Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Econometria

Departamento / Department

Departamento de Métodos Quantitativos

Ano letivo / Execution Year

2026/2027

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, os modelos de regressão linear simples e múltipla. OA2. Conhecer os principais métodos de estimação dos parâmetros (OLS e ML) OA3. Saber realizar a análise dos pressupostos do modelo de regressão, os testes de hipótese e o diagnóstico. OA4. . Compreender as limitações da regressão linear utilizando a regressão de quantis e os métodos de regularização. OA5. Aplicação dos conceitos estudados; conjunto de treino/teste e previsão, extracção de informação e valor para dados do mundo real com o software R

Conteúdos Programáticos / Syllabus

P1. Introdução aos Modelos de Regressão Linear Clássico P1.1. Correlação P1.2. Regressão linear simples P1.3. Regressão linear múltipla P2. Estimação e inferência P2.1 Estimação por OLS P2.2 Estimação por ML P2.3 Inferência estatística P3.Diagnóstico e Validação do modelo P3.1. Pressupostos P3.2 Testes de diagnóstico P3.2. Casos práticos P4. Extensões da Regressão Linear P4.1 Métodos de Regularização (Ridge e Lasso) P4.2. Regressão de Quantis P4.3. Casos práticos P5. Aplicações com R 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 apresenta os métodos de regularização e a regressão de quantis ultrapassando a limitação inerente do método OLS. OA5: P5 ensinam a divisão de dados em conjuntos de treino/teste, previsão e aplicação prática dos conceitos em dados reais com utilização do software R, essencial para análise de dados e implementação de modelos.

Avaliação / Assessment

A avaliação ao longo do semestre inclui a realização de: a) Teste intermédio individual com ponderação de 40% . b)Teste individual com ponderação de 60%, com nota mínima de 8,5 valores. Avaliação por exame: exame individual que inclui toda a matéria, 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. Em ambas as modalidades, o estudante poderá ser convocado para uma prova individual, oral ou escrita, destinada a validar a respetiva classificação.

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 análises de outputs em 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 trabalhadas em sala de aula. Todos os objectivos de aprendizagem serão avaliados nas provas escritas.

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

Hoffmann, J. P. (2021). Linear regression models: applications in R. Chapman and Hall/CRC. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning with Applications in R (2ª ed.). Springer. Nguyen, M. (2025). REGRESSION TECHNIQUES FOR DATA ANALYSIS. SPRINGER. Wooldridge, J. M. (2020). Introductory Econometrics: A Modern Approach (7ª ed.). Cengage Learning.

Bibliografia Secundária / Secondary Bibliography

Bruce P., Bruce A., and Gedeck P., (2020), Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python, 2nd Edition. Cameron, A.C., Trivedi, P.K. (2008). Microeconometrics: Methods and Applications. Cambridge University Press Daniel J. Denis, (2020), Univariate, Bivariate, and Multivariate Statistics Using R: Quantitative Tools for Data Analysis and Data Science, JohnWiley & Sons, Inc. Eric Goh Ming Hui, (2019), Learn R for Applied Statistics, Apress. Koenker, R. (2005). Quantile Regression. Cambridge University Press. 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.

Data da última atualização / Last Update Date

2026-07-24