Modelos de regressão para dados correlacionados. Cibele Russo
|
|
|
- Raphaella Peralta de Sequeira
- 6 Há anos
- Visualizações:
Transcrição
1 Modelos de regressão para dados correlacionados Cibele Russo ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo (ICMC USP) Modelos para dados correlacionados 1 / 32
2 Conteúdo da aula Análise de diagnóstico Seleção de modelos Cibele Russo (ICMC USP) Modelos para dados correlacionados 2 / 32
3 Análise de diagnóstico A análise de diagnóstico em modelos estatísticos visa verificar a coerência das suposições de um modelo e avaliar a qualidade do ajuste resultante. Cibele Russo (ICMC USP) Modelos para dados correlacionados 3 / 32
4 Análise de diagnóstico Entre as técnicas de diagnóstico mais utilizadas, estão Análise de resíduos Diagnóstico de influência, que inclui Exclusão de casos Influência local Cibele Russo (ICMC USP) Modelos para dados correlacionados 4 / 32
5 Modelo de regressão linear (sem efeitos aleatórios) No modelo com p covariáveis Y = X β + ɛ com ɛ N n (0, σ 2 I n ), temos o Vetor de resíduos: e = y Ŷ em que y é o vetor observado de Y e Ŷ é o vetor ajustado pelo modelo de regressão. Podemos reescrever e como e = (I H)Y com H = X (X X ) 1 X (matriz chapéu ou hat). Cibele Russo (ICMC USP) Modelos para dados correlacionados 5 / 32
6 Modelo de regressão linear (sem efeitos aleatórios) Temos que E(e) = (I H)E(Y) = 0 e Var(e) = σ 2 (I H) pois Var(e) = Var((I H)Y) = (I H)Var(Y)(I H). Como (I H) é simétrica e idempotente, Var(e) = Var((I H)Y) = (I H)σ 2 I (I H) = (I H)(I H)σ 2 = (I H)σ 2. Cibele Russo (ICMC USP) Modelos para dados correlacionados 6 / 32
7 Modelo de regressão linear (sem efeitos aleatórios) Uma possibilidade é trabalhar com o resíduo padronizado t i = r i s(1 h ii ) 1/2 com s 2 = n i=1 r 2 i /(n p) e h ii é o i-ésimo elemento da diagonal de H. Como r i não é independente de s 2, então uma alternativa seria considerar t i = r i s (i) (1 h ii ) 1/2. Sob a suposição de normalidade dos erros, t i t (n p 1). Cibele Russo (ICMC USP) Modelos para dados correlacionados 7 / 32
8 Verificando a presença de padrões nos resíduos Resíduos x valores ajustados e i Y^ Padrão desejável nos resíduos Cibele Russo (ICMC USP) Modelos para dados correlacionados 8 / 32
9 Verificando a presença de padrões nos resíduos Resíduos x valores ajustados e i Y^ Indícios da presença de outliers ou caudas pesadas Cibele Russo (ICMC USP) Modelos para dados correlacionados 9 / 32
10 Verificando a presença de padrões nos resíduos Resíduos x valores ajustados e i Y^ Indícios da presença de um outlier nos dados Cibele Russo (ICMC USP) Modelos para dados correlacionados 10 / 32
11 Verificando a presença de padrões nos resíduos Resíduos x valores ajustados e i Y^ Indícios de heteroscedasticidade de variâncias dos erros Cibele Russo (ICMC USP) Modelos para dados correlacionados 11 / 32
12 Verificando a presença de padrões nos resíduos Resíduos x valores ajustados e i Y^ Indícios de padrão crescente - adicionar termo de primeira ordem no tempo ou outra covariável omitida Cibele Russo (ICMC USP) Modelos para dados correlacionados 12 / 32
13 Verificando a presença de padrões nos resíduos Resíduos x valores ajustados e i Y^ Indícios de padrão decrescente - adicionar termo de primeira ordem no tempo ou outra covariável omitida Cibele Russo (ICMC USP) Modelos para dados correlacionados 13 / 32
14 Verificando a presença de padrões nos resíduos Resíduos x valores ajustados e i Y^ Indícios de padrão quadrático - adicionar termo quadrático no tempo ou outra covariável omitida Cibele Russo (ICMC USP) Modelos para dados correlacionados 14 / 32
15 Verificando a presença de padrões nos resíduos Resíduos x valores ajustados e i Y^ Cibele Russo (ICMC USP) Modelos para dados correlacionados 15 / 32
16 Verificando a presença de padrões nos resíduos Resíduos x valores ajustados e i Y^ Indícios de possível autocorrelação positiva Cibele Russo (ICMC USP) Modelos para dados correlacionados 16 / 32
17 Verificando a presença de padrões nos resíduos Resíduos x valores ajustados e i Y^ Cibele Russo (ICMC USP) Modelos para dados correlacionados 17 / 32
18 Verificando a presença de padrões nos resíduos Resíduos x valores ajustados e i Y^ Indícios de possível autocorrelação negativa Cibele Russo (ICMC USP) Modelos para dados correlacionados 18 / 32
19 Diagnóstico Ilustração de pontos aberrante (b), de alavanca (c) e influente (d). Paula, G. A Modelos de Regressão com apoio computacional. IME USP. Disponível em Cibele Russo (ICMC USP) Modelos para dados correlacionados 19 / 32
20 Envelopes Envelopes no modelo de regressão linear sob normalidade Cibele Russo (ICMC USP) Modelos para dados correlacionados 20 / 32
21 Envelopes para os resíduos Normal Q Q Plot Percentis da N(0,1) Residuo Studentizado Normal Q Q Plot Normal Q Q Plot Normal Q Q Plot Indícios de adequabilidade Cibele Russo (ICMC USP) Modelos para dados correlacionados 21 / 32
22 Envelopes para os resíduos Normal Q Q Plot Residuo Studentizado Percentis da N(0,1) Indícios de caudas pesadas Cibele Russo (ICMC USP) Modelos para dados correlacionados 22 / 32
23 Envelopes para os resíduos Normal Q Q Plot Residuo Studentizado Percentis da N(0,1) Indícios de assimetria Cibele Russo (ICMC USP) Modelos para dados correlacionados 23 / 32
24 Análise de resíduos em modelos lineares com efeitos mistos Para modelos mistos, o trabalho de Nobre e Singer (2007) propõe medidas residuais para modelos com efeitos mistos. 1 Resíduo marginal 2 Resíduo condicional e ij = Y ij Ŷij, i = 1,..., n. ec ij = y ij Ŷij Z ij b i. 3 Distância de Mahalanobis u i = [Y i Ŷ] Σ 1 i [Y i Ŷ], i = 1,..., n. (Nobre, J. S. and Singer, J. M., (2007) Residual analysis for linear mixed models. Biometrical Journal, 49, ) Cibele Russo (ICMC USP) Modelos para dados correlacionados 24 / 32
25 Análise de resíduos em modelos lineares com efeitos mistos Resultado padronizado Uma proposta simples para padronizar resíduos em modelos lineares mistos é e ij = y ij Ŷij, i = 1,..., n; j = 1,..., m i. σ Espera-se que não haja padrões como os de modelos lineares no gráfico de resíduos e ij Ŷij. (Pinheiro and Bates (2009) Mixed-effects Models in S and S-PLUS, Springer.) Cibele Russo (ICMC USP) Modelos para dados correlacionados 25 / 32
26 Exercício: Dados ortodônticos Modelo linear com efeitos mistos Exercício Nos modelos ajustados para os dados ortodôntico, verifique a presença de possíveis padrões nos gráficos de resíduos e ij Ŷij. Identifique possíveis observações atípicas. Cibele Russo (ICMC USP) Modelos para dados correlacionados 26 / 32
27 Exemplo: Dados ortodônticos Modelo linear com efeitos mistos (1 covariável, intercepto aleatório) Comandos em R: > library(nlme) > attach(orthodont) > fit.ia<-lme(distance~ age,data=orthodont,random=~ -1+age Subject) > plot(fit.ia) > plot(augpred(fit.ia),aspect= xy,grid=t) > qqnorm(fit.ia,~ resid(.) Sex) Cibele Russo (ICMC USP) Modelos para dados correlacionados 27 / 32
28 Seleção de modelos: Critérios de informação Os critérios de informação mais utilizados em modelos com efeitos mistos são AIC (Critério de informação de Akaike) BIC (critério de Informação de Schwartz ou critério de informação Bayesiano) Cibele Russo (ICMC USP) Modelos para dados correlacionados 28 / 32
29 Critérios de informação As expressões para AIC e BIC são AIC = 2p 2 log L( θ) com p o número de parâmetros do modelo ajustado. BIC = 2p log(n) 2 log L( θ) com p o número de parâmetros do referido modelo e N o número total de observações. Quanto menor AIC e BIC, melhor o modelo. Cibele Russo (ICMC USP) Modelos para dados correlacionados 29 / 32
30 Análise de diagnóstico: Análise de resíduos Exercício: Nos dados ortodônticos, selecione o melhor entre os modelos ajustados. Cibele Russo (ICMC USP) Modelos para dados correlacionados 30 / 32
31 Discussão Outros modelos e análises possíveis: Modelos com efeitos mistos com estruturas mais gerais para a matriz de variâncias e covariâncias dos erros aleatórios Modelos mistos com distribuições mais gerais para efeitos e erros aleatórios Modelos semiparamétricos com efeitos mistos Modelos conjuntos (joint models) etc Cibele Russo (ICMC USP) Modelos para dados correlacionados 31 / 32
32 E aqui finalizamos nosso curso... Obrigada pela presença! Cibele Russo (ICMC USP) Modelos para dados correlacionados 32 / 32
Modelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Modelos de Regressão Múltipla - Parte VIII
1 Modelos de Regressão Múltipla - Parte VIII Erica Castilho Rodrigues 15 de Fevereiro de 2017 2 3 Observações não usuais 4 As observações não usuais podem ser: Outliers: não se ajustam bem ao modelo (resíduo
Modelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
Análise de modelos lineares mistos com dois fatores longitudinais: um fator quantitativo e um qualitativo ordinal.
Anais do XII Encontro Mineiro de Estatística - MGEST 013. Uberlândia - 0 e 06 de setembro de 013. Revista Matemática e Estatística em Foco - ISSN:318-0 Análise de modelos lineares mistos com dois fatores
Faturamento de Restaurantes
Faturamento de Restaurantes Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Faturamento de Restaurantes 2 o Semestre 2016 1 / 29
Utilizando a função auto.arima em modelos de séries temporais
Utilizando a função auto.arima em modelos de séries temporais Erasnilson Vieira Camilo 1 2 Marina Rodrigues Maestre 1 Rick Anderson Freire Mangueira 1 Elias Silva de Medeiros 1 Cristian Villegas 1 1 Introdução
Disciplina de Modelos Lineares
Disciplina de Modelos Lineares 2012-2 Seleção de Variáveis Professora Ariane Ferreira Em modelos de regressão múltipla é necessário determinar um subconjunto de variáveis independentes que melhor explique
Utilização de modelos marginais na análise de dados longitudinais irregulares em relação ao tempo
Utilização de modelos marginais na análise de dados longitudinais irregulares em relação ao tempo César Gonçalves de Lima 1 Michele Barbosa 2 Valdo Rodrigues Herling 3 1. Introdução Dados longitudinais
Modelo de regressão estável aplicado a econometria
Modelo de regressão estável aplicado a econometria financeira Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br 1 Objetivos
CONHECIMENTOS ESPECÍFICOS
CESPE/UnB FUB/03 fa 5 4 3 CONHECIMENTOS ESPECÍFICOS 60 As distribuições B e C possuem os mesmos valores para os quartis Q e Q, e o quartil superior em B corresponde ao quartil central (Q ) da distribuição
Modelos Lineares Generalizados - Introdução
Modelos Lineares Generalizados - Erica Castilho Rodrigues 18 de Março de 2014 3 Por que queremos modelar os dados? A forma do modelo revela padrões de interação e associação nos dados. Através de procedimentos
MÉTODO MEAN SHIFT PARA DETECÇÃO DE OUTLIERS EM MODELOS NORMAIS ASSIMÉTRICOS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA MÉTODO MEAN SHIFT PARA DETECÇÃO DE OUTLIERS EM MODELOS NORMAIS ASSIMÉTRICOS Thalita do Bem Mattos Clécio da
Diagnóstico do Modelo e Tratamento. Frases. Roteiro
Diagnóstico do Modelo e Tratamento Frases Por serem mais precisos que as palavras, os números são particularmente adequados para transmitir conclusões científicas Pagano e Gauvre, 4 Roteiro. Suposições
Exemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
A Metodologia de Box & Jenkins
A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de
Exemplos Modelos de Quase-Verossimilhança
Exemplos Modelos de Quase-Verossimilhança p. 1/40 Exemplos Modelos de Quase-Verossimilhança Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de
Exemplos Modelos Binomiais de Dose-Resposta
Exemplos Modelos Binomiais de Dose-Resposta p. 1/14 Exemplos Modelos Binomiais de Dose-Resposta Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre
Exemplos Regressão Dados de Contagem
Exemplos Regressão Dados de Contagem p. 1/26 Exemplos Regressão Dados de Contagem Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
INSTRUÇÕES. O tempo disponível para a realização das duas provas e o preenchimento da Folha de Respostas é de 5 (cinco) horas no total.
INSTRUÇÕES Para a realização desta prova, você recebeu este Caderno de Questões. 1. Caderno de Questões Verifique se este Caderno de Questões contém a prova de Conhecimentos Específicos referente ao cargo
CONHECIMENTOS ESPECÍFICOS
clientes em atraso (N) 45 0 0 3 meses em atraso (X) 0 3 4 A tabela acima mostra a distribuição de frequências do número de meses em atraso nos pagamentos das prestações dos financiamentos de crédito em
Exame da OAB. Gilberto A. Paula. Departamento de Estatística IME-USP, Brasil
Exame da OAB Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2017 G. A. Paula (IME-USP) Exame da OAB 2 o Semestre 2017 1 / 29 Exame da OAB Sumário 1 Exame
REGRESSÃO LINEAR Parte II. Flávia F. Feitosa
REGRESSÃO LINEAR Parte II Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Julho de 2015 ANÁLISE DE REGRESSÃO Análise de regressão é uma ferramenta estatística que
Exemplo Placas Dentárias
Exemplo Placas Dentárias Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Placas Dentárias 2 o Semestre 2016 1 / 20 Placas Dentárias
Distribuição Gaussiana. Verificação da Suposição de Normalidade dos Dados
Distribuição Gaussiana Verificação da Suposição de Normalidade dos Dados Verificação da Suposição de Normalidade dos Dados Já é conhecido que o modelo gaussiano não é adequado para muitas variáveis aleatórias
Exemplo MLG Misto. Gilberto A. Paula. Departamento de Estatística IME-USP, Brasil
Exemplo MLG Misto Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Placas Dentárias 2 o Semestre 2015 1 / 16 Placas Dentárias Sumário
Modelos ARCH e GARCH Aula 8. Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8
Modelos ARCH e GARCH Aula 8 Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8 Motivação Pesquisadores que se dedicam a prever séries temporais, tais como preços
SCC0173 Mineração de Dados Biológicos
SCC073 Mineração de Dados Biológicos Análise Exploratória de Dados Parte A: Revisão de Estatística Descritiva Elementar Prof. Ricardo J. G. B. Campello SCC / ICMC / USP Tópicos Análise Exploratória de
Recife, dezembro de Gauss M. Cordeiro Eufrásio de A. Lima Neto
MODELOS PARAMÉTRICOS por Gauss Moutinho Cordeiro Departamento de Estatística e Informática, Universidade Federal Rural de Pernambuco, Rua Dom Manoel de Medeiros, s/n, 50.171-900 Recife, PE, Brasil e Eufrásio
AULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Métodos Quantitativos Aplicados
Métodos Quantitativos Aplicados Aula 10 http://www.iseg.utl.pt/~vescaria/mqa/ Tópicos apresentação Análise Regressão: Avaliação de relações de dependência em que se explica o comportamento de uma/várias
MODELOS MATEMÁTICOS E APLICAÇÕES 2015/2016 EXERCÍCIOS DE MODELOS LINEARES MISTOS PARTE I
MODELOS MATEMÁTICOS E APLICAÇÕES 2015/2016 EXERCÍCIOS DE MODELOS LINEARES MISTOS PARTE I 1. Num estudo de selecção da videira, com vista a estudar a variabilidade genética do rendimento da casta Touriga
Ajuste da função logística a dados de crescimento
Ajuste da função logística a dados de crescimento Glauber Márcio Silveira Pereira 1 Lídia Raquel de Carvalho 1 Martha Maria Mishan 1 1 Introdução As curvas de crescimento têm diversas aplicações de suma
Aplicação do Modelo GAMLSS a Dados Imobiliários: Um estudo de caso de lotes urbanos na cidade de São Carlos, SP
Aplicação do Modelo GAMLSS a Dados Imobiliários: Um estudo de caso de lotes urbanos na cidade de São Carlos, SP Amanda Cristina Estevam 1 Guilherme Moraes Ferraudo 1 Vera Tomazella 1 Francisco Louzada
Introdução ao modelo de Regressão Linear
Introdução ao modelo de Regressão Linear Prof. Gilberto Rodrigues Liska 8 de Novembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores (junto ao administrativo)
Aula 2 Tópicos em Econometria I. Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses
Aula 2 Tópicos em Econometria I Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses A Questão da Causalidade Estabelecer relações entre variáveis não é suficiente para a análise econômica.
Técnicas Multivariadas em Saúde
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto Introdução 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2.
Vetores Auto-Regressivos (VAR) Cristian Rafael Pelizza Estágio de docência
Vetores Auto-Regressivos (VAR) Cristian Rafael Pelizza Estágio de docência Forma estrutural e reduzida O método VAR busca capturar a interdependência entre múltiplas séries de tempo. Estrutura-se equações
INTRODUÇÃO A MODELOS MISTOS
INTRODUÇÃO A MODELOS MISTOS Delineamento experimental ou desenho experimental, de uma forma bastante simples, é a forma em que os tratamentos (níveis de um fator ou combinações de níveis de fatores) são
Uma aplicação do modelo ARIMA para os preços do real estate nos municípios de São Paulo e Rio de Janeiro
Uma aplicação do modelo ARIMA para os preços do real estate nos municípios de São Paulo e Rio de Janeiro 1 Introdução Everton Batista da Rocha 1 2 Marcelo Lopes Moraes 3 Marcos Aurelio Rodrigues 3 O real
3 Modelos Comparativos: Teoria e Metodologia
3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito
Regressão linear múltipla aplicada ao preço do leite
Regressão linear múltipla aplicada ao preço do leite Multiple linear regression applied to the milk price ISSN 2316-9664 Volume 7, dez. 2016 Edição ERMAC Vitória Castro Santos Barreto Faculdade de Tecnologia
4 Modelos Lineares Generalizados
4 Modelos Lineares Generalizados Neste capítulo, serão apresentados arcabouços teóricos dos modelos lineares generalizados (MLGs) e como casos particulares desses modelos são aplicáveis ao problema da
Econometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Modelos condicionalmente
Renda x Vulnerabilidade Ambiental
Renda x Vulnerabilidade Ambiental ANEXO D ANÁLISE EXPLORATÓRIA E PREPARAÇÃO DOS DADOS Identificamos tendência linear positiva. A correlação entre as variáveis é significativa, apresentando 99% de confiança.
3 a. FASE DO CONCURSO VESTIBULAR DO BACHARELADO EM ESTATÍSTICA 1 a. PROVA DA DISCIPLINA: CE065 ELEMENTOS BÁSICOS PARA ESTATÍSTICA CANDIDATO:
3 a. FASE DO CONCURSO VESTIBULAR DO BACHARELADO EM ESTATÍSTICA a. PROVA DA DISCIPLINA: CE65 ELEMENTOS BÁSICOS PARA ESTATÍSTICA CANDIDATO: a. Questão (valor,): Resolva de forma clara e detalhada as questões
Técnicas Computacionais em Probabilidade e Estatística I. Aula III
Técnicas Computacionais em Probabilidade e Estatística I Aula III Chang Chiann MAE 5704- IME/USP 1º Sem/2008 1 Arquivo PULSE do Minitab Refere-se a um experimento feito por alunos. Cada um deles registrou
MAE Estatística Descritiva - 1 o semestre de 2017 Professora: Márcia D Elia Branco Monitora PAE: Simone Harnik Gabarito - Lista 4
MAE0217 - Estatística Descritiva - 1 o semestre de 2017 Professora: Márcia D Elia Branco Monitora PAE: Simone Harnik Gabarito - Lista 4 Exercício 1 Uma rede de supermercados decidiu dar um bônus aos clientes
ECONOMETRIA AVANÇADA Prova Intermediária - 09/04/2015
ECONOMETRIA AVANÇADA Prova Intermediária - 09/04/2015 Solução Questão I (2,0 pontos): Para o modelo y t = 0, 7y t 1 + ɛ t, com ruído branco ɛ t (0, 1), (a) (0,5) Obtenha a previsão h-passos a frente, ŷ
Influência Local Gilberto A. Paula
Influência Local p. 1/18 Influência Local Gilberto A. Paula Instituto de Matemática e Estatística Universidade de São Paulo e-mail:giapaula@ime.usp.br Influência Local p. 2/18 Preliminares O método de
Modelo de efeitos aleatórios para dados pareados com observações omissas: um exemplo na área de avaliação de gestão ambiental
Produto & Produção, vol. 8, n. 1, p. 13-17, mar. 2005 Modelo de efeitos aleatórios para dados pareados com observações omissas: um exemplo na área de avaliação de gestão ambiental Mayra Ivanoff Lora Depto.
REGRESSÃO LINEAR Parte I. Flávia F. Feitosa
REGRESSÃO LINEAR Parte I Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Julho de 2015 Onde Estamos Para onde vamos Inferência Esta5s6ca se resumindo a uma equação
Aplicação de modelos simétricos transformados a estimação volumétrica do Eucalyptus no Pólo Gesseiro do Araripe-PE
Aplicação de modelos simétricos transformados a estimação volumétrica do Eucalyptus no Pólo Gesseiro do Araripe-PE Joseilme Fernandes Gouveia 12 David Venancio da Cruz 3 Mácio Augusto de Albuquerque 13
Revisão de Modelos de regressão. Prof. Thais C O Fonseca - DME, UFRJ
Revisão de Modelos de regressão Prof. Thais C O Fonseca - DME, UFRJ Conteúdo Regressão linear simples Regressão linear múltipla Método de Mínimos Quadrados Introdução a Inferência Bayesiana em Regressão
UMA PROPOSTA DE ANÁLISE EM ENSAIOS DE DEGRADABILIDADE RUMINAL IN SITU UTILIZANDO MODELOS NÃO LINEARES MISTOS
Revista da Estatística UFOP, Vol II, 2012, ISSN 2237-8111, XI Encontro Mineiro de Estatística - MGEST UMA PROPOSTA DE ANÁLISE EM ENSAIOS DE DEGRADABILIDADE RUMINAL IN SITU UTILIZANDO MODELOS NÃO LINEARES
Análise Multivariada. Distribuição Normal Multivariada. Roteiro. Lupércio França Bessegato Dep. Estatística/UFJF
Análise Multivariada Lupércio França Bessegato Dep. Estatística/UFJF. Introdução. Vetores Aleatórios 3. Normal Multivariada Roteiro 4. Componentes Principais 5. Análise Fatorial 6. Análise de Conglomerados
Métodos Quantitativos Aplicados
Métodos Quantitativos Aplicados Aula 7 http://www.iseg.utl.pt/~vescaria/mqa/ Tópicos apresentação Relações de interdependência entre variáveis quantitativas: A Análise Factorial Análise Factorial: técnica
ANÁLISE DE VARIÂNCIA. y j = µ + τ i + e i j = µ i + e i j
SUMÁRIO 1 Análise de Variância 1 1.1 O Teste F...................................... 1.2 Verificando as pressuposições do modelo..................... 5 1.2.1 Verificação de Normalidade.........................
Análise da Regressão. Prof. Dr. Alberto Franke (48)
Análise da Regressão Prof. Dr. Alberto Franke (48) 91471041 O que é Análise da Regressão? Análise da regressão é uma metodologia estatística que utiliza a relação entre duas ou mais variáveis quantitativas
UNIVERSIDADE FEDERAL FLUMINENSE. Programa de Mestrado e Doutorado em Engenharia de Produção. Disciplina: Estatística Multivariada
UNIVERSIDADE FEDERAL FLUMINENSE Programa de Mestrado e Doutorado em Engenharia de Produção Disciplina: Estatística Multivariada Aula: Análise Discriminante Professor: Valdecy Pereira, D. Sc. email: valdecy.pereira@gmail.com
PESQUISA EM MERCADO DE CAPITAIS. Prof. Patricia Maria Bortolon, D. Sc.
PESQUISA EM MERCADO DE CAPITAIS Prof. Patricia Maria Bortolon, D. Sc. Cap. 7 A Estrutura de Correlações dos Retornos dos Ativos: modelo de índice único ELTO, E.; GRUBER, M.; BROW, S., GOETZMA, W. Moderna
SME0822 Análise Multivariada 2 o semestre de Prof. Cibele Russo. Sala 3-113
SME0822 Análise Multivariada 2 o semestre de 2016 Prof. Cibele Russo cibele@icmc.usp.br http://www.icmc.usp.br/~cibele Sala 3-113 2. semestre 2016 1 / 25 Principais objetivos do curso Estudar e desenvolver
Técnicas Multivariadas em Saúde
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Mais Informações sobre Itens do Relatório
Mais Informações sobre Itens do Relatório Amostra Tabela contendo os valores amostrados a serem utilizados pelo método comparativo (estatística descritiva ou inferencial) Modelos Pesquisados Tabela contendo
Multicolinearidade em Modelos de Regressão
Multicolinearidade em Modelos de Regressão Simone A. Miloca 1, Paulo D. Conejo 2 1 Colegiado do Curso de Matemática - Centro de Ciências Exatas e Tecnológicas da Universidade Estadual do Oeste do Paraná
Continualizações das Distribuições Geométrica e Poisson
Continualizações das Distribuições Geométrica e Poisson Cícero Carlos Ramos de Brito 1 Wilson Rosa de Oliveira Jr. 2 Kleber Napoleão Nunes de Oliveira Barros 3 Kleber Régis Santoro 2 1 Introdução Consta
Aplicação de modelos lineares generalizados na captura de atum da espécie Thunnus albacares.
Reunião Anual da Região Brasileira Internacional de Biometria -22 a 26 de julho de 2013 - Campina Grande/PB Aplicação de modelos lineares generalizados na captura de atum da espécie Thunnus albacares.
CC-226 Aula 05 - Teoria da Decisão Bayesiana
CC-226 Aula 05 - Teoria da Decisão Bayesiana Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Classificador Bayesiano Considerando M classes C 1... C M. N observações x j. L atributos
MOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Homocedasticidade? Exemplo: consumo vs peso de automóveis
REGRESSÃO Análise de resíduos Homocedasticidade? Exemplo: consumo vs peso de automóveis 60 50 Consumo (mpg) 40 30 0 10 0 1500 000 500 3000 3500 4000 4500 Peso 0 Diagrama de resíduos 15 10 Resíduos 5 0-5
Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
Econometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Tópicos Tópicos Séries
ANÁLISE E MODELAGEM DE DADOS LONGITUDINAIS NO R
Revista da Estatística UFOP, Vol II, 2012, ISSN 2237-8111, XI Encontro Mineiro de Estatística - MGEST ANÁLISE E MODELAGEM DE DADOS LONGITUDINAIS NO R Leandro Vitral Andraos 1,2, Marcel de Toledo Vieira
9 Correlação e Regressão. 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla
9 Correlação e Regressão 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 1 9-1 Aspectos Gerais Dados Emparelhados há uma relação? se há, qual
Ralph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S. Silva http://www.im.ufrj.br/ralph/multivariada.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Agradecimentos
AULAS 25 E 26 Heteroscedasticidade
1 AULAS 25 E 26 Heteroscedasticidade Ernesto F. L. Amaral 10 e 15 de junho de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução à econometria:
REGRESSÃO ESPACIAL. Flávia F. Feitosa
REGRESSÃO ESPACIAL Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Julho de 2015 ANÁLISE DE REGRESSÃO Análise de regressão é uma ferramenta estatística que utiliza
Sumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Análise Fatorial e Componentes Principais Aplicadas na Engenharia de Avaliações
Análise Fatorial e Componentes Principais Aplicadas na Engenharia de Avaliações Diogo de Carvalho Bezerra Universidade Federal de Pernambuco Núcleo de Gestão e-mail:dicbezerra@hotmail.com SOBREA Sociedade
ANÁLISE DOS RESÍDUOS. Na análise de regressão linear, assumimos que os erros E 1, E 2,, E n satisfazem os seguintes pressupostos:
ANÁLISE DOS RESÍDUOS Na análise de regressão linear, assumimos que os erros E 1, E 2,, E n satisfazem os seguintes pressupostos: seguem uma distribuição normal; têm média zero; têm variância σ 2 constante
= < 5. O segundo menor valor esperado estimado corresponde à célula (3,3), com Ê33 = 29 30
ISTITUTO SUPERIOR DE AGROOMIA ESTATÍSTICA E DELIEAMETO 2 de ovembro, 205 PRIMEIRO TESTE 205-6 Uma resolução possível I Tem-se uma tabela de contingências de dimensão 3 4. Apenas o número total de observações
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
WHITE PAPER SOBRE O ASSISTENTE DO MINITAB
WHITE PAPER SOBRE O ASSISTENTE DO MINITAB Este artigo é parte de uma série de artigos que explicam a pesquisa conduzida pelos estatísticos do Minitab para desenvolver os métodos e verificações de dados
Exemplo Cupons com Desconto
Exemplo Cupons com Desconto Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2013 G. A. Paula (IME-USP) Cupons com Desconto 2 o Semestre 2013 1 / 21 Cupons
Correlação Serial e Heterocedasticidade em Regressões de Séries Temporais. Wooldridge, Cap. 12
Correlação Serial e Heterocedasticidade em Regressões de Séries Temporais Wooldridge, Cap. 1 Porto Alegre, 11 de novembro de 010 1 CORRELAÇÃO SERIAL Ocorrência Conseqüência Análise gráfica Autocorrelação
Métodos de Diagnóstico para Modelos Lineares Mistos p.1/58
Métodos de Diagnóstico para Modelos Lineares Mistos Aluno: Juvêncio Santos Nobre juvencio@ime.usp.br Orientador: Prof. PhD Júlio da Motta Singer jmsinger@ime.usp.br IME-USP Métodos de Diagnóstico para
Modelagem estatística da captura da broca-do-café (Hypothenemus hampei) ao longo do tempo 1
Modelagem estatística da captura da broca-do-café (Hypothenemus hampei) ao longo do tempo 1 Alessandra dos Santos 2 ernando de Pol Mayer 2 Rafael de Andrade Moral 2 Luiz Henrique Costa Mota 3 Clarice Garcia
Inferência Bayesiana - Aula 1 -
Inferência Bayesiana - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
CONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS C. Brabec, J. Hauch, P. Schilinsky e C. Waldauf. Production aspects of organic photovoltaics and their Impact on the commercialization of devices. MRS Bulletin, 30, 2005 (com
Exercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Capítulo 3. O Modelo de Regressão Linear Simples: Especificação e Estimação
Capítulo 3 O Modelo de Regressão Linear Simples: Especificação e Estimação Introdução Teoria Econômica Microeconomia: Estudamos modelos de oferta e demanda (quantidades demandadas e oferecidas dependem
Análise Discriminante
Universidade Técnica de Lisboa INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Informática e Sistemas de Informação Aplicados em Economia Análise Discriminante Análise Discriminante 1 Análise discriminante - A
Curvas de crescimento de bovinos com coeficientes aleatórios para peso à maturidade
Curvas de crescimento de bovinos com coeficientes aleatórios para peso à maturidade Naara Negrão Pereira 4 Antonio Policarpo Souza Carneiro 4 Elisabeth Regina de Toledo 4 Paulo César Emiliano 4 Fabano
Modelos Lineares Generalizados - Regressão Logística
Modelos Lineares Generalizados - Regressão Logística Erica Castilho Rodrigues 26 de Maio de 2014 AIC 3 Vamos ver um critério para comparação de modelos. É muito utilizado para vários tipos de modelo. Mede
AULAS 14 E 15 Modelo de regressão simples
1 AULAS 14 E 15 Modelo de regressão simples Ernesto F. L. Amaral 18 e 23 de outubro de 2012 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem
CONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Planejamento de Experimentos
Planejamento de Experimentos 6. Os Modelos fatoriais 2 k Trataremos agora de um caso especial de experimentos fatoriais no qual todos os fatores têm apenas dois níveis. Tais níveis podem ser quantitativos
AULA 13 Análise de Regressão Múltipla: MQO Assimptótico
1 AULA 13 Análise de Regressão Múltipla: MQO Assimptótico Ernesto F. L. Amaral 15 de abril de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução
Regressão Linear. Prof. Dr. Leandro Balby Marinho. Análise de Dados II. Introdução Regressão Linear Regressão Múltipla
Regressão Linear Prof. Dr. Leandro Balby Marinho Análise de Dados II Prof. Leandro Balby Marinho 1 / 36 UFCG DSC Roteiro 1. Introdução 2. Regressão Linear 3. Regressão Múltipla Prof. Leandro Balby Marinho