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


2024/2025

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: P1 cobrem correlação e regressão linear, simples e múltipla, fornecendo a base teórica e prática para este entendimento. OA2: P2 ensina os métodos de Mínimos Quadrados Ordinários (OLS) e Máxima Verosimilhança (ML), fundamentais para a estimação de parâmetros. OA3: P3 abordam testes de hipótese, diagnóstico dos pressupostos do modelo de regressão e a aplicação prática desses conceitos. OA4: P4 fornecem uma base sólida em séries temporais, incluindo modelos ARIMA, e a metodologia de Box-Jenkins para previsão. OA5: P5 cobrem a regressão não-linear e a aplicação prática desses modelos. OA6:P6 ensina programação básica com R (e Python), essencial para análise de dados e implementação de modelos. OA7: P7 ensinam a divisão de dados em conjuntos de treino/teste, previsão e aplicação prática dos conceitos em dados reais.

Avaliação / Assessment


A avaliação ao longo do semestre inclui a realização de: a) Trabalho de grupo com ponderação de 40%, com possibilidade de discussão caso os docentes considerem necessário. A nota mínima do trabalho é de 10 valores. b)Teste individual com ponderação de 60% com nota mínima de 8,5 valores Avaliação por exame: exame individual que inclui a matéria toda com nota mínima de 10 valores (nota arredondada às unidades). O teste individual e o exame serão realizados sem consulta de folhas de apoio, livros ou outros materiais, não sendo permitida a utilização de calculadoras gráficas nem de telemóveis; apenas podem consultar o formulário e tabelas disponibilizados no Moodle para o efeito.

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


Os alunos abrangidos pelo Regulamento Interno para Estudantes com Estatutos Especiais deverão contactar com o docente da UC, ou com o Coordenador da mesma, na primeira semana de aulas, com vista ao enquadramento dos processos de aprendizagem e avaliação na UC.

Bibliografia Principal / Main Bibliography


- 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


- Ficheiros (slides e scripts) da UC a disponibilizar no Moodle. 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


2024-07-25