Diferenças
Aqui você vê as diferenças entre duas revisões dessa página.
| Ambos lados da revisão anteriorRevisão anteriorPróxima revisão | Revisão anterior | ||
| disciplinas:ce092-2015-02:historico [2015/09/24 17:56] – paulojus | disciplinas:ce092-2015-02:historico [2015/12/15 14:16] (atual) – paulojus | ||
|---|---|---|---|
| Linha 16: | Linha 16: | ||
| ^ Data ^ Conteúdo ^ Leitura ^ Exercícios ^ Tópico ^ | ^ Data ^ Conteúdo ^ Leitura ^ Exercícios ^ Tópico ^ | ||
| | 04/08 Ter |Informações sobre o curso. Uma discussão sobre algumas possíveis extensões do modelo de regressão: GLM, modelos com respostas transformadas, | | 04/08 Ter |Informações sobre o curso. Uma discussão sobre algumas possíveis extensões do modelo de regressão: GLM, modelos com respostas transformadas, | ||
| - | | 06/08 Qui |Dois exemplos e opções para ajuste de modelos | | | | | + | | 06/08 Qui |Discussão da turma sobre os dois exemplos e opções para ajuste de modelos | | | | |
| - | | 11/08 Ter | | | | | | + | | 11/08 Ter |Apresentações: |
| - | | 13/08 Qui |Modelos de regressão segmentada | | | | | + | | 17/09 Qui |Fundamentos de modelos não lineares | |{{http:// |
| - | | 17/09 Qui |Fundamentos de modelos não lineares | | | | | + | |
| | 22/09 Ter |Cálculo de verossimilhança para modelos de ajustes com diferentes distribuições e com transformação de variáveis. Verossimilhanças na mesma escala para comparação. Comentários sobre modelos com independência condicional. |{{: | | 22/09 Ter |Cálculo de verossimilhança para modelos de ajustes com diferentes distribuições e com transformação de variáveis. Verossimilhanças na mesma escala para comparação. Comentários sobre modelos com independência condicional. |{{: | ||
| - | | 24/09 Qui |Exercícios e códigos: modelos não lineares e modelos para variáveis transformadas | [[# | + | | 24/09 Qui |Exercícios e códigos: modelos não lineares e modelos para variáveis transformadas |
| + | | 29/09 Ter | Regressão não paramétrica: | ||
| + | | 01/10 Qui | Regressão não paramétrica. Exemplos computacionais e discussão em grupo. |Cap 11 de Faraway | | | ||
| + | | 06/10 Ter |SIEPE - sem aulas neste dia | | | | ||
| + | | 08/10 Qui |GLM' | ||
| + | | 13/10 Ter |Modelos GLMM - inferência e métodos de integração (quadratura, | ||
| + | | 15/10 Qui |Programação de algorítmos para inferência em um GLMM simples com diferentes estratégias de integração | ||
| + | | 20/10 Ter |Métodos de quadratura e Monte Carlo | | | | ||
| + | | 22/10 Qui |revisão de inferência para GLMM e preparação do método de Laplace | ||
| + | | 27/10 Ter |Verossimilhança para GLMM com integração de Laplace: revisão de fundamentos e implementação | ||
| + | | 29/10 Qui |Modelos mistos na prática: preparação de exemplos de ajustes | ||
| + | | 03/11 Ter | | | | | ||
| + | | 05/11 Qui | | | | | ||
| + | | 10/11 Ter | | | | | ||
| + | | 12/11 Qui | | | | | ||
| + | | 17/11 Ter | | | | | ||
| + | | 19/11 Qui | | | | | ||
| + | | 24/11 Ter |Árvores de regressão e classificação - fundamentos | ||
| + | | 26/11 Qui |Estudos | ||
| + | | 01/12 Ter |Exemplos de análises de árvores | ||
| + | | 03/12 Qui |Ex Leonardo e Tópicos adicionais em árvores (Prof. César) | ||
| + | | 08/12 Ter |Introdução aos modelos heterocedásticos | ||
| + | | 10/12 Qui |Discussão do artigo de Cribari-Neto & Soares | | | | ||
| + | | 15/12 Ter | | | | | ||
| + | | 17/12 Qui | | | | | ||
| === 04/08 === | === 04/08 === | ||
| Linha 37: | Linha 61: | ||
| - Escrever suas próprias funções para ajustes de diferentes distribuições (incluindo com transformação) conforme sugerido no {{: | - Escrever suas próprias funções para ajustes de diferentes distribuições (incluindo com transformação) conforme sugerido no {{: | ||
| - Idem para modelos de regressão com variáveis transformadas | - Idem para modelos de regressão com variáveis transformadas | ||
| + | |||
| + | === 13/10 === | ||
| + | - Estimação analítica de alguns GLMM: mostre os resultados para os modelos Poisson-Gamma, | ||
| + | - Estimação numérica de um GLMM | ||
| + | - Simular dados de um modelo Poisson com efeito aleatório: \\ < | ||
| + | Y_{ij} \sim {\rm P}(\lambda_i) \\ \log(\lambda_i) = \mu + b_i \\ b_i \sim {\rm N}(0, \sigma^2)</ | ||
| + | - Escrever | ||
| + | |||
| + | === 27/10 === | ||
| + | - Aproximar pdf's pela Normal (sugestão Gamma, mas vejam ouras tb) | ||
| + | - Implementar a aproximação de Laplace para ajuste de GLMM | ||
| + | - Sugestão: implementar para GLMM com distribuição de Poisson e intercepto aleatório. | ||
| + | |||
