Módulo II; Aula 11 (MLGs)

30 Abril 2020, 10:00 • Jorge Filipe Campinos Landerset Cadima

[Acetatos MLG 52-100 + 106-118] A estimação dos parâmetros em MLGs: o método da máxima verosimilhança; as contas para o caso duma Regressão Logística; algoritmos para resolução do sistema de equações não lineares resultantes da dervação da log-verosimilhança em ordem aos beta_j; as variantes do algoritmo de Newton-Raphson utilizadas: IWLS, IRLS, Fisher Scoring. Outras funções de ligação para modelos com componente aleatória Bernoulli ou Binomial/n: o modelo Probit; a função de ligação log-log do complementar. Discussão de características de cada uma das alternativas. A função 'update' no R. Inferência baseada nas propriedades assintóticas de estimadores de máxima verosimilhança: intervalos de confiança e tetes de hipóteses para beta_js individuais ou combinaçoes lineares de beta_j. Exemplos no R. uma nota sobre intervalos de confiança obtidos com o método de profiling. Modelos log-lineares: discussão da sua caracterização e propriedades. O conceito de Desvio de um modelo. O Teste da razão de verosimilhanças e a sua utilização para comparar modelos e submodelos MLG (quando é conhecido o parâmetro de dispersão fi). O Lambda de Wilks e a sua distribuição assintótica.