1 z 1 1 z 2. Z =. 1 z n
|
|
- Vanessa Pereira Terra
- 5 Há anos
- Visualizações:
Transcrição
1 Gabarito Lista 3. Tópicos de Regressão 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 z n (ii) Seja θ = ( µ, γ ), então para o modelo normal L (θ) = {φ i t i + d (φ i ) + u (y i )} em que t i = y i µ 1 2 ( µ 2 + yi 2 ), d (φi ) = 1 2 log φ i e u (y i ) = 1 2 log (2π). Logo, dado que h (φ i) = log φ i H γ = diag { h (φ 1 ),..., h (φ n ) } = diag { φ 1 } 1,..., φ 1 n também então e V γ = diag { d (φ 1 ),..., d (φ n ) } { (2φ ) 2 1 ( ) } = diag 1,..., 2φ 2 1 n P = V γ H 2 γ = 1 2 I n K γγ = Z PZ = 1 2 n z i z i zi 2 Assim, a variância assintótica de γ Var (γ) = K 1 γγ = 2 ( ) 2 n i z 2 z i z 2 i z i n z i, portanto Var (γ) = 2 (n 1) s 2. z 1
2 (iii) Seja θ = (µ, α, γ) o estimador de θ sem restrições e seja θ 0 = ( µ 0, α 0, 0 ) com µ 0 e α 0 estimadores de µ e α sob a hipótese nula. A estatística de razão de verossimilhanças para testar H 0 : γ = 0 contra H 1 : γ 0 ca { ) L ( θ 0)} ξ RV = 2 L (θ { { = 2 eα+γz i com ξ RV χ 2 1. ( y iµ 1 (µ 2 + y 2 ) ) i + 1 } 2 2 (α + γz i) ( {e α0 y i µ 0 1 ( ) ) µ 02 + yi } } 2 2 α0 2. Para a análise descritiva vamos fazer primeiro os boxplots e os diagramas de dispersão de cada variável explicativa com a variável resposta: require(faraway) data(ozone) summary(ozone)par(mfrow=c(3,3),pch=20) boxplot(,xlab="") ; boxplot(vh,xlab="vh") boxplot(wind,xlab="wint") ; boxplot(humidity,xlab="humidity") boxplot(temp,xlab="temp") ; boxplot(ibh,xlab="ibh") boxplot(dpg,xlab="dpg") ; boxplot(ibt,xlab="ibt") boxplot(vis,xlab="vis") ; par(mfrow=c(3,3)) for(i in 2:ncol(ozone)){ plot(~ozone[,i],xlab=colnames(ozone)[i],pch=19) lines(lowess(ozone[,i],)) } Observa-se dos boxplots que só as variáveis (máxima diária da concentração média de ozônio por hora), wind (velocidade do vento) e vis (visibilidade) têm valores discrepantes. A variável ibh (altura da inversão da temperatura base) tem a maior assimetria. Enquanto aos grácos de dispersão, observa-se que aumenta como a vh (altura da pressão) aumenta também, mesmo para humidity (umidade), temp (temperatura na base aérea) e ibt (inversão da temperatura base). O contrário acontece com as variáveis ibh e vis, o diminui com o aumento dos valores destas variáveis. O comportamento da com wind, dpg e doy é parabólico, com máximo ao redor do valor médio do wind (5 mph) e dpg (24 mmhg) e ao redor do dia 205. Modelo log-linear com resposta Poisson considerar inicialmente o modelo Seja y i máxima diária da concentração em ppm, vamos y i ind P (µ i ) log (µ i ) = α + β 1 vh i + β 2 wind i + β 3 humidity i + β 4 temp i + β 5 ibh i + β 6 dpg i + β 7 ibt i + β 8 vis i + β 9 doy i 2
3 vh wint humidity temp ibh dpg ibt vis Figura 1: Boxplots de cada variável ex. ozone. para i = 1,..., 330, e logo vamos fazer uma seleção através do procedimento AIC: modp = glm(~.,data=ozone, family=poisson(link="log")) summary(modp) require(mass) modpaic = stepaic(modp) summary(modpaic) O modelo selecionado é log (µ i ) = α + β 1 wind i + β 2 humidity i + β 3 temp i + β 4 ibh i + β 5 ibt i + β 6 vis i + β 7 doy i com valores estimados dados na Tabela 1. Foram excluídas as variáveis vh, dpg. A variável wind não é signicativa no modelo selecionado. Tabela 1: Estimativas do modelo Poisson selecionado pelo AIC. Estimativa E. E. Valor P Const e-06 wind humidity e-13 temp e-15 ibh ibt vis doy e-05 3
4 vh wind humidity temp ibh dpg ibt vis doy Figura 2: Diagramas de dispersão de cada variável ex ozone. O desvio do modelo é dado por D (y, µ) = (322 gl) com valor-p dado por P = 0.000, portanto rejeitamos o modelo. Os grácos diagnósticos são dados a seguir: fit.model = modpaic source("diag_pois") source("envel_pois") require(gamlss) modpg = gamlss(~wind+humidity+temp+ibh+ibt+vis+doy, family=po(mu.link="log")) qqnorm(resid(modpg)) O envelope do modelo Poisson mostra que não tem um bom ajuste e um indicio de leve sobredispersão. O gráco da distância de Cook mostra dois possíveis dados atípicos #17, #53 e #258, mas eliminando eles não há mudança inferencial. Modelo log-linear com resposta binomial negativa Vamos considerar o modelo 4
5 Componente do Desvio Percentil da N(0,1) Figura 3: Envelope modelo Poisson selecionado. Medida h Distância de Cook Valor Ajustado Resíduo Componente do Desvio Variavel z Preditor Linear Figura 4: Diagnóstico modelo Poisson selecionado. y i ind BN (µ i, ν) log (µ i ) = α + β 1 vh i + β 2 wind i + β 3 humidity i + β 4 temp i + β 5 ibh i + β 6 dpg i + β 7 ibt i + β 8 vis i + β 9 doy i para i = 1,..., 330, e logo vamos fazer uma seleção através do procedimento AIC: modbn = glm.nb(~.,data=ozone, link = log) summary(modbn) modbnaic = stepaic(modbn) summary(modbnaic) O modelo selecionado é log (µ i ) = α + β 1 humidity i + β 2 temp i + β 3 ibh i + β 4 ibt i + β 5 vis i + β 6 doy i com valores estimados dados na Tabela 1. Foram excluídas as variáveis wind, vh e dpg. 5
6 Normal Q Q Plot Sample Quantiles Theoretical Quantiles Figura 5: Gráco de probabilidade normal para o resíduo quantílico do modelo Poisson selecionado. Tabela 2: Estimativas do modelo binomial negativo selecionado pelo AIC. Estimativa E. E. Valor P Const e-06 humidity e-09 temp e-12 ibh ibt vis doy e-04 Dispersão (ν) O desvio do modelo é dado por D (y, µ) = (323 gl) com valor-p dado por P = 0.417, portanto não rejeitamos o modelo. Os grácos diagnósticos são dados a seguir: fit.model = morenaico source("diag_nbin") source("envel_nbin") require(gamlss) modbng = gamlss(~humidity+temp+ibh+ibt+vis+doy, family=nbi(mu.link="log")) summary(modbng) qqnorm(resid(modbng)) O envelope do modelo binomial negativo mostra um bom ajuste. O gráco da distancia de Cook mostra dois possíveis dados atípicos #17 e #53, mas eliminando eles não há mudança inferencial. O gráco normal de probabilidades para o resíduo quantílico mostra um bom comportamento. Desta forma o modelo selecionado é o modelo binomial negativo. Interpretações do modelo nal: 6
7 Componente do Desvio Percentil da N(0,1) Figura 6: Envelope modelo BN selecionado. Medida h Distância de Cook Valor Ajustado Resíduo Componente do Desvio Variavel z Preditor Linear Figura 7: Diagnóstico modelo BN selecionado. Com o aumento em 1% da umidade esperamos um aumento de 0.797% na concentração média máxima diária de ozônio por hora. Com o aumento em 1 na temperatura na base aérea esperamos um aumento de 2.279% na concentração. Com o aumento em 1 pé na altura da inversão da temperatura base esperamos um decrescimento % na concentração. Com o aumento em 1 na inversão da temperatura base esperamos um aumento de 0.168% na concentração. Com o aumento em 1 milha na visibilidade esperamos um decrescimento de % na concentração. Com o aumento num dia esperamos um decrescimento de % na concentração. 3. Análise descritiva: 7
8 Normal Q Q Plot Sample Quantiles Theoretical Quantiles Figura 8: Gráco de probabilidades normal para o resíduo quantílico do modelo BN selecionado. fluxo = read.table("fluxo.txt", header=true) fluxo$gênero = factor(fluxo$gênero,labels=c("fem","mas")) attach(fluxo) summary(fluxo) prop.table(table(gênero)) par(mfrow=c(2,2)) boxplot(fsm) boxplot(fpm) boxplot(idade) boxplot(interj) par(mfrow=c(2,2)) plot(fsm~fpm,xlab="fpm",pch=19) ; lines(lowess(fpm,fsm)) plot(fsm~idade,xlab="idade",pch=19) ; lines(lowess(idade,fsm)) plot(fsm~interj,xlab="interj",pch=19) ; lines(lowess(interj,fsm)) plot(fsm~gênero,xlab="gênero",pch=19) Os boxplot grácos mostram que as variáveis uxo de sílabas por minuto (fsm), o uxo de palavras por minuto (fpm) e número de interjeições durante o discurso (interj) têm simetria, enquanto a idade tem assimetria positiva. Também, a variável Idade não tem valores atípicos, as outras sim. Enquanto à dispersão temos uma relação linear positiva entre o fpm e o fsm. A variabilidade do fsm diminui como Interj aumenta e não é claro uma relação entre a idade e o gênero com o fsm. Modelo normal homocedástico Vamos supor o modelo y i ind N ( µi, σ 2) µ i = α + β 1 fpm i + β 2 idade i + β 3 interj i + β 4 gênerom i 8
9 fsm fpm Idade Interjeições Figura 9: Boxplots de cada variável ex uxo. para i = 1,..., 594. O modelo ajustado logo de fazer uma seleção pelo AIC é dado na tabela embaixo. O modelo selecionado pelo AIC não contém o gênero e a variável interj é signicativa ao nível do 10%. O envelope para esse modelo não mostra um bom ajuste. O gráco do diagnóstico dos residuos contra os valores ajustados mostra aumento da variância dos residuos com o aumento dos valores ajustados. modn = lm(fsm~fpm+idade+interj+gênero) modnaic = stepaic(modn) summary(modnaic) fit.model <- modnaic source("envel_norm") source("diag_norm") µ i = α + β 1 fpm i + idade i + β 3 interj i Tabela 3: Estimativas do modelo normal homocedástico Estimativa E. E. Valor P Const fpm < 2e-16 idade interj Modelo normal heterocedástico Vamos agora a modelar também a variância y i ind N ( µi, σ 2 i ). O modelo ajustado é: 9
10 fsm fsm fpm idade fsm fsm Fem Mas interj gênero Figura 10: Dispersão de fsm com fpm, idade e interj e boxplot de fsm segundo o gênero do ex. uxo. Residuo Studentizado Percentil da N(0,1) Figura 11: Envelope modelo normal homocedástico. µ i = α + β 1 fpm i + idade i + β 3 interj i log ( σ 2 i ) = γ0 + γ 1 fpm i + γ 2 interj i require(dglm) modnd = dglm(fsm~fpm+idade+interj,~fpm+interj, family=gaussian, dlink="log") summary(modnd) fit.model <- modnd source("envel_norm_dglm") source("diag_norm_dglm") source("envel_norm_dglm_disp") source("diag_norm_dglm_disp") 10
11 Medida h Distância de Cook Resíduo Padronizado Resíduo Padronizado Valor Ajustado Figura 12: Diagnóstico modelo normal homocedástico. Tabela 4: Estimativas do modelo normal heterocedástico. Modelo para µ i Modelo para σi 2 Estimativa E. E. Valor P Estimativa E. E. Valor P Const fpm idade interj O envelope para o modelo normal heterocedástico mostra um melhor ajuste que o modelo normal homocedástico. Do modelo estimado para a média temos que o uxo de sílabas aumenta como o uxo de palavras e a idade também aumentam, embora se o número de interjeições aumenta espera-se que o número de sílabas por minuto diminuir. O diagnóstico dos modelos para a média e a dispersão mostram observações discrepantes, mas não mudam as inferências. 4. Seja π i = π (x i ) a probabilidade de ocorrência do sintoma dado o escore x i do idosos i, com i = 1,..., 54. Vamos ajusar o modelo: log ( πi 1 π i ) = α + βscore i 11
12 Resíduo Studentizado Percentil da N(0,1) Figura 13: Envelope modelo normal heterocedástico para a média. Distância de Cook Resíduo Studentizado Figura 14: Diagnóstico modelo normal heterocedástico para a média. caduquice = scan("caduquice.dat", list(escore=0, resp=0)) attach(caduquice) modb = glm(resp~escore,family=binomial(link = "logit")) summary(modb) pr = predict(modb,type="response", se.fit=t) Li = pr$fit-pr$se.fit*1.96 Ls = pr$fit+pr$se.fit*1.96 plot(escore,pr$fit,pch=19) lines(sort(escore),li[order(escore)]) lines(sort(escore),ls[order(escore)]) fit.model <- modb source("envel_bino") source("diag_bino") modbg = gamlss(resp~escore, family=bi(mu.link="logit")) summary(modbg) qqnorm(resid(modbg)) 12
13 Resíduo Componente do Desvio Percentil da N(0,1) Figura 15: Envelope modelo normal heterocedástico para a dispersão. Distância de Cook Resíduo Componente do Desvio Valor Ajustado Figura 16: Diagnóstico modelo normal heterocedástico para a dispersão. Os parâmetros estimados do modelo são dados na tabela: Tabela 5: Estimativas do modelo com resposta Bernoulli e ligação logito. Estimativa E. E. Valor P Const Escore O envelope e o diagnóstico dados a seguir 13
14 pr$fit escore Figura 17: Probabilidade estimada de ocorrência do sintoma dado o escore e banda de conança de 95%. Componente do Desvio Percentil da N(0,1) Figura 18: Envelope modelo Bernoulli. Temos então que a probabilidade estimada de ocorrência do sintoma diminui com o aumento do escore obtido no exame psicológico. O envelope e o gráco do resíduo quantílico mostram um bom ajuste do modelo. Apenas uma observação aparece com destaque nos grácos de inuência, mas a eliminação dessa observação altera muito pouco as estimativas, e não muda a inferência. 14
15 Distância de Cook Resíduo Componente do Desvio Figura 19: Diagnóstico modelo Bernoulli. Normal Q Q Plot Sample Quantiles Theoretical Quantiles Figura 20: Resíduo quantílico modelo bernoulli. 15
Exemplos Regressão Dados de Contagem
Exemplos Regressão Dados de Contagem p. 1/26 Exemplos Regressão Dados de Contagem Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
Leia maisExemplo Falhas em Tecidos
Exemplo Falhas em Tecidos Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Falhas em Tecidos 2 o Semestre 2016 1 / 27 Rolos de Tecido
Leia maisExemplos Modelos de Quase-Verossimilhança
Exemplos Modelos de Quase-Verossimilhança p. 1/40 Exemplos Modelos de Quase-Verossimilhança Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de
Leia maisMAE Modelos Lineares Generalizados 2 o semestre 2017
MAE5763 - Modelos Lineares Generalizados 2 o semestre 2017 Prof. Gilberto A. Paula 3 a Lista de Exercícios 1. Supor y i ind FE(µ, φ i ) com φ i = α + γz i, para i = 1,..., n. Como ca a matriz modelo Z?
Leia maisExemplo Ausências Escolares
Exemplo Ausências Escolares Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Ausências Escolares 2 o Semestre 2015 1 / 24 Ausências
Leia maisExemplo Preferência de Automóveis
Exemplo Preferência de Automóveis Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Preferência Automóveis 2 o Semestre 2016 1 /
Leia maisExemplo Número de Clientes da Loja
Exemplo Número de Clientes da Loja Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Clientes da Loja 2 o Semestre 2015 1 / 24 Clientes
Leia maisExemplo Infecções de Ouvido
Exemplo Infecções de Ouvido Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Infecções de Ouvido 2 o Semestre 2016 1 / 27 Infecções
Leia maisFaturamento de Restaurantes
Faturamento de Restaurantes Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Faturamento de Restaurantes 2 o Semestre 2016 1 / 29
Leia maisExemplos Regressão Dados Binários
Exemplos Regressão Dados Binários p. 1/28 Exemplos Regressão Dados Binários Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre de 2011 Exemplos
Leia maisExemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
Leia maisExemplo Vida Útil de Ferramentas
Exemplo Vida Útil de Ferramentas Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Vida útil de Ferramentas 2 o Semestre 2016 1 /
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 maisModelos de Regressão para Dados de Contagem
UNIVERSIDADE FEDERAL DO PARANÁ Departamento de Estatística Modelos de Regressão para Dados de Contagem CE225 - Modelos Lineares Generalizados Professor Cesar Taconelli Andrea A Alves, GRR: 20096668 NathanM
Leia maisRegressão para Dados Binários - Estudo de Dengue
Universidade Federal do Paraná Departamento de Estatística Regressão para Dados Binários - Estudo de Dengue CE225 - Modelos Lineares Generalizados Francielle Przibiciem de Mattos GRR20124686 Guilherme
Leia maisExame da OAB. Gilberto A. Paula. Departamento de Estatística IME-USP, Brasil
Exame da OAB Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2017 G. A. Paula (IME-USP) Exame da OAB 2 o Semestre 2017 1 / 29 Exame da OAB Sumário 1 Exame
Leia maisExemplo Ataques Epilépticos
Exemplo Ataques Epilépticos Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2015 G. A. Paula (IME-USP) Ataques Epilépticos 2 o Semestre 2015 1 / 20 Ataques
Leia maisExemplo Multicolinearidade
Exemplo Multicolinearidade Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 1 o Semestre 2013 G. A. Paula (IME-USP) Calor do Cimento 1 o Semestre 2013 1 / 28 Calor de Cimento
Leia maisExemplo Placas Dentárias
Exemplo Placas Dentárias Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Placas Dentárias 2 o Semestre 2016 1 / 20 Placas Dentárias
Leia maisExemplos Modelos Binomiais de Dose-Resposta
Exemplos Modelos Binomiais de Dose-Resposta p. 1/14 Exemplos Modelos Binomiais de Dose-Resposta Gilberto A. Paula Departamento de Estatística IME-USP MAE5763 - Modelos Lineares Generalizados 2 o semestre
Leia maisExemplo Regressão Robusta
Exemplo Regressão Robusta Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 1 o Semestre 2013 G. A. Paula (IME-USP) Abastecimento de Refrigerantes 1 o Semestre 2013 1 /
Leia maisFAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES
FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a
Leia maisTESTES DE HIPÓTESES E INTERVALOS DE CONFIANÇA EM MODELOS LINEARES GENERALIZADOS
TESTES DE HIPÓTESES E INTERVALOS DE CONFIANÇA EM MODELOS LINEARES GENERALIZADOS Antes de apresentar alguns dos testes de hipóteses e intervalos de confiança mais usuais em MLG, segue a definição de modelos
Leia maisModelos Lineares Generalizados para Dados de Contagem Ananda Bordignon, Brendha Lima, Giovanna Lazzarin 28 de novembro de 2018
Modelos Lineares Generalizados para Dados de Contagem Ananda Bordignon, Brendha Lima, Giovanna Lazzarin 28 de novembro de 2018 1. Introdução O objetivo deste trabalho é apresentar uma análise estatística,
Leia maisModelos 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 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 maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisExemplo Misto Ataques Epilépticos
Exemplo Misto Ataques Epilépticos Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Ataques Epilépticos 2 o Semestre 2016 1 / 25
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 maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto Introdução 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2.
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ. Adriane Machado (GRR ), Cinthia Zamin Cavassola(GRR ) e Luiza Hoffelder da Costa(GRR )
UNIVERSIDADE FEDERAL DO PARANÁ Adriane Machado (GRR20149152), Cinthia Zamin Cavassola(GRR20149075) e Luiza Hoffelder da Costa(GRR20149107) AJUSTE DE MODELO DE REGRESSÃO LOGÍSTICA REFERENTE À PRESENÇA DE
Leia maisExemplo Abastecimento de Refrigerantes
Exemplo Abastecimento de Refrigerantes Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 1 o Semestre 2016 G. A. Paula (IME-USP) Abastecimento de Refrigerantes 1 o Semestre
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 maisTratamento Estatístico de dados em Física Experimental
Tratamento Estatístico de dados em Física Experimental Prof. Zwinglio Guimarães 2 o semestre de 2017 Tópico 6 - Testes estatísticos (Chi-quadrado, z e t ) O método dos mínimos quadrados (revisão) O método
Leia maisModelos Lineares Generalizados
Modelos Lineares Generalizados Emilly Malveira de Lima Análise de Dados Categóricos Universidade Federal de Minas Gerais - UFMG 10 de Maio de 2018 Emilly Malveira (PGEST-UFMG) 10 de Maio de 2018 1 / 20
Leia 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 maisEconometria 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
Leia maisINFERÊNCIA EM MODELOS LINEARES GENERALIZADOS ANÁLISE DE DEVIANCE
INFERÊNCIA EM MODELOS LINEARES GENERALIZADOS ANÁLISE DE DEVIANCE A análise de deviance é uma generalização, para modelos lineares generalizados, da análise de variância. No caso de modelos lineares, utiliza-se
Leia maisMAE Estatística Descritiva - 1 o semestre de 2017 Professora: Márcia D Elia Branco Monitora PAE: Simone Harnik Gabarito - Lista 4
MAE0217 - Estatística Descritiva - 1 o semestre de 2017 Professora: Márcia D Elia Branco Monitora PAE: Simone Harnik Gabarito - Lista 4 Exercício 1 Uma rede de supermercados decidiu dar um bônus aos clientes
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 maisEFICIÊNCIA DE UM TRATAMENTO APLICADO A PACIENTES COM LEUCEMIA
Universidade Federal do Paraná Departamento de Estatística EFICIÊNCIA DE UM TRATAMENTO APLICADO A PACIENTES COM LEUCEMIA CE225 - Modelos Lineares Generalizados Jhenifer Caetano Veloso - GRR20137558 Rogério
Leia maisNúmero de Consultas ao Médico
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA CURSO DE ESTATÍSTICA João Matheus S. K. T. Hneda Lineu Alberto Cavazani de Freitas Número de Consultas ao Médico Análise
Leia 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 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 maisMétodos Estatísticos
Métodos Estatísticos 5 - Distribuição Normal Referencia: Estatística Aplicada às Ciências Sociais, Cap. 7 Pedro Alberto Barbetta. Ed. UFSC, 5ª Edição, 2002. Distribuição de Probabilidades A distribuição
Leia maisExemplo Espinhel de Fundo
Exemplo Espinhel de Fundo Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Espinhel de Fundo 2 o Semestre 2016 1 / 35 Espinhel de
Leia maisAnálise de Resíduos. investiga características que comprometem a validade do MRLS:
Análise de Resíduos investiga características que comprometem a validade do MRLS: (1) relação entre X e Y não é linear (2) erros não tem variância constante (3) erros correlacionados (4) erros não são
Leia maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Leia maisTrabalho de Modelos Lineares Generalizados
Universidade Federal do Paraná Trabalho de Modelos Lineares Generalizados Ananda Bordignon 1, Brendha Lima 2, Giovanna Lazzarin 3 12 de Novembro de 2018 1 GRR20149157 2 GRR20149163 3 GRR20149088 1 SUMÁRIO
Leia maisEng a. Morgana Pizzolato, Dr a. Aula 02 Revisão de Estatística DPS1037 SISTEMAS DA QUALIDADE II ENGENHARIA DE PRODUÇÃO CT/UFSM
Eng a. Morgana Pizzolato, Dr a. Aula 02 Revisão de Estatística DPS1037 SISTEMAS DA QUALIDADE II ENGENHARIA DE PRODUÇÃO CT/UFSM TÓPICOS DESTA AULA Revisão de Estatística Coleta de dados Análise de dados
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS As variáveis aleatórias X e Y seguem uma distribuição de Bernoulli com probabilidade de sucesso igual a 0,4. Considerando S = X + Y e que os eventos aleatórios A = [X = 1] e B
Leia maisAnálise de Resíduos. investigar características que comprometem a validade do MRLS:
Análise de Resíduos investigar características que comprometem a validade do MRLS: (1) relação entre X e Y não é linear (2) erros não tem variância constante (3) erros correlacionados (4) erros não são
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 maisMÉTODO MEAN SHIFT PARA DETECÇÃO DE OUTLIERS EM MODELOS NORMAIS ASSIMÉTRICOS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA MÉTODO MEAN SHIFT PARA DETECÇÃO DE OUTLIERS EM MODELOS NORMAIS ASSIMÉTRICOS Thalita do Bem Mattos Clécio da
Leia maisModelos de Regressão 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 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 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 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 maisEstatística 1. Resumo Teórico
Estatística 1 Resumo Teórico Conceitos do Curso 1. Tipos de Variáveis e Representações Gráficas a. Tipos de Variáveis b. Distribuição de Frequências c. Histograma 2. Estatística Descritiva Medidas Estatísticas
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 maisÓbitos por Acidentes de Transporte em Santa Catarina no ano de 2016
Óbitos por Acidentes de Transporte em Santa Catarina no ano de 2016 Modelos Lineares Generalizados Lais Hoffmam Simone Matsubara Willian Meira Yasmin Fernandes Curitiba 2018 Sumário 1. Resumo... 3 2. Introdução...
Leia maisAnalise de sobreviventes em acidentes de carros
Analise de sobreviventes em acidentes de carros Modelos Lineares Generalizados Lais Hoffmam GRR20159455 Simone Matsubara GRR20124663 Willian Meira GRR20159077 Yasmin Fernandes ISO20180365 Curitiba 2018
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 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 maisUNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR LUAN FIORENTIN GRR
UNIVERSIDADE FEDERAL DO PARANÁ CURSO ESTATÍSTICA DENNIS LEÃO GRR - 20160239 LUAN FIORENTIN GRR - 20160219 MODELAGEM DE DADOS DE ÓBITOS POR AGRESSÕES NO ESTADO DE SÃO PAULO NO ANO DE 2016 CURITIBA Novembro
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA
06 UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CAROLINE MARTINS SELIS GRR: 20137507 MILTON ABRAAO FERREIRA GRR: 20137581 NATHALIE DO AMARAL PORTO MARTINS GRR: 20137583 RELATÓRIO DE ANÁLISE
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 maisRelatório GLM - Predição de doênça coronária cardíaca através do modelo de regressão generalizado com resposta Binomial
UNIVERSIDADE FEDERAL DO PARANÁ Rafael Morciani Alves da Silva Maike Willian Martins dos Santos Mateus Gemelli Ramos Relatório GLM - Predição de doênça coronária cardíaca através do modelo de regressão
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisEstatística Não Paramétrica. Como construir testes de aderência
Estatística Não Paramétrica Como construir testes de aderência Teste Qui-quadrado Suposições amostra aleatória Dados nominais (sexo: M ou F) ou numéricos (idade: menor que 15, 15-24, 25-34, 35-44, 45-54,
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 maisINFLUÊNCIA DE PONTOS ATÍPICOS. investigar a causa das discrepâncias
INFLUÊNCIA DE PONTOS ATÍPICOS como identificá-los? investigar a causa das discrepâncias avaliar seus efeitos (influências) no ajuste do modelo No MRLS podemos identificar pontos atípicos influentes com:
Leia maisRegressão de Poisson e parentes próximos
Janeiro 2012 Família Exponencial Seja Y uma variável aleatória. A distribuição de probabilidade de Y pertence à família exponencial se a sua função densidade de probabilidade é da forma ( ) yθ b(θ) f (y
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Patricia Maria Bortolon, D. Sc. Cap. 11 Heterocedasticidade: o que acontece se a variância do erro não é constante? Fonte: GUJARATI; D. N. Econometria Básica: 4ª Edição. Rio de Janeiro.
Leia maisPRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES
PRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES Certas distribuições de probabilidades se encaixam em diversas situações práticas As principais são: se v.a. discreta Distribuição de Bernoulli Distribuição binomial
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 maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisExemplo Chamadas Telefônicas
Exemplo Chamadas Telefônicas Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Chamadas Telefônicas 2 o Semestre 2016 1 / 25 Chamadas
Leia maisDisciplina 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
Leia maisESTUDO SOBRE A TAXA ANUAL DE CÂNCER NASAL EM UMA REFINARIA DE NÍQUEL NO PAÍS DE GALES
Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Estatística ESTUDO SOBRE A TAXA ANUAL DE CÂNCER NASAL EM UMA REFINARIA DE NÍQUEL NO PAÍS DE GALES CE225 - Modelos Lineares Generalizados
Leia maisTécnicas Computacionais em Probabilidade e Estatística I. Aula I
Técnicas Computacionais em Probabilidade e Estatística I Aula I Chang Chiann MAE 5704- IME/USP 1º Sem/2008 1 Análise de Um conjunto de dados objetivo: tratamento de um conjunto de dados. uma amostra de
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 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 maisNessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:
Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia maisAGA 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
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 3 4 5 6 7 8 9 10 11 1 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisINCIDÊNCIA DE DENGUE EM UMA CIDADE DA COSTA MEXICANA: UM ESTUDO PREDITIVO
Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Estatística INCIDÊNCIA DE DENGUE EM UMA CIDADE DA COSTA MEXICANA: UM ESTUDO PREDITIVO CE225 - Modelos Lineares Generalizados Eduardo
Leia maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
Leia maisTESTES DE HIPÓTESES Notas de aula. Prof.: Idemauro Antonio Rodrigues de Lara
1 TESTES DE HIPÓTESES Notas de aula Prof.: Idemauro Antonio Rodrigues de Lara 2 Conteúdo 1. Fundamentos e conceitos básicos; 2. Função poder; 3. Testes mais poderosos e Lema de Neyman-Pearson; 4. Teste
Leia maisUnidade IV Inferência estatística
6//5 Unidade IV Inferência estatística 4.. Introdução e histórico 4.. Conceitos fundamentais 4.3. Distribuições amostrais e Teorema central do limite 4.4. Estimação de parâmetros 4.5. Testes de hipóteses
Leia mais3 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
Leia maisIntrodução à Regressão Logística Quantílica
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMÁTICA E ESTATÍSTICA DEPARTAMENTO DE ESTATÍSTICA Introdução à Regressão Logística Quantílica Autor: Tiago Buchweitz Correa Orientador: Professor
Leia mais6. NOÇÕES DE INFERÊNCIA ESTATÍSTICA
6. NOÇÕES DE INFERÊNCIA ESTATÍSTICA 214 Problemas de inferência Inferir significa fazer afirmações sobre algo desconhecido. A inferência estatística tem como objetivo fazer afirmações sobre uma característica
Leia maisA Importância da Estatística na Pesquisa Científica e na Tomada de Decisão
A Importância da Estatística na Pesquisa Científica e na Tomada de Decisão Ricardo Alves de Olinda Universidade Estadual da Paraíba - UEPB Centro de Ciências e Tecnologia - CCT Departamento de Estatística
Leia maisRESOLUÇÃO DAS QUESTÕES DE ESTATÍSTICA
RESOLUÇÃO DAS QUESTÕES DE ESTATÍSTICA Caro aluno, Disponibilizo abaixo a resolução resumida das questões de Estatística da prova de Auditor da SEFAZ/PI 2015. Vale dizer que utilizei a numeração da prova
Leia maisAnálise 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
Leia mais