Modelos de regressão generalizados no R


Você sabe como utilizar a estatística preditiva através de modelos de regressão generalizados com ampla aplicabilidade para explicar ou prever o comportamento de uma variável que represente evento, fenômeno ou processo? Nesse curso, nós abordamos desde os pré-processamentos e testes até os ajustes para um uso robusto e vantajoso de modelos lineares e não-lineares generalizados para explicação da relação entre variáveis. Assim, nós utilizamos e fornecemos bancos de dados de livro publicado pelo ministrante na área de modelagem de regressão para exemplificação nos exercícios em cada modelo abordado, traduzindo a aplicabilidade para um contexto interdisciplinar. A proposta e objetivo desse curso é fornecer ao participante o entendimento essencial e capacidade de aplicações básicas de alguns dos modelos de regressão mais popularmente utilizados em diversas áreas do conhecimento.O uso dos modelos generalizados permite que você obtenha melhores ajustes as distribuições reais de seus dados e, consequentemente, maior robustez e confiabilidade são obtidas nos seus resultados. Adicionalmente, serão fornecidas no curso sugestões acerca das formas mais usuais e aceitas de apresentar resultados em publicações científicas e relatórios técnicos.

Carga horária: 7 horas

Data horário: A definir

Ministrante: Dr. Écio Souza Diniz

Pré-requisitos desejáveis: entendimento do uso do software R para Windows (instalá-lo em sua versão atual no PC, instalação e carregamento de pacotes, importação de dados para dentro do software) e noção teórica de estatística básica (ex: média, variância, desvio padrão, regressão simples). O não preenchimento desses pré-requisitos não invalida participação no curso, mas isenta responsabilidade da empresa quanto ao participante conseguir acompanhar de forma bem sucedida os conteúdos abordados.

Conteúdo:
1. Introdução aos modelos generalizados
2. Pré-diagnósticos (testes de: normalidade, linearidade, correlação)
3. Ajuste de resíduos e performance dos modelos
4. Modelos Lineares Generalizados (GLM)
5. Modelos Lineares Generalizados Mistos (GLMM)
6. Modelos aditivos generalizados (GAM) – Não lineares
7. Modelos aditivos generalizados mistos (GAMM) – Não lineares
8. Seleção de melhores modelos (Akaike)
9. Sugestões de aprofundamento

Rolar para cima