Extensões de Modelos de Regressão

Histórico das aulas

  1. Ter 06/Ago (WZ):
    • Aula inaugural.
    • Informações sobre o curso, avaliações, datas, etc.
    • Uma visão geral do conteúdo de EMR.
  2. Qui 08/Ago (WZ):
  3. Ter 13/Ago (WZ):
  4. Qui 15/Ago (PJ):
    • Revisão de modelos de regressão.
    • Pressupostos, modelo para a média e para a variância.
    • Modelos lineares generalizados.
    • Estudo de caso.
  5. Ter 20/Ago (PJ):
    • Medidas de ajuste de modelos de regressão.
    • Verossmilhança para modelos com a resposta transformada.
  6. Qui 22/Ago (PJ):
    • Introdução aos modelos de regressão segmentados.
    • Restrições lineares nos parâmetros e construção das variáveis.
    • Modelo de dois segmentos lineares disconectados e conectados.
  7. Ter 27/Ago (PJ):
    • Regressão por partes e segmentada para diferentes casos com um ponto de corte.
    • Regressões com dois ou mais pontos de corte.
    • Diferentes parametrizações.
  8. Qui 29/Ago (PJ):
  9. Ter 03/Set:
  10. Qui 05/Set: (WZ) Outros métodos de suavização (smoothing splines, lowess)
  11. Ter 10/Set: (WZ) Fundamentos dos métodos de suavização
  12. Qui 12/Set: Lidando com múltiplas covariáveis, duas esratégias: GAM’s e Árvores - introdução. Dúvidas para avaliação
  13. Ter 17/Set: (PJ) 1º avaliação.
  14. Qui 19/Set: (PJ) GAM’s
  15. Ter 24/Set: SIEPE
  16. Qui 26/Set: SIEPE
  17. Ter 01/Out: (PJ) Introdução às árvores de regressão: descrição com uma covariável
  18. Qui 03/Out: (PJ) Árvores de regressão. Árvores com mais de uma covariável e poda
  19. Ter 08/Out: (PJ) Mais sobre árvores de regressão e árvores de classificação
  20. Qui 10/Out: (WZ) Visão geral de métodos baseados em árvores.
  21. Ter 15/Out: (WZ) Introdução aos modelos de regressão não linear.
    • Aspectos motivacionais.
    • Definição e formulação.
    • Interpretação dos parâmetros.
  22. Qui 17/Out: (WZ) Modelos de regressão não linear.
    • Parametrizações em modelos não lineares.
  23. Ter 22/Out: (WZ) Ajuste de modelos não lineares no R.
    • Uso da função nls(): argumentos, acionamento, funcionamento e resultados.
    • Interpretação dos resultados: medidas de ajuste, estimativas pontuais e intervalares, predição.
    • Obtenção de intervalos de confiança para a predição via implementação do método delta.
  24. Qui 24/Out: (WZ) Ajuste de modelos não lineares para dados com estrutura de fatores.
    • Uso da função nlme::nlsList() e nlme::gnls().
    • Testes de hipótese para os parâmetros do modelo.
    • Ajuste de modelos encaixados.
    • Confeção das bandas de confiança pelo método delta.
  25. Ter 29/Out: (WZ) Recursos adicionais para ajuste e inferência em modelos não lineares.
    • Funções self-start para valores iniciais.
    • Procura extensiva em grid.
    • Regiões de confiança conjunta.
    • Intervalos de confiança baseados em métodos de reamostragem.
  26. Qui 31/Out: (PJ) Modelos com dependência entre observações.
    • Três formas de induzir dependência (transição, marginal e efeitos aleatórios).
    • Introdução aos modelos de efeitos aleatórios.
  27. Ter 05/Nov: (PJ/WZ) Modelos de efeitos aleatórios.
    • Forma geral, inferência, construção das matrizes de efeitos fixos e aleatórios.
    • Situações em que o efeito é fixo ou aleatório e suas implicações inferênciais.
    • Exemplos de análise com emprego de termos de efeito aleatório: comportamento ingestivo, evolução de severidade de doença.
  28. Ter 07/Nov: 2º avaliação.
  29. Ter 12/Nov:
  30. Qui 14/Nov:
  31. Ter 19/Nov:
  32. Qui 21/Nov:
  33. Ter 26/Nov:
  34. Qui 28/Nov:
  35. Ter 03/Dez:
  36. Qui 05/Dez:
  37. Ter 10/Dez: Exame final.