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 generalizados para explicação da relação entre variáveis. Assim, nós utilizamos e fornecemos bancos de dados de vegetação de livro no tópico de modelagem de regressão do ministrante para exemplificação nos exercícios em cada modelo abordado, traduzindo a aplicabilidade para um contexto interdisciplinar. 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, nós indicamos sugestões acerca das formas mais usuais e aceitas de apresentar resultados em publicações científicas e relatórios técnicos. Esse curso também se constitui numa importante base para ingressar no uso de modelos generalizados não-lineares, outro curso também ofertado pela Beta Analítica.
Carga horária: 8 horas
Data horário: 25/03/2020 (17:00 às 21:00) e 26/03//2020 (17:00 às 21:00)
Ministrante: Dr. Écio Souza Diniz
Investimento: R$ 80,00 via transferência (Banco do Brasil ou NuBank) ou R$ 86,00 com PagSeguro em parcela única.
Para quem se inscrever no curso Bases de modelos não lineares em R haverá 20% de desconto
Inscrição: https://forms.gle/MvW3EANuZTidR9pi6
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 do curso:
- Introdução aos modelos lineares
- Pré-diagnósticos (normalidade, linearidade, correlação)
- Ajuste de resíduos
- Modelos Lineares Generalizados (GLM)
- Modelos Lineares Generalizados Mistos (GLMM)
- Modelos mistos penalizados para autocorrelação espacial e temporal (GLMM PQL)
- Seleção de melhores modelos
- Sugestões de aprofundamento