Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
|
|
- Gustavo Braga
- 4 Há anos
- Visualizações:
Transcrição
1 Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207
2 Introdução 2
3 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades: Método de Newton Raphson; Método Escore de Fisher. Iremos aplicar esses algoritmos para o caso do MLG. Em Regressão Linear o EMV tem forma fechada. Pode-se mostrar que é equivalente ao estimador de mínimos quadrados.
4 4 Já nos MGL s os estimadores dos coeficientes β não tem forma fechada. Esses estimadores serão obtidos usando os algoritmos que vimos anteriormente. Considere uma amostra aleatória Y, Y 2,..., Y n que pertence à família exponencial em sua forma canônica, ou seja, f(y i,θ i ) = exp{y i b(θ i )+c(θ i )+d(θ i )}.
5 5 Considere que o preditor linear está relacionado com a média da seguinte maneira Objetivo: estima o vetor β. E(Y i ) = µ i µ i = g(x t i β) Temos que a log-verossimilhança é dada por l(y i,θ i ) = log(f(y i,θ i )) = y i b(θ i )+c(θ i )+d(θ i ). A log-verossimilhança conjunta é dada por l(y,θ) = i l(y i,θ i ) = n (y i b(θ i )+c(θ i )+d(θ i )) i= = n n n y i b(θ i )+ c(θ i )+ d(θ i ). i= i= i=
6 6 Queremos encontrar o EMV para cada um dos β j (j=,2,...,p). Devemos então derivar a log-verossimilhança e igualar a zero. Vamos primeiro obter a função escore U j (θ) = dl(y,θ) dβ j = d i l(y i,θ i ) dβ j. Pode-se mostrar que a função escore é dada por U j (θ) = n i= [ (yi µ i ) Var(Y i ) x ij ( )] µi. η i
7 Queremos então encontrar a a solução de U j (θ) = para j =, 2,..., p. n i= [ (yi µ i ) Var(Y i ) x ij Usaremos o método Escore de Fisher. ( )] µi = 0 η i Não entraremos em detalhes sobre a construção do algoritmo.
8 8 Vamos chamar b o estimador do vetor β. Pode-se mostrar que a equação de atualização do algoritmo é dada por X T WXb (m) = X T Wz W é uma matriz diagonal n n, cuja i-ésima entrada é dada por ( ) 2 µi [W] ii = Var(Y i ) η i e z é um vetor cuja i-ésiman é dada por z i = p k= ( ) x ik b (m ) ηi k +(y i µ i ). µ i
9 9 A equação X T WXb (m) = X T Wz tem o mesmo formato das equações normais no modelo linear quando usamos Mínimos Quadrados Ponderados. A diferença é que aqui ela é resolvida iterativamente. Esse método é chamado Método de Mínimos Quadrados Ponderados Iterativo.
10 0 A maioria dos softwares utiliza esse método de estimação. Escolhem um valor inicial b (0). Utilizam esse valor para encontrar W e z. z i = [W] ii = p k= Var(Y i ) ( µi η i ) 2 ( ) x ik b (m ) ηi k +(y i µ i ). µ i
11 Utilizam z e W para atualizar b () X T WXb () = X T Wz b () é então usado para obter melhores aproximações de W e z. O algoritmo continua até que seja bem pequeno. b (m) b (m )
12 2 Exemplo: Vamos ajutar uma Regressão de Poisson. Considere uma amostra aleatória tal que Y i iid Poisson(µ i ). Y,..., Y n A Tabela a seguir apresenta os dados observados
13 3 Exemplo: (continuação) A figura a seguir mostra o gráfico de disperão entre as duas variáveis.
14 4 Exemplo: (continuação) Como a variância se comporta? Ela aumenta quando Y aumenta. Isso faz sentido no modelo Poisson? Sim pois E(Y i ) = Var(Y i ). Vamos modelar a média dessas variáveis da seguinte maneira E(Y i ) = µ i = β 0 +β x i. Precisamo somar o erro ǫ i nesse caso? Não.
15 5 Exemplo: (continuação) Então o modelo é perfeito? Não comete erro nenhum? O erro vem do fato de Y i Poisson(µ i ). Os valores observamos de Y i estarão em torno de µ i. Não serão exatamente µ i. Assim como acontece no modelo de regressão Y i N(µ i,σ 2 ). A diferença é que o modelo de regressão pode ser escrito de duas maneiras equivalentes Y i N(µ i,σ 2 ) Y i = µ i +ǫ i com ǫ i N(0,σ 2 ). Os MLG s podem ser escritos apenas do primeiro modo.
16 6 Exemplo: (continuação) Temos então que Y i Poisson(µ i ) com E(Y i ) = µ i = β 0 +β x i = x T i β onde β = [ β0 β ] [ ] x i = Qual função de ligação estamos usando aqui? Identidade µ i = g(x T i β) = x T i β = η i x
17 7 Exemplo: (continuação) Vejamos como usar o Método Escore de Fisher para estimar β. Vamos obter a matriz W. Vimos que Temos que [W] ii = Var(Y i ) ( ) 2 µi. η i Var(Y i ) = µ i = β 0 +β x i. Além disso µ i = η i µ i η i =.
18 8 Exemplo: (continuação) Portanto [W] ii = Var(Y i ) ( ) 2 µi = η i β 0 +β x i. Como não temos o valor de β 0 e β, substituimos pelos seus estimadores b 0 e b [W] ii = b 0 + b x i. Veremos agora como fica z. Vimos que p ( ) z i = x ik b (m ) ηi k +(y i µ i ). µ i Temos que k= η i = µ i η i µ i =.
19 9 Exemplo: (continuação) Portanto onde z i = p k= ( ) x ik b (m ) ηi k +(y i µ i ) µ i = b 0 + b x i +(y i b 0 b x i ) = y i b0 é estimador de β 0 ; b é estimador de β. O próximo passo é encontrar a equação para atualização do estimador b (m).
20 20 Exemplo: (continuação) Essa atualização é obtida através de X T WXb (m) = X T Wz Vejamos como fica o termo X T WX. Temos que x x 2 X =. W =. x n b 0 +b x b 0 +b x b 0 +b x n logo b [ ] 0 +b x X T... 0 W = b 0 +b x x x 3... x n b 0 +b x n
21 Exemplo: (continuação) [ X T W = b 0 +b x x x 2 b 0 +b x b 0 +b x 2 b 0 +b x 2... b 0 +b x n... x n b 0 +b x n ] então X T WX = [ = b 0 +b x x x 2 b 0 +b x b 0 +b x 2... b 0 +b x 2... b 0 +b x n x n b 0 +b x n [ n n x i i= b 0 +b x i i= b 0 +b x i n x i n xi 2 i= b 0 +b x i i= b 0 +b x i ] x x 2. x n ]
22 22 Exemplo: (continuação) Veremos agora como fica o termo X T Wz. Temos que y [ z = y 2... XT W = y n b 0 +b x x x 2 b 0 +b x b 0 +b x 2... b 0 +b x 2... b 0 +b x n x n b 0 +b x n ] Logo X T Wz = [ b 0 +b x x x 2 b 0 +b x b 0 +b x 2... b 0 +b x 2... b 0 +b x n x n b 0 +b x n ] y y 2... y n
23 23 Exemplo: (continuação) X T Wz = [ n y i i= b 0 +b x i n x i y i i= b 0 +b x i ] Portano b (m) será atualizado a partir da equação ou seja [ n i= n i= X T WXb (m) = X T Wz n x i b 0 +b x i i= b 0 +b x i x i n xi 2 b 0 +b x i i= b 0 +b x i ] b (m) = [ n y i i= b 0 +b x i n x i y i i= b 0 +b x i ]
24 24 Exemplo: (continuação) Para os dados observados temos que 2 y = z = 3... X =.. 5 Vamos escolher os seguintes valores iniciais b (0) 0 = 7 b (0) = 5. Temos que (X T WX) () = [ ]
25 25 Exemplo: (continuação) (X T Wz) () = [ ] Portanto [ ] b () = [ ] o que implica que b () = [ ] [ ] = [ ]
26 26 Exemplo: (continuação) A tabela a seguir mostra os valores de b para alguns passos do algoritmo O algoritmo parece ter convergido para os seguintes valores de b b (m) 0 = ˆβ 0 = 7.45 b (m) = ˆβ = 4.93.
27 27 Propriedades do Estimador Máxima Verossimilhança Assintoticamente não viesados lim E(ˆθ) = θ. n Consistente ˆθ P θ (ˆθ) converge em probabilidade para θ). Variância mínima: ˆθ possui variância mínima para amostras grandes. Distribuição assintótica: a distribuição de ˆθ converge para uma normal. Veremos agora as propriedades do EMV para o caso dos Modelos Lineares Generalizados.
28 28 Duas principais ferramentas para inferência estatística: intervalos de confiança e testes de hipóteses. Veremos como obtê-los no caso nos Modelos Lineares Generalizados. Intervalo de Confiança Fornece uma estimativa intervalar para o parâmetro. A amplitude do intervalo dá uma ideia da precisão dessa estimativa.
29 29 Testes de Hipóteses Podemos comparar dois modelos. Queremos identificar qual deles se ajusta melhor aos dados. Um modelo é mais simples que o outro - tem menos parâmetros. Esse modelo é chamado modelo nulo e corresponde a H 0. Deve ser um caso particular do modelo H. Se os dois modelos ajustam bem os dados: devemos escolher H0, pelo critério da parcimônia.
30 30 Para fazermos inferências sobre o parâmetro: precisamos da distribuição de probabilidade do estimador. Seja S uma estatística de interesse. Em geral, pode-se mostrar que, para tamanhos de amostra grandes S E(S) Var(S) N(0, ) (S E(S)) 2 Var(S) χ 2 () Para o caso que S é um vetor de dimensão p temos que [S E(S)] T V [S E(S)] χ 2 (p) onde Cov(S) = V.
31 3 Vamos denotar por b o estimador do vetor de parâmetros β. Pode-se mostrar que, se a amostra tem tamanho grande, E(b) = β (b β) T I(β)(b β) χ 2 (p) ou b N (β, I(β) ) onde I(β) é matriz de Informação de Fisher de β cujo termo jk é dado por [I(β)] jk = n i= x ij x ik Var(Y i ) ( ) 2 µi. η i
32 32 No caso em que β tem apenas um parâmetro temos que, para n grande b N (β, I(β) ) onde I(β) = n i= x 2 i Var(Y i ) ( ) 2 µi. No caso dos MLG s todos esses resultados só valem se a amostra é grande. η i No caso dos modelos de Regressão Linear esses resultados são exatos.
33 33 Exemplo: Vamos considerar o caso da distribuição Normal. Ele não deixa de ser um caso específico dos MLG s. Veremos que os resultados coincidem com aqueles obtidos no curso de Regressão Linear. Iremos considerar então que Y i N(µ i,σ 2 ) µ i = x T i β onde β é um vetor de parâmetros de dimensão p.
34 34 Exemplo: (continuação) Vejamos como usar o Método Escore de Fisher para estimar β. Vamos obter a matriz W. Vimos que Temos que [W] ii = Var(Y i ) ( ) 2 µi. η i Var(Y i ) = σ 2. Além disso µ i = η i µ i η i =.
35 35 Exemplo: (continuação) Portanto Além disso z i = [W] ii = p k= Var(Y i ) = σ 2. ( ) x ik b (m ) ηi k +(y i µ i ) µ i = p k= x ik b (m ) k +(y i µ i ) = y i
36 36 Exemplo: (continuação) Vimos que a equação de atualização do parâmetro é dada por X T WXb (m) = X T Wz. E temos que W = σ 2 I logo a equação fica z = y σ 2 XT Xb (m) = σ 2 XT y e portanto b = (X T X) X T y que é justamente o estimador do mínimos quadrados do modelo de regressão.
37 Exemplo: (continuação) Temos nesse caso que b N (β, I(β) ) os termos da matriz de Informação de Fisher ficam n ( ) x ij x 2 ik µi n x ij x ik [I(β)] jk = = Var(Y i ) η i σ 2. Temos então que ou seja i= I(β) = σ 2(XT X) I(β) = σ 2 (X T X) Isso significa que b N (β,σ 2 (X T X) ) i= que foi o mesmo resultado visto no curso de Regressão Linear. 37
38 38 Exercício: Verifique se a distribuição normal inversa pertence à família exponencial. Caso isso seja verdade, encontre o parâmetro canônico e a ligação canônica dessa distriuição. f(y;µ;σ 2 ) = ( ) /2 } (y µ)2 2πσ 2 y 3 exp{ 2µ 2 σ 2 y f(y i,θ i ) = exp{y i b(θ i )+c(θ i )+d(θ i )}.
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.
Leia maisModelos Lineares Generalizados - Componentes do Modelo
Modelos Lineares Generalizados - Componentes do Modelo Erica Castilho Rodrigues 01 de Abril de 2014 3 Vejamos agora quais as componentes de um Modelo Linear Generalizado. Temos um conjunto de variáveis
Leia maisModelos 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 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 - Família Exponencial
Modelos Lineares Generalizados - Família Exponencial Erica Castilho Rodrigues 25 de Março de 2014 3 No modelo de Regressão Linear temos que onde Y i N(µ,σ 2 ) E(Y i ) = µ i = x T i β Yi são independentes;
Leia maisModelos Lineares Generalizados - Família Exponencial
1 Modelos Lineares Generalizados - Família Exponencial Erica Castilho Rodrigues 10 de Maio de 2017 2 3 No modelo de Regressão Linear temos que onde Y i N(µ,σ 2 ) E(Y i ) = µ i = x T i β Yi são independentes;
Leia maisModelos 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 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 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 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 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 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)
Leia maisMLG. 16 de outubro de Curso de Modelos Lineares Generalizado - DEST/UFMG Marcos Oliveira Prates. Marcos Oliveira Prates
MLG Curso de Modelos Lineares Generalizado - DEST/UFMG 16 de outubro de 2017 Modelo Linear Generalizado Família Exponencial Seja Y a variável de resposta. A distribuição de Y é membro da família exponencial
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisInferência 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
Leia maisModelos de Regressão Múltipla - Parte I
Modelos de Regressão Múltipla - Parte I Erica Castilho Rodrigues 4 de Outubro de 2016 2 3 Introdução 4 Quando há apenas uma variável explicativa X, temos um problema de regressão linear simples onde ǫ
Leia maisCC-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
Leia maisModelos Lineares Generalizados - Análise de Resíduos
Modelos Lineares Generalizados - Análise de Resíduos Erica Castilho Rodrigues 28 de Junho de 2013 3 Assim como em Regressão Linear, também precisamos fazer Análise de Resíduos para os MLG s. São semelhantes
Leia maisModelos Lineares Generalizados - 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 maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Introdução Solução de equações não lineares
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 maisAULA 7 - Inferência em MQO: ICs e Testes de
AULA 7 - Inferência em MQO: ICs e Testes de Hipóteses Susan Schommer Econometria I - IE/UFRJ Nosso primeiro objetivo aqui é relembrar a diferença entre estimação de ponto vs estimação de intervalo. Vamos
Leia maisMinera c ao de Dados Aula 6: Finaliza c ao de Regress ao e Classifica c ao Rafael Izbicki 1 / 33
Mineração de Dados Aula 6: Finalização de Regressão e Classificação Rafael Izbicki 1 / 33 Como fazer um IC para o risco estimado? Vamos assumir que ( X 1, Ỹ1),..., ( X s, Ỹs) são elementos de um conjunto
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron
Leia 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 maisEstimação: (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
Leia maisModelos de Regressão Linear Simples - parte II
Modelos de Regressão Linear Simples - parte II Erica Castilho Rodrigues 14 de Outubro de 2013 Erros Comuns que Envolvem a Análise de Correlação 3 Erros Comuns que Envolvem a Análise de Correlação Propriedade
Leia mais26 de dezembro de 2007
Curso de UFRPE e UFPE 26 de dezembro de 2007 1 2 3 4 Seja l(θ) a log-verossimilhança. A esperança e a covariância da função escore são dadas por: e Cov(U) = E respectivamente. ( UT θ E(U) = 0 (1.1) ) (
Leia maisDISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia
ROTEIRO 1. Introdução; DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL. Teorema Central do Limite; 3. Conceitos de estimação pontual; 4. Métodos de estimação pontual; 5. Referências. 1 POPULAÇÃO E AMOSTRA População:
Leia maisModelos de Regressão Múltipla - Parte VI
1 Modelos de Regressão Múltipla - Parte VI Erica Castilho Rodrigues 7 de Fevereiro de 2017 2 3 Podemos fazer uma transformação na variável resposta Y e/ou na preditora X para: solucionar problemas de variância
Leia maisAnálise de Dados Categóricos
1/43 Análise de Dados Categóricos Modelo de Regressão de Poisson Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Departamento de Estatística Universidade Federal de Minas Gerais 2/43 Revisão:
Leia maisCE062c - GAMLSS. Silva, J.P; Taconeli, C.A. 09 de outubro, Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, / 42
CE062c - GAMLSS Silva, J.P; Taconeli, C.A. 09 de outubro, 2018 Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, 2018 1 / 42 Por que GAMLSS? Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro,
Leia maisMAE0212 Introdução à Probabilidade e Estatística II
MAE01 Introdução à Probabilidade e Estatística II Gabarito-Lista 3 Exercicio 1 (a) Cada X i N(µ, σ ). Tamanho da amostra n = 9, desvio padrão σ =. A amostra é: 4.9, 7.0, 8.1, 4.5, 5.6, 6.8, 7., 5.7, 6..
Leia maisDistribuições 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
Leia maisINTRODUÇÃO 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
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisMarkov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP. lane. Ref: Kim e Nelson (1999) e Hamilton (1990)
Markov Switching Models Profa. Airlane Alencar Depto de Estatística - IME-USP www.ime.usp.br/ lane Ref: Kim e Nelson (1999) e Hamilton (1990) 1 Objetivo Mudança nos parâmetros de um modelo de regressão
Leia 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 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 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 8 - MQO em regressão múltipla:
AULA 8 - MQO em regressão múltipla: Definição, Estimação e Propriedades Algébricas Susan Schommer Econometria I - IE/UFRJ Regressão Múltipla: Definição e Derivação A partir de agora vamos alterar o nosso
Leia maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Distribuições Amostrais O intuito de fazer uma amostragem
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Intervalo de confiança Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum
Leia maisAULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado)
AULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado) Susan Schommer Econometria I - IE/UFRJ Valor esperado dos estimadores MQO Nesta aula derivamos o valor esperado dos estimadores
Leia maisESTATÍSTICA 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
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 maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia 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 mais3. Estimação pontual USP-ICMC-SME. USP-ICMC-SME () 3. Estimação pontual / 25
3. Estimação pontual USP-ICMC-SME 2013 USP-ICMC-SME () 3. Estimação pontual 2013 1 / 25 Roteiro Formulação do problema. O problema envolve um fenômeno aleatório. Interesse em alguma característica da população.
Leia maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências População e Amostra
Leia maisQuantis 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
Leia maisAula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas Matheus Rosso e Camila Steffens 19 de Março de 2018 Independência de variáveis aleatórias Duas V.A. são independentes se, e somente
Leia maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
Leia maisAULA 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]
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 maisAmostra Aleatória Simples
Amostra Aleatória Simples Airlane Pereira Alencar 4 de Abril de 2018 Alencar, A.P. (IME-USP) Amostra Aleatória Simples 4 de Abril de 2018 1 / 34 Definições e Notações Notações População ou Universo U =
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 maisRevisão de Modelos de regressão. Prof. Thais C O Fonseca - DME, UFRJ
Revisão de Modelos de regressão Prof. Thais C O Fonseca - DME, UFRJ Conteúdo Regressão linear simples Regressão linear múltipla Método de Mínimos Quadrados Introdução a Inferência Bayesiana em Regressão
Leia 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 maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 19 de Maio de 2011 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisAGA 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,
Leia maisA Metodologia de Box & Jenkins
A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de
Leia maisModelos de Regressão Múltipla - Parte VIII
1 Modelos de Regressão Múltipla - Parte VIII Erica Castilho Rodrigues 15 de Fevereiro de 2017 2 3 Observações não usuais 4 As observações não usuais podem ser: Outliers: não se ajustam bem ao modelo (resíduo
Leia maisPROVA DE ESTATÍSTICA e PROBABILIDADES SELEÇÃO - MESTRADO/UFMG /2012
PROVA DE ESTATÍSTICA e PROBABILIDADES SELEÇÃO - MESTRADO/UFMG - 0/0 Instruções:. Cada questão respondida corretamente vale (um) ponto.. Cada questão respondida incorretamente vale - (menos um) ponto. 3.
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisEstimador de Máxima Verossimilhança Estudo de Caso - Regressão Poisson
Estimador de Máxima Verossimilhança Estudo de Caso - Regressão Poisson Wagner Hugo Bonat - LEG/DEST, UFPR 1 Resumo: Este texto descreve de forma rápida o processo de estimação baseado em Verossimilhança
Leia maisAULA 4 - MQO Simples: Propriedades algébricas e Estatísticas
AULA 4 - MQO Simples: Propriedades algébricas e Estatísticas Susan Schommer Econometria I - IE/UFRJ Estimação: MQO recapitulando Na aula passada aprendemos estimação por MQO. Recapitulando brevemente Em
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 9
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 9 Data Mining Equação básica: Amostras finitas + muitos modelos = modelo equivocado. Lovell (1983, Review
Leia maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Leia maisModelos Lineares Generalizados - Introdução
Modelos Lineares Generalizados - Erica Castilho Rodrigues 18 de Março de 2014 3 Por que queremos modelar os dados? A forma do modelo revela padrões de interação e associação nos dados. Através de procedimentos
Leia maisModelos de Regressão Linear Simples - parte I
Modelos de Regressão Linear Simples - parte I Erica Castilho Rodrigues 19 de Agosto de 2014 Introdução 3 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia maisAnálise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades sobre amostra
Análise da Regressão múltipla: MQO Assintótico Capítulo 5 do Wooldridge Análise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades
Leia maisAnálise de Regressão - parte I
16 de Outubro de 2012 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos para dados coletados. Entender como método de mínimos é usado
Leia maisCE085 - Estatística Inferencial. derivadas. Prof. Wagner Hugo Bonat. 5 de setembro de Curso de Bacharelado em Estatatística
CE085 - Estatística Inferencial Função de Verossimilhança e suas derivadas Prof. Wagner Hugo Bonat Laboratório de Estatística e Geoinformação - LEG Curso de Bacharelado em Estatatística Universidade Federal
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
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 maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisModelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Leia maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
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 maisMINI - 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
Leia maisAULA 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]
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia 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 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 maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências Estatística Aplicada
Leia maisEstimando o Efeito da Terapia por Ondas de Choque em Pacientes com Patologia Musculoesquelética
Universidade Federal do Rio de Janeiro Estimando o Efeito da Terapia por Ondas de Choque em Pacientes com Patologia Musculoesquelética João Batista de Morais Pereira Rio de Janeiro Setembro de 2008 João
Leia maisModelos Lineares Generalizados. - da teoria à prática -
Modelos Lineares Generalizados - da teoria à prática - M. Antónia Amaral Turkman DEIO/FC e CEAUL, Universidade de Lisboa e Giovani Loiola Silva DM/IST e CMA, Universidade Técnica de Lisboa 0 Este trabalho
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes
Leia maisUniversidade de Brasília Instituto de Ciências Exatas Departamento de Estatística. Dissertação de Mestrado
Universidade de Brasília Instituto de Ciências Exatas Departamento de Estatística Dissertação de Mestrado Regressão Binomial Negativa Geograficamente Ponderada: Modelando Superdispersão Espacial por Thais
Leia maisEconometria II. Notas de bolso! Propriedades da E(.), Var(.) e Cov(.) Temos que (a,b) são constantes e (X,Y) são variáveis aleatórias.
Eco 2 monitoria Leandro Anazawa Econometria II Notas de bolso! Propriedades da E(.), Var(.) e Cov(.) Temos que (a,b) são constantes e (X,Y) são variáveis aleatórias. E(a) = a E(aX) = ae(x) E(a + bx) =
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Estimação
Leia maisp( y θ ) depende de um parâmetro desconhecido θ.
55Modelação, Identificação e Controlo Digital 55 Método de Máxima Verosimilhança (Maximum Likelihood) Seja y uma variável aleatória (v. a.) cuja densidade de probabilidade p( y θ ) depende de um parâmetro
Leia maisTratamento Estatístico de Dados em Física Experimental
Tratamento Estatístico de Dados em Física Experimental Prof. Zwinglio Guimarães o semestre de 06 Tópico 7 - Ajuste de parâmetros de funções (Máxima Verossimilhança e Mínimos Quadrados) Método da máxima
Leia maisModelos estatísticos para análise de dados longitudinais categorizados ordinais
Universidade Federal de Pernambuco Centro de Ciências Exatas e da Natureza Departamento de Estatística Modelos estatísticos para análise de dados longitudinais categorizados ordinais Sílvia Patrícia Barreto
Leia maisAnálise 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
Leia maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Estimação pontual Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Introdução Exemplo Desejamos comprar um
Leia mais