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: 29 e 30 de março de 2022, 17:00 às 21:00 horas
Ministrante: Dr. Écio Souza Diniz
Investimento: R$ 95,00 via transferência (Banco do Brasil ou NuBank) ou boleto (vencimento em até dois dias úteis)
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 generalizados
- Pré-diagnósticos (testes de: normalidade, linearidade, correlação)
- Ajuste de resíduos e performance dos modelos
- Modelos Lineares Generalizados (GLM)
- Modelos Lineares Generalizados Mistos (GLMM)
- Modelos aditivos generalizados (GAM) – Não lineares
- Modelos aditivos generalizados mistos (GAMM) – Não lineares
- Seleção de melhores modelos (Akaike)
- Sugestões de aprofundamento