Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Econometria

Departamento / Department

Departamento de Métodos Quantitativos para Gestão e Economia

Ano letivo / Execution Year

2025/2026

Pré-requisitos / Pre-Requisites

Conceitos básicos de Probabiilidades e Estatística.

Objetivos Gerais / Objectives

O objectivo geral desta unidade curricular é fornecer aos alunos conhecimentos básicos de algumas das principais técnicas econométricas utilizadas na análise de relações lineares usando dados seccionais. Para além disso, pretende-se que o aluno saiba escolher e aplicar as diferentes técnicas à análise concreta de usando dados reais.

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. Conhecer os principais métodos de estimação dos parâmetros (OLS e ML) OA3. Saber fazer análise dos pressupostos do modelo de regressão, testes de hipótese e diagnóstico. OA4. Conhecer e saber aplicar os modelos de escolha binária (logit e Probit) AO5. Compreender as limitações da regressão linear utilizando a regressão de quantis. OA6. Programação básica e computação com R. 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 de Regressão para Escolha Binária P4.1.Modelo probabilistico linear P4.2 Modelos Probit e Tobit P5. Extensão do modelo clássico de regressão P5.1. Regressão de Quantis P5.2. Casos práticos P6. Programação básica e computação com R P7. Aplicações para dados e situações reais

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular unit's 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: OA1: P1 cobre 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 cobrem os modelos de regressão para escolha binária e a aplicação prática desses modelos. OA5:P5 apresenta a regressão de quantis ultrapassando a limitação inerente do método OLS. 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 8.5 valores. b)Teste individual com ponderação de 60% com nota mínima de 8,5 valores. Assiduidade minima a 2/3 das aulas. 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

Esta UC requer conceitos teóricos, fundamentais para a compreensão dos diferentes conteúdos programáticos, pelo que as aulas expositivas permitem abranger todos os objetivos de aprendizagem. As aulas participativas permitem a aplicação dos conhecimentos teóricos, contribuindo assim para consolidar a compreensão destes. O trabalho autónomo por parte do estudante é crucial para aprofundar a teoria e prática trabalhados em sala de aula.

Observações / Observations

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

Bibliografia Principal / Main Bibliography

Cameron, A.C., Trivedi, P.K. (2008) Microeconometrics: Methods and Applications. Cambridge University 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. - Tom Alby, (2024), Data Science in Practice, CRC Press. Robert I. Kabacoff, (2022), R in Action: Data analysis and graphics with R, Third Edition, Manning Publications Co. Wooldridge, J.M. (2019), "Introductory Econometrics: A Modern Approach", 7th Ed., Cengage Learning.

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

Data da última atualização / Last Update Date

2025-07-24