Plano Departamental

a. Denições e suposições:
a.1. regressão linear;
a.2. covariáveis categóricas;
a.3. padronização;
b. Estimação:
b.1. método dos mínimos quadrados;
b.2. método de máxima verossimilhança;
c. Análise de variância;
d. Testes de hipóteses (estatísticas F e ¿2);
e. Intervalos de conança (para os regressores, média e variância);
f. Predição;
g. Análise de resíduos:
g.1. padronização dos resíduos;
g.2. grácos de residuos;
g.3. estatística PRESS;
h. Transformações:
h.1. estabilizadoras da variância;
h.2. Box-Cox;
h.2. mínimos quadrados generalizados;
i. Diagnóstico;
i.1. pontos de alavanca;
i.2. pontos inuentes;
j. Multicolinearidade (identicação e regressão ridge);
k. Seleção de variáveis;
k.1. critérios para a seleção de modelos;
k.2. procedimentos para a seleção automática;
k.3. regressão lasso;
l. Validação;
m. Tópicos adicionais:
m.1. método bayesiano;
m.2. extensões do modelo normal;
m.3. aprendizado supervisionado.

a. Draper, N. R. e H. Smith (1998). Applied regression analysis. New York: Wiley.
b. Kutner, M. H., C. J. Nachtsheim, J. Neter e W. Li (2005). Applied linear
statistical models (5 ed.). Chicago: McGraw-Hill Irwin.
c. Montgomery, D. C., E. A. Peck e G. G. Vining (2012). Introduction to linear
regression analysis (5 ed.). New York: Wiley.

Não informado

a. Cordeiro, G. M. e C. G. B. Demétrio (2011). Modelos lineares generalizados e extensões.
Piracicaba.
b. Hastie, T., R. Tibshirani e J. Friedman (2017). The elements of statistical learning
- data mining, inference, and prediction. New York: Springer.
c. Izbicki, R. e T. M. Santos (2020). Aprendizado de máquina: uma abordagem estatística.
d. James, G., D. Witten, T. Hastie e R. Tibshirani (2017). An introduction to statistical
learning with applications in R. New York: Springer.
e. Paula, G. A. (2013). Modelos de regressão com apoio computacional. São Paulo.