Modelos de Regressão Não Linear
|
|
- Manuel Castilhos Sacramento
- 5 Há anos
- Visualizações:
Transcrição
1 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 /11 - Curitiba/PR Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 1 / 114
2 Agradecimentos Agradecimentos Ao PET Estatística (programa de educação tutorial); À comissão organizadora; Ao DEST e Setor de Ciências Exatas. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 2 / 114
3 Roteiro Roteiro 1 Modelos de Regressão e Regressão não linear 2 Inferência e verossimilhança 3 Fundamentos dos MRNL 4 Parametrizações e reparametrizações 5 Práticas computacionais no ajuste de MRNL 6 Inferência sobre funções dos parâmetros 7 Medidas de curvatura 8 Modelos em delineamentos experimentais 9 Modelos de efeitos aleatórios 10 Modelagem a variância Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 3 / 114
4 Modelos de regressão A ideia
5 Modelos de regressão A ideia A ideia Y η(x) [Y x] x Figura 1: Representação esquemática genérica de um modelo de regressão. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 5 / 114
6 Modelos de regressão Construção 1 Distribuição Normal, Beta, Poisson, Binomial,... [Y x] (1) 2 4 Quantidade Média, quantil, parâmetro,... 3 Função Linear, não linear, semiparamétrica,... Q(Y x) = η(x,θ) (2) Parâmetros Empíricos, interpretáveis. Explicativa Métrica, categórica. Figura 2: Representação esquemática da construção de um modelo de regressão. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 6 / 114
7 Modelos de regressão Regressão linear simples
8 Modelos de regressão Regressão linear simples Regressão linear simples Q(Y x) = η(x, θ) E(Y x) [Y x] Normal(µ,σ) θ 0 + θ 1x x Figura 3: Modelo de regressão linear gaussiano. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 8 / 114
9 Modelos de regressão Regressão não linear
10 Modelos de regressão Regressão não linear Regressão não linear Q(Y x) = η(x, θ) E(Y x) [Y x] Normal(µ,σ) θ ax θ v + x x Figura 4: Modelo de regressão não linear gaussiano. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 10 / 114
11 Modelos de regressão GLM, a família exponencial e outras
12 Modelos de regressão GLM, a família exponencial e outras GLM, a família exponencial e outras Também são modelos de regressão não linear; Distribuições da família exponencial (Binomial, Poisson, gama, normal,... ) Uma função não linear da esperança é ligada ao preditor linear Funções de ligação: g(e(y x)) = β 0 + β 1x β px p = η(x, β). Distribuição g(e(y x)) ) E(Y x) função de ligação Binomial log logit ( p 1 p 1 1+exp{ (β 0 +β 1 x)} Poisson log(λ) exp{β 0 + β 1x} log 1 Gama (β µ 0 + β 1x) 1 inversa Normal µ β 0 + β 1x identidade Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 12 / 114
13 Modelos de regressão Regressão binomial - GLM
14 Modelos de regressão Regressão binomial - GLM Regressão binomial - GLM E(Y x) Q(Y x) = η(x, θ) [Y x] Binomial(p,n) n 1 + exp{ (θ 0 + θ 1x)} x Figura 5: Modelo regressão binomial. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 14 / 114
15 Modelos de regressão Regressão Poisson - GLM
16 Modelos de regressão Regressão Poisson - GLM Regressão Poisson - GLM Q(Y x) = η(x, θ) E(Y x) [Y x] Poisson(λ) exp{θ 0 + θ 1x} x Figura 6: Modelo de regressão Poisson. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 16 / 114
17 Modelos de regressão Regressão beta
18 Modelos de regressão Regressão beta Regressão beta Q(Y x) = η(x, θ) [Y x] Beta(µ,φ) E(Y x) exp{ (θ 0 + θ 1x)} x Figura 7: Modelo de regressão beta. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 18 / 114
19 Modelos de regressão Regressão para a média e variância
20 Modelos de regressão Regressão para a média e variância Regressão para a média e variância Q(Y x) = η(x, θ) E(Y x) [Y x] Normal(µ,σ) V(Y x) θ ax θ v + x x Figura 8: Modelo de regressão não linear gaussiano heterocedástico. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 20 / 114
21 Modelos de regressão Fatores de efeito aleatório
22 Modelos de regressão Fatores de efeito aleatório 1 Distribuição Normal, Beta, Poisson, Binomial,... [Y x,a] (3) Quantidade Média, quantil, parâmetro, Função Linear, não linear, semiparamétrica,... 4 Q(Y x,a) = η(x, θ, a) (4) Parâmetros Latente Empíricos, interpretáveis. Explicativa Efeitos aleatórios. Métrica, categórica. Figura 9: Representação esquemática da construção de um modelo de regressão com efeitos aleatórios. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 22 / 114
23 Modelos de regressão Regressão não linear com efeitos aleatórios Regressão não linear com efeitos aleatórios Q(Y x,a i) = η(x, θ, a i) E(Y x,a i) [Y x,a i] Normal(µ,σ) θ ax θ v + x (θ a + a i) x θ v + x [a i] Normal(0,σ a) x Figura 10: Modelo não linear de efeitos aleatórios. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 23 / 114
24 Modelos de regressão não linear
25 Modelos de regressão não linear Definição e motivação
26 Modelos de regressão não linear Definição e motivação Definição Modelo linear nos parâmetros η(x, θ) = θ 0 + θ 1x + θ 2x 2. (5) η θ 0 = 1, η θ 1 = x, η θ 2 = x 2. Modelo não linear nos parâmetros η(x, θ) = θ a(1 exp{ θ e(x θ c)}). (6) η = 1 exp{ θ e(x θ c)} θ a η θ e = θ a(θ c x) exp{ θ b (x θ c)} η θ c = θ aθ b exp{ θ b (x θ c)}. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 26 / 114
27 Modelos de regressão não linear Definição e motivação Motivação Benefícios Têm sustentação baseado em princípios mecanísticos ou informações prévias; Parâmetros são interpretáveis e de interesse para o pesquisador; Podem ser feitas predições fora do domínio observado de x; São parsimoniosos; Custos Requerem procedimentos iterativos de estimação; Métodos de inferência são aproximados; Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 27 / 114
28 Modelos de regressão não linear Propriedades da função e interpretação dos parâmetros
29 Modelos de regressão não linear Propriedades da função e interpretação dos parâmetros Pontos característicos e formas A C E ASS MC ASS MND-CON PC PS-PI-PF0.5 PF0.5 PI ASI PO PON POH-PZ-PD PON AAC B D F PO PD-PO PC-PS PI PF0.5 PF0.5 PO ASI MD ASI PZ MNC-CVX CON PZ Figura 11: Funções não lineares com destaque para os pontos característicos e formas. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 29 / 114
30 Modelos de regressão não linear Propriedades da função e interpretação dos parâmetros Estudo dos pontos característicos e formas Propriedades da função Pontos caracteríticos, aspectos de forma e aparência; Intercepto, assíntota, ponto de inflexão, ponto de máximo; Monótona, segmentada, convexa; Sigmóide, parabólica, exponencial; Estudar: 1) limites, 2) derivadas, 3) integrais, 4) inversas e 5) avaliações em certos pontos; Interpretação dos parâmetros Significado e unidade de medida; Estudar: 1) limites, 2) derivadas, 3) integrais, 4) inversas e 5) avaliações em certos pontos; Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 30 / 114
31 Modelos de regressão não linear Propriedades da função e interpretação dos parâmetros Determinação das unidades de medida (dimensionalidade) Equação da reta η(x) = θ 0 + θ 1x, (7) Y Y X YX 1 Michaelis-Menten Y x η(x) = θ a θ v + x, (8) X Y X Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 31 / 114
32 Modelos de regressão não linear Propriedades da função e interpretação dos parâmetros Parametrização e dimensionalidade Modelo logístico - parametrização de GLM Y η(x) = θ a exp{θ 0 + θ 1x}, (9) Y X X 1 Modelo logístico - parametrização centro/escala Y η(x) = θ a exp{ (x θ i )/θ s}, (10) Y X X X Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 32 / 114
33 Modelos de regressão não linear Propriedades da função e interpretação dos parâmetros Parametrização e interpretação Curva de lactação - parametrização da densidade da gama Y η(x) = θ 0x θ 1 exp{ θ 2x}, (11) YX θ 1 X X 1 Curva de lactação - parametrização do ponto crítico (Zeviani, 2013, Tese) η(x) = θ y ( x θ x ) θ1 exp{θ 1(1 x/θ x)}, (12) Y Y X X Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 33 / 114
34 Modelos de regressão não linear Parametrizações interpretáveis
35 Modelos de regressão não linear Parametrizações interpretáveis Parametrizações conhecidas Modelo logístico η(x) = θ a exp{ (x θ i )/θ s} = θ a exp{θ i /θ s x/θ s}, θ 0 = θ i /θ s θ 1 = 1/θ s Modelo quadrático η(x) = θ y + θ c(x θ x) 2 = θ y + θ c(x 2 2xθ x + θx) 2 = (θ y + θx) 2 + ( 2θ x)x + θ cx 2, θ 0 θ 1 θ 2 Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 35 / 114
36 Modelos de regressão não linear Sistematização da reparametrização Sistematização da reparametrização Função de parâmetros de interesse ϑ = g(θ) Etapas para reparametrização 1 Escrever o parâmetro de interesse como função dos elementos de θ, ou seja, ϑ = g(θ); 2 Escolher um dos elementos de θ = (θ i, θ i ) para ser colocado em função de ϑ de tal forma a obter θ i = h(θ i, ϑ); 3 Substituir toda ocorrência de θ i em η(x,θ) pela expressão obtida no passo anterior, h(θ i, ϑ), fazendo as simplificações convenientes. Assim o modelo de regressão não linear η(x, θ i, ϑ) terá ϑ como elemento do vetor de parâmetros θ ϑ = (θ i, ϑ). Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 36 / 114
37 Modelos de regressão não linear Sistematização da reparametrização Fração de vida no Monomolecular (inverse prediction) η(x,θ) η(x,θ) = θ a (1 exp{ θ k x}) 1 q θ a qθ a q θ k ϑ q x Figura 12: Curva do modelo Monomolecular com destaque para os seus parâmetros e sua forma de sua função. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 37 / 114
38 Modelos de regressão não linear Sistematização da reparametrização Aplicando a reparametrização Passo 1 - Escrever... qθ a = θ a(1 exp{ θ k ϑ q}) log(1 q) ϑ q =. θ k Passo 2 - Inverter... log(1 q) θ k =. ϑ q Passo 3 - Substituir... η(x,θ a, ϑ q) = θ a(1 exp{x log(1 q)/ϑ q}) η : R + R +, 0 < q < 1 θ a 0 (Y), é a ASS (13) ϑ q > 0 (X), é o PF q Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 38 / 114
39 Modelos de regressão não linear Algumas parametrizações interpretáveis de MRNL
40 Modelos de regressão não linear Algumas parametrizações Tabela 1: Reparametrizações desenvolvidas com ênfase na interpretação dos parâmetros de modelos de regressão não linear aplicados em Ciências Agrárias. id Modelo original ϑ = g(θ) θi = g 1 (ϑ, θ i) Modelo reparametrizado ( ) ( ) θax q 1 q θax 1 ϑq = θv θv = ( ) ϑq 1 q θv + x 1 q q ϑq + x q ϑq = θv θa ( ( ) ) 1/θc ( = ) θa 1/θc θc θv 1 q 1 q ( ) x θv ϑq q θc ϑq q q q x θa ϑq = θv = ( ) ) 1/θc ) θa 1/θc θc ( ( 3 x 1 q 1 + θv θv q ( θax 4 θc θv q θv + x θc ϑq = 1 q log(1 q) 5 θa(1 exp{ θcx}) ϑq = { θc θa(1 exp{ θ1(x θ0)}), x ϑq = θ0 6 log(1 q) 0, x < θ0 + θ0 θ1 7 θ0 θ1x θ2 ϑq = q θ1 ϑq ( 1 q q ) 1/θc 1 q θv = ϑ θc q q 1/θ2 8 θ0 + θ1(1 θc x log(1 + q/θ1) ) ϑq = log(θc) log(1 q) θc = ϑq log(1 q) θ1 = ϑq θ0 θ2 = log(q) log(θ1) log(ϑq) θ1 = q 1 θ ϑq c q q x ϑq ) θc θax θc ( ) 1 q ϑq + x q θc θa(1 exp{x log(1 q)/ϑq}) ( { ( )}) x θ0 θa 1 exp log(1 q) ϑq θ0 log(q) log(θ 1 ) θ0 θ1x log(ϑq ) ( ) 1 θ x θ0 q c 1 θ ϑq c Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 40 / 114
41 Modelos de regressão não linear Algumas parametrizações Tabela 2: (cont.) Reparametrizações desenvolvidas com ênfase na interpretação dos parâmetros de modelos de regressão não linear aplicados em Ciências Agrárias. id { Modelo original ϑ = g(θ) θi = g 1 (ϑ, θ i) { Modelo reparametrizado 9 θ0 + θ1x, x θb ϑb = θ0 + θ1θb θ0 = ϑb θ1θb ϑb + θ1(x θb), x θb θ0 + θ1θb, x > θb ϑb, x > θb 10 { ϑb θ0 + θ1x, x + θ1(x θb), x θb θb ϑb = θ0 + θ1θb θ0 = ϑb θ1θb ϑb θ0 + θ1θb + θ2(x θb), x > + θ2(x θb), x > θb θb { 11 2 θ0 + θ1x + θ2x θ1 ϑx = 2θ2 θ1 = 2θ2ϑx ϑy + θ2(x ϑx) 2 ϑy = θ0 + θ1ϑx + θ2ϑ 2 x θ0 = ϑy θ1ϑx θ2ϑ 2 x θ0 + θ1x + θ2x 2, ϑx = θ1 θ1 = 2θ2ϑx { 2θ2 12 ϑy x θ1/(2θ2) + θ2(x ϑx) 2, x ϑx ϑy = θ0 + θ1ϑx + θ2ϑ 2 x θ0 = ϑy θ1ϑx θ2ϑ 2 x ( ) ( ) 2 θ0 + θ1 θ1 + θ1 ϑy, x > ϑx θ2 2θ2 2θ2, x > θ1/(2θ2) ( ) ( ) 13 x(θ0 + θ1x) 1/θ2 ϑx = θ0 θ2 θ1 = θ0 θ2 ( ( x θ1 1 θ2 ϑx 1θ2 ϑy 1 θ2 1 x )) 1/θ2 ( ) 1/θ2 ( ) θ2 1 ϑx ϑx θ2 ϑy θ0 = (1 θ2) 14 θ0x θ1 exp{ θ2x} ϑy = ϑx θ0 ϑx = θ1/θ2 ϑy = θ0(θ1/θ2) exp{ θ1} θ0 = ϑy ϑx θ1 = θ2ϑx ( ) θ1 1 exp{θ1} ϑx ϑp = θ (θ1+1) 2 θ2 = ϑ 1/(θ1+1) ϑy ( ) θ1 x exp{ θ1(1 x/ϑx)} 1/( θ+1) p θ1 : θ1 ϑxϑp ϑx Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 41 / 114
42 Modelos de regressão não linear Algumas parametrizações Tabela 3: (cont.) Reparametrizações desenvolvidas com ênfase na interpretação dos parâmetros de modelos de regressão não linear aplicados em Ciências Agrárias. id Modelo original ϑ = g(θ) θi = g 1 (ϑ, θ i) Modelo reparametrizado ( ( ϑq = ) ) ( θ0 = ) θa 1 1 q 1 q θa 15 log θ0 log θ1ϑq ( ) 1 + exp{θ0 + θ1x} θ1 q q q exp { 4ϑt(x ϑq)} q ϑt = θ1 θ1 = 4ϑt 4 log( log(q)) θ0 log( log(q)) θ0 16 θa exp{ exp{θ0 + θ1x}} ϑq = θ1 = θa exp{log(q) exp{θ0(1 x/ϑx)}} θ1 ϑx θs θr ϑi = θa log(θm)/θn θa = ϑi log(θm)/θn 17 θr + (1 + exp{θa + x} θn ) θm θr ϑs (1 + 1/θm) θm+1 θn(θs θr ) θs θr = θn (1 + exp{θn(x ϑi)}/θm) θm ϑs = (1 1/θm) θm+1 ϑs (1 + 1/θm)θm+1 θn Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 42 / 114
43 Aspectos de inferência Especificação e estimação
44 Aspectos de inferência Especificação e estimação Especificação e estimação Especificação Y x iid Gaussiana(µ = η(x, θ), σ 2 ). (14) Estimação Minimizar a soma de quadrados SQD(θ) = n (y i η(x i, θ)) 2. (15) i=1 Maximizar a (log)-verossmilhança l(θ, σ 2 ) = n 2 log(2π) n 2 log(σ2 ) 1 2σ 2 n (y i η(x i, θ)) 2. (16) i=1 Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 44 / 114
45 Aspectos de inferência Funções de verossimilhança de modelos extendidos
46 Aspectos de inferência Funções de verossimilhança de modelos extendidos Funções de verossimilhança de modelos extendidos Modelo para a média e variância l(θ, ϕ) = n 2 log(2π) 1 2 n {log(η σ2(z, ϕ)) + (y } i η µ(x i, θ)) 2. (17) η σ 2(z, ϕ) i=1 Modelo para a média e variância η µ(x, θ) : modelo para E(Y x); η σ 2(z, ϕ) : modelo para Var(Y x). Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 46 / 114
47 Aspectos de inferência Funções de verossimilhança de modelos extendidos Funções de verossimilhança de modelos extendidos Modelo não linear de efeitos aleatórios L(θ,Ψ,σ 2 ) = I i=1 n i j=1 φ(y ij,η(x ij,θ,b i ),σ 2 ) φ(b i,0,ψ) db i (18) Michaelis-Mentem com efeito aleatório em θ a y ij x ij, b i Gaussiana(η(x ij,θ, b i ), σ 2 ); b i Gaussiana k (0, Ψ); y ij x ij, b i e b i são independentes. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 47 / 114
48 Aspectos de inferência Funções de verossimilhança de modelos extendidos Funções de verossimilhança de modelos extendidos Michaelis-Mentem com efeito aleatório em θ a η(x ij,θ, a i ) = (θa + a i) x ij θ v + x ij y ij x ij, a i Gaussiana(η(x ij,θ, a i ), σ 2 ); a i Gaussiana 1(0, σ 2 a); y ij x ij, a i e a i são independentes. L(θ,σ 2 a,σ 2 ) = I i=1 n i j=1 { 1 exp (yij η(x ij,θ, a i )) 2 2πσ 2 2σ 2 } { } 1 a 2 exp i da 2πσ 2 a 2σa 2 i. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 48 / 114
49 Aspectos de inferência Inferência baseada em verossimilhança sobre θ
50 Aspectos de inferência Inferência baseada em verossimilhança sobre θ Inferência baseada em verossimilhança sobre θ A l(θ) é uma função não quadrática em θ: l(θ, σ 2 ) = n 2 log(2π) n 2 log(σ2 ) 1 2σ 2 IC(θ i ) são obtidos por perfilhamento da log-verossimilhança: n (y i η(x i, θ)) 2. i=1 l p(θ i, ˆθ i ) = max θ i l(θ i, θ i ) Sob H 0: θ i = θ i0 2(l(ˆθ i, ˆθ i ) l(θ i0, ˆθ i )) χ 2 r. Um IC com cobertura nominal de 1 α é obtido por Requer maior esforço computacional. θ i : {2(l(ˆθ i, ˆθ i ) l(θ i, ˆθ i )) χ 2 α,r.} Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 50 / 114
51 Aspectos de inferência Inferência assintótica sobre θ
52 Aspectos de inferência Inferência assintótica sobre θ Inferência assintótica sobre θ Incerteza sobre θ Utiliza os resultados de modelos lineares; No caso geral em que V é a variância de Y x ˆθ Normal(θ, (F V 1 F ) 1 ). (19) No caso de V = σ 2 I ˆθ Normal(θ, σ 2 (F F ) 1 ). (20) IC(θ i ) obtém-se com IC(θ i ) = ˆθ i ± z α/2 σ2 (F F ) 1 ) ii. (21) Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 52 / 114
53 Aspectos de inferência Inferência assintótica sobre θ l(θ) l(ˆθ) deviance l(ˆθ) 1 2 χ2 α l(θ) l(θ) ˆθ IC l (θ) IC l(θ) θ Figura 13: Intervalo de confiança para θ baseado na função de log-verossimilhança e na sua aproximação quadrática. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 53 / 114
54 Estimação e inferência
55 Estimação e inferência Método Gauss-Newton
56 Estimação e inferência Método Gauss-Newton Método Gauss-Newton Método Gauss-Newton em que θ (u+1) = θ (u) + (F (u) F (u) ) 1 F (u) (y η(x, θ (u) )), (22) F = η(x,θ) θ = η(x 1,θ)) η(x 1,θ)) θ p θ η(x n,θ)) θ 1 η(x n,θ)) θ p (23) θ (0) são valores iniciais para os parâmetros; θ (u) é a estimativa de θ após u iterações; F também é usada para obter bandas de predição (assintóticas). Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 56 / 114
57 Estimação e inferência SQs, teste da falta de ajuste e R 2
58 Estimação e inferência SQs, teste da falta de ajuste e R 2 Partição das somas de quadrados (corrigido para o modelo nulo) Fonte GL SQ QM Regressão p 1 SQM = ˆθ F y nȳ 2 SQM/(p 1) Resíduos n p SQR = y y ˆθ F y SQR/(n p) Total n 1 SQT = y y nȳ 2 Coeficiente de determinação - R 2 R 2 = 1 SQR SQT (24) Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 58 / 114
59 Estimação e inferência Teste de falta de ajuste (script03-diagnos.r) Partição da soma de quadrados dos resíduos n m i SQR = (y ij ŷ i ) 2 = i=1 j=1 = SQep + SQfa n m i (y ij ȳ i. + ȳ i. ŷ i ) 2 i=1 j=1 Teste da falta de ajuste SQfa m 2 SQep n m F m 2,n m (25) Em outras palavras... E(Y x i ) = η(x i, θ): modelo não linear vs. E(Y x i ) = µ i : modelo de médias por nível. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 59 / 114
60 Estimação e inferência Avaliação dos pressupostos
61 Estimação e inferência Avaliação dos pressupostos Avaliação dos pressupostos Y x Normal(η(x, θ), σ 2 ) (26) Suposição Avaliação 1 Observações independentes. Garantido pelo plano experimental. 2 η(x, θ) ser adequado para E(Y x). Gráfico do modelo ajustado sobre os valores observados. Gráfico dos resíduos em função dos valores ajustados. Teste da falta de ajuste. 3 σ 2 1 ou variância constante. Gráficos dos valores absolutos dos resíduos padronizados em função dos valores ajustados. 4 Y x ter distribuição normal. Gráfico quantil-quantil dos resíduos padronizados sobre a distribuição normal. Não é a normalidade de Y (marginal) mas a de Y x (condicional). Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 61 / 114
62
63 Tópicos em ajuste de MRNL
64 Tópicos em ajuste de MRNL Informação de gradiente
65 Tópicos em ajuste de MRNL Informação de gradiente Informação de gradiente script-04infograd.r Modelo para perda de peso (wtloss) η(x,θ) = θ 0 + θ 12 x/θ k ; Derivadas parciais η = 1 θ 0 η = 2 x/θ k θ 1 η = θ 1 log(2) (x/θk) 2 2 x/θ k θ k Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 65 / 114
66 Tópicos em ajuste de MRNL Informação de gradiente Modelo linear-platô Derivadas { θ0 + θ 1x, x θ b η(x,θ) = θ 0 + θ 1θ b, x > θ b x θ b x > θ b η θ η θ 1 x θ b Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 66 / 114
67 Tópicos em ajuste de MRNL Método gráfico interativo
68 Tópicos em ajuste de MRNL Método gráfico interativo Método gráfico interativo script05-mgi.r Consiste em aproximar à mão livre a função aos dados; O ajuste parte da aproximação feita à mão; Tem a vantagem de aprender sobre a função e reduzir número de iterações. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 68 / 114
69 Tópicos em ajuste de MRNL Método gráfico interativo Figura 14: Método gráfico interativo baseado nos recursos do pacote rpanel para ajuste de modelos não lineares. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 69 / 114
70 Tópicos em ajuste de MRNL Modelos self-start
71 Tópicos em ajuste de MRNL Modelos self-start Modelos self-start script06-selfstart.r São funções que auto-providenciam valores iniciais; Reduz intervenção do usuário então facilita automação; Nem todo modelo possui self-start implementada. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 71 / 114
72 Tópicos em ajuste de MRNL Modelos parcialmente lineares
73 Tópicos em ajuste de MRNL Modelos parcialmente lineares Modelos parcialmente lineares script07-plinear.r Tiram vantagem do modelo ser parcialmente linear; Estimação divida em duas fases: anaĺítica (linear) e numérica (não linear); Reduz custo computacional. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 73 / 114
74 Tópicos em ajuste de MRNL Modelos parcialmente lineares Modelos parcialmente lineares Modelo para perda de peso (wtloss) Derivadas η(x,θ) = θ 0 + θ 12 x/θ k η = 1 θ 0 η = 2 x/θ k θ 1 η = θ 1 log(2) (x/θk) 2 2 x/θ k θ k O modelo é parcialmente linear em θ 0 e θ 1; η(x,θ) = θ 0 + θ 1f (x), f (x) = 2 x/θ k θ 0 e θ 1 usam solução de sistema linear; θ k usa Gauss-Newton; Reduz de 3 para 1 dimensão; Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 74 / 114
75 Tópicos em ajuste de MRNL Modelos parcialmente lineares Modelos parcialmente lineares Modelo para ganho de peso (turk0) Derivadas η(x,θ) = θ 0 + θ 1(1 exp{ θ k x}) η = 1 θ 0 η = 1 exp{ θ k x} θ 1 η = xθ 1(exp{ θ k x}) θ k O modelo é parcialmente linear em θ 0 e θ 1; η(x,θ) = θ 0 + θ 1f (x), f (x) = 1 exp{ θ k }; θ 0 e θ 1 usam solução de sistema linear; θ k usa Gauss-Newton; Reduz de 3 para 1 dimensão; Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 75 / 114
76 Tópicos em ajuste de MRNL Modelos parcialmente lineares Modelos parcialmente lineares Modelo linear-platô { θ0 + θ 1x, x θ b η(x,θ) = θ 0 + θ 1θ b, x > θ b Derivadas x θ b x > θ b η θ η θ 1 x θ b O modelo é parcialmente linear em θ 0 e θ 1; θ 0 e θ 1 usam solução de sistema linear; θ b usa Gauss-Newton; Reduz de 3 para 1 dimensão; Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 76 / 114
77 Tópicos em ajuste de MRNL Modelos parcialmente lineares Modelos parcialmente lineares Modelo van Genuchten Derivadas η(x,θ) = θ r + θ s θ r (1 + (θ ax) θn ) 1 1/θn η 1 = 1 θ r (1 + (θ ax) θn ) 1 1/θn η 1 = θ s (1 + (θ ax) θn ) 1 1/θn O modelo é parcialmente linear em θ r e θ s; η(x,θ) = θ r + (θ s θ r )f (x), f (x) = θ r e θ s usam solução de sistema linear; θ a e θ n usam Gauss-Newton; Reduz de 4 para 2 dimensões; 1 (1+(θ ax) θn ; )1 1/θn Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 77 / 114
78 Inferência sobre funções dos parâmetros
79 Inferência sobre funções dos parâmetros Método delta
80 Inferência sobre funções dos parâmetros Método delta Método delta Distribuição amostral de ˆθ Método para aproximar a distribuição de uma função g de variáveis aleatórias; Baseado na aproximação linear da função g, g(x) g(x 0) + g (x 0)(x x 0); Depende do quão linear é a função na região de interesse; Depende da distribuição das v.a. envolvidas; No caso de MRNL ˆθ são as variáveis aleatórias. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 80 / 114
81 Inferência sobre funções dos parâmetros Método delta Método delta Distribuição amostral de ˆθ ˆθ Normal(θ, Σ θ ). (27) Seja ˆϑ = g(ˆθ) uma função, então pode ser mostrado que uma aproximação em série de Taylor de primeira de g em torno de θ implica em E( ˆϑ) = g(θ); Var( ˆϑ) = DΣ θ D, em que D = g(θ) θ θ= ˆθ. ˆϑ Normal(g(θ), DΣ θ D ). Um intervalo de confiança 1 α obtém-se por ˆϑ ± z α/2 Var( ˆϑ), ˆΣ θ é usada no lugar de Σ θ. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 81 / 114
82 Inferência sobre funções dos parâmetros Inferência sobre ŷ = η(x,ˆθ)
83 Inferência sobre funções dos parâmetros Inferência sobre ŷ = η(x, ˆθ) Inferência sobre ŷ = η(x,ˆθ) Inferência sobre o valor predito ŷ (script08-bandas.r) Pelo método delta tem-se que ŷ = η(x,ˆθ) = g(ˆθ), (28) ŷ Normal(η(x,ˆθ), F Σ θ F ). F = η(x,θ) θ Um intervalo de confiança 1 α obtém-se por θ= ˆθ. ŷ ± z α/2 F Σθ F, Com isso obtém-se as bandas de confiança para os valores preditos. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 83 / 114
84 Inferência sobre funções dos parâmetros Outras formas de infererir sobre g(θ)
85 Inferência sobre funções dos parâmetros Outras formas de infererir sobre g(θ) Outras formas de infererir sobre g(θ) script09-inffun.r Bootstrap paramétrico: soma desvios de distribuição normal aos valores ajustados, gera novas amostras do modelo η(x, ˆθ), ajusta para obter ϑ = g(ˆθ ). Repete B vezes e infere a partir da distribuição empírica de ϑ ; Bootstrap não paramétrico: soma os resíduos do próprio ajuste (amostra com reposição deles) aos valores ajustados, gera novas amostras do modelo η(x, ˆθ), ajusta para obter ϑ = g(ˆθ ). Repete B vezes e infere a partir da distribuição empírica de ϑ ; Simulação Monte Carlo: simula valores de θ de acordo com sua distribuição amostral, no caso ˆθ Normal(θ, Σ θ ). Obtém-se ϑ = g(ˆθ ). Repete B vezes e infere a partir da distribuição empírica de ϑ ; Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 85 / 114
86 Inferência sobre funções dos parâmetros Outras formas de infererir sobre g(θ) Inclinação no ponto de inflexão da CRAS η(x) η(x) = θ r + θ s θ r (1 + (θ ax) θn ) θm θ s θ i tan 1 (S) θ r I log(x) Figura 15: Gráfico do modelo van Genuchten com destaque para interpretação dos parâmetros. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 86 / 114
87 Inferência sobre funções dos parâmetros Outras formas de infererir sobre g(θ) Modelo van Genuchten para retenção de água no solo η(x,θ) = θ r + θ s θ r (1 + (θ ax) θn ) 1 1/θn (29) Parâmetro S = g(θ) S = g(θ) = θ n(θ s θ r ) ( ) θm 1, em que θ m = 1 1/θ n. (30) θ m Modelo van Genuchten reparametrizado para S ( η(x, θ S ) = θ r S θ n ( 1 + ( θ n θ n 1 em que I representa a tensão no ponto de inflexão. ) 2 1/θn 2θ n 1 θ n 1 ) exp{θ n(x I )} ) 1 1/θn, (31) Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 87 / 114
88 Medidas de não linearidade
89 Medidas de não linearidade Medidas de curvatura
90 Medidas de não linearidade Medidas de curvatura Medidas de curvatura Curvatura de uma função f(x) Curvatura de Bates e Watts κ = f (x) (1 + (f (x)) 2 ) 3/2 (32) Generalizaram para uma função n-dimensional de p variáveis (θ), y θ = η(x, θ), e padronizaram para ser invariante a escala dos dados e permirtir comparação entre diferentes modelos; A curvatura total pode ser decomposta em duas, via projeção em espaços ortogonais; Curvatura intrínsica: corresponde ao afastamento da suposição de planicidade, ou seja, de y θ representar um hiper-plano. Não muda com parametrizações do modelo. Curvatura devido ao efeito de parâmetros: corresponde ao afastamento da suposição de coordenadas com espaçamento regular com relação a variação de θ i. Muda com a reparametrização do modelo. Em modelos lineares ambas as curvaturas são zero. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 90 / 114
91 Medidas de não linearidade Medidas de curvatura f(x 2, θ) y = x V + x superfície esperada 0.5 y obs (0.63, 0.9) y^ (0.86, 0.75) θ^ = desloc x = (12, 25) aproximação linear f(x 2, θ) y = 1 e ln(2) x V superfície esperada y 2.5 obs 3 (0.63, 0.9) 3 y^ (0.95, 0.76) θ^ = desloc x = (12, 25) aproximação linear f(x 1, θ) f(x 1, θ) Figura 16: Figura esquemática para exemplificar as definições das medidas de curvatura. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 91 / 114
92 Medidas de não linearidade Vício
93 Medidas de não linearidade Vício Vício Calcula o vício aproximado para as estimativas baseado em aproximação; em que Vício absoluto Vício relativo ao parâmetro Vício relativo ao erro padrão B(θ i ) = (F F ) 1 F H i = 2 η(x,θ) θ i θ = ) ( σ2 2 (F F ) 1 H i, η(x 1,θ) η(x 1,θ) θ i θ p θ i θ η(x n,θ) θ i θ 1 B(θ); B(θ) ˆθ ; B(θ) ep(ˆθ) ; η(x n,θ) θ i θ p (33) Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 93 / 114
94 Estudos de caso
95 Estudos de caso Modelos de efeito aleatório
96 Estudos de caso Modelos de efeito aleatório Modelos de efeito aleatório Tópicos Liberação de potássio no solo por resíduos orgânicos; Modelo não linear de duas fases de liberação; Medidas repetidas no tempo. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 96 / 114
97 Estudos de caso Modelos de efeito aleatório Modelos de efeito aleatório Modelo considerado Monomolecular reparametrizado para meia vida η(x,θ) = θ a(1 exp{ θ cx}) = θ a(1 exp{ log(2)x/θ v }). (34) Extensão para duas fases de liberação η(x,θ) = θ a(1 exp{ log(2)x/θ v }) + θ d x (35) Inclusão do efeito aleatório de unidade experimental η(x,θ, a i ) = η(x,θ) = (θ a + a i )(1 exp{ log(2)x/θ v }) + θ d x (36) θ a: assíntota superior; θ c: taxa de liberação instântanea na origem; θ v : tempo de meia vida; θ d : taxa de lenta liberação; a i : termo aleatório, a i N(0,σ a); Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 97 / 114
98 Estudos de caso Modelos de efeito aleatório Modelos de efeito aleatório fixo unidade experimental Conteúdo acumulado libeardo de potássio Dias após incubação no solo Figura 17: Conteúdo de potássio acumulado libearado em função do tempo com destaque para a predição ao nivel populacional e nível de unidade experimental. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 98 / 114
99 Estudos de caso Modelos resposta platô
100 Estudos de caso Modelos resposta platô Modelos resposta platô Tópicos Produção de soja em função do conteúdo de potássio e nível de umidade do solo; Parametrizações alternativas do modelo quadrático platô; Comparação entre modelos segmentados. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 100 / 114
101 Estudos de caso Modelos resposta platô Modelos resposta platô Modelos considerados Parametrização original (polinômio) { θ 0 + θ 1x + θ 2x 2 η(x,θ) = θ 0 + θ 1θ b + θ 2θb 2 x θ b, em que θ b = θ1. (37) x > θ b 2θ 2 Parametrização para o ponto crítico (canônica) { θ y + θ 2(x θ b ), x θ b η(x,θ) =. (38) θ y, x > θ b Parametrização mista {θ 0 + θ 1x θ 1x 2 2θ η(x,θ) = b, x θ b. (39) θ 0 + θ 1θ b, x > θ 2 b θ 0: intercepto; θ 1: c. angular; θ 2: c. curvatura; θ y : valor de máximo/mínimo da função; θ x: valor na abcissa correspondente ao θ y ; Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 101 / 114
102 Estudos de caso Modelos resposta platô Modelos resposta platô η(x) Modelo linear-platô Modelo quadrático-platô η(x) η (0) = θ 1 θ y y x = 1 θ 2 = y θ 0 x θ 1 = y x θ 0 θ b x θ b 1 θ b x linear platô quadrático platô Figura 18: Modelo linear-platô (esq) e quadrático-platô (dir) com destaque para a interpretação cartesiana dos parâmetros. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 102 / 114
103 Estudos de caso Modelos resposta platô Modelos resposta platô Rendimento de grãos (g vaso 1 ) Conteúdo de potássio no solo (mg dm 3 ) Figura 19: Resultados do ajuste dos modelos linear-platô e quadrático-platô aos dados de produção de soja em função do conteúdo de potássio do solo e nível de umidade. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 103 / 114
104 Estudos de caso Produção de algodão em função da desfolha
105 Estudos de caso Produção de algodão em função da desfolha Produção de algodão em função da desfolha Tópicos Produção de algodão em função da desfolha artifical em cada estágio fenológico; Parametrização para o nível de dano econômico; Compara parametrizações por curvatura e gráficos dos contornos de confiança. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 105 / 114
106 Estudos de caso Produção de algodão em função da desfolha Produção de algodão em função da desfolha Modelos considerados Modelo potência Parametrização para evitar problemas de borda η(x,θ) = θ 0 + θ 1x θ C, θ C > 0. (40) η(x,θ) = θ 0 + θ 1x exp{θc }, < θ c <. (41) Parametrização para o nível de dano econômico log(q) log(θ 1 ) η(x,θ) = θ 0 + θ 1x log(ϑq ). (42) θ 0: intercepto; θ 1: queda de produção com desfolha máxima; θ C e θ c: indicadores de concavidade; ϑ q: desfolha correspondente a uma queda de q unidades na produção; Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 106 / 114
107 Estudos de caso Produção de algodão em função da desfolha Produção de algodão em função da desfolha θ 0 θ 0 q θ c > 0 θ 1 θ c < ϑ q 1 Figura 20: Modelo potência com ênfase para a interpretação dos parâmetros. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 107 / 114
108 Estudos de caso Produção de algodão em função da desfolha Produção de algodão em função da desfolha Desfolha artifical Peso de capulhos (g) Vegetativo Botão floral Florescimento Maçã Capulho Figura 21: Resultados do ajuste do modelo potência reparametrizados aos dados de produção de capulhos em função da desfolha em cada estágio fenológico do algodão. Linhas verticais destacam a estimativa intervalar para o nível de dano econômico. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 108 / 114
109 Estudos de caso Curva de crescimento com modelagem da variância
110 Estudos de caso Curva de crescimento com modelagem da variância Curva de crescimento com modelagem da variância Tópicos Peso de frutos de goiaba em função dos dias após antese; Atribuição de um modelo para a média e quatro para a variância; Avaliação dos pressupostos e seleção do melhor modelo. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 110 / 114
111 Estudos de caso Curva de crescimento com modelagem da variância Curva de crescimento com modelagem da variância Modelos considerados Modelo para a média, E(Y x) η(x,θ) = θ a (θ a θ b ) exp( exp(θ t (daa θ i ))). (43) Modelos para a variância, Var(Y x) g 0(σ) = σ 2 (constante) g 1(daa, δ, σ) = σ 2 exp{2δ daa} (exponencial) Var(Y x) = g 2(daa, δ, σ) = σ 2 daa 2δ (potência) g 3(daa, δ, σ) = σ 2 ln daa 2δ (potência do logaritmo). (44) Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 111 / 114
112 Estudos de caso Curva de crescimento com modelagem da variância Curva de crescimento com modelagem da variância Constante Potência Potência do logaritmo Exponencial Massa fresca dos frutos (g) Dias após a antese Figura 22: Resultados dos ajustes dos diferentes modelos para a variância para os dados de peso de frutos de goiaba em função dos dias após a antese. Bandas correspondem ao intervalo de confiança para o valor predito e as barras são o intervalo de confiança para a média em cada coleta. Zeviani (2013) (LEG/UFPR) MRNL2013 II Conest /11 - Curitiba/PR 112 / 114
113 Considerações finais
114 Obrigado!!!
Modelos de Regressão Linear e Não Linear
Modelos de Regressão Linear e Não Linear Dr. Walmes Marques Zeviani walmes@ufpr.br Departamento de Estatística - UFPR Laboratório de Estatística e Geoinformação (LEG) O que é regressão? História Francis
MINI - CURSO. LEG: Laboratório de Estatística e Geoinformação/UFPR. Métodos computacionais e inferência estatística. Equipe LEG :
MINI - CURSO Métodos computacionais e inferência estatística LEG: Laboratório de Estatística e Geoinformação/UFPR Equipe LEG : Paulo Justiniano Ribeiro Jr Wagner Hugo Bonat Walmes Marques Zeviani Elias
Modelos 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
MINI - CURSO. Métodos computacionais para inferência com aplicações em R. Equipe LEG :
MINI - CURSO Métodos computacionais para inferência com aplicações em R LEG: Laboratório de Estatística e Geoinformação/UFPR Equipe LEG : Paulo Justiniano Ribeiro Jr Wagner Hugo Bonat Walmes Marques Zeviani
Técnicas 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.
Modelos 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:
Universidade Federal de Pernambuco Departamento de Estatística Inferência Estatística (PGE 951) Método de Máxima Verossimilhança (M.M.V.
Universidade Federal de Pernambuco Departamento de Estatística Inferência Estatística (PGE 95) Método de Máxima Verossimilhança (MMV) Definição: Qualquer ˆθ = ˆθ(X,, X n ) Θ tal que L(ˆθ; x,, x n ) = Sup{L(θ)
CC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
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
Modelos 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
Modelos 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
A 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
Modelos 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
MODELOS 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
Métodos Computacionais para inferência estatística
Métodos Computacionais para inferência estatística Wagner Hugo Bonat LEG: Laboratório de Estatística e Geoinformação Universidade Federal do Paraná 30 de julho de 2012 Bonat et. al (LEG/UFPR) MCIE 30 de
Modelo 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
Análise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
Modelos 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.
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 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2. Veremos
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
CE085 - 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
Análise 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:
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.
CONHECIMENTOS 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
Disciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
RESPOSTAS - 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
Aula 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
3. 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.
Relatório 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
AGA Análise de Dados em Astronomia I. 6. O Método da Máxima Verossimilhança- I
1 / 26 1. Introdução AGA 0505 - Análise de Dados em Astronomia I 6. O Método da Máxima Verossimilhança- I Laerte Sodré Jr. 1o. semestre, 2019 introdução aula de hoje: 1 modelagem dos dados 2 a verossimilhança
Séries 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
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
CONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS quantidade São Paulo (j = 1) Rio de Janeiro (j = 2) Minas Gerais (j = 3) Rio Grande do Sul (j = 4) total casos novos (X, em milhões) casos pendentes (Y, em milhões) processos
ESTATÍSTICA 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
Princípios em Planejamento e Análise de Dados Ecológicos. Regressão linear. Camila de Toledo Castanho
Princípios em Planejamento e Análise de Dados Ecológicos Regressão linear Camila de Toledo Castanho 217 Conteúdo da aula 1. Regressão linear simples: quando usar 2. A reta de regressão linear 3. Teste
Universidade 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
Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Planejamento 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
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
3 Dados e metodologia
3 Dados e metodologia 3.1 Apresentação de Dados Para a realização dessa pesquisa foram utilizados os dados da série histórica dos preços da soja (em grão) do Estado do Paraná, obtidos da base de dados
Distribuição 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
Ralph 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:
Inferência para CS Tópico 10 - Princípios de Estimação Pontual
Inferência para CS Tópico 10 - Princípios de Estimação Pontual Renato Martins Assunção DCC - UFMG 2013 Renato Martins Assunção (DCC - UFMG) Inferência para CS Tópico 10 - Princípios de Estimação Pontual
Modelos 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
Estimação: (A) Propriedades e Distribuições Amostrais
Estimação: (A) Propriedades e Distribuições Amostrais Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação
Análise 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
Econometria IV Modelos Lineares de Séries Temporais. Fernando Chague
Econometria IV Modelos Lineares de Séries Temporais Fernando Chague 2016 Estacionariedade Estacionariedade Inferência estatística em séries temporais requer alguma forma de estacionariedade dos dados Intuição:
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
Extensões e Aplicações do Modelo de Regressão Conway-Maxwell-Poisson para Modelagem de Dados de Contagem
Extensões e Aplicações do Modelo de Regressão Conway-Maxwell-Poisson para Modelagem de Dados de Contagem Eduardo Elias Ribeiro Junior Orientação: Prof. Dr. Walmes Marques Zeviani Trabalho de Conclusão
AGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares
1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,
Planejamento 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
Modelos 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
INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA
UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Podemos
CONHECIMENTOS 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
Distribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 2012/02 1 Introdução 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
P.62, Exerc. 1.3: Trocar as posições de tipo AB e tipo O.
ERRATA Segue-se uma lista de correcção de erros de digitação que não inclui os que violam regras de pontuação. Os nossos agradecimentos a todos aqueles que nos comunicaram os erros que foram detectando
CÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 4 Ajuste de Curvas AJUSTE DE CURVAS Cálculo Numérico 3/55 Introdução Em geral, experimentos geram uma gama de dados que devem
ESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Se a integração analítica não é possível ou
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
Regression and Clinical prediction models
Regression and Clinical prediction models Session 6 Introducing statistical modeling Part 2 (Correlation and Linear regression) Pedro E A A do Brasil pedro.brasil@ini.fiocruz.br 2018 Objetivos Continuar
ALGUNS 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
Análise 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
Regressão 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
CE062c - 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,
Análise Bayesiana de Dados - Aula 1 -
Análise Bayesiana de Dados - 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
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
Análise de Dados Longitudinais Modelos Lineares Generalizados Longitudinais
1/55 Análise de Dados Longitudinais Modelos Lineares Generalizados Longitudinais Enrico A. Colosimo-UFMG www.est.ufmg.br/ enricoc 2/55 Respostas Longitudinal Não-Gaussiana 1 Y ij, i = 1,..., N; j = 1,...,
AULA 07 Regressão. Ernesto F. L. Amaral. 05 de outubro de 2013
1 AULA 07 Regressão Ernesto F. L. Amaral 05 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas
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
p( 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
Inferência Estatística - Modelos e MLE
Inferência Estatística - Modelos e MLE Renato Martins Assunção UFMG 2013 Renato Martins Assunção (UFMG) Inferência Estatística - Modelos e MLE 2013 1 / 82 Modelos Estatísticos Um modelo para os dados Suponha
IND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Markov 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
NOÇÕES SOBRE EXPERIMENTOS FATORIAIS
3 NOÇÕES SOBRE EXPERIMENTOS FATORIAIS Planejamento de Experimentos Design of Experiments - DOE Em primeiro lugar devemos definir o que é um experimento: Um experimento é um procedimento no qual alterações
Quantis residuais. Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná
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
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
Modelos 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
Experimentos Balanceados com Dois Fatores
Experimentos Balanceados com Dois Fatores Experimentos com dois fatores cruzados fixos Exemplo1. Objetivo. Investigar os efeitos do preço de venda e do tipo de campanha promocional nas vendas de certo
Outras distribuições contínuas. Gama Qui-quadrado t-student F-Snedecor Pareto Weibull Beta Log-Normal Meia-normal Cauchy etc...
Outras distribuições contínuas Gama Qui-quadrado t-student F-Snedecor Pareto Weibull Beta Log-Normal Meia-normal Cauchy etc... 1 c) Algumas distribuições de probabilidade contínuas importantes d) Distribuição
Métodos Experimentais em Ciências Mecânicas
Métodos Experimentais em Ciências Mecânicas Professor Jorge Luiz A. Ferreira Função que descreve a chance que uma variável pode assumir ao longo de um espaço de valores. Uma distribuição de probabilidade
Grupo 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
Capítulo 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
03/06/2014. Tratamento de Incertezas TIC Aula 18. Conteúdo Inferência Estatística Clássica
Tratamento de Incertezas TIC-00.176 Aula 18 Conteúdo Professor Leandro Augusto Frata Fernandes laffernandes@ic.uff.br Material disponível em http://www.ic.uff.br/~laffernandes/teaching/2014.1/tic-00.176
Apostila - Inferência baseada na Verossimilhança
Apostila - Inferência baseada na Verossimilhança Professor: Wagner Hugo Bonat - LEG/UFPR 1 Introdução Este texto se refere a inferência estatística baseada na função de Verossimilhança. Pretende ser um
Regressão. 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
TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO
TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO Mario de Andrade Lira Junior lira.pro.br\wordpress REGRESSÃO X CORRELAÇÃO Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida
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,
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
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
6 Ajuste de mínimos quadrados
6 Ajuste de mínimos quadrados polinomial No capítulo anterior estudamos como encontrar um polinômio de grau m que interpola um conjunto de n pontos {{x i, f i }} n Tipicamente quando m < n esse polinômio
5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 2019 5.1. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros e ( < ) se sua função densidade de probabilidade é dada por f ( x )={ 1 β α, α x β
AULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância)
AULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância) Susan Schommer Econometria I - IE/UFRJ Variância dos estimadores MQO Vamos incluir mais uma hipótese: H1 [Linear nos parâmetros]
RESOLUÇÃO 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
Análise de Dados Longitudinais Modelos de Regressão - Perspecitva Histórica
1/41 Análise de Dados Longitudinais Modelos de Regressão - Perspecitva Histórica Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Revisão para Dados Transversais 1 Características Informações amostrais
CONHECIMENTOS 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
Capítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto
Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população
MLG. 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
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
FAMÍLIA 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