Modelos de Regressão Linear e Não Linear
|
|
- Vagner da Costa Martins
- 5 Há anos
- Visualizações:
Transcrição
1 Modelos de Regressão Linear e Não Linear Dr. Walmes Marques Zeviani walmes@ufpr.br Departamento de Estatística - UFPR Laboratório de Estatística e Geoinformação (LEG)
2 O que é regressão?
3 História Francis Galton ( ) era primo de Charles Darwin e tinha competências em medicina e matemática. Galton era fascinado pela biometria humana e herdabilidade. Inventou a indentificação pela impressão digital. Estudou dados de altura dos pais e filhos adultos (1886). Law of universal regression. Altura do filhos regrediam para a média. Com ajuda de Karl Pearson, ajustou a reta. A técnica recebeu o nome regressão. Média da altura dos filhos Média da altura dos pais Regressão para a média observações reta 1:1 ajuste Figura 1: A regressão para a média de Galton.
4 Motivação Estudar a associação entre uma variável y e um conjunto de variáveis x i, i 1. Fazer a previsão de y. estímulos x 1 x 2 x 3. x k Sistema y resposta
5 Idade, Conservação, Acabamento Localização, Acessos, Segurança, Entornos Área (m 2 ), Quartos, Garagem, Piscina, Jardim Valor de um imóvel Índices econômicos, IGPM Figura 2: Representação das variáveis relacionadas com o valor de venda de um imóvel.
6 Horas de sono, Alimentação, Horas de recreação Tipo de escola, Método de ensino Horas de estudo, Esportes, Música Rendimento escolar Escolaridade, renda e participação dos pais Figura 3: Representação das variáveis relacionadas com o rendimento escolar de uma criança.
7 Mais exemplos Tempo de uma substância no sangue: Concentração aplicada; Paciente (idade, sexo, pressão, hábitos). Produtividade de um pomar: Fertilizante (dose, tipo, frequência); Preparo do solo; Manejo de pragas e doenças; Poda e tratos culturais; Irrigação; Clima. Desempenho de time de futebol: Quantidade, intensidade e qualidade de treino; Nutrição e preparo físico dos jogadores; Entrozamento entre jogadores; Estratégia de jogo; Experiência dos jogadores e equipe; Condição do gramado; Apoio da torcida.
8 Forma genérica Y η(x) [Y x] Figura 4: Representação esquemática genérica de um modelo de regressão. x
9 Organização do modelo de regressão [Y x] 1 Distribuição Normal, Beta, Poisson, Binomial, Tweedie, Simplex, Quantidade Média, quantil, variância, parâmetro,... Função Linear, não linear, polinômial, suavizadora,... 3 Q(Y x) = η(x, θ) Parâmetros Empíricos, interpretáveis. Preditoras Qualitativas e quantitativas. Figura 5: Representação esquemática da construção de um modelo de regressão.
10 Regressão Linear Simples E(Y x) Q(Y x) = η(x, θ) [Y x] Normal(µ,σ) θ 0 + θ 1 x x
11 Regressão Não Linear Q(Y x) = η(x, θ) E(Y x) [Y x] Normal(µ,σ) θ a x θ v + x x
12 Regressão Binomial E(Y x) Q(Y x) = η(x, θ) [Y x] Binomial(p, n) n 1 + exp{ (θ 0 + θ 1 x)} x
13 Regressão Poisson Q(Y x) = η(x, θ) E(Y x) [Y x] Poisson(λ) exp{θ 0 + θ 1 x} x
14 Regressão Não Linear com Variância Não Constante Q(Y x) = η(x, θ) E(Y x) [Y x] Normal(µ, σ) V(Y x) θ a x θ v + x x
15 Regressão Linear com Efeito Aleatório Q(Y x, a i ) = η(x, θ, a i ) E(Y x, a i ) [Y x, a i ] Normal(µ, σ) β 0 + β 1 x (β 0 + a i ) + β 1 x [a i ] Normal(0,σ a ) x
16 Especificação Regressão linear simples Resposta ou variável dependente [y] Intercepto [y] Preditora ou variável independente [x] Y = β 0 + β 1 x + ɛ Taxa [yx 1 ] Erro aleatório [y] E(ɛ) = 0, V(ɛ) = σ 2 E(Y x) = β 0 + β 1 x. V(Y x) = V(ɛ) = σ 2.
17 y: resposta Componente determinístico Componente aleatório (ɛ) η(x) = β 0 + β 1 x x: preditora
18 Especificação Regressão linear múltipla Preditoras ou variáveis independentes Resposta ou variável dependente Intercepto Y = β 0 + β 1 x 1 + β 2 x β k x k + ɛ Erro aleatório E(ɛ) = 0, V(ɛ) = σ 2 Taxas E(Y x i, i = 1,..., k) = β 0 + β 1 x 1 + β 2 x β k x k. V(Y x i, i = 1,..., k) = V(ɛ) = σ 2.
19 Representação matricial Y = β 0 + β 1 x 1 + β 2 x β k x k + ɛ Y 1 Y 2. Y n n 1 Y = Xβ + ɛ 1 x x 1k β 0 1 x x 2k β 1 = x n1... x nk n p (p = k + 1) β k p 1 ɛ 1 ɛ 2. ɛ n n 1
20 Estimação Critério de mínimos quadrados (ordinários) SSE(β) = n (y i x i β) 2 i=1 = (y Xβ) (y Xβ) = y Xβ SSE(β0, β1) ˆβ min SSE Estimador ˆβ = arg min SSE(β) β R p = (X X) 1 X y β 1 Figura 6: A superfície e mínimos quadrados. β 0
21 Geometria dos mínimos quadrados Otimizar: SSE(β) = (y Xβ) (y Xβ) = y y 2β X y + β X Xβ. Resolver o sistema: SSE β = 0 2X y + 2X X ˆβ = 0 X X ˆβ = X y ˆβ = (X X) 1 X y. y ȳ ȳ y C(1) y X ˆβ ŷ = X ˆβ C(X) Figura 7: A interpretação geométrica do problema de mínimos quadrados. ˆβ está no mínimo de SSE pois 2 SSE β β = X X é uma matriz positiva definida.
22 Estimação baseada na verossimilhança E(Y) = Xβ densidade x: preditora y: resposta
23 Se Y Normal(µ = Xβ, σ 2 = σ 2 ), então a log-verossimilhança é ll(β, σ) = n 2 log(2π) n 2 log(σ2 ) (y Xβ) (y Xβ) 2σ 2. (1) Os estimadores correspondem ao máximo da ll(θ), θ = (β, σ 2 ), ll(θ) θ = 0, ˆβ = (X X) 1 X y, ˆσ 2 = SSE n. (2)
24 Medidas de ajuste R 2 = 1 SSE(β) y ŷ = 1 SSE(β 0 ) y ȳ. R 2 adj = 1 n 1 n p (1 R2 ). n PRESS = (y ŷ i( i) ) 2, menor é melhor; i 1 Log-verossimilhança (maior é melhor) ll = n 2 log(2π) n 2 log( ˆσ2 ) y X ˆβ 2 ˆσ 2 = n 2 log(2π) n 2 log(sse/n) n 2, ˆσ2 = SSE/n = y X ˆβ /n. AIC = 2(p + 1) 2ll, menor é melhor; BIC = log(n)(p + 1) 2ll, menor é melhor;
25 Medidas de diagnóstico e influência Matriz de projeção ŷ = Hy, H = X(X X) 1 X, H é simétrica e indepotente. O posto de H é tr(h) = p. Alavancagem (leverage) Resíduos ordinários, V(ê) = σ 2 (I H), h i = H ii h = diag(h). ê i = y i ŷ i ê = y ŷ ê = y X ˆβ.
26 Resíduos padronizados (ou internamente studentizados), r i = êi s(ê i ) = ê i ˆσ 1 h i. Resíduos studentizados (ou externamente studentizados), t i = ˆσ 2 i = ê i s(ê i( i) ) = ê i ˆσ i 1 hi (n p) ˆσ 2 ê2 i 1 h i. (n 1) p
27 Distância de Cook DFfits D i = (ŷ ŷ i( i)) (ŷ ŷ i( i) ) p ˆσ 2 = 1 p h i (1 h i ) ê 2 i ˆσ 2 (1 h i ). dffits i = ŷi ŷ i( i) ˆσ i hi = t i ( hi 1 h i ) 1/2. DFbetas dbetas i = ˆβ i = ˆβ ˆβ ˆβ i ˆσ i diag((x X) 1 ) êi 1 h i (X X) 1 x i.
28 O quarteto de Anscombe data(anscombe) anscombe ## x1 x2 x3 x4 y1 y2 y3 y4 ## ## ## ## ## ## ## ## ## ## ##
29 Linear Lack of fit y Outlier b0: 3.00 b1: 0.50 R²: 0.67 b0: 3.00 b1: 0.50 R²: 0.67 Leverage b0: 3.00 b1: 0.50 R²: 0.67 b0: 3.00 b1: 0.50 R²: x
30 IC(Y) y IC( ˆµ) Figura 8: Bandas de confiança para ˆµ e de predição para Y. x
31 RC 1 α (β 0, β 1 ) t RC 1 α (β 0, β 1 ) t ˆβ 1 IC1 α(β1) B (pf) 1 2 ˆβ 1 IC1 α(β1) (pf) 1 2 A C D IC 1 α (β 0 ) IC 1 α (β 0 ) ˆβ 0 ˆβ 0 Figura 9: Região e intervalos de confiança para β.
32 Modelos de regressão não lineares Benefícios Baseados em teoria ou princípios que dão uma relação funcional mais específica entre y e x; Parâmetros são interpretáveis; São parsimoniosos; Podem ser feitas predições fora do domínio observado de x; Custos Requerem procedimentos iterativos de estimação; Métodos de inferência são aproximados;
33 Definição Linear nos parâmetros η(x, θ) = θ 0 + θ 1 x + θ 2 x 2. η θ 0 = 1, η θ 1 = x, η θ 2 = x 2. Não linear nos parâmetros η(x, θ) = θ a (1 exp{ θ e (x θ c )}). η θ a = 1 exp{ θ e (x θ c )} η θ e = θ a (θ c x) exp{ θ b (x θ c )} η θ c = θ a θ b exp{ θ b (x θ c )}.
34 Pontos característicos e formas A C E ASS MC ASS MND-CON PC PI PS-PI-PF 0.5 PF 0.5 ASI PO PON POH-PZ-PD PON AAC B D F PO PD-PO PC-PS PI PF 0.5 PF 0.5 PO ASI MD ASI PZ MNC-CVX CON PZ Figura 10: Funções não lineares com destaque para os pontos característicos e formas.
35 Determinação das unidades de medida (dimensionalidade) Modelo Michaelis-Menten y Resposta [y] y = θ ax θ v + x Assíntota [y] θ a η(x) Meia vida [x] Preditora [x] lim x η(x) = θ a. η(x = θ v ) = θ a /2. θ v x
36 Regressão Local LOESS: LOcal regression. Ajuste em subconjuntos localizados no domínio de x. Para cada ponto x i no domínio de x, um polinômio de grau baixo é ajustado. Observações no entorno de x i tem pesos que decrescem com a distância. A função peso mais usada é a tri-cubo: (1 x 3 ) 3 I( x < 1). Se polinômio de grau 0, corresponde à médias móveis. Sujeito à outliers. Requer dados densos para evitar ajustes locais. Computacionalmente intensivo. Difícil transferir resultados escritos do ajuste.
37 Splines Polinômios ajustados em subconjuntos disjuntos do domínio. Um spline é uma função polinomial por partes definida sobre os nós (knots): ξ 1 < ξ 2 <... < ξ k. As funções se unem sobre os nós. Os nós são colocados nos quantis = mesmo n em cada parte. Nós podem ser distribuidos de acordo com a forma da função.
38 Um spline de grau D com K é definido por D K S(x) = β γ k ((x ξ k ) D I(x ξ k )). Com um D-polinômio, tem-se: d=1 k=1 A função S(x) é contínua. A S(x) possui D 1 derivadas. A D-ésima derivada é contínua sobre os nós. Natural splines Nas caudas usa-se polinômio de grau 1 (reta). Melhor para previsão fora do domínio observado. Isso as restrições de contínuidade para os nós do interior.
39 Smooth Splines São splines com n nós sobre o domínio de x. Normalmente usa-se 3-polinômio. Controle da suavidade por meio de penalização PSS = n (y i S(x i )) 2 + λ (S (x)) 2 dx. i=1 Com λ fixo, otimiza-se a posição dos nós. A escolha do melhor λ pode ser por validação cruzada.
40 Resumo Modelos suaves são bastante flexíveis. São mais sensíveis aos outliers. Não possuem equação. Podem depender de calibração do usuário.
41 Agradecimentos Comissão organizadora do Mgest. Participantes do Mgest. Colegas do LEG pelo incentivo e colaboração.
Aula 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 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 maisRegressão Linear Simples
Regressão Linear Simples Capítulo 16, Estatística Básica (Bussab&Morettin, 8a Edição) 10a AULA 18/05/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 10a aula (18/05/2015) MAE229 1 / 38 Introdução
Leia maisModelos de Regressão Não Linear
Curso Modelos de Regressão Não Linear Walmes Marques Zeviani Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) II Conest - 07-09/11
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Regressão sem intercepto; Formas alternativas do modelo de regressão Regressão sem
Leia maisREGRESSÃO 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
Leia maisEscola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo
Escola Superior de Agricultura Luiz de Queiroz Universidade de São Paulo Regressão Polinomial e Análise da Variância Piracicaba Setembro 2014 Estatística Experimental 18 de Setembro de 2014 1 / 20 Vimos
Leia maisAnálise de Regressão Prof. MSc. Danilo Scorzoni Ré FMU Estatística Aplicada
Aula 2 Regressão Linear Simples Análise de Regressão Prof. MSc. Danilo Scorzoni Ré FMU Estatística Aplicada Conceitos Gerais A análise de regressão é utilizada para explicar ou modelar a relação entre
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 maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisAula inaugural do curso Análise de Regressão
Aula inaugural do curso Prof a Silvia Nagib Elian Sala 215 - Bloco A Instituto de Matemática e Estatística Universidade de São Paulo Agenda 1. Exemplo 2. Introdução 3. Modelo de regressão linear simples
Leia maisModelos 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
Leia maisMétodos Numéricos e Estatísticos Parte II-Métodos Estatísticos
Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Lic. Eng. Biomédica e Bioengenharia-2009/2010 Modelos de regressão É usual estarmos interessados em estabelecer uma relação entre uma variável
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 maisCorrelação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
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 maisModelo g.l. SQ Retas concorrentes ,46 Retas paralelas ,22 Retas com intercepto comum ,49 Retas coincidentes ,23
1 1) Em estudo observacional sobre comportamento de sono de 58 espécies de animais, uma das variáveis respostas foi o número total de horas de sono por dia (Y). O interesse desse estudo estava em relacionar
Leia maisMAE Planejamento e Pesquisa II
MAE0327 - Planejamento e Pesquisa II EXPERIMENTOS/ESTUDOS NÃO-BALANCEADOS COM FATORES FIXOS - PARTE 1 7 de agosto de 2016 Denise A Botter MAE0327 7 de agosto de 2016 1 / 1 PLANEJAMENTO E PESQUISA I Estudos
Leia maisGrupo I. (a) A função de probabilidade marginal de X, P (X = x), é dada por
Probabilidades e Estatística + Probabilidades e Estatística I Solução do Exame de 2 a chamada 3 de Fevereiro de 2003 LEFT + LMAC Grupo I (a) A função de probabilidade marginal de X, P (X = x), é dada por
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisModelo de regressão Beta
Modelo de regressão Beta Fernando Lucambio Pérez Departamento de Estatística Universidade Federal do Paraná Agosto de 2004 1 Consideremos uma situação em que a variável resposta contínua é restrita ao
Leia 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 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 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 maisTeoria da Estimação. Fabricio Goecking Avelar. junho Universidade Federal de Alfenas - Instituto de Ciências Exatas
Teoria da Estimação Fabricio Goecking Avelar Universidade Federal de Alfenas - Instituto de Ciências Exatas junho - 2018 Algumas distribuições importantes Sumário 1 Algumas distribuições importantes 2
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 maisCorrelação e Regressão
Correlação e Regressão Exemplos: Correlação linear Estudar a relação entre duas variáveis quantitativas Ou seja, a força da relação entre elas, ou grau de associação linear. Idade e altura das crianças
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
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 mais1 z 1 1 z 2. Z =. 1 z n
Gabarito Lista 3. Tópicos de Regressão. 2016-2. 1. Temos que y i ind N (µ, φi ), com log φ i = α + γz i, para i = 1,..., n, portanto (i) para o γ = (α, γ) a matriz modelo ca Z = 1 z 1 1 z 2.. 1 z n (ii)
Leia 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 maisp( y θ ) depende de um parâmetro desconhecido θ.
55Modelação, Identificação e Controlo Digital 55 Método de Máxima Verosimilhança (Maximum Likelihood) Seja y uma variável aleatória (v. a.) cuja densidade de probabilidade p( y θ ) depende de um parâmetro
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 maisMétodos Quantitativos para Avaliação de Políticas Públicas
ACH3657 Métodos Quantitativos para Avaliação de Políticas Públicas Aula 11 Análise de Resíduos Alexandre Ribeiro Leichsenring alexandre.leichsenring@usp.br Alexandre Leichsenring ACH3657 Aula 11 1 / 26
Leia maisEconometria. Econometria MQO MQO. Resíduos. Resíduos MQO. 1. Exemplo da técnica MQO. 2. Hipóteses do Modelo de RLM. 3.
3. Ajuste do Modelo 4. Modelo Restrito Resíduos Resíduos 1 M = I- X(X X) -1 X Hipóteses do modelo Linearidade significa ser linear nos parâmetros. Identificação: Só existe um único conjunto de parâmetros
Leia maisLista Regressão múltipla Análise de Regressão Prof. Michel H. Montoril
Exercício 1. (Montgomery et al., 2013) Considere os dados da National Football League (NFL) no arquivo dados-football.xls. (a) Ajuste um modelo de regressão múltipla relacionando jogos ganhos (y), com
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Distribuição beta não central; Coef. de determinação; Quando X for aleatório. Distribuição
Leia maisModelos de Regressão Linear Simples - parte II
Modelos de Regressão Linear Simples - parte II Erica Castilho Rodrigues 14 de Outubro de 2013 Erros Comuns que Envolvem a Análise de Correlação 3 Erros Comuns que Envolvem a Análise de Correlação Propriedade
Leia maisRegressão. PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei
Regressão PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei Regressão Introdução Analisar a relação entre duas variáveis (x,y) através da equação (equação de regressão) e do gráfico
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 maisUNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE CIÊNCIAS EXATAS
1 1) Seja X uma variável aleatória com função de densidade dada por: Pede-se: f (x) = e 2 1 (, )(x) 1.1) Qual a distribuição da variável aleatória Y = X? 1.2) Encontre o valor esperado da variável Y. 2
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 maisEconometria. Econometria ( ) O modelo de regressão linear múltipla. O modelo de regressão linear múltipla. Aula 2-26/8/2010
Aula - 6/8/010 Econometria Econometria 1. Hipóteses do Modelo de RLM O modelo de regressão linear múltipla Estudar a relação entre uma variável dependente e uma ou mais variáveis independentes. Forma genérica:
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisExemplos Regressão Dados de Contagem
Exemplos Regressão Dados de Contagem p. 1/26 Exemplos Regressão Dados de Contagem Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
Leia maisModelos 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
Leia maisModelos 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
Leia maisAnálise de Regressão
Análise de Regressão Tópicos em Avaliação de Desempenho de Sistemas Aline Oliveira Camila Araujo Iure Fé Janailda aso2@cin.ufpe.br cga2@cin.ufpe.br isf2@cin.ufpe.br jbs4@cin.ufpe.br Agenda Parte I: Contextualização
Leia maisPlanejamento e análise de experimentos
Planejamento e análise de experimentos Uma visão panorâmica Prof. Walmes Zeviani walmes@ufpr.br Departamento de Estatística Universidade Federal do Paraná Plano de aula Objetivos Apresentar as ideias principais
Leia maisANÁLISE DE REGRESSÃO
ANÁLISE DE REGRESSÃO Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 09 de janeiro de 2017 Introdução A análise de regressão consiste na obtenção de uma equação
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 maisRegressão Linear - Parte I
UFPE - Universidade Federal de Pernambuco Curso: Economia Disciplina: ET-406 Estatística Econômica Professor: Waldemar Araújo de S. Cruz Oliveira Júnior Regressão Linear - Parte I 1 Introdução Podemos
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 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 maisPlanejamento e análise de experimentos
Planejamento e análise de experimentos Revisão das ideias principais Prof. Walmes Zeviani walmes@ufpr.br Laboratório de Estatística e Geoinformação Departamento de Estatística Universidade Federal do Paraná
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia maisEstudar a relação entre duas variáveis quantitativas.
Estudar a relação entre duas variáveis quantitativas. Exemplos: Idade e altura das crianças Tempo de prática de esportes e ritmo cardíaco Tempo de estudo e nota na prova Taxa de desemprego e taxa de criminalidade
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 maisProcedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear
Procedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear Rogério Antonio de Oliveira 1 Chang Chiann 2 1 Introdução Atualmente, para obter o registro
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 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 maisRESPOSTAS - PROVA ESTATÍSTICA AGENTE PF 2018
RESPOSTAS - PROVA ESTATÍSTICA AGENTE PF 018 Determinado órgão governamental estimou que a probabilidade p de um ex-condenado voltar a ser condenado por algum crime no prazo de 5 anos, contados a partir
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 maisCONHECIMENTOS ESPECÍFICOS
CESPE/UnB FUB/03 fa 5 4 3 CONHECIMENTOS ESPECÍFICOS 60 As distribuições B e C possuem os mesmos valores para os quartis Q e Q, e o quartil superior em B corresponde ao quartil central (Q ) da distribuição
Leia maisMODELOS 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 maisPREVISÃO. Prever o que irá. acontecer. boas decisões com impacto no futuro. Informação disponível. -quantitativa: dados.
PREVISÃO O problema: usar a informação disponível para tomar boas decisões com impacto no futuro Informação disponível -qualitativa Prever o que irá acontecer -quantitativa: dados t DEI/FCTUC/PGP/00 1
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes
Leia maisAULA 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
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Estimação
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Julgue os itens que se seguem, acerca da estatística descritiva. 51 Na distribuição da quantidade de horas trabalhadas por empregados de certa empresa, é sempre possível determinar
Leia maisAnálise de dados em Geociências
Análise de dados em Geociências Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Introdução Regressão linear dados independentes séries temporais Regressão de quantis Regressão
Leia maisTransformações e Ponderação para corrigir violações do modelo
Transformações e Ponderação para corrigir violações do modelo Diagnóstico na análise de regressão Relembrando suposições Os erros do modelo tem média zero e variância constante. Os erros do modelo tem
Leia maisNotas de Aula Modelos Lineares I - GET00138
Notas de Aula Modelos Lineares I - GET00138 Jessica Kubrusly Departamento de Estatística Instituto de Matemática e Estatística Universidade Federal Fluminense Julho de 2014 Sumário 1 Regressão Linear Simples
Leia maisAula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas Matheus Rosso e Camila Steffens 19 de Março de 2018 Independência de variáveis aleatórias Duas V.A. são independentes se, e somente
Leia maisAULA 8 - MQO em regressão múltipla:
AULA 8 - MQO em regressão múltipla: Definição, Estimação e Propriedades Algébricas Susan Schommer Econometria I - IE/UFRJ Regressão Múltipla: Definição e Derivação A partir de agora vamos alterar o nosso
Leia maisRevisão 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
Leia maisProbabilidades e Estatística MEEC, LEIC-A, LEGM
Departamento de Matemática Probabilidades e Estatística MEEC, LEIC-A, LEGM Exame a Época / o Teste (Grupos III e IV) o semestre 009/00 Duração: 80 / 90 minutos /06/00 9:00 horas Grupo I Exercício 5 valores
Leia maisAula 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.
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia maisCorrelação e Regressão Linear
Correlação e Regressão Linear Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais CORRELAÇÃO LINEAR Coeficiente de correlação linear r Mede o grau de relacionamento linear entre valores
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 9
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 9 Data Mining Equação básica: Amostras finitas + muitos modelos = modelo equivocado. Lovell (1983, Review
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 maisINTRODUÇÃO A ECONOMETRIA
INTRODUÇÃO A ECONOMETRIA Análise de regressão e uso do Eviews Introdução O modelo de regressão linear se utiliza para estudar a relação que existe entre uma variável dependente e uma ou várias variáveis
Leia maisAJUSTES DE MODELOS NÃO LINEARES PARA ALTURA DE CLONES DE EUCALYPTUS ADJUSTMENTS OF NON-LINEAR MODELS FOR HEIGHT OF EUCALYPTUS CLONES
AJUSTES DE MODELOS NÃO LINEARES PARA ALTURA DE CLONES DE EUCALYPTUS ADJUSTMENTS OF NON-LINEAR MODELS FOR HEIGHT OF EUCALYPTUS CLONES Apresentação: Pôster David Venancio da Cruz 1 ; Moacyr Cunha Filho 2
Leia maisUNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE CIÊNCIAS CONTÁBEIS PROGRAMA DE PÓS GRADUAÇÃO EM CIÊNCIAS CONTÁBEIS - PPGCC FICHA DE DISCIPLINA
FICHA DE DISCIPLINA Disciplina Métodos Quantitativos II Código PPGCC Carga Horária 60 Créditos 4 Tipo: Optativa OBJETIVOS Discutir com os alunos um conjunto de instrumentos estatísticos de pesquisa, necessários
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisUniversidade Federal do Ceará Pós-Graduação em Modelagem e Métodos Quantitativos Mestrado Acadêmico na Área Interdisciplinar
Universidade Federal do Ceará Pós-Graduação em Modelagem e Métodos Quantitativos Mestrado Acadêmico na Área Interdisciplinar Prova Escrita - Estatística e Matemática Pós-Graduação em Modelagem e Métodos
Leia maisIntrodução Regressão linear Regressão de dados independentes Regressão não linear. Regressão. Susana Barbosa
Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2012-2013 Regressão linear x : variável explanatória y : variável resposta Gráfico primeiro! Gráfico primeiro! Gráfico primeiro! Modelo linear x
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Leia maisProbabilidades e Estatística - LEIC + LERCI + LEE 2 o semestre 2004/05
Departamento de Matemática Secção de Estatística e Aplicações - IST Probabilidades e Estatística - LEIC + LERCI + LEE 2 o semestre 2004/05 3 o Teste 4/6/2005 9h O Teste que vai realizar tem a duração total
Leia maisUNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO. PROJETO DE EXTENSÃO Software R: de dados utilizando um software livre.
UNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO PROJETO DE EXTENSÃO Software R: Capacitação em análise estatística de dados utilizando um software livre. Fonte: https://www.r-project.org/ Módulo
Leia 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 maisCC-226 Aula 03 - Análise de Regressão
CC-226 Aula 03 - Análise de Regressão Carlos Henrique Q Forster - Instituto Tecnológico de Aeronáutica 2008 1 Regressão Linear Simples 11 Descrição do problema de regressão linear simples Relação entre
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 de Regressão Múltipla - Parte I
Modelos de Regressão Múltipla - Parte I Erica Castilho Rodrigues 4 de Outubro de 2016 2 3 Introdução 4 Quando há apenas uma variável explicativa X, temos um problema de regressão linear simples onde ǫ
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 maisAULA 1 - Modelos determinísticos vs Probabiĺısticos
AULA 1 - Modelos determinísticos vs Probabiĺısticos Susan Schommer Econometria I - IE/UFRJ O que é Econometria? Aplicação de métodos estatísticos e matemáticos para analisar os dados econômicos, com o
Leia mais