Currículo

Modelos Longitudinais ML

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

A conclusão bem sucedida desta UC supõe que o aluno é capaz de: OA1. Compreender a estrutura e características de dados longitudinais e medidas repetidas. OA2. Compreender os modelos mais usuais para séries temporais. OA3. Aplicar e interpretar modelos de regressão de efeitos mistos (modelos lineares e não-lineares). OA4. Compreender a modelação de crescimento e mudança em dados longitudinais. OA5. Analisar dados longitudinais utilizando ferramentas computacionais, como R e Python. OA6. Desenvolver uma abordagem crítica para a escolha de modelos adequados e a interpretação dos resultados.

Programa

P1. Introdução aos dados longitudinais P2. Séries temporais P2.1. Operador lag, estacionaridade, teste de raiz unitária P2.2. Ruído Branco, Modelos ARMA, ARIMA, SARIMAX P2.3. Metodologia de Box-Jenkins, Previsão P2.4. Aplicações com R/Python P3. Modelos com dados de painel P3.1. Modelos de efeitos fixos P3.2. Modelos de efeitos mistos P3.3. Modelos de crescimento e mudança P3.4. Modelos lineares generalizados P3.5. Estrutura de covariância em dados longitudinais P3.6. Aplicações com R/Python P4. Estudos de caso

Método de Avaliação

A avaliação ao longo do semestre inclui a realização de: a) Trabalho de grupo com ponderação de 40%, com possibilidade de discussão caso o docente consider necessário. A nota mínima do trabalho é de 10 valores. O trabalho concretiza-se numa apresentação em aula e na apresentação de um relatório final, conforme explicitado no Guião do Trabalho de Grupo disponibilizado aos alunos. b) Dois testes individuais,com ponderação de 20% e 40%: o primeiro a realizar em outubro, na semana de avaliações intercalares, e o segundo a realizar no final da UC. Em cada um dos testes, o aluno deverá obter nota mínima de 9,5 valores para continuar na avaliação ao longo do semestre. Para aprovar, é necessária uma média ponderada dos elementos de avaliação de, pelo menos, 9,5 valores. Nenhuma destas notas transita para a avaliação por exame. 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. O/A coordenador/a da unidade curricular pode determinar a realização de uma discussão oral complementar relativamente a qualquer elemento/instrumento de avaliação previsto na presente Ficha de Unidade Curricular, sempre que tal se revele necessário para aferir a autoria dos trabalhos apresentados, confirmar a aquisição dos conhecimentos e competências avaliados, ou esclarecer discrepâncias entre diferentes elementos de avaliação. A discussão oral complementar não constitui um instrumento autónomo de avaliação, não tem ponderação própria na classificação final da unidade curricular e destina-se exclusivamente à validação da classificação do respetivo elemento/instrumento de avaliação. A classificação anteriormente atribuída a esse elemento/instrumento tem natureza provisória até à realização da discussão oral complementar, podendo ser confirmada ou revista em função da validação realizada e dos critérios de avaliação aplicáveis. A convocatória para a discussão oral complementar será comunicada ao/à estudante com antecedência mínima de 24 horas, indicando a data e a hora de realização. A não comparência, sem justificação atendível, implica a impossibilidade de validação do respetivo elemento/instrumento de avaliação, aplicando-se as consequências previstas para a sua não realização ou desistência.

Carga Horária

Bibliografia

Principal

• (1). Benjamin E. Schlegel, (2026), Data Science for the Social Sciences: Introduction and Advanced Models with R, Springer. (2). Manu Joseph, (2022), Modern Time Series Forecasting with Python, Packt. (3). Baltagi, B. H. (2021) Econometric Analysis of Panel Data, 5th ed. Wiley. (with Student Companion Site):

Secundária

• (1). Diana Mendes, (2026), Slides, scripts e notebooks, Moodle (2). Xian Liu, (2016), Methods and Applications of Longitudinal Data Analysis, Elsevier. (3). Yves Croissant and Giovanni Millo, (2019), Panel Data Econometrics with R, Wiley.:

Disciplinas de Execução