Ficha Unidade Curricular (FUC)

Informação Geral / General Information


Código :
03602
Acrónimo :
03602
Ciclo :
1.º ciclo
Línguas de Ensino :
Português (pt)
Língua(s) amigável(eis) :
Inglês, Português

Carga Horária / Course Load


Semestre :
2
Créditos ECTS :
6.0
Aula Teórica (T) :
0.0h/sem
Aula Teórico-Prática (TP) :
36.0h/sem
Aula Prática e Laboratorial (PL) :
0.0h/sem
Trabalho de Campo (TC) :
0.0h/sem
Seminario (S) :
0.0h/sem
Estágio (E) :
0.0h/sem
Orientação Tutorial (OT) :
1.0h/sem
Outras (O) :
0.0h/sem
Horas de Contacto :
37.0h/sem
Trabalho Autónomo :
113.0
Horas de Trabalho Total :
150.0h/sem

Área científica / Scientific area


Econometria

Departamento / Department


Departamento de Métodos Quantitativos para Gestão e Economia

Ano letivo / Execution Year


2023/2024

Pré-requisitos / Pre-Requisites


Estatística básica; computação básica (R)

Objetivos Gerais / Objectives


Estudar os modelos de regressão linear simples e múltipla, e os modelos autorregressivos e de média móvel e compreender a diferença entre modelos estáticos e dinâmicos.

Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes


OA1. Entender a correlação entre variáveis, o modelo de regressão linear simples e múltipla OA2. Métodos de estimação dos parâmetros (OLS e ML) OA3. Análise dos pressupostos do modelo de regressão, testes de hipótese e diagnóstico. OA4. Operador lag, estacionaridade, teste de raiz unitária, outliers e variáveis dummy, modelos ARIMA. OA5. Extensões do modelo de regressão linear: modelos não-lineares e dinâmicos. OA6. Programação básica e computação com R e Python. OA7. Aplicação dos conceitos estudados; conjunto de treino/teste e previsão, extracção de informação e valor para dados do mundo real.

Conteúdos Programáticos / Syllabus


P1. Modelos de Regressão P1.1. Correlação P1.2. Regressão linear simples P1.3. Regressão linear múltipla P2. Estimação e inferência, OLS e ML P3. Pressupostos dos resíduos P3.1. Testes de hipótese e diagnóstico P3.2. Casos práticos P4. Modelos ARMA/ARIMA/SARIMAX P4.1. Operador lag, estacionaridade, teste de raiz unitária, outliers, variáveis dummy P4.2. Ruído Branco, Modelos ARMA, ARIMA, SARIMAX P4.3. Metodologia de Box-Jenkins, Previsão P5. Extensões do modelo clássico de regressão P5.1. Regressão não-linear P5.2. Casos práticos P6. Programação básica e computação com R P7. Aplicações para dados e situações reais P7.1. Conjunto treino/teste, previsão e forecasting P7.2. Casos práticos

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular units content dovetails with the specified learning outcomes


Esta demonstração de coerência decorre da interligação dos conteúdos programáticos (P) com os objetivos de aprendizagem (OA), como a seguir se explicita: P1 -> OA1 P2 -> OA2 P3 -> OA3 P4 -> OA4 P5 -> OA5 P6 -> OA6 P7 -> AO7

Avaliação / Assessment


A avaliação periódica inclui a realização de: a) Teste individual com ponderação de 60%. b) Trabalho de grupo com ponderação de 40%. A avaliação periódica exige a presença em, pelo menos, 80% das aulas. Os alunos em avaliação periódica que não obtenham a nota mínima de 8,5 valores no teste individual e de 10 valores no trabalho deverão realizar um exame final (nota mínima de aprovação: 10 valores).

Metodologias de Ensino / Teaching methodologies


Serão utilizadas as seguintes metodologias de ensino-aprendizagem (ME): ME1. Expositivas, para apresentação dos quadros teóricos de referência ME2. Participativas, com análise de artigos científicos ME3. Ativas, com realização de trabalho de grupo ME4. Experimentais, em laboratório de informática, realizando análises sobre dados reais ME5. Autoestudo, relacionado com o trabalho autónomo (TA) do aluno, tal como consta no Planeamento das Aulas

Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes


As metodologias de ensino-aprendizagem visam o desenvolvimento das principais competências de aprendizagem dos alunos que permitam cumprir com cada um dos objetivos de aprendizagem, pelo que, na grelha a seguir, apresentam-se as principais interligações entre as metodologias de ensino-aprendizagem e os respetivos objetivos. ME1 -> OA 1, 2, 3, 4, 5 ME2 -> OA 1, 4, 5 ME3 -> OA 1, 2, 3, 4, 5, 6, 7 ME4 -> OA 1, 2, 3, 4, 5, 6, 7 ME5 -> OA 1, 2, 3, 4, 5, 6, 7

Observações / Observations


·

Bibliografia Principal / Main Bibliography


- Ficheiros (slides e scripts) da UC a disponibilizar no e-learning/Fenix - Rob J Hyndman and George Athanasopoulos, (2018), Forecasting: principles and practice, 2nd Edition, OTexts Melbourne ("fpp2" package CRAN) - Tom Alby, (2024), Data Science in Practice, CRC Press. - Bruce P., Bruce A., and Gedeck P., (2020), Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python, 2nd Edition, O' Reilly Media, Inc. - Robert I. Kabacoff, (2022), R in Action: Data analysis and graphics with R, Third Edition, Manning Publications Co.

Bibliografia Secundária / Secondary Bibliography


Eric Goh Ming Hui, (2019), Learn R for Applied Statistics, Apress. Daniel J. Denis, (2020), Univariate, Bivariate, and Multivariate Statistics Using R: Quantitative Tools for Data Analysis and Data Science, JohnWiley & Sons, Inc.

Data da última atualização / Last Update Date


2024-02-16