Phlps são venddas na regão
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisANÁLISE DA VARIÂNCIA DA REGRESSÃO
ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos
Leia mais5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de
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. UFRGS Insttuto de Matemátca
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 maisANÁLISE DE VARIÂNCIA MULTIVARIADA APLICADA A DADOS COM MEDIDAS REPETIDAS
UNIVERSIDADE FEDERAL DE SANTA MARIA CENTRO DE CIÊNCIAS NATURAIS E EXATAS PROGRAMA DE PÓS-GRADUAÇÃO EM ESTATÍSTICA E MODELAGEM QUANTITATIVA ANÁLISE DE VARIÂNCIA MULTIVARIADA APLICADA A DADOS COM MEDIDAS
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 maisEconomia Industrial. Prof. Marcelo Matos. Aula 7
Economa Industral Prof. Marcelo Matos Aula 7 Concentração de Mercado Resende e Boff [cap 5 de K&H, 2013]; Ferguson e Ferguson cap.3; Meddas de Concentração: característcas Possbldade de classfcar meddas
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 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 mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
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 maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Leia mais2 Análise de Campos Modais em Guias de Onda Arbitrários
Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por
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 maisANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT
ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS Dnz, L.S. Santos, C.A.C. Lma, J.A. Unversdade Federal da Paraíba Laboratóro de Energa Solar LES/DTM/CT/UFPB 5859-9 - João Pessoa - PB, Brasl e-mal: cabral@les.ufpb.br
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia maisEletroquímica 2017/3. Professores: Renato Camargo Matos Hélio Ferreira dos Santos.
Eletroquímca 2017/3 Professores: Renato Camargo Matos Hélo Ferrera dos Santos http://www.ufjf.br/nups/ Data Conteúdo 07/08 Estatístca aplcada à Químca Analítca Parte 2 14/08 Introdução à eletroquímca 21/08
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 maisIdentidade dos parâmetros de modelos segmentados
Identdade dos parâmetros de modelos segmentados Dana Campos de Olvera Antono Polcarpo Souza Carnero Joel Augusto Munz Fabyano Fonseca e Slva 4 Introdução No Brasl, dentre os anmas de médo porte, os ovnos
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisUniversidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas
Unversdade de São Paulo Escola Superor de Agrcultura Luz de Queroz Departamento de Cêncas Exatas Prova escrta de seleção para DOUTORADO em Estatístca e Expermentação Agronômca Nome do canddato (a): Questão
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia mais