ME913 | IMECC - Instituto de Matemática, Estatística e Computação Científica

Nível

Graduação

Nome da disciplina

Análise de Dados Hierárquicos

Número de Créditos

Oferecimento

A Critério da Unidade

Pré-requisito

ME613

Ementa

Introdução aos dados hierárquicos. Análise exploratória de dados hierárquicos. Conceitos básicos, terminologia e notações. Modelos lineares hierárquicos gaussianos de um, dois e vários níveis. Modelos lineares hierárquicos não gaussianos de um, dois e vários níveis. Estimação, análise de resíduos, comparação de modelos e testes de hipótese sob a ótica frequentista. Inferência Bayesiana. Modelos não lineares.

Conteúdo / Programa

Introdução aos dados hierárquicos: exemplos Análise exploratória de dados hierárquicos Revisão de modelos de regressão normais lineares homocedásticos Modelos lineares gaussianos hierárquicos com um nível Introdução Estimação Testes de hipótese Verificação da qualidade de ajuste do modelo Modelos lineares gaussianos hierárquicos com dois níveis Introdução Estimação Testes de hipótese Verificação da qualidade de ajuste do modelo Modelos lineares gaussianos hierárquicos com vários níveis Introdução Estimação Testes de hipótese Verificação da qualidade de ajuste do modelo. Modelos lineares não gaussianos hierárquicos para dados positivos assimétricos com vários níveis Introdução Estimação Testes de hipótese Verificação da qualidade de ajuste do modelo Modelos lineares não gaussianos hierárquicos para dados binários com vários níveis Introdução Estimação Testes de hipótese Verificação da qualidade de ajuste do modelo Modelos lineares não gaussianos hierárquicos para dados de contagem com vários níveis Introdução Estimação Testes de hipótese Verificação da qualidade de ajuste do modelo Outros tópicos Inferência Bayesiana Modelos não lineares

Referência Bibliográfica

Raudenbush, S. W., Bryk, A. S. (2001) Hierarchical Linear Models: Applications and Data Analysis Methods (Advanced Quantitative Techniques in the Social Sciences), SAGE Publications. Gelman, A., Hill, J. (2006) Data Analysis Using Regression and Multilevel/Hierarchical Models, Cambridge University Press. Hox, J. J., Moerbeek, M., van de Schoot, R. (2010) Multilevel Analysis: Techniques and Applications, Second Edition, Quantitative Methodology Series, Routledge. Snijders, T. Bosker, R. (2011) Multilevel Analysis: An Introduction to Basic and Advanced Multilevel Modeling, Sage publications. Finch, W. H., Bolin, J. E., Kelley, K. (2014) Multilevel Modeling Using R. Chapman & Hall/CRC Statistics in the Social and Behavioral Sciences. Natis, L. (2008). Superdispersão em dados binomiais hierárquicos. Tese de Doutorado. IME-USP. Natis, L. (2000). Modelos lineares hierárquicos. Dissertação de Mestrado. IME-USP Migon, H. S., Souza, A. D. P., Schimdt, A. M. (2008). Modelos hierárquicos e aplicações. Associação Brasileira de Estatística. 18O SINAPE (http://www.dme.ufrj.br/~mhierarquico/) Galecki, A.; Burzykowski, T. (2013). Linear Mixed-Effects Models Using R: A Step-by-Step Approach, Springer-Verlag, New York, NY. Pinheiro, J.; Bates, D. (2009). Mixed-Effects Models in S and S-PLUS, Springer-Verlag, New York, NY.

Forma de Avaliação

Por nota e frequência