Sumários

Módulo II - Modelos Lineares Generalizados

28 Maio 2025, 14:00 Jorge Filipe Campinos Landerset Cadima

Este sumário corresponde a duas aulas reais, que decorreram na 5ª-feira, 5 de Junho, e 2ª-feira, 9 de Junho de 2025, entre as 10h30 e 12h30, na Sala de Aulas do Pavilhão Sertório do Monte Pereira.

[Aula 3 - Slides 93-132] MLGs para componente aleatória Poisson. A Poisson como distribuição da família exponencial. A função de ligação canónica para modelos Poisson. Modelos log-lineares. Interpretação dos parâmetros beta_j em modelos log-lineares. Resolução do Exercício 3. Avaliação da qualidade dum MLG: o conceito de modelo saturado e a definição de Desvio (reduzido). Definição de Desvio num modelo Poisson. A Razão de Verosimilhanças e o Teste de Wilks (LRT) para comparar modelo e submodelos (quando não é necessário estimar o parâmetro de dispersão fi). O Teste de Wilks como teste de ajustamento global dum MLG. Exemplo com o Exercício 1. O Desvio em modelos Bernoulli e Binomial/n. Aplicação do Teste de Wilks para calcular intervalos de confiança de perfis (profiling) para cada parâmetro beta_j. O Critério de Informação de Akaike (AIC). em MLGs. Modelos com variável resposta Gama. Discussão da distribuição Gama: a parametrização adequada para MLGs; como se encaixa na família exponencial; a variância proporcional ao quadrado da média; a função de ligação canónica. Alguns exemplos. Um quadro-resumo das distribuições estudadas na família exponencial. A necessidade de estimar o parâmetro de dispersão fi.. Desvio e desvio reduzido: o caso das distribuiçẽs Normal e Gama.

[Aula 4 - Slides 133-175] Três tipos de resíduos em MLGs: usuais, do desvio e de Pearson. Os Resíduos do Desvio: definição geral e particularizações para cada distribuição. A Função de Variância em MLGs: definição geral e particularizações para cada distribuição. Os Resíduos de Pearson: definição geral e particularização para cada distribuição. A Estatística de Pearson Generalizada. O estimador habitual para o parâmetro de dispersão fi. Cálculo de resíduos no R. Brevíssima discussão do uso de resíduos no estudo dum MLG. MLGs de tipo ANCOVA: a discussão no contexto de MLGs com um único preditor numérico e um factor que define diferentes contextos. Resolução do Exercício 9. Introdução ao estudo de Tabelas de Contingência com Modelos Log-Lineares. O caso das tabelas de contingências a 2 factores e os modelos log-lineares de tipo ANOVA. A realção entre o estudo da independência pelo usual teste qui-quadrado e por um modelo Log-Linear. Brevíssima discussão da generalização para Tabelas de Contingência a 3 factores: a relação entre diferentes tipos de independência e diferentes modelos de tipo ANOVA a 3 factores.


Módulo II - Modelos Lineares Generalizados

23 Maio 2025, 14:00 Jorge Filipe Campinos Landerset Cadima

Este sumário corresponde a duas aulas reais, que decorreram na 2ª-feira e 4ª-feira, dias 2 e 4 de Junho de 2025, entre as 10h30 e 12h30, na Sala de Aulas do Pavilhão Sertório do Monte Pereira.

[Aula 1: Slides 1-53] Introdução e bibliografia de Modelos Lineares Generalizados. Um exemplo motivador: os dados de doença arterial coronária de Hosmer & Lemeshow. As duas extensões do Modelo Linear que definem um MLG. As 3 componentes dum MLG (aleatória, sistemática e função de ligação). A família exponencial de distribuições: definição (com 2 parâmetros). Discussão de casos particulares: Normal, Bernoulli, 'Binomial/n'. Funções de ligação canónicas. O Modelo Linear como caso particular dum MLG. A Regressão Logística: MLG para Y Bernoulli ou Binomial/n com a respectiva função de ligação canónica. A relação entre componentes aleatórias Bernoulli e Binomial/n. De novo o exemplo dos dados Hosmer & Lemeshow: ajustamento do modelo com os comandos do R (glm, coef, predict, fitted). Comentários e interpretações na Regressão Logística. A estimação de parâmetros em MLGs: o método da Máxima Verosimilhança. O sistema de equações não lineares de equações normais e a necessidade de algoritmos numéricos de resolução.

[Aula 2: Slides 54-92] A estimação de parâmetros em MLGs: o método de Newton-Raphson e a variante de Fisher (usando a matriz de informação de Fisher). Exemplificação no caso da Regressão Logística. Outros MLGs para variável resposta Bernoulli/Binomial: o modelo probit e o modelo log-log do complementar. Discussão das suas origens históricas e motivações. Propeiredades das sigmóides ajustadas nos modelos probit e log-log do complementar. Exemplos com os dados de Hosmer & Lemeshow. Inferência em MLGs com base nas propriedades assintóticas de estimadores de Máxima Verosimilhança. Funções do R (summary, vcov, confint.default, confint e update). Resolução do Exercício 1.


Módulo II - Revisões Modelo Linear

21 Maio 2025, 14:00 Fernanda Maria dos Reis Torroaes Valente

Organização de dados em folhas de cálculo. O modelo de regressão linear no R: algumas funções para a análise descritiva de um conjunto de dados, as funções lm, summary e outras aplicadas a objectos do tipo lm.
[aula lecionada no dia 20 de maio de 2025, 10h-12h30]
Submodelos e algoritmos de pesquisa no R com a função step. As análises de variância e de covariância no R. Resolução de exercícios.
[aula lecionada no dia 27 de maio de 2025, 10h-12h]


Módulo II – Modelos Lineares Mistos

16 Maio 2025, 14:00 Elsa Maria Félix Gonçalves

Modelos Lineares Mistos. Estudo de alguns casos particulares. Exercícios de aplicação no R.

(aula lecionada – 30 maio de 2025, 9h-13h)


Módulo II – Modelos Lineares Mistos

14 Maio 2025, 14:00 Elsa Maria Félix Gonçalves

Modelos lineares mistos: alguns exemplos de aplicação. Formulação geral do modelo, propriedades e alguns casos particulares. Estimação dos parâmetros do modelo. O método de máxima verosimilhança restrita (REML). Propriedades dos estimadores de máxima verosimilhança restrita – caso geral. As equações do modelo misto. Os melhores estimadores lineares não enviesados (BLUEs) dos efeitos fixos e os melhores preditores lineares não enviesados (BLUPs) dos efeitos aleatórios.

Testes de hipóteses (e intervalos de confiança) a combinações lineares dos efeitos do modelo linear misto. Comparação e selecção de modelos: testes de razão de verosimilhanças, critério de informação de Akaike e critério de informação de Bayes. Validação dos pressupostos do modelo.

(aula lecionada – 25 maio de 2025, 9h-13h)