Introdução ao Stata 03 de maio de 2013

Slides:



Advertisements
Apresentações semelhantes
Estatística amintas paiva afonso.
Advertisements

Prof. Darlan Marcelo Delgado
Analise de Regressão Parte 2.
Análise de Variância da Regressão
MÉTODOS QUANTITATIVOS
Blocos aleatorizados, quadrados latinos e experimentos relacionados
Noções de Regressão Profa. Marli.
EE-240 Análise de Tendência: Regressão Linear.
Modelos de Regressão Múltipla.
Regressão Linear Aula 09 Prof. Christopher Freire Souza
MB751 – Modelos de previsão
Regressão Linear Múltipla
Rejane Sobrino Pinheiro Tania Guillén de Torres
Inferências para uma amostra
Estatística Prof: Msc Engª Heloísa Bernardo
Diagramas de dispersão
ME623 Planejamento e Pesquisa
Análise de Variância (ANOVA)
BIO Métodos Quantitativos Aplicados à Ecologia
EXPERIMENTO FATORIAL SHEILA REGINA ORO.
Aula 9. Regressão Linear Simples. Qualidade de modelo
ME623 Planejamento e Pesquisa
Modelos de regressão Cláudio Monteiro
Aula 8. Inferência para várias populações normais. ANOVA
Econometria Aula 3 – 27/9/2013.
Introdução ao Stata Análise de especificação 10 de maio de 2013
Regressão Pontos mais importantes: -objectivo -regressão linear
Aula 6 - Método não-experimental ou de seleção não-aleatória
Probit ordenado.
Mario de Andrade Lira Junior lira.pro.br\wordpress 2/4/2015 lira.pro.br\wordpress - Reservados todos os direitos autorais.
Estatística: Aplicação ao Sensoriamento Remoto SER ANO 2015 Análise de Regressão Camilo Daleles Rennó
Universidade Federal Fluminense Faculdade de Medicina Mestrado Profissional em Saúde Materno-Infantil 2011 BIOESTATÍSTICA-aula 6 Prof. Cristina Ortiz Valete.
VALIDAÇÃO CRUZADA EM ANÁLISE BASEADA EM MODELO DE EFEITOS PRINCIPAIS ADITIVOS E INTERAÇÃO MULTIPLICATIVA (AMMI) Carlos Tadeu dos Santos Dias Escola Superior.
Estatística e Probabilidade
Regressão Linear.
Regressão com uma variável dependente Binária
Interpolação e Ajuste de Curvas
Análise multivariável
2.3 Experimentos Fatoriais 22 Efeitos das Interações
Estatística: Aplicação ao Sensoriamento Remoto SER ANO 2015 Análise de Variância (ANOVA) Camilo Daleles Rennó
Modelagem Estatística
Contabilidade e Regressão Linear
Regressão e Previsão Numérica.
análise dos estimadores
Ajuste de regressão 13 de abril de 2015
7 Ajuste de Curvas UFSC.PósMCI.FME.Ajuste de curvas. (11.1)
Regressão.
Ajuste do Modelo Avaliação dos Coeficientes
Multicolinearidade.
Ministerio da Saúde - MS Funda,cão Oswaldo Cruz - Fiocruz Dr. Pedro H. Cabello Instituto Oswaldo Cruz - IOC Laboratório de Genética Humana - LGH Análises.
ME623A Planejamento e Pesquisa
FLO Estatística Aplicada a Engenharia Florestal
Análise de Variância (ANOVA)
AULA 5 Planejamento Experimental
Métodos Estatísticos Aplicados às Ciências Biológicas
PPGTI AULA 3 Prof. Dr. Márcio A. Fiori –
Métodos Estatísticos Aplicados às Ciências Biológicas - 11ª aula -
Regressão Linear Simples
Regressão Linear. Introdução A relação linear entre duas variáveis contínuas pode ser aferida através do coeficiente de correlação ou do modelo de regressão.
Regressão linear simples
Regressão linear simples
Experimentação e Instrumentação Regressão Linear e Múltipla
1. C.Dougherty “Introduction to Econometrics” 2. Capítulo 16. Bussab&Morettin “Estatística Básica” 7ª Edição.
AULA 11 – REGRESSÃO Parte I
Regressão Linear (aula 14 – Parte 2).
Variância/ Covariância, Correlação Regressão. Variância.
Como construir modelos empíricos. Nos modelos estudados, cada fator foi fixado em dois níveis Por esta razão temos que nos contentar com uma visão limitada.
Como construir modelos empíricos. Nos modelos estudados, cada fator foi fixado em dois níveis Por esta razão temos que nos contentar com uma visão limitada.
Multicolinearidade Referências: capítulo 10 (Gujarati)
Multicolinearidade Observações missing
Transcrição da apresentação:

Introdução ao Stata 03 de maio de 2013 Aula 6 Introdução ao Stata 03 de maio de 2013

Básico de Regressão Linear Comando da regressão linear: Reg (var dependente) (var independentes)

Tabela ANOVA Source | SS df MS Number of obs = 2955 Model | 1264.72124 7 180.674463 Prob > F = 0.0000 Residual | 4260.16814 2947 1.44559489 R-squared = 0.2289 -------------+------------------------------ Adj R-squared = 0.2271 Total | 5524.88938 2954 1.87030785 Root MSE = 1.2023 ------------------------------------------------------------------------------ ltotexp | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- suppins | .2556428 .0462264 5.53 0.000 .1650034 .3462821 phylim | .3020598 .0569709 5.30 0.000 .190353 .4137666 actlim | .3560054 .0621118 5.73 0.000 .2342185 .4777923 totchr | .3758201 .0184227 20.40 0.000 .3396974 .4119429 age | .0038016 .0036561 1.04 0.299 -.0033672 .0109705 female | -.0843275 .0455442 -1.85 0.064 -.1736292 .0049741 income | .0025498 .0010194 2.50 0.012 .000551 .0045486 _cons | 6.703737 .27676 24.22 0.000 6.161075 7.2464 .

Tabela ANOVA Decomposição da variância da variável dependente Parte que é explicada pelo modelo, pelas variáveis independentes (Model) Parte que não é explicada pelo modelo (Residual) SS – soma dos quadrados associados a cada uma destas fontes de variação.

Tabela ANOVA df – graus de liberdade associados a cada uma das fontes de variação. A variância total tem N-1 graus de liberdade (2955-1). O grau de liberdade do modelo corresponde ao número de coeficientes estimados menos 1. Incluindo o intercepto, existem 8 coeficientes, logo o modelo tem  7 graus de liberdade. O grau de liberdade do resíduo é igual ao grau de liberdade total menos o grau de liberdade do modelo: 2954 - 7. MS: SS/df (mean square)

Ajuste do modelo Source | SS df MS Number of obs = 2955 Model | 1264.72124 7 180.674463 Prob > F = 0.0000 Residual | 4260.16814 2947 1.44559489 R-squared = 0.2289 -------------+------------------------------ Adj R-squared = 0.2271 Total | 5524.88938 2954 1.87030785 Root MSE = 1.2023 ------------------------------------------------------------------------------ ltotexp | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- suppins | .2556428 .0462264 5.53 0.000 .1650034 .3462821 phylim | .3020598 .0569709 5.30 0.000 .190353 .4137666 actlim | .3560054 .0621118 5.73 0.000 .2342185 .4777923 totchr | .3758201 .0184227 20.40 0.000 .3396974 .4119429 age | .0038016 .0036561 1.04 0.299 -.0033672 .0109705 female | -.0843275 .0455442 -1.85 0.064 -.1736292 .0049741 income | .0025498 .0010194 2.50 0.012 .000551 .0045486 _cons | 6.703737 .27676 24.22 0.000 6.161075 7.2464 .