Não foi possível enviar o arquivo. Será algum problema com as permissões?
CE-092 -- Segundo semestre de 2016

CE-092 -- Segundo semestre de 2016

No quadro abaixo será anotado o conteúdo dado em cada aula do curso.
São indicados os Capítulos e Sessões correspondentes nas referências bibliográficas, bem como os exercícios sugeridos.

Veja ainda depois da tabela as Atividades Complementares.

Observação sobre exercícios recomendados os exercícios indicados são compatíveis com o nível e conteúdo do curso.
Se não puder fazer todos, escolha alguns entre os indicados.

Conteúdos das Aulas

Data Conteúdo Leitura Exercícios Tópico
02/08 Ter Informações sobre o curso. Uma discussão sobre algumas possíveis extensões do modelo de regressão: GLM, modelos com respostas transformadas, segmentados, modelos não-lineares. Modelos paramétricos, não paramétricos e semi-paramétricos. Observações não independentes. Cap 1 - Introdução
Livro do Faraway
Ver abaixo Ver abaixo
04/08 Qui Discussão da turma sobre os dois exemplos e opções para ajuste de modelos
09/08 Ter Apresentações: Modelos com respostas transformadas (Helds)
11/08 Qui Tópicos adicionais em transformação de variáveis. Predições na escala original. Transformação da média e GLM. Modelos não lineares. Famílias de transformação e perfilhamento de verissimilhança. Ver abaixo
16/08 Ter Apresentações: Modelos de regressão segmentada (Luiz)
18/08 Qui Modelos de regressão segmentada (cont) e splines Ver abaixo
23/08 Ter Apresentações: transformação da média e modelo não linear (Andrey e Renata) Ver abaixo
25/08 Qui Preparação: kernel smoothing e smoothing splines Cap 11: 11.1 e 11.2
30/08 Ter Discussão dos principais aspectos e exemplos de kernel smoothing e smoothing splines
01/09 Qui Complementos ew critérios para comparação entre métodos. Validação cruzada. Relações com árvores de regressão. Idéias gerais sobre GAM - modelos aditivos generalizados
06/09 Ter Preparação - GAM's
08/09 Qui Feriado
13/09 Ter Discussão sobre GAM. Introdução aos modelos de efeitos aleatórios
15/09 Qui Viagem Professor. Estudos e preparação de materiais
20/09 Ter Modelos de efeitos aleatórios. Exemplo de medidas repetidas. Estimação Ver abaixo
22/09 Qui Discussão
27/09 Ter
29/09 Qui Cálculo de verossimilhança em modelos de efeitos aleatórios com respostas gaussianas e não gaussianas. Métodos de integração baseados em: (i) aproximação da integral, (ii) aproximação do integrando e (iii) aproximação por simulação
04/10 Ter dia não letivo - Semana Integrada de Ensino, Pesquisa e Extensão
06/10 Qui
11/10 Ter
13/10 Qui
18/10 Ter
20/10 Qui
27/10 Ter
29/10 Qui Interrupção aulas - eleições
01/11 Ter Apresentação árvores I Conrado, Lucas e Fabíola
03/11 Qui Apresentação árvores II Conrado, Lucas e Fabíola
08/11 Ter Apresentação regressão heterocedástica I Karel e Vinícius
10/11 Qui Apresentação regressão heterocedástica II Karel e Vinícius
15/11 Ter Feriado
17/11 Qui Viagem do Prof. - preparação as apresentações
22/11 Ter Regressão quantílica - I Karen, Wagner e Luis

02/08

  • Atividades
    1. Obter os materiais recomendados para o curso
    2. Utilizando este arquivo de dados, efetue as análises das regressões de Y1 vs x e Y2 vs x, cada uma delas com os modelos
      1. de regressão linear simples
      2. de regressão linear simples com transformação de variável resposta
      3. de regressão segmentada. Defina (arbitrariamente) um "ponto de corte"

Copie o arquivo para um diretório (pasta), aponte o R para esta pasta e importe os dados com:

df <- read.table("df02.txt", head=TRUE)

PS: procure utilizar funções do R e tb escrever suas próprias funções para estimar os modelos.

11/08

  • Atividades
    1. Ainda com os dados a atividade anterior:
      1. ajuste modelos com transformação de média (GLM) (glm())
      2. ajusta modelos não lineares (nls())
      3. comparar os modelos (anteriores e os agora definidos)

18/08

23/08

  • Fazer atividades sugeridas em aula
  • Buscar outro(s) dado(s) para aplicação dos modelos vistos até aqui. Em particular para reg segmentada e splines busque um conjunto de dados que não possua comportamento monotônico.
  • Aqui vai mais um conjunto de dados simulado
    set.seed(1029)
    sim01 <- data.frame(x = c(1:10, 13:22), y = numeric(20))
    sim01$y[1:10] <- 20:11 + rnorm(10, 0, 1.5)
    sim01$y[11:20] <- seq(11, 15, len=10) + rnorm(10, 0, 1.5)
    with(sim01, plot(x,y))

20/09

  1. Dados de Singer et. al.

Julio M. Singer, Carmen Diva Saldiva de André, Clóvis de Araújo Peres
Confiabilidade e Precisão na Estimação de Médias
Revista Brasileira de Estatística, v73, n. 236, jan./jun. 2012.

Local Concentra 
1     170,6 
1     154,7 
1     136,4 
1     153,1 
2      68,0 
2      66,4 
2      70,3 
2      71,1 
3     151,5 
3     138,0 
3     128,4
3     118,1
4     153,9
4     149,1
4     147,5
4     103,8
5      83,9
5     101,4
5     117,3
5     114,1


QR Code
QR Code disciplinas:ce092-2016-02:historico (generated for current page)