1. Início
  2. NOVA Information Management School
  3. Mestrado em Gestão de Informação
  4. Especialização em Gestão do Conhecimento e Business Intelligence (Inteligência de Negócio)
  5. Análise de Dados Discretos

Análise de Dados Discretos

Objetivos

1. Desenvolver uma abordagem crítica para a análise de tabelas de contingência
2. Examinar as ideias básicas e métodos de modelos lineares generalizados
3. Ligar os métodos logit e log-linear com modelos lineares generalizados
4. Desenvolver competências de análise de dados discretos usando R

Caracterização geral

Código

200198

Créditos

4.0

Professor responsável

Docente a designar

Horas

Semanais - A disponibilizar brevemente

Totais - A disponibilizar brevemente

Idioma de ensino

Português. No caso de existirem alunos de Erasmus, as aulas serão leccionadas em Inglês

Pré-requisitos

  

Bibliografia

- Agresti, A. (2013). Categorical Data Analysis, 3rd Edition, Wiley.

Método de ensino


A unidade curricular é baseada em aulas teóricas e práticas. Serão aplicadas diversas estratégias de ensino, incluindo exposição e demonstrações com apresentação de slides, aplicações passo a passo (com e sem software), perguntas e respostas. As sessões incluem apresentação de conceitos e metodologias, resolução de exemplos, discussão e interpretação de resultados. A componente prática está orientada para a resolução de problemas e exercícios, incluindo a discussão e interpretação de resultados. É igualmente proposto um caderno de exercícios que deverão ser resolvidos com trabalho individual fora das aulas.
 

Método de avaliação

Avaliação:
1ª época: p rojeto (40%), exame 1º época (60%)
2ª época: exame final (100%)

Conteúdo


1. Revisão de distribuições de probabilidade discretas: binomial, multinomial e Poisson. O conceito de probabilidade.
2. Testes sobre tabelas. X2 Pearson e de razão de probabilidades.
3. Tabelas de contingência incluindo tabelas 2 × 2 e r × c, testes de independência e homogeneidade de proporções, teste exato de Fisher, odds ratio e logit, outras medidas de associação.
4. Tabelas de três vias em independência total e contextos de independência condicional.
5. Modelos lineares generalizados em regressão de Poisson e contextos de regressão logística para resposta dicotómica, incluindo interpretação de coeficientes, principais efeitos e interações, seleção de modelos, diagnósticos e avaliação da adequação do ajuste.
6. Modelos logit para resposta ordinal e nominal.
7. Modelos Log-lineares (e modelos gráficos) para tabelas multi-way.
8. Medidas repetidas, mínimos quadrados generalizados, modelos mistos
9. Modelos de classe latente e dados omissos.