Objetivos
Proporcionar aos estudantes o conhecimento das técnicas de modelagem estatística de regressão
através de uma classe mais geral denominada de modelos lineares generalizados (MLGs).
Aplicar as metodologias apresentadas por meio do uso da linguagem de programação R. Discutir aplicações.
Ementa
Modelos Lineares Generalizados. Definição. Funções de ligação.
Estimação e testes. Métodos de diagnóstico. Seleção de modelos.
Aplicações. Modelos para dados contínuos. Modelos para dados binários.
Modelos para dados de contagem. Modelos de quase-verossimilhança.
Local: Plataforma unificada de comunicação e colaboração Microsoft Teams. Horário: terça-feira 20:45h - 22:15h, quinta-feira 19h - 20:30h.
Nota: a nota final será obtida como soma das notas obtidas nos quatro trabalhos assíncronos programados.
Frequência: para obter a frequência mínima de aprovação será necessário a entrega de, pelo menos, três dos trabalhos assíncronos.
Referências bibliográficas básicas
- Modelos Lineares Generalizados
Fernando Lucambio Pérez.
- MODELOS DE REGRESSÃO com apoio computacional
Gilberto A. Paula. Versão 2013.
- Modelos Lineares Generalizados
Gauss Moutinho Cordeiro, DEINFO-UFRPE e Clarice G.B. Demétrio, IME-USP. SEAGRO & RBRAS, 2007.
- Modelos de regressão para dados univariados
Gauss M. Cordeiro e Gilberto A. Paula. IMPA, 1989.
- Applying Generalized Linear Models
James K. Lindsey. Springer, 1997.
Referências bibliográficas complementares
-
GLM in R: Generalized Linear Model
DataCamp Team: Richard Erickson.
- Generalized Linear Models
Quick-R. DataCamp Team
- Generalized Linear Models
P. McCullagh and J.A. Nelder. Chapman and Hall, Second Edition, 1989
- Generalized Linear Models
Marlene Müller, Fraunhofer Institute for Industrial Mathematics, 2014.
- GENERALIZED LINEAR MODELS
Bent Jørgensen.
- Generalized Linear Models
Advanced Methods for Data Analysis, Spring, 2014.
- simpleR – Using R for Introductory Statistics