Dar ao aluno de Mestrado e Doutorado em Estatística uma formação atualizada na área de Modelagem Estatística de Regressão. A disciplina tem como ponto de partida uma síntese dos modelos lineares Gaussianos com apresentação em forma compacta da classe dos Modelos Lineares Generalizados (MLGs). Nas primeiras aulas as principais propriedades da família exponencial uniparamétrica são apresentadas bem como a definição da classe dos MLGs. Os resultados mais importantes relacionados à estimação, inferência e procedimentos de diagnóstico são apresentados. Modelos particulares envolvendo a modelagem do parâmetro de localização das principais distribuições da família exponencial, tais como normal, Poisson, binomial, gama, Pascal e Gaussiana inversa são apresentados. Em seguida são discutidos alguns modelos envolvendo distribuições de grande potencial de aplicação que são extensões das principais distribuições da família exponencial, tais como a distribuição binomial negativa e distribuições com excesso de zeros. Modelagem dupla em que o parâmetro de localização e dispersão são modelados simultaneamente são discutidos em seguida bem como modelos aditivos generalizados que envolvem procedimentos não paramétricos na família exponencial. Na última etapa da disciplina são discutidos procedimentos para a análise de dados correlacionados não Gaussianos, tais como Equações de Estimação Generalizadas (EEGs) e modelos lineares generalizados mistos. Várias bibliotecas do R são utilizadas na disciplina bem como uma grande variedade de exemplos são apresentados. Fazemos também conexões com o GAMLSS durante a disciplina.
- Docente: Gilberto Alvarenga Paula