É comum a ocorrência de situações nas quais os seus dados não se ajustam em modelos de  regressão lineares. Nessas situações você precisa ajustar seus dados a curvas de regressão que quantificam por efeitos não lineares entre as variáveis. No entanto, essas aplicações não lineares costumam ser enxergadas como demasiadamente complexas e de difícil aplicação, afastando a busca de aprendizado em diversas pessoas. É para te ajudar a adquirir e usar esse conhecimento de forma indolor e tranquila. Para isso, são mostrados princípios básicos e práticos de modelos generalizados não lineares demonstrados em cima de bancos de dados demonstrativos. Você será capaz de sair desse curso com conhecimento básico de modelos não lineares para aplicar em seus trabalhos e buscar independência no seu aprimoramento nesse tópico. Além disso, são fornecidas dicas e sugestões sobre as formas mais usuais e aceitas de apresentar resultados em publicações científicas e relatórios técnicos.

Carga horária: 5 horas

Data horário: 31/03/2021 (17:00 às 22:00)

Ministrante: Dr. Écio Souza Diniz

Investimento: R$ 70,00 via transferência (Banco do Brasil ou NuBank) ou R$ 76,00 com PagSeguro em parcela única

Para quem se inscrever no curso Modelos lineares generalizados 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 modelos de regressão lineares. 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:

1. Introdução teórica aos modelos não lineares
2. Pré-diagnósticos de linearidade entre variáveis resposta e preditiva
3. Ajuste de modelo quadrático
4. Modelos generalizados não lineares (GNM)
5. Curvas (smooths) de ajuste não linear
6. Modelos generalizados aditivos (GAM)
7. Correlação entre variáveis não lineares
8. Modelos generalizados aditivos mistos (GAMM)
9. Seleção de melhores modelos não lineares
10. Formas de apresentação de resultados
11. Sugestões de aprofundamento