Quantis residuais. Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná
|
|
- Iago Teixeira Garrido
- 5 Há anos
- Visualizações:
Transcrição
1 Quantis residuais Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná Orientador: Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Resumo Uma etapa importante de qualquer análise de regressão é a chamada análise de resíduos. O objetivo deste trabalho é apresentar um novo conceito de resíduo, os resíduos quantis e mostrar, através de simulações, que eles se comportam como verdadeiros resíduos contínuos no caso de modelos de regressão com resposta discreta. Além disso, mostraremos a diferença dos resíduos quantis com o resíduos deviance em dados simulados e em um exemplo real.
2 1 Modelo de Regressão Linear Este modelo estatístico descreve a relação entre duas variáveis, a variável Y, chamada variável resposta, que pode ser explicada pela variável X, chamada variável auxiliar ou covariável. Neste trabalho consideramos os modelos de regressão linear em um contexto mais amplo, no qual a distribuição de probabilidade associada à variável resposta pode ser discreta ou contínua, estes são os chamados modelos de regressão generalizados. Uma etapa importante de qualquer análise de regressão é a verificação das suposições do modelo proposto e a anaálise dos resíduos é uma ferramenta muito útil neste sentido. O resíduo para a i-ésima observação pode ser definido como uma função do tipo r i = r(y i, µ i ), onde µ i é o valor esperado ou valor ajustado pelo modelo. O que se procura medir com os resíduos é a possível discrepância entre o valor observado e o valor ajustado da i-ésima observação. A definição mais usual de resíduo é dada por r i = y i µ i, conhecido como resíduo ordinário, há outras formas de definir resíduo, em particular trabalharemos com os chamados resíduos deviance, os quais definiremos adiante. 1.1 Modelos lineares generalizados Existe uma vasta literatura no assunto e a referência mais completa é o livro de McCullagh & Nelder (1989), no qual baseamos nosso estudo. Sejam Y 1,, Y n variáveis aleatórias independentes, cada uma com função de densidade ou de probabilidade na família exponencial escrita como f(y i ; θ i, φ) = exp[φ{y i θ i b(θ i ) + c(y i )} + a(y i, φ)], (1) onde E{Y i } = db(θ i )/dθ i, que denotaremos por µ i, var{y i } = φ 1 V i, V i = dµ i /dθ i é a função de variância, θ = θ(β) é o parâmetro canônico e φ é o parâmetro de dispersão (φ > 0) que, em geral, é desconhecido (i = 1, 2,, n). Os modelos lineares generalizados são definidos por (1) e pelo componente sistemático g(µ i ) = η i, (2) onde η i = x i β é o preditor linear, β = (β 1,, β p ), p < n, é o vetor dos parâmetros da regressão a serem estimados, x i = (x i1,, x ip ) representa os valores de p variáveis 1
3 explicativas e g( ) uma função monótona e diferenciável, denominada função de ligação. Como exemplos ou casos particulares de distribuições que pertencem à família exponencial (1) podemos mencionar a distribuição normal, normal inversa, Poisson e binomial, dentre outras, obtendo-se os modelos de regressão linear múltipla, regressão normal inversa, regressão Poisson, regressão logística e outros. As funções de ligação mais utilizadas são obtidas quando o parâmetro canônico coincide com o preditor linear, isto é, quando θ = η e a função de ligação nestas situações é chamada de ligação canônica. As ligações canônicas para os modelos mencionados são, respectivamente, dadas por µ = η, µ = 1 { } µ η, log µ = η e log = η 2 1 µ No contexto de modelos lineares generalizados, diversas definições de resíduos são usadas. Aqui consideraremos os resíduos deviance que, para a i-ésima observação é dado por r d,i = d(y i, µ i ) 1/2 sign(y i µ i ), onde d(y, µ) é a função deviance, definida como sendo t(y, y) = yθ b(θ). d(y, µ) = 2{t(y, y) t(y, µ)}, O resíduo deviance tem distribuição exata normal no caso da regressão normal e na regressão normal inversa (Williams, 1987). 2 Quantis Residuais Na Seção 1.1 definimos os resíduos deviance que, como mencionado anteriormente, é um dos possíveis a serem considerados. Nesta seção introduzimos um novo conceito de resíduo, proposto por Dunn & Smyth (1996). São baseados na idéia de inverter a função de distribuição estimada para cada observação e assim obter resíduos cuja função de densidade é exatamente a normal. 2
4 Quantis residuais são resíduos usados em modelos lineares generalizados em situações de grande dispersão quando os resíduos deviance podem não ser normais. No caso de distribuições discretas, como a binomial e a Poisson, os resíduos quantis podem não ser contínuos e, então, algum procedimento de aleatorização é introduzido para produzir resíduos normais contínuos. Os resíduos quantis são os únicos resíduos úteis para dados binomiais e Poisson se a variável resposta assume um número pequeno de valores distintos. Definição 2.1 Seja F (y; µ, φ) a função de distribuição acumulada de Y, com função de densidade f(y; µ, φ). Dado que F é contínua, então F (Y ; µ, φ) está uniformemente distribuída no intervalo (0,1). Neste caso os quantis residuais são definidos como: r q,i = Φ 1 {F (Y i ; µ i, φ i )} (3) Nesta definição, Φ é a função de distribuição acumulada da normal padrão. Devemos lembrar aqui que se F U(0, 1) e se r = Φ 1 (F ), então Φ é a função de distribuição da variável aleatória r (Rohatgi, 1976). Utilizando este resultado provamos que r q,i tem, assintoticamente, distribuição normal padrão se β e φ são estimadores consistentes de β e φ, respectivamente. Se F não for contínua, uma definição mais geral dos quantis residuais é necessária. Seja a i = lim y yi F (y; µ i, φ i ) e b i = F (y i ; µ i, φ i ). A definição de quantil residual para y i é r q,i = Φ 1 (u i ) onde u i é uma variável uniforme no intervalo (a i, b i ). Tanto para F contínua quanto para F discreta observamos que E{r q,i } = 0 e que var{r q,i } = 1, portanto, se β e φ forem estimados utilizando estimadores consistentes então r q,i N(0, 1), em probabilidade. 2.1 Exemplo Mostraremos a seguir que, em em determinadas situações, podemos não perceber comportamentos anômalos nos resíduos se utilizamos o resíduo deviance, em compensação, os resíduos quantis nos permitem realizar análises minusiosas. Utilizaremos para mostrar isso dados simulados. 3
5 Figura 1: Gráficos comprativos dos resíduos deviance e quantis residuais em dados simulados Resíduo deviance Quantil residual Covariável Covariável Resíduo deviance Quantil residual Covariável Covariável Simulamos de dados binomiais, utilizando regressão logística, considerando 60 observações, nas quais a variável resposta são independentes com n = 3 e log{p i /(1 p i )} = β 0 + β 1 x i, onde x i é a covariável. Na Figura 1, nos dois primeiros gráficos, temos os resíduos deviance e os resíduos quantis supondo que no preditor linear a covariável aparece de maneira linear. Observemos que no primeiro destes gráficos os pontos estendem-se em quatro curvas paralelas, correspondendo aos quatro possíveis valores da variável resposta. As curvas formadas dificultam a visualização de algum outro padrão nos dados. O segundo gráfico exibe os quantis residuais e nele nota-se que os resíduos apresentam um padrão quadrático. Os dados deste exemplo foram, de fato, simulados com log{p i /(1 p i )} dependendo quadraticamente de x i. 4
6 A segunda linha de gráficos, também na Figura 1, apresenta os resíduos deviance e os quantis residuais quando o ajuste do modelo logístico foi realizado com termo quadrático em x no preditor linear. Observemos que os resíduos deviance mostra curvas em quanto que os quantis residuais mostram dispersão aleatória. 3 Diabetes mellitus nas índias de Pima A base de dados do diabetes nas índias de Pima, população residente perto de Phoenix, Arizona, nos Estados Unidos é datada de maio de 1990, sendo estes dados provenientes de um levantemento amostral no qual os indivíduos foram aleatoriamente escolhidos e de forma representativa National Institutes of Health (1990). Figura 2: Gráficos dos resíduos deviance no estudo do diabetes nas índias de Pima Deviance Residual Índice Diversas informações foram coletadas das 768 índias, tendo por objetivo investigar quais são significativas para explicar a presença ou ausência do diabetes mellitus. Um modelo de regressão logística foi proposto e ajustado, obténdo-se que o modelo selecionado depende índice de massa corporal, da concentração de glicose, da heredi- 5
7 tariedade e do número de vezes grávida. Na Figura 2 podemos observar os resíduos deviance deste modelo, os quais mostram-se satisfatórios quanto à normalidade. Figura 3: Gráficos dos quantis residuais no estudo do diabetes nas índias de Pima Quantis Residuais Índice Comparativamente, observemos a Figura 2, nela apresentamos os resíduos quantis para o mesmo modelo selecionado. Observemos que nesta figura o padrão aleatório dos resíduos é mais evidente daquele mostrado pelos resíduos deviance. 4 Conclusões No trabalho apresentamos um novo resíduo nos modelos lineares generalizados, particularmente útil nos modelos de regressão discretos. Este resíduo, também com distribuição limite normal padrão, nos permite detectar possíveis padrões anômalos de comportamento nos resíduos e, desta forma, poder melhorar o ajuste do modelo de regressão proposto. Os quantis residuais apresentam-se como a única opção de resíduos quando a resposta é discreta e assume poucos valores distintos. 6
8 Devemos resaltar que utilizamos procedimentos de aleatorização para obter resíduos contínuos quando a resposta é discreta. Isto significa que os quantis residuais podem variar de uma realização a outra, nos exemplos apresentados somente foi utilizada uma realização. Em situações práticas é aconselhado fazer quatro realizações dos quantis residuais para detectar padrões nos resíduos. Para finalizar, prestemos atenção no detalhe de ter utilizado a função de distribuição acumulada normal padrão para definir os resíduos quantis, a princípio qualquer outra função de distribuição acumuada pode ser utilizada com esse objetivo, porém estamos acostumados a utilizar como referência nas análises de resíduos a distribuição normal padrão, é por isso que a recomendamos. Referências Dunn, P.K. & Smyth, G.K. (1996). Randomized quantile residuals. Journal of Computational and Graphical, 5, McCullagh, P. & Nelder, J.A. (1989). Generalized Linear Models. Chapman and Hall, Oxford. National Institutes of Health (1990). The Pima indians pathfinder for health. Disponível em Rohatgi, V.K. (1976). An Introduction to Probability Theory and Mathematical Statistics. New York: John Wiley & Sons. Williams, D.A. (1987). Generalized linear model diagnostics using the deviance and single case deletions. Applied Statistics, 36(2),
Modelo de regressão Beta
Modelo de regressão Beta Fernando Lucambio Pérez Departamento de Estatística Universidade Federal do Paraná Agosto de 2004 1 Consideremos uma situação em que a variável resposta contínua é restrita ao
Leia maisAnálise de dados longitudinais
Análise de dados longitudinais com aplicação na indústria Fernando Lucambio Pérez Clarice Azevedo de Luna Freire Relatório Técnico, Maio de 2003 Departamento de Estatística Universidade Federal do Paraná
Leia maisA Importância da Estatística na Pesquisa Científica e na Tomada de Decisão
A Importância da Estatística na Pesquisa Científica e na Tomada de Decisão Ricardo Alves de Olinda Universidade Estadual da Paraíba - UEPB Centro de Ciências e Tecnologia - CCT Departamento de Estatística
Leia maisModelos Lineares Generalizados
Modelos Lineares Generalizados Emilly Malveira de Lima Análise de Dados Categóricos Universidade Federal de Minas Gerais - UFMG 10 de Maio de 2018 Emilly Malveira (PGEST-UFMG) 10 de Maio de 2018 1 / 20
Leia maisRelatório GLM - Predição de doênça coronária cardíaca através do modelo de regressão generalizado com resposta Binomial
UNIVERSIDADE FEDERAL DO PARANÁ Rafael Morciani Alves da Silva Maike Willian Martins dos Santos Mateus Gemelli Ramos Relatório GLM - Predição de doênça coronária cardíaca através do modelo de regressão
Leia maisRegressão de Poisson e parentes próximos
Janeiro 2012 Família Exponencial Seja Y uma variável aleatória. A distribuição de probabilidade de Y pertence à família exponencial se a sua função densidade de probabilidade é da forma ( ) yθ b(θ) f (y
Leia maisModelo de regressão estável aplicado a econometria
Modelo de regressão estável aplicado a econometria financeira Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br 1 Objetivos
Leia maisAplicação dos modelos lineares generalizados na análise do
Aplicação dos modelos lineares generalizados na análise do número de ácaros Ana Paula Coelho Madeira Silva 12 Fabrício Oliveira Fernandes 12 Marcos Antonio Matiello Fadini 12 1 Introdução O estudo das
Leia maisModelos Lineares Generalizados - Componentes do Modelo
Modelos Lineares Generalizados - Componentes do Modelo Erica Castilho Rodrigues 01 de Abril de 2014 3 Vejamos agora quais as componentes de um Modelo Linear Generalizado. Temos um conjunto de variáveis
Leia maisMODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS
MODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS 1 Diversas distribuições podem ser consideradas para a modelagem de dados positivos com distribuição contínua e assimétrica, como, por exemplo, as
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia maisÓbitos por Acidentes de Transporte em Santa Catarina no ano de 2016
Óbitos por Acidentes de Transporte em Santa Catarina no ano de 2016 Modelos Lineares Generalizados Lais Hoffmam Simone Matsubara Willian Meira Yasmin Fernandes Curitiba 2018 Sumário 1. Resumo... 3 2. Introdução...
Leia maisModelo Linear Generalizado Exponencial Potência
Modelo Linear Generalizado Exponencial Potência Cristian Villegas 1 2 1 Introdução Os modelos lineares normais são amplamente aplicados em diversas áreas do conhecimento para modelar a média de dados contínuos
Leia maisEstimador de Máxima Verossimilhança Estudo de Caso - Regressão Poisson
Estimador de Máxima Verossimilhança Estudo de Caso - Regressão Poisson Wagner Hugo Bonat - LEG/DEST, UFPR 1 Resumo: Este texto descreve de forma rápida o processo de estimação baseado em Verossimilhança
Leia maisModelagem de dados complexos por meio de extensões do modelo de
Modelagem de dados complexos por meio de extensões do modelo de regressão clássico Luiz R. Nakamura Departamento de Informática e Estatística Universidade Federal de Santa Catarina luiz.nakamura@ufsc.br
Leia maisFAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES
FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a
Leia maisModelos Lineares Generalizados - Verificação do Ajuste do Modelo
1 Modelos Lineares Generalizados - Verificação do Ajuste do Modelo Erica Castilho Rodrigues 9 de Abril de 2015 2 3 Função Deviance Podemos ver o ajuste de um modelo a um conjunto de dados como: uma forma
Leia maisCE062c - GAMLSS. Silva, J.P; Taconeli, C.A. 09 de outubro, Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, / 42
CE062c - GAMLSS Silva, J.P; Taconeli, C.A. 09 de outubro, 2018 Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, 2018 1 / 42 Por que GAMLSS? Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro,
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ. Adriane Machado (GRR ), Cinthia Zamin Cavassola(GRR ) e Luiza Hoffelder da Costa(GRR )
UNIVERSIDADE FEDERAL DO PARANÁ Adriane Machado (GRR20149152), Cinthia Zamin Cavassola(GRR20149075) e Luiza Hoffelder da Costa(GRR20149107) AJUSTE DE MODELO DE REGRESSÃO LOGÍSTICA REFERENTE À PRESENÇA DE
Leia maisCoeficiente de determinação R 2 no modelo de regressão linear normal
Coeficiente de determinação R 2 no modelo de regressão linear normal Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br
Leia maisModelos Binomial e Poisson
Objetivos Motivação BIE5781 - Pós-Graduação em Ecologia USP Setembro de 2016 Objetivos Motivação Objetivo da Aula Os objetivos dessa aula são: Objetivos Motivação Objetivo da Aula Os objetivos dessa aula
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisModelos 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 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2. Veremos
Leia mais4 Modelos Lineares Generalizados
4 Modelos Lineares Generalizados Neste capítulo, serão apresentados arcabouços teóricos dos modelos lineares generalizados (MLGs) e como casos particulares desses modelos são aplicáveis ao problema da
Leia maisModelos 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.
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR LUAN FIORENTIN GRR
UNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR - 20160239 LUAN FIORENTIN GRR - 20160219 MODELAGEM DE DADOS DE ÓBITOS POR AGRESSÕES NO ESTADO DE SÃO PAULO NO ANO DE 2016 CURITIBA Novembro
Leia maisModelos de regressão beta inflacionados
Modelos de regressão beta inflacionados Raydonal Ospina Martínez Orientadora: Silvia Lopes de Paula Ferrari Recife/PE: 3 de Março de 2009 XI Escola de Modelos de Regressão 1 / 22 APOIO FINANCIERO CAPES,
Leia maisCONHECIMENTOS 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
Leia maisCE085 - Estatística Inferencial. derivadas. Prof. Wagner Hugo Bonat. 5 de setembro de Curso de Bacharelado em Estatatística
CE085 - Estatística Inferencial Função de Verossimilhança e suas derivadas Prof. Wagner Hugo Bonat Laboratório de Estatística e Geoinformação - LEG Curso de Bacharelado em Estatatística Universidade Federal
Leia maisRegressão para Dados Binários - Estudo de Dengue
Universidade Federal do Paraná Departamento de Estatística Regressão para Dados Binários - Estudo de Dengue CE225 - Modelos Lineares Generalizados Francielle Przibiciem de Mattos GRR20124686 Guilherme
Leia maisExemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
Leia maisModelos Lineares Generalizados - Métodos de Estimação
Modelos Lineares Generalizados - Métodos de Estimação Erica Castilho Rodrigues 07 de Abril de 2014 3 Componentes dos MLG s Os MLG s são compostos por duas partes: componente sistemático e componente aleatório.
Leia maisModelos Lineares Generalizados - Família Exponencial
Modelos Lineares Generalizados - Família Exponencial Erica Castilho Rodrigues 25 de Março de 2014 3 No modelo de Regressão Linear temos que onde Y i N(µ,σ 2 ) E(Y i ) = µ i = x T i β Yi são independentes;
Leia maisModelos Lineares Generalizados - Família Exponencial
1 Modelos Lineares Generalizados - Família Exponencial Erica Castilho Rodrigues 10 de Maio de 2017 2 3 No modelo de Regressão Linear temos que onde Y i N(µ,σ 2 ) E(Y i ) = µ i = x T i β Yi são independentes;
Leia maisModelos e inferência para um experimento em blocos casualizados para o número de vagens em soja RESUMO
Modelos e inferência para um experimento em blocos casualizados para o número de vagens em soja Natália da Silva Martins 1, Davi Butturi-Gomes 1, Lucas Souza Capelaro 2 1 Instituto de Ciências Exatas,
Leia maisAnálise de Dados Categóricos
1/43 Análise de Dados Categóricos Modelo de Regressão de Poisson Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Departamento de Estatística Universidade Federal de Minas Gerais 2/43 Revisão:
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
1 Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 27 de Setembro de 2016 2 3 O modelo de regressão linear é dado por 3 O modelo de regressão linear é dado por Y i = β
Leia maisProbabilidade e Estatística
Plano de Curso Probabilidade e Estatística UAEst/CCT/UFCG Ementa Fenômeno aleatório versus fenômeno determinístico. Espaço amostral e eventos. Introdução à teoria das probabilidades. Abordagem axiomática
Leia maisModelos 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
Leia maisO uso dos modelo ZIP, ZINB e Hurdle Model para dados de contagem com excessos de zeros
O uso dos modelo ZIP, ZINB e Hurdle Model para dados de contagem com excessos de zeros Eriton Barros dos Santos 1 Sílvia Maria de Freitas 2 1 Introdução Dados de contagem são comuns em diversas áreas.
Leia maisComparação entre intervalos de confiança calculados com métodos bootstrap e intervalos assintóticos
Comparação entre intervalos de confiança calculados com métodos strap e intervalos assintóticos Selene Loibel Depto. de Estatística, Matemática Aplicada e Computação, IGCE, UNESP, Rio Claro, SP E-mail:sloibel@rc.unesp.br,
Leia maisLUZIANE FRANCISCON. Modelo autologístico aplicado a dados de citrus
LUZIANE FRANCISCON Modelo autologístico aplicado a dados de citrus CURITIBA JUNHO 2005 LUZIANE FRANCISCON Modelo autologístico aplicado a dados de citrus Trabalho de Conclusão de Curso apresentado na disciplina
Leia maisPROGRAMA/BIBLIOGRAFIA e NORMAS DE AVALIAÇÃO
PROBABILIDADES E ESTATÍSTICA LEIC+LEE+LERCI (TagusPark) PROGRAMA/BIBLIOGRAFIA e NORMAS DE AVALIAÇÃO Secção de Estatística e Aplicações Departamento de Matemática Instituto Superior Técnico Fevereiro 2008
Leia maisModelos Binomial e Poisson
Objetivos Motivação BIE5781 - Pós-Graduação em Ecologia USP setembro de 2012 Objetivo da Aula Objetivos Motivação Os objetivos dessa aula são: Objetivos Motivação Objetivo da Aula Os objetivos dessa aula
Leia maisExemplos 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
Leia maisPROGRAMA/BIBLIOGRAFIA e NORMAS DE AVALIAÇÃO
PROBABILIDADES E ESTATÍSTICA LEIC+LEE+LERCI (TagusPark) PROGRAMA/BIBLIOGRAFIA e NORMAS DE AVALIAÇÃO Secção de Estatística e Aplicações Departamento de Matemática Instituto Superior Técnico Fevereiro 2006
Leia maisMLG. 16 de outubro de Curso de Modelos Lineares Generalizado - DEST/UFMG Marcos Oliveira Prates. Marcos Oliveira Prates
MLG Curso de Modelos Lineares Generalizado - DEST/UFMG 16 de outubro de 2017 Modelo Linear Generalizado Família Exponencial Seja Y a variável de resposta. A distribuição de Y é membro da família exponencial
Leia mais6- Probabilidade e amostras: A distribuição das médias amostrais
6- Probabilidade e amostras: A distribuição das médias amostrais Anteriormente estudamos como atribuir probabilidades a uma observação de alguma variável de interesse (ex: Probabilidade de um escore de
Leia maisMÉTODO 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
Leia maisModelos de Regressão para Dados de Contagem
UNIVERSIDADE FEDERAL DO PARANÁ Departamento de Estatística Modelos de Regressão para Dados de Contagem CE225 - Modelos Lineares Generalizados Professor Cesar Taconelli Andrea A Alves, GRR: 20096668 NathanM
Leia maisModelos Lineares Generalizados - Análise de Resíduos
Modelos Lineares Generalizados - Análise de Resíduos Erica Castilho Rodrigues 28 de Junho de 2013 3 Assim como em Regressão Linear, também precisamos fazer Análise de Resíduos para os MLG s. São semelhantes
Leia maisMAE Modelos Lineares Generalizados 2 o semestre 2017
MAE5763 - Modelos Lineares Generalizados 2 o semestre 2017 Prof. Gilberto A. Paula 3 a Lista de Exercícios 1. Supor y i ind FE(µ, φ i ) com φ i = α + γz i, para i = 1,..., n. Como ca a matriz modelo Z?
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisModelos 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
Leia maisModelos de Regressão Linear Simples - parte III
1 Modelos de Regressão Linear Simples - parte III Erica Castilho Rodrigues 20 de Setembro de 2016 2 3 4 A variável X é um bom preditor da resposta Y? Quanto da variação da variável resposta é explicada
Leia maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Leia maisIntrodução ao modelo de Regressão Linear
Introdução ao modelo de Regressão Linear Prof. Gilberto Rodrigues Liska 8 de Novembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores (junto ao administrativo)
Leia maisNúmero de Consultas ao Médico
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA CURSO DE ESTATÍSTICA João Matheus S. K. T. Hneda Lineu Alberto Cavazani de Freitas Número de Consultas ao Médico Análise
Leia maisO USO DE MODELOS DE REGRESSÃO LOGÍSTICA PARA AVALIAÇÃO DO PROBLEMA DE EVASÃO DE ALUNOS NO CURSO DE QUÍMICA INDUSTRIAL DA UNUCET-UEG
O USO DE MODELOS DE REGRESSÃO LOGÍSTICA PARA AVALIAÇÃO DO PROBLEMA DE EVASÃO DE ALUNOS NO CURSO DE QUÍMICA INDUSTRIAL DA UNUCET-UEG Robson de Souza Vieira 1 ; Rogério Silva Pimentel 1 ; Emerson Wruck 2
Leia maisCONHECIMENTOS ESPECÍFICOS
CESPE/UnB FUB/03 fa 5 4 3 CONHECIMENTOS ESPECÍFICOS 60 As distribuições B e C possuem os mesmos valores para os quartis Q e Q, e o quartil superior em B corresponde ao quartil central (Q ) da distribuição
Leia maisINCIDÊNCIA DE DENGUE EM UMA CIDADE DA COSTA MEXICANA: UM ESTUDO PREDITIVO
Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Estatística INCIDÊNCIA DE DENGUE EM UMA CIDADE DA COSTA MEXICANA: UM ESTUDO PREDITIVO CE225 - Modelos Lineares Generalizados Eduardo
Leia maisExemplos 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
Leia maisCOMPARAÇÃO DE MODELOS MISTOS VISANDO À ESTIMAÇÃO DO COEFICIENTE DE HERDABILIDADE PARA DADOS DE PROPORÇÕES
COMPARAÇÃO DE MODELOS MISTOS VISANDO À ESTIMAÇÃO DO COEFICIENTE DE HERDABILIDADE PARA DADOS DE PROPORÇÕES Telde Natel CUSTÓDIO 1 Décio BARBIN RESUMO: O objetivo deste trabalho foi apresentar um procedimento
Leia maisModelos Lineares Generalizados - Análise de Resíduos
Modelos Lineares Generalizados - Análise de Resíduos Erica Castilho Rodrigues 15 de Maio de 2014 Tipos de Resíduos 3 Assim como em Regressão Linear, também precisamos fazer Análise de Resíduos para os
Leia maisMOQ-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,
Leia mais3. Estimação pontual USP-ICMC-SME. USP-ICMC-SME () 3. Estimação pontual / 25
3. Estimação pontual USP-ICMC-SME 2013 USP-ICMC-SME () 3. Estimação pontual 2013 1 / 25 Roteiro Formulação do problema. O problema envolve um fenômeno aleatório. Interesse em alguma característica da população.
Leia maisAnálise de Regressão - parte I
16 de Outubro de 2012 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos para dados coletados. Entender como método de mínimos é usado
Leia maisALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
Leia maisDISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia
ROTEIRO 1. Introdução; DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL. Teorema Central do Limite; 3. Conceitos de estimação pontual; 4. Métodos de estimação pontual; 5. Referências. 1 POPULAÇÃO E AMOSTRA População:
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia mais4 Metodologia. Wt = W 0 exp{(l/k)(1-e-kt)} (8)
4 Metodologia Serão apresentadas duas formas de se estimar a persistência. A primeira é de forma mais agregada e se utiliza de dados em forma de triângulos de run-off e é conhecida como Chain Ladder, uma
Leia mais3 Modelos para o Cálculo de IBNR
3 Modelos para o Cálculo de IBNR 3.1 O Método de Mack Tomas Mack em (24) propõe um modelo probabilístico para o método Chain Ladder que fornece estimativas de provisão idênticas à técnica Chain Ladder
Leia maisModelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Leia maisExemplos Regressão Dados Binários
Exemplos Regressão Dados Binários p. 1/28 Exemplos Regressão Dados Binários Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS As variáveis aleatórias X e Y seguem uma distribuição de Bernoulli com probabilidade de sucesso igual a 0,4. Considerando S = X + Y e que os eventos aleatórios A = [X = 1] e B
Leia maisRegressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA CALEB SOUZA GRR DENNIS LEÃO GRR LUAN FIORENTIN GRR
UNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA CALEB SOUZA GRR -20149072 DENNIS LEÃO GRR - 20160239 LUAN FIORENTIN GRR - 20160219 MODELAGEM DA QUANTIDADE DE MATRÍCULAS NO ENSINO REGULAR NO ESTADO DO
Leia maisModelagem 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
Leia maisMarkov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP. lane. Ref: Kim e Nelson (1999) e Hamilton (1990)
Markov Switching Models Profa. Airlane Alencar Depto de Estatística - IME-USP www.ime.usp.br/ lane Ref: Kim e Nelson (1999) e Hamilton (1990) 1 Objetivo Mudança nos parâmetros de um modelo de regressão
Leia maisModelos de Regressão Linear Simples - parte I
Modelos de Regressão Linear Simples - parte I Erica Castilho Rodrigues 19 de Agosto de 2014 Introdução 3 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir
Leia maisRESOLUÇÃO Nº 01/2016
Legislações Complementares: Resolução Nº 02/2016 Colegiado DEst Resolução Nº 03/2016 Colegiado DEst Resolução Nº 01/2017 Colegiado DEst RESOLUÇÃO Nº 01/2016 O Departamento de Estatística, tendo em vista
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ CURSO DE ESTATÍSTICA. Jayme Gomes dos Santos Junior Luciana Helena Kowalski
UNIVERSIDADE FEDERAL DO PARANÁ CURSO DE ESTATÍSTICA Jayme Gomes dos Santos Junior Luciana Helena Kowalski MODELAGEM DA EXPECTATIVA DE VIDA NOS MUNICÍPIOS DO PARANÁ A PARTIR DE COVARIÁVEIS DO CENSO 2010
Leia maisModelos para dados de contagem
O modelo de Poisson Sumário 1 Introdução 2 Regressão de Poisson Taxa de Incidência Inclusão de covariáveis Interpretação dos parâmetros 3 Exemplos 4 Superdispersão Dados de Contagem Podemos estar interessados
Leia maisAjuste e comparação de modelos para dados grupados e censurados
Ajuste e comparação de modelos para dados grupados e censurados 1 Introdução José Nilton da Cruz 1 Liciana Vaz de Arruda Silveira 2 José Raimundo de Souza Passos 2 A análise de sobrevivência é um conjunto
Leia mais1 Que é Estatística?, 1. 2 Séries Estatísticas, 9. 3 Medidas Descritivas, 27
Prefácio, xiii 1 Que é Estatística?, 1 1.1 Introdução, 1 1.2 Desenvolvimento da estatística, 1 1.2.1 Estatística descritiva, 2 1.2.2 Estatística inferencial, 2 1.3 Sobre os softwares estatísticos, 2 1.4
Leia maisIntrodução aos Modelos Lineares em Ecologia
Introdução aos Modelos Lineares em Ecologia Prof. Adriano Sanches Melo - Dep. Ecologia UFG asm.adrimelo no gmail.com Página do curso: www.ecologia.ufrgs.br/~adrimelo/lm/ Livro-texto: Crawley, M.J. 2005.
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisErros com Distribuição Log-Beta-Weibull em Regressões Lineares
UNIVERSIDADE DE BRASÍLIA DEPARTAMENTO DE ESTASTÍSTICA Monograa Erros com Distribuição Log-Beta-Weibull em Regressões Lineares Helson Barcelos Resende Orientador: Antônio Eduardo Gomes Brasília, 9 de dezembro
Leia maisModelos Lineares Generalizados para Dados de Contagem Ananda Bordignon, Brendha Lima, Giovanna Lazzarin 28 de novembro de 2018
Modelos Lineares Generalizados para Dados de Contagem Ananda Bordignon, Brendha Lima, Giovanna Lazzarin 28 de novembro de 2018 1. Introdução O objetivo deste trabalho é apresentar uma análise estatística,
Leia maisModelos de Regressão Múltipla - Parte VI
1 Modelos de Regressão Múltipla - Parte VI Erica Castilho Rodrigues 7 de Fevereiro de 2017 2 3 Podemos fazer uma transformação na variável resposta Y e/ou na preditora X para: solucionar problemas de variância
Leia mais3.33pt. AIC Introdução
1 3.33pt 1 Modelos Lineares Generalizados - Regressão Logística Erica Castilho Rodrigues 01 de Julho de 2016 2 3.33pt 3 Vamos ver um critério para comparação de modelos. É muito utilizado para vários tipos
Leia maisANÁLISE 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
Leia maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências População e Amostra
Leia maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências Estatística Aplicada
Leia mais