Modelos de Regressão Não Linear Fundamentos e Aplicações em R

MRNL

Vídeos dos encontros

1º Encontro · 26/Out/2020
Gravado

2º Encontro · 27/Out/2020
Gravado

3º Encontro · 28/Out/2020
Gravado

Informações

• Curso: Modelos de Regressão Não Linear: Fundamentos e Aplicações em R
• Instrutor: Walmes Marques Zeviani, (DEST/LEG).
• Carga horária: 6 horas.
• Evento: I Workshop em regressão não linear do DES/UFLA.
• Organizadores: NLIN · Núcleo de estudos em regressão não linear aplicada e DES/UFLA.
• Veículo: Google Meet.
• Datas: 26 a 28/Out/2020 das 16h às 18h.
• Resumo: Em modelos de regressão não-linear, dados observados de uma variável resposta são descritos por uma função de variáveis explicativas que é não linear nos parâmetros. Diferente de modelos que estabelecem relações empíricas, os modelos não-lineares são motivados pelo conhecimento da relação entre as variáveis. Desta forma, as aplicações surgem nas diversas áreas onde relações físicas, biológicas, cinéticas, químicas, fisiológicas, dentre outras, são estabelecidas por funções não lineares que devem ter parâmetros estimados a partir de dados observados ou experimentais. Este curso apresenta uma seleção de tópicos e exemplos de análises de dados utilizando modelos não-lineares que vão desde o ajuste de uma curva, com a interpretação dos parâmetros, avaliação diagnóstica e inferência estatística até o ajuste simultâneo de várias curvas acomodando apropriadamente o delineamento experimental e possíveis características como termos de efeito aleatório, variância não homogênea e observações não independentes. O curso visa destacar aspectos práticos da análise com modelos não lineares, sem a intenção de cobrir extensivamente o tópico nem de apresentar fundamentações teóricas em profundidade. O curso é conduzido entrelaçando fundamentação com aplicações feitas em código R. Todo material desenvolvido, como texto, scripts e gravações serão disponibilizados online.

Ementa

1. Fundamentos de RNL.
   1. Conceituação.
   2. Estimação.
   3. Medidas de ajuste.
   4. Diagnóstico.
   5. Intervalo de confiança.
   6. Método delta.
   7. Bandas de confiança.
   8. Regiões de confiança.
   9. Bootstrap.
   10. Jackknife.
   11. Inferência Bayesiana.
2. Ajuste de RNL em experimentos planejados.
   1. Ajuste de modelos em batelada.
   2. Seleção de modelos.
   3. Ajuste com acomodação do delineamento experimental.
   4. Modelos de efeitos aleatórios.
   5. Testes de hipótese para parâmetros dos modelos.
3. Tópicos adicionais.
   1. Modelos parcialmente lineares.
   2. Funções self-start.
   3. Valores iniciais com grid-search.
   4. Acomodar estrutura de dependência.
   5. Acomodar heterocedasticidade.
   6. Noções de delineamento ótimo.

Referências bibliográficas

BATES, D.; BATES, D.; WATTS, D. Nonlinear regression analysis and its applications. Wiley, 2007.

FOX, J.; WEISBERG, S. An R companion to applied regression. SAGE Publications, 2018.

PINHEIRO, J.; BATES, D. Mixed-effects models in S and S-plus. Springer, 2009.

RATKOWSKY, D.; A, R.; GILES, D. Handbook of nonlinear regression models. M. Dekker, 1990.

RITZ, C.; STREIBIG, J. Nonlinear regression with R. Springer New York, 2008.

SCHABENBERGER, O.; PIERCE, F. Contemporary statistical models for the plant and soil sciences. CRC Press, 2001.

SEBER, G.; WILD, C. Nonlinear regression. Wiley, 2005.

---

Modelos de Regressão Não Linear: Fundamentos e Aplicações em R leg.ufpr.br/~walmes/cursoR/mrnl

Prof. Walmes M. Zeviani Departamento de Estatística · UFPR