Econometria Espacial Aula 2: Matrizes de pesos espaciais
|
|
- Alessandra Beretta de Abreu
- 6 Há anos
- Visualizações:
Transcrição
1 Econometria Espacial Aula 2: André Luis Squarize Chagas 16 de março de 2016
2 Agenda Agenda Agenda Escolha da matriz W Matrizes endógenas
3 Matrizes de vizinhança Critérios usuais de vizinhança são distância ou contiguidade. Contiguidade refere-se à posição de uma unidade no espaço relativa a todas as demais. Medidas de contiguidade levam em conta o tamanho e a posição da fronteira entre duas localidades distintas. Um critério de vizinhança usando a contiguidade seria chamar de vizinhas localidades que obedeçam ao critério de contiguidade e não-vizinhas as que não o satisfaçam.
4 Matrizes de vizinhança No critério de distância, consideram-se vizinhos aquelas localidades que se encontram a uma distância máxima pré-estabelecida Pode-se ainda considerar o inverso da distância e atribuir pesos de vizinhança proporcionais à distância inversa. Outros critérios de vizinhança Fluxo de comércio Distância ponderada por fatores qualidade da estrada tamanho populacional etc.
5 Matrizes de vizinhança Considere a figura a seguir Figura: Regiões fictícias Nessa representação pode-se estabelecer as relações de vizinhança por contiguidade, entre as várias regiões. Assim, a região R1 tem por vizinho apenas a região R2; A Região R2 tem por vizinhos as regiões R1 e R3; E assim por diante
6 Matrizes de vizinhança Pode-se representar essas relações de vizinhança em uma matriz de vizinhança C = R1 R2 R3 R4 R5 R6 R7 R R R R R R R (1)
7 Matrizes de vizinhança Algumas características importantes da matriz de vizinhança Atribui-se zero para a própria região uma região não é vizinha de si mesma Atribui-se zero para regiões que não são vizinhas Atribui-se números diferentes de zero para regiões vizinhas no critério de contiguidade, atribui-se 1 para vizinhos e 0 para não vizinhos em outros critérios, os valores para vizinhos podem ser diferentes de 1
8 Matrizes de vizinhança Considere essa outra figura Figura: regiões fictícias
9 Matrizes de vizinhança Nesse caso, outros critérios de vizinhança podem ser estabelecidos Contiguidade linear define c rs = 1 para todas aquelas localidades s que possuem fronteira comum, de tamanho significativamente maior que 0, à direita ou à esquerda de r (região de interesse); e c rs = 0 para as demais localidades. No nosso exemplo, para a região 1, teríamos todos os elementos c 1s = 0, para s = 1,..., 5 C = Figura: regiões fictícias R1 R2 R3 R4 R5 R R R R R
10 Matrizes de vizinhança Contiguidade rook define c rs = 1 para todas aquelas localidades s que possuem fronteira comum, de tamanho significativamente maior que zero, à leste, oeste, norte ou sul de r (região de interesse); e c rs = 0 para as demais localidades. No nosso exemplo, para a região 1, teríamos todos os elementos c 1s = 0, para s = 1,..., 5 C = Figura: regiões fictícias R1 R2 R3 R4 R5 R R R R R
11 Matrizes de vizinhança Contiguidade bishop define c rs = 1 para todas aquelas localidades s que possuem um vértice comum a r (região de interesse); e c rs = 0 para as demais localidades. No nosso exemplo, apenas as regiões 2 e 3 têm vértice comum Figura: regiões fictícias C = R1 R2 R3 R4 R5 R R R R R
12 Matrizes de vizinhança Contiguidade queen define c rs = 1 para todas aquelas localidades s que possuam fronteira ou vértice comum a r (região de interesse); e c rs = 0 para as demais localidades. combina a contiguidade rook com a bishop Figura: regiões fictícias C = R1 R2 R3 R4 R5 R R R R R
13 Matrizes de vizinhança Outras matrizes de vizinhança matrizes binárias matrizes de distância máxima número máximo de vizinhos (k-nearest vizinhos) matrizes bloco diagonais, onde cada bloco representa um grupo de unidades espaciais que interagem entre si, mas não com outras unidades de outros grupos graus de vizinhança distância inversa c rs = 1/drs, θ com d rs a distância entre as localidades r e s e θ > 0. distância econômica fluxo de comércio tempo de deslocamento número de ligações telefônicas tamanho da fronteira comum
14 Algumas restrições precisam ser impostas à matriz de vizinhança no caso de modelos econométricos. Essas condições asseguram a estacionariedade de processos espaciais autoregressivos. Em geral, a padronização da matriz de vizinhança assegura essas restrições. Diferentes critérios de padronização são encontrados na literatura de econometria espacial. Entre as mais utilizadas encontram-se: Padronização pelo somatório da linha Padronização pelo máximo autovalor Outras padronizações
15 A matriz de pesos espaciais W é uma matriz não-negativa de constantes conhecidas. Os elementos da diagonal são fixados em zero por hipótese, uma vez que nenhuma unidade espacial pode ser vizinha de si própria. A matriz (I n δw) é não singular I n é a matriz identidade de ordem n e δ representa um parâmetro autoregressivo a ser estimado. Caso a matriz W seja simétrica, então (I n δw) será nãosingular, uma vez que δ estará no interior de (1/ω min, 1/ω max ), onde ω min representa o menor (ou seja, o mais negativo) autovalor de W e ω max, o maior autovalor.
16 Se W é padronizado, o intervalo se torna (1/ω min, 1), pois o maior autovalor de W é igual a 1, nessa situação. Caso W seja uma matriz padronizada assimétrica, pode ter autovalores complexos. LeSage e Pace (2009) mostram que, nesse caso, δ estará contido no intervalo (1/r min, 1), onde r denota a parte real do menor autor valor de W.
17 Adicionalmente, deve valer: (a) as somas de linhas e colunas das matrizes W e (I n δw) (antes da padronização de W) devem ser uniformemente limitadas em valor absoluto, na medida em que n tende ao infinito, ou (b) a soma das linhas e colunas de W (antes de sua padronização) não devem divergir para o infinito a uma taxa igual ou maior que a taxa de crescimento do tamanho da amostra, n. A primeira condição decorre de Keleijian e Prucha (1998 e 1999) e a segunda de Lee (2004).
18 As duas condições limitam a correlação na cross-section, entre as unidades, ou seja, na media em que a distância entre duas unidades aumenta, a correlação entre elas converge a zero. Quando a matriz de pesos espaciais é uma matriz de contiguidade binária de ordem p e p é pequeno, (a) está satisfeito. Nessa situação, normalmente, nenhuma unidade tem mais do que um número limitado (k) de vizinhos, então (b) também é satisfeita
19 Por outro lado, quando a matriz de pesos espaciais é do tipo distância inversa, (a) pode não ser satisfeita Para ver isso, considere o seguinte caso: Um infinito número de unidades espaciais é arranjado linearmente Seja a distância ao primeiro vizinho à esquerda e à direita igual a d; ao segundo vizinho à esquerda e à direita igual a 2d, e assim por diante Quando W é uma matriz de distância inversa, e os elementos fora da diagonal principal são iguais a 1/d ij, onde d ij é a distância entre duas unidades espaciais i e j, então cada linha soma 2 (1/d + 1/2d + 1/3d + ), representando uma série de soma não finita
20 Essa é uma das razões pelas quais algumas aplicações introduzem um cut-off point, d, tal que se d ij > d, w ij = 0. Uma outra possibilidade é padronizar os pesos obtidos pela aplicação da distância inversa, dividindo-os pelo número de observações. Como [2 (1/d + 1/2d + 1/3d + )]/n 0, quando n, a condição (b) é satisfeita nesse caso Portanto, mesmo uma matriz de distância inversa sem um cut-off point não necessariamente precisa ser excluída de estudos empíricos por razões de consistência
21 No entanto, uma matriz de distância inversa é difícil de tratar por outros motivos, levando a problemas numéricos ou resultados inesperados em aplicações empíricas. Isto ocorre porque o número de unidades na amostra geralmente não vai para o infinito, mas é finito. Ocorre também porque a matriz de pesos espaciais deixa de ser uma matriz esparsa, levando a problemas computacionais.
22 Outra situação ocorre quando todas as unidades cross-section são vizinhas e são dados pesos iguais. Nesse caso, todos os elementos fora da diagonal principal são w ij = 1. Portanto, as linhas e colunas somam (n 1) Essa soma diverge para o infinito quando n Adicionalmente, (n 1)/n 1 quando n, ao invés de zero. Portanto, essa matriz não satisfaz nem (a) e nem (b)
23 Uma alternativa é considerar uma matriz de interações de grupo (Case, 1991) Suponha que há G grupos e que há ng unidades em cada grupo. Seja wij /(n G 1) se a unidade i e j estão no mesmo grupo, e zero caso contrário. Se n e G tendem ao infinito, com no mínimo duas unidades em cada grupo, ou se o número de unidades em cada grupo não tende ao infinito mais rápido (ou igual) ao número de grupos, a condição (b) é restaurada (Lee, 2007).
24 Matriz linha padronizada / coluna padronizada Transformação row-standartization da matriz de vizinhança: linhas somam um. Como todos os elementos da matriz de vizinhança são positivos, essa normalização assegura que a matriz W terá pesos entre 0 e 1. Uma alternativa, pouco utilizada, é normalizar pelo somatório da coluna Os elementos da coluna, de uma matriz de vizinhança, representam o impacto de uma unidade particular em todas as outras unidades Já os elementos da linha, representam o impacto de todas as outras unidades em uma unidade particular Consequentemente, a normalização na linha tende a equalizar o impacto de todas as outras unidades em uma particular, ao passo que a normalização na coluna equaliza o impacto de cada unidade particular em todas as outras
25 Matriz linha padronizada Considere o caso do nosso primeiro exemplo C = R1 R2 R3 R4 R5 R6 R7 R R R R R R R A padronização pela linha fica W = R1 R2 R3 R4 R5 R6 R7 R R2 1/2 0 1/ R3 0 1/2 0 1/ R /2 0 1/2 0 0 R /2 0 1/2 0 R /2 0 1/2 R (2)
26 Matriz linha padronizada Embora a padronização na linha seja muito usual nos trabalhos aplicados, ela não é isenta de crítica Keleijian e Prucha (2010) mostram que a normalização dos elementos de uma matriz de pesos espaciais por um fator diferente para cada linha, em oposição a um único fator, pode conduzir a má especificação do modelo Este problema ocorre especialmente quando a matriz de distância inversa é linha padronizada, porque sua interpretação econômica em termos de decaimento proporcional à distância deixa de ser válido (Anselin 1988).
27 Matriz linha padronizada Há no mínimo duas razões para isso. A primeira de todas é que ao normalizar pela linha, uma matriz de distância inversa pode se tornar assimétrica e, como consequência, o impacto da unidade i na unidade j não será o mesmo impacto da unidade j na unidade i. A segunda razão é que regiões centrais e regiões remotas podem terminar com o mesmo peso, após a padronização pela linha, independente de sua localização relativa.
28 Matriz linha padronizada O seguinte exemplo ilustra esse segundo caso (Elhorst, 2014): Considere duas unidades espaciais, ambas com dois vizinhos. Ademais, uma das localidades é central e a outra unidade, remota. A distância da primeira unidade para seus vizinhos é d, enquanto que a distância da segunda unidade para os seus vizinhos é um múltiplo de d. Apesar dessa diferença na localização, as entradas na matriz de distância inversa descrevendo o arranjo espacial das unidades da amostra será 1/2 em ambos os casos, desde que a matriz de pesos espacial seja linha padronizada.
29 Padronização pelo maior autovalor Denote por W 0 a matriz de pesos espaciais antes da normalização: Elhorst (2001) e Keleijian e Prucha (2010) sugerem uma padronização em que cada elemento de W 0 seja dividido pelo seu maior autovalor, r 0,max (em que r representa o maior autovalor, ou a parte real do maior autovalor, para o caso de matrizes assimétricas, com autovalores complexos). Ou seja W = 1 r 0,max W 0
30 Padronização pelo maior autovalor Essa padronização assegura que os autovalores de W 0 serão divididas por r 0,max, portanto, o maior autovalor de W será igual a 1, (r max = 1), como no caso de uma matriz linha padronizada No entanto, essa padronização não assegura que o menor autovalor após a padronização seja o mesmo de uma matriz linha padronizada Caso a matriz W 0 seja simétrica, essa padronização assegurará que W também seja simétrica. Caso W 0 seja uma matriz de pesos proporcionais à distância inversa entre duas unidades i e j, essa operação assegura que unidades com pesos maiores antes da padronização permanecerão com pesos maiores após a padronização.
31 Outras padronizações Outra possível transformação, proposta por Ord(1975): Tome D, uma matriz diagonal contendo a soma das linhas da matriz W 0 em sua diagonal principal. Considere a transformação W = D 1/2 W 0 D 1/2 Essa padronização resulta em uma matriz simétrica, com autovalores iguais aos de uma matriz linha padronizada. Ademais, essa matriz também mantém a proporcionalidade entre os elementos de W com respeito a W 0. Como essa matriz assegura que os autovalores de W e W 0 serão iguais, LeSage e Pace (2009) recomendam a aplicação da matriz W 0 para fins de construção das variáveis independentes (caso de um modelo SDM, por exemplo) e a aplicação de W para o cálculo do coeficiente espacial (ρ, por exemplo), sobretudo em um modelo de máxima verossimilhança.
32 Matrizes de vizinhança relações de vizinhança de ordem superior: vizinhos dos vizinhos W 2 = W W = (3) W 3 = W 2 W = (4)
33 Escolha da matriz W Escolha da matriz W Um ponto de crítica aos modelos espaciais baseia-se no fato de que a matriz W não é estimada, mas necessita ser especificada Não há problema nessa especificação se Há suficiente garantias que os pesos espaciais são exógenos Há suficiente motivação teórica para a matriz adotada
34 Escolha da matriz W Escolha da matriz W Assumindo que o primeiro ponto é satisfeito, o que ainda é muito usual nos estudos aplicados é investigar a robustez dos resultados frente diferentes matrizes W Um erro comum, é comparar apenas os resultados dos parâmetros β e θ em modelos SAR ou SDM Essa comparação não faz sentido, na medida em que são os feitos marginais que são relevantes Para captar esse ponto, pense em duas matrizes de pesos espaciais em que uma é linha normalizada e que a outra é obtida multiplicando-se a primeira por 1/2 É esperado que o parâmetro espacial da segunda estimativa seja duas vezes maior que o da primeira, mas os efeitos marginais serão os mesmos, em ambos os casos
35 Escolha da matriz W Escolha da matriz W Stakhovych e Bijimol (2009), em um estudo de Monte Carlo, encontram que um procedimento de seleção matrizes baseado em algum critério de goodness-of-fit aumentam a probabilidade de encontrar a verdadeira especificação Nesse caso, se um modelo espacial é estimado com S diferentes matrizes espaciais e o valor da log-verossimilhança de cada modelo é calculada, então o modelo que exibe a maior verossimilhança tem a maior probabilidade de ser o modelo correto Esse critério equivale à minimização de algum critério de informação, como AIC ou BIC, por exemplo
36 Escolha da matriz W Escolha da matriz W Harris et al (2011) criticam a abordagem empírica para seleção de matrizes espaciais No entanto, os resultados de Stakhovych e Bijimol (2009) sugerem que essas críticas são mais aplicadas apenas nos casos em que os parâmetros espaciais ρ ou λ são próximos de zero No entanto, a seleção incorreta de modelos nesse caso não gera maiores consequências sobre os efeitos marginais, tendo em vista a magnitude dos coeficientes A seleção incorreta do modelo e da matriz de pesos espaciais é menos problemática no caso de parâmetros espaciais muito grandes
37 Escolha da matriz W Escolha da matriz W Corrado e Fingleton (2012) advogam uso de mais teoria nos modelos de econometria espacial, especialmente relacionados a escolha de W. Nesse caso, exige-se uma estrutura teórica a priori, que sugira a melhor especificação do modelo econométrico, espacial ou não Para muitos casos, no entanto, é exatamente essa estrutura que se procura estudar
38 Matrizes endógenas Qu e Lee, 2015 O modelo Z n = X 2n Γ + ɛ n (5) onde X 2n é n k 2, Γ é k s p 2, ɛ n é n p 2 e Z n é n p 2 W n = (w ij,n ) é uma matriz n n, não negativa, com zeros na diagonal principal Cada elemento é construído a partir de Z n : w ij,n = h ij (Z n, ρ ij ) para i, j = 1,, n; i j h( ) é uma função limitada Por exemplo,: wij,n = 1/ z i,n z j,n, com um limite, tal que w ij,n = c e0 se z i,n z j,n < d e0, com c e0 e d e0.
39 Matrizes endógenas O modelo Y n = λw n Y n + X 1n β + V n (6) onde Y n é n 1, X 1n é n k 1, λ e β são escalares A endogeneidade do modelo decorre do fato que v i,n e ɛ i,n têm distribuição (v i,n, ɛ i,n ) iid(0, Σ vɛ ), onde ( σ 2 Σ vɛ = v σ vɛ ) é positiva definida, σv 2 é uma variância σ vɛ Σ ɛ escalar, a covariância σ vɛ = (σ vɛ1,, σ vɛp2 ) é um vetor p 2 -dimensional, Σ ɛ é uma matriz p 2 p 2. Se σ vɛ = 0, então W é exógena
40 Matrizes endógenas Adicionalmente: E(v i,n ɛ i,n ) = ɛ i,n δ e Var(v i,n ɛ i,n ) = σε 2 Estas hipóteses conduzem a δσ 1 ε σ vε e σε 2 = σv 2 σ vεσ 1 ε σ vε. Seja ε = V n ɛ n δ, então a sua média condicional em ɛ n é zero e sua variância condicional é σεi 2 n e, portanto o modelo pode ser escrito como: Y n = λw n Y n + X 1n β + (Z n X 2n Γ)δ + ε n (7) com E(ε i,n ɛ i,n ) = 0 e E(ε 2 i,n ɛ i,n) = σ 2 ε Portanto, (Z n X 2n Γ) pode ser interpretada como uma variável de controle da endogeneidade de W n
41 Matrizes endógenas Estimação por 2SIV O modelo pode ser estimado em dois estágios, com variáveis instrumentais no 1 o estágio: Primeiro estágio estima-se por OLS obtendo-se os parâmetros Z n = X 2n Γ + ɛ n (8) ˆΓ = (X 2nX 2n ) 1 X 2nZ n (9)
42 Matrizes endógenas Estimação por 2SIV No segundo estágio, utiliza-se o parâmetro estimado para substituir em (7) Y n = λw n Y n + X 1n β + (Z n X 2nˆΓ)δ + ˆε n (10) onde ˆε n = ε n + X 2n (ˆΓ Γ)δ = ε n + P n ɛ n δ, onde P n = X 2n (X 2n X 2n) 1 x 2n Como Z n X 2nˆΓ = Pn Z n = Pn ɛ n, com Pn = I n P n, então com κ = (λ β δ ) Y n = (W n Y n, X 1n, P n Z n )κ + (ε n + P n ɛ n δ) (11)
43 Matrizes endógenas Estimação por G2SIV Como o erro composto desse modelo é Π n = σ 2 ε0 I n + δ 0 Σ ɛ0δ 0 P n, o modelo pode ser estimado de forma generalizada (G2SIV): ˆκ G = [(W n Y n, X 1n, P n Z n ) Π 1 n Q nπ 1 n (W n Y n, X 1n, P n Z n ) Π 1 n Q n (Q nπ 1 Q n ) 1 (W n Y n, X 1n, P n Z n )] 1 Q n (Q nπ 1 n Q n ) 1 Q nπ 1 n Y n (12) n
44 Matrizes endógenas Estimação por FG2SIV Como Π inclui termos desconhecidos, os parâmetros só podem ser estimados de maneira factível Na prática usar Xn, W n X n, W n Z n, etc. como IV para obter ˆκ de maneira consistente Em seguida, usar G n (ˆλ)X n, G n (ˆλ)Z n, X n ez n, com G n (ˆλ) = W n (I n ˆλW n ) 1, como novos IVs e substituindo ˆΠ = ˆσ εi 2 n + ˆδ ˆΣɛˆδPn, onde ˆΣ ɛ = 1 n Z np n Z n e ˆσ ε 2 = 1 n (Y n ˆλW n Y n X 1n ˆβ P n Z nˆδ) (Y n ˆλW n Y n X 1n ˆβ P n Z nˆδ), no lugar de Π n para obter o FG2SIV.
45 Matrizes endógenas Estimação por QMLE A equação de máxima verossimilhança pode ser escrita como ln L n = n ln(2π) n 2 ln Σ vɛ + ln S n (λ) 1 2 [(S n(λ)yn X 1n β), (vec(z n X 2n Γ)) ] ( ) (Σ 1 Sn (λ)y vɛ I n ) n X 1n β vec(z n x 2n Γ) (13)
46 Matrizes endógenas Estimação por QMLE ou ainda ln L n (θ) = n ln(2π) n 2 ln σ2 ε + ln S n (λ) n 2 ln Σ ɛ 1 2 n i=1 (z i,n x 2,in Γ)Σ 1 ɛ (z i,n Γ x 2,in ) 1 2σ 2 ε [S n (λ)y n X 1n β (Z n X 2n Γ)δ] [S n (λ)y n X 1n β (Z n X 2n Γ)δ] (14) onde θ = (λ, β, vec(γ), σε, 2 α, δ ), com α sendo um vetor coluna J-dimensional de elementos em Σ ɛ, δ = Σ 1 ɛ σ vɛ e σε 2 = σv 2 σ v,ɛσ 1 ɛ σ vɛ O estimador QMLE, ˆθ = arg max θ Θ ln L n (θ). Uma condição necessária é que ln L N(ˆθ) θ = 0
47 Matrizes endógenas Econometria Espacial Aula 2: André Luis Squarize Chagas 16 de março de 2016
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:
Leia maisAula 2 Tópicos em Econometria I. Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses
Aula 2 Tópicos em Econometria I Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses A Questão da Causalidade Estabelecer relações entre variáveis não é suficiente para a análise econômica.
Leia maisEconometria. Econometria ( ) O modelo de regressão linear múltipla. O modelo de regressão linear múltipla. Aula 2-26/8/2010
Aula - 6/8/010 Econometria Econometria 1. Hipóteses do Modelo de RLM O modelo de regressão linear múltipla Estudar a relação entre uma variável dependente e uma ou mais variáveis independentes. Forma genérica:
Leia maisProcessamento de erros grosseiros - Identiمحcaچcﷺao
Processamento de erros grosseiros - Identiمحcaچcﷺao Método ˆb Base: variável ˆβ interpretada como uma estimativa do erro associado à medida; verificação da magnitude do erro com relação a faixa esperada
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 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 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 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 maisEconometria. Econometria MQO MQO. Resíduos. Resíduos MQO. 1. Exemplo da técnica MQO. 2. Hipóteses do Modelo de RLM. 3.
3. Ajuste do Modelo 4. Modelo Restrito Resíduos Resíduos 1 M = I- X(X X) -1 X Hipóteses do modelo Linearidade significa ser linear nos parâmetros. Identificação: Só existe um único conjunto de parâmetros
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
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 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 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 maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 7
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 7 O Modelo Estrutural Identificação Seja z t = (z 1t,...,z mt ) R m um vetor composto das variáveis de interesse.
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 maisNotas de Aulas Econometria I ** Eduardo P. Ribeiro, 2010 PARTE II
Notas de Aulas Econometria I ** Eduardo P Ribeiro, 00 PARTE II Autocorrelação Autocorrelação: violação da hipótese: E [ε t ε t-s ] = 0, para s > 0, como por exemplo, ε t = ε t- + υ t, onde υ t é ruído
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 12
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 12 Regressão com Variáveis Não-Estacionárias Considere três processos estocásticos definidos pelas seguintes
Leia maisINSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 2007/2008 Semestre: 1 o
INSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 27/28 Semestre: o MATEMÁTICA COMPUTACIONAL Exercícios [4 Sendo A M n (C) mostre que: (a) n A 2 A n A 2 ; (b)
Leia maisEconometria II. Equações simultâneas
Eco monitoria Leandro Anazawa Econometria II Este não é um resumo extensivo. O intuito deste resumo é de servir como guia para os seus estudos. Procure desenvolver as contas e passos apresentados em sala
Leia maisEconometria. Econometria: Paradigma. Porque usar econometria? Porque usar econometria?
Econometria: Paradigma Econometria 1. O Paradigma da Econometria 19/8 Fundamentos teóricos Microeconometria e macroeconometria Modelagem comportamental: otimização, oferta de trabalho, equações de demanda,
Leia maisEconometria para Avaliação de Políticas Públicas
Aula 3: LATE Itaú Social 13/01/2016 Auto-seleção nos não-observáveis. Como estimar o ATE quando Pr [T = 1jY (1), Y (0), X ] 6= Pr [T = 1jX ] = p (X ) Na literatura econométrica, tem-se um problema equivalente:
Leia maisMulticolinariedade e Autocorrelação
Multicolinariedade e Autocorrelação Introdução Em regressão múltipla, se não existe relação linear entre as variáveis preditoras, as variáveis são ortogonais. Na maioria das aplicações os regressores não
Leia maisFundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Padrão Pontual
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Padrão Pontual Padrão de Pontos A análise de padrão de pontos, é o tipo mais simples de análise
Leia maisEstimação de Variáveis Instrumentais e Mínimos Quadrados de Dois Estágios. Wooldridge, Cápítulo 15
Estimação de Variáveis Instrumentais e Mínimos Quadrados de Dois Estágios Wooldridge, Cápítulo 5 Variáveis Instrumentais () 2 Variáveis Instrumentais Considere o seguinte modelo de regressão linear múltipla
Leia maisAULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1
AULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1 Susan Schommer Econometria I - IE/UFRJ Distribuições amostrais dos estimadores MQO Nas aulas passadas derivamos o valor esperado e variância
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 maisMAB-515 Avaliação e Desempenho (DCC/UFRJ)
MAB-515 Avaliação e Desempenho (DCC/UFRJ) Aula 7: Intervalos de Confiança 13 de novembro de 2012 1 2 3 4 Percentil 100p%-percentil O ponto t 0 tal que t 0 = F 1 X (p) = min{t : F X (t) p}, 0 < p < 1 é
Leia maisÁlgebra Linear I - Aula Matriz de uma transformação linear em uma base. Exemplo e motivação
Álgebra Linear I - Aula 19 1. Matriz de uma transformação linear em uma base. Exemplo e motivação 2. Matriz de uma transformação linear T na base β 1 Matriz de uma transformação linear em uma base. Exemplo
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisModelos Lineares Generalizados - 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 maisDefinição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento
Leia maisAUTOCORRELAÇÃO ESPACIAL. Flávia F. Feitosa
AUTOCORRELAÇÃO ESPACIAL Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Junho de 2015 AULAS ANTERIORES A importância analítica do espaço para o Planejamento Territorial
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 8
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 8 Variáveis Não-Modeladas Condição de Ordem e Condição de Posto Estimação O Modelo Estrutural Seja z t =
Leia maisTécnicas econométricas para avaliação de impacto O uso de algoritmos de emparelhamento baseados em escore de propensão propensity score matching
Técnicas econométricas para avaliação de impacto O uso de algoritmos de emparelhamento baseados em escore de propensão propensity score matching Bruno César Araújo Instituto de Pesquisa Econômica Aplicada
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 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 maisUNIVERSIDADE FEDERAL DO ABC
UNIVERSIDADE FEDERAL DO ABC BC49 Cálculo Numérico - LISTA - sistemas lineares de equações Profs André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda Métodos diretos Analise os sistemas
Leia mais2 Modelos Não Lineares
Modelos Não Lineares 17 2 Modelos Não Lineares 2.1. Introdução Nos últimos anos, muitos modelos não-lineares para a análise de séries temporais têm sido propostos. Na econometria clássica, os modelos de
Leia maisÉ dada uma tabela de contingências, sendo os factores de classificação as proveniências (a=3 níveis) e os terrenos (b=3 níveis).
ISTITUTO SUPERIOR DE AGROOMIA ESTATÍSTICA E DELIEAMETO 3 de ovembro, 017 PRIMEIRO TESTE 017-18 Uma resolução possível I É dada uma tabela de contingências, sendo os factores de classificação as proveniências
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 maisEstimação e Testes de Hipóteses
Estimação e Testes de Hipóteses 1 Estatísticas sticas e parâmetros Valores calculados por expressões matemáticas que resumem dados relativos a uma característica mensurável: Parâmetros: medidas numéricas
Leia mais4 Estratégias de agrupamento e desempenho dos receptores
4 Estratégias de agrupamento e desempenho dos receptores O capítulo anterior apresentou exemplos de resultados de desempenho do receptor ótimo por grupos, para N = 6 símbolos. Nestes exemplos os agrupamentos
Leia mais3 Modelo Matemático Definições Iniciais. Denote-se, em geral, o desvio-padrão do processo por σ = γσ 0, sendo σ 0 o
Modelo Matemático 57 3 Modelo Matemático Este trabalho analisa o efeito da imprecisão na estimativa do desvio-padrão do processo sobre o desempenho do gráfico de S e sobre os índices de capacidade do processo.
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 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 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 maisProbabilidades e Estatística - LEIC + LERCI + LEE 2 o semestre 2004/05
Departamento de Matemática Secção de Estatística e Aplicações - IST Probabilidades e Estatística - LEIC + LERCI + LEE 2 o semestre 2004/05 3 o Teste 4/6/2005 9h O Teste que vai realizar tem a duração total
Leia 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 maisAula 1. Wilson Correa. June 27, 2017
Aula 1 Definições Básicas Wilson Correa June 27, 2017 Série de Tempo Definição Uma série de tempo é qualquer conjunto de observações ordenadas no tempo. Podem ser: Discretas. Ex: Valores Diários de Poluição,
Leia maisCap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Intervalo Amostragem e inferência estatística População: consiste na totalidade das observações em que estamos interessados. Nº de observações na população é denominado tamanho=n.
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 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 maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisTestes de Hipóteses. Curso de Introdução à Econometria usando o R. Vítor Wilher. 1 de Dezembro de analisemacro.com.br
Testes de Hipóteses Curso de Introdução à Econometria usando o R Vítor Wilher analisemacro.com.br 1 de Dezembro de 2016 Vítor Wilher (analisemacro.com.br) Testes de Hipóteses 1 de Dezembro de 2016 1 /
Leia maisAULA 11 Heteroscedasticidade
1 AULA 11 Heteroscedasticidade Ernesto F. L. Amaral 30 de julho de 2012 Análise de Regressão Linear (MQ 2012) www.ernestoamaral.com/mq12reg.html Fonte: Wooldridge, Jeffrey M. Introdução à econometria:
Leia maisUNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL FACULDADE DE CIÊNCIAS ECONÔMICAS PROGRAMA DE PÓS-GRADUAÇÃO EM ECONOMIA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL FACULDADE DE CIÊNCIAS ECONÔMICAS PROGRAMA DE PÓS-GRADUAÇÃO EM ECONOMIA MARIANA HAUER OS MODELOS VAR E VEC ESPACIAIS: UMA ABORDAGEM BAYESIANA Porto Alegre 2007
Leia maisO papel do capital humano no crescimento - uma análise espacial para o Brasil
O papel do capital humano no crescimento - uma análise espacial para o Brasil Ariene da Silva Salgueiro * Luciano Nakabashi ** Diogo de Prince *** Resumo - O presente trabalho investiga o papel do espaço
Leia maisVariáveis Instrumentais
Técnicas Econométricas para Avaliação de Impacto Variáveis Instrumentais Guilherme Issamu Hirata Centro Internacional de Pobreza (IPC/PNUD) Brasília, 2 de maio de 28. Introdução Qualidade do Ensino: Escola
Leia maisMAE 5882 aula 02. O log-retorno de período k (agregação temporal dos retornos)
Agregação de Retornos MAE 5882 aula 02 O log-retorno de período k (agregação temporal dos retornos) Agregação cross-section (transversal), para diversos ativos de uma carteira de investimentos, c: Suponha
Leia maisTestes de Raiz Unitária para Dados em Painel
Aula 7 Bibliografia: Stata, 2017. help xtunitroot. From Stata/SE 13 (accessed on Oct. 23, 2018). Pesaran, M.H. (2015). Time series and panel data econometrics. Oxford: Oxford University Press. Rafael S.
Leia maisUniversidade de Brasília Instituto de Ciências Exatas Departamento de Estatística ANÁLISE DOS MODELOS DE REGRESSÃO ESPACIAL SAR, SEM E SAC
Universidade de Brasília Instituto de Ciências Exatas Departamento de Estatística ANÁLISE DOS MODELOS DE REGRESSÃO ESPACIAL SAR, SEM E SAC CAIO VIEIRA RÊGO 09/07979 MARINA GARCIA PENA 09/13383 Brasília
Leia maisAnálise de Dados Longitudinais Aula
1/20 Análise de Dados Longitudinais Aula 13.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/20 Sumário 1 Modelos Marginais 2 3/20 Modelos Marginais Modelos Marginais para Dados
Leia maisCapítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
Leia maisNotas de Aulas Econometria I ** Eduardo P. Ribeiro, 2011 PARTE II
Notas de Aulas Econometria I ** Eduardo P Ribeiro, 0 PARTE II Autocorrelação Autocorrelação: violação da hipótese: E [ε t ε t-s ] = 0, para s > 0, como por exemplo, ε t = ρ ε t- + υ t, onde υ t é ruído
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 maisGabarito - Lista 5 - Questões de Revisão
Gabarito - Lista 5 - Questões de Revisão Monitores: Camila Steffens e Matheus Rosso Parte I - Teoria assintótica 1. Enuncie a lei dos grandes números e o teorema central do limite. A LGN em sua expressão
Leia maisEstimação de Estados em Sistemas de Potência
Estimação de Estados em Sistemas de Potência Antonio Simões Costa LABSPOT A. Simões Costa (LABSPOT) EESP 1 / 16 Estimação de Estados em Sistemas de Potência (I) Objetivo: A partir de telemedidas redundantes
Leia maisUniversidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais 1 Introdução Identificação via Mínimos Quadrados Prof. Walter Fetter
Leia maisEconometria para Avaliação de Políticas Públicas
Aula 2: O Método de Diferenças em Diferenças Itaú Social 11/01/2016 Método extremamente popular nos últimos quinze anos. Exemplos de aplicação são os mais diversos: avaliação de programas de treinamento,
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 maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Componentes Principais
Estatística: Aplicação ao Sensoriamento Remoto SER 4 - ANO 9 Componentes Principais Camilo Daleles Rennó camilorenno@inpebr http://wwwdpiinpebr/~camilo/estatistica/ Associação entre Variáveis r = < r
Leia maisParte 1 - Matrizes e Sistemas Lineares
Parte 1 - Matrizes e Sistemas Lineares Matrizes: Uma matriz de tipo m n é uma tabela com mn elementos, denominados entradas, e formada por m linhas e n colunas. A matriz identidade de ordem 2, por exemplo,
Leia maisMAT2457 ÁLGEBRA LINEAR PARA ENGENHARIA I Gabarito da 2 a Prova - 1 o semestre de 2015
MAT27 ÁLGEBRA LINEAR PARA ENGENHARIA I Gabarito da 2 a Prova - 1 o semestre de 201 Nesta prova considera-se fixada uma orientação do espaço e um sistema de coordenadas Σ (O, E) em E 3, em que E é uma base
Leia maisAutovalores e Autovetores
Algoritmos Numéricos II / Computação Científica Autovalores e Autovetores Lucia Catabriga 1 1 DI/UFES - Brazil Junho 2016 Introdução Ideia Básica Se multiplicarmos a matriz por um autovetor encontramos
Leia maisGABRIEL BUJOKAS
APLICAÇÕES DE ÁLGEBRA LINEAR À COMBINATÓRIA GABRIEL BUJOKAS (GBUJOKAS@MIT.EDU) A gente vai discutir algumas das aplicações clássicas de álgebra linear à combinatória. Vamos começar relembrando alguns conceitos
Leia maisIntrodução à Inferência Estatística
Introdução à Inferência Estatística Prof. Dr. Francisco Marcelo M. da Rocha 10 de Setembro de 2018 Rocha, F.M.M. (EPPEN - UNIFESP) Estatística I 10 de Setembro de 2018 1 / 60 Índice 1 Objetivo da Aula
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 14 de abril de 2014 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisAula 14. Aula de hoje. Aula passada
Aula 14 Aula passada Autovalores, autovetores, decomposição Convergência para estacionaridade Tempo de mistura Spectral gap Tempo de mistura de passeios aleatórios Aula de hoje Caminho amostral Teorema
Leia maisMestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007
Projeções de Séries S Temporais Econometria dos Mercados Financeiros Mestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007 Objetivo do curso
Leia maisP4 de Álgebra Linear I
P4 de Álgebra Linear I 2008.2 Data: 28 de Novembro de 2008. Gabarito. 1) (Enunciado da prova tipo A) a) Considere o plano π: x + 2 y + z = 0. Determine a equação cartesiana de um plano ρ tal que a distância
Leia maisAgrupamento de dados. Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral
Agrupamento de dados Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral Dados e grafos Se temos dados x i, i 0... n, criamos
Leia maisG4 de Álgebra Linear I
G4 de Álgebra Linear I 20122 Gabarito 7 de Dezembro de 2012 1 Considere a transformação linear T : R 3 R 3 definida por: T ( v = ( v (1, 1, 2 (0, 1, 1 a Determine a matriz [T ] ε da transformação linear
Leia maisMAE 5882 aula 02. O log-retorno de período k (agregação temporal dos retornos)
Agregação de Retornos MAE 5882 aula 02 O log-retorno de período k (agregação temporal dos retornos) Agregação cross-section (transversal), para diversos ativos de uma carteira de investimentos, c: Suponha
Leia maisTópicos de Estatística Espacial Geoestatística
Tópicos de Estatística Espacial Geoestatística Anderson Castro Soares de Oliveira Geoestatística A geoestatística é uma análise espacial que considera que a variável em estudo se distribui continuamente
Leia maisMétodos Numéricos e Estatísticos Parte II-Métodos Estatísticos
Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Lic. Eng. Biomédica e Bioengenharia-2009/2010 Modelos de regressão É usual estarmos interessados em estabelecer uma relação entre uma variável
Leia 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 maisAula 25 - Espaços Vetoriais
Espaço Vetorial: Aula 25 - Espaços Vetoriais Seja V um conjunto não vazio de objetos com duas operações definidas: 1. Uma adição que associa a cada par de objetos u, v em V um único objeto u + v, denominado
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 maisTeoria da Estimação. Fabricio Goecking Avelar. junho Universidade Federal de Alfenas - Instituto de Ciências Exatas
Teoria da Estimação Fabricio Goecking Avelar Universidade Federal de Alfenas - Instituto de Ciências Exatas junho - 2018 Algumas distribuições importantes Sumário 1 Algumas distribuições importantes 2
Leia 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 maisUniversidade Estadual de Santa Cruz (UESC) Segunda prova de seleção para ingresso em 2012/2. Nome: Data: 13/08/2012
Universidade Estadual de Santa Cruz (UESC) Programa de Pós-Graduação em Física Segunda prova de seleção para ingresso em 2012/2 Nome: Data: 13/08/2012 1 Seção A: Mecânica Clássica Uma nave espacial cilíndrica,
Leia maisFernando de Pol Mayer
Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative
Leia maisAula 1 - Revisão de Probabilidade e Estatística
Aula 1 - Revisão de Probabilidade e Estatística Matheus Rosso e Camila Steffens 1 de Março de 2018 Conteúdos 1. Introdução à probabilidade 2. Probabilidade condicional e independência 3. Variáveis aleatórias
Leia maisFundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Áreas
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Áreas Áreas Na análise de áreas o atributo estudado é em geral resultando de uma contagem ou um
Leia mais4 Modelos de Regressão Dinâmica
4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:
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 maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia maisUNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE CIÊNCIAS EXATAS
1 1) Seja X uma variável aleatória com função de densidade dada por: Pede-se: f (x) = e 2 1 (, )(x) 1.1) Qual a distribuição da variável aleatória Y = X? 1.2) Encontre o valor esperado da variável Y. 2
Leia maisAULAS 25 E 26 Heteroscedasticidade
1 AULAS 25 E 26 Heteroscedasticidade Ernesto F. L. Amaral 10 e 15 de junho de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução à econometria:
Leia maisÁLGEBRA LINEAR I - MAT0032
UNIVERSIDADE FEDERAL DA INTEGRAÇÃO LATINO-AMERICANA Instituto Latino-Americano de Ciências da Vida e Da Natureza Centro Interdisciplinar de Ciências da Natureza ÁLGEBRA LINEAR I - MAT32 12 a Lista de exercícios
Leia mais