Currículo
Modelos de Regressão MoRe
Contextos
Groupo: Ciência de Dados - 2025 > 1º Ciclo > Unidades Curriculares Obrigatórias
ECTS
6.0 (para cálculo da média)
Objectivos
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
Programa
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
Método de Avaliação
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.
Carga Horária
Carga Horária de Contacto -
Trabalho Autónomo - 113.0
Carga Total -
Bibliografia
Principal
- 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.:
Secundária
- 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.: