Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
Estatística e Análise de Dados
Departamento / Department
Departamento de Métodos Quantitativos para Gestão e Economia
Ano letivo / Execution Year
2022/2023
Pré-requisitos / Pre-Requisites
Não existem pre-requisitos.
Objetivos Gerais / Objectives
A unidade curricular de Análise de Dados Multivariada abrange os temas de Análise de Variância e o teste não-paramétrico kruskal-Wallis, Análise das Componentes Principais, Análise de Clusters e regressão (linear múltipla, probit e logit binário). Pretende-se que, ao longo do período lectivo, sejam desenvolvidas as seguintes competências: i) Resolução prática de problemas ii) Capacidade de trabalhar em grupo iii) Capacidade de comunicação oral e escrita
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
Pretende-se que os alunos após frequentarem esta UC saibam: OA1. Explorar os dados, analisar os pressupostos do modelo a aplicar, avaliar a qualidade do modelo aplicado, proceder à inferência estatística e interpretar os dados; OA2. Reconhecer a singularidade de cada modelo estatístico e as relações de complementaridade com outros modelos incluídos na UC, com vista à sua melhor interpretação; OA3. Homogeneizar casos e variáveis, uniformizar escalas e criar índices; OA4. Aplicar o software SPSS
Conteúdos Programáticos / Syllabus
1. Anova a um fator; Kruskal-Wallis. 2. Análise das Componentes Principais: exploração e adequação dos dados; componentes a reter; qualidade do modelo; representação, interpretação das componentes retidas e construção de índices. 3. Análise de Clusters: selecção de variáveis; identificação de outliers; método hierárquico; método não hierárquico K-Means; Two-step clustering; validação dos resultados. 4. Regressão: regressão linear múltipla com/sem efeitos de interação; probit e logit binário.
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
A interligação entre os conteúdos programáticos e os objetivos de aprendizagem (OA) realiza-se da seguinte forma: 1. Modelos Lineares e não lineares: OA1, OA2 2. Análise das Componentes Principais e fatorial:OA3 3. Análise de Clusters:OA4
Avaliação / Assessment
Avaliação Periódica: Nota = Trabalho de grupo (50%) + Frequência (50%). Cada uma das componentes de avaliação tem nota mínima de 8,5 valores e a aprovação na UC requer uma nota final mínima de 10 valores. Exame: Nota = Exame teórico (60%) + Exame prático em laboratório (40%) Cada uma das componentes de avaliação tem nota mínima de 8,5 valores e a aprovação na UC requer uma nota final mínima de 10 valores.
Metodologias de Ensino / Teaching methodologies
Aulas teórico-práticas em laboratório.Metodologias de ensino-aprendizagem: 1 Expositivas: apresentação dos quadros teóricos de referência 2 Participativas: análise e resolução de exercícios práticos 3 Ativas: realização de trabalhos individuais/grupo 4 Trabalho Autónomo: Fora das aulas 5 Aulas em laboratório
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 cada um dos objetivos de aprendizagem. Dada a natureza desta UC, cada uma das metodologias descritas será aplicada aos objetivos OA1 a OA4. Com as sessões em laboratório os alunos aprendem a utilizar o software adotado. O alinhamento entre cada instrumento de avaliação e os objetivos de aprendizagem é realizado da seguinte forma: - Frequência e exame: OA1, OA2, OA3, OA4 - Trabalho de grupo: OA1, OA2, OA3, OA4 - Participação dos alunos em aula através da realização em aula de um conjunto de Exercícios
Observações / Observations
·
Bibliografia Principal / Main Bibliography
Maroco, J. (2010). Análise Estatística com o PASW Statistics. ReportNumber Lda. Hair, J.F., Black, W.C., Babin, B.J., & Anderson, R.E. (2010). Multivariate Data Analysis. Seventh Edition. Prentice Hall.
Bibliografia Secundária / Secondary Bibliography
Wooldridge, J. (2019), Introductory Econometrics ? A Modern Approach. Seventh Edition. South-Western, Cengage Learning. Laureano, R. (2020), Testes de Hipóteses e Regressão ? O meu manual de consulta rápida. Edições Sílabo. Field, Andy (2012), Discovering statistics using R London: Sage
Data da última atualização / Last Update Date
2024-02-16