Please use this identifier to cite or link to this item:
http://repositorio.ufc.br/handle/riufc/24746| Type: | TCC |
| Title: | Modelos multiníveis |
| Title in English: | Multilevel Models |
| Authors: | Lima, Kelly Pereira de |
| Advisor: | Nojosa, Ronald Targino |
| Keywords: | Estrutura hierárquica;Modelos lineares (Estatistica);Software R |
| Issue Date: | 2014 |
| Citation: | LIMA, Kelly Pereira de. Modelos multiníveis. 2014. 65 f. Trabalho de Conclusão de Curso (Graduação em Estatística) - Centro de Ciências, Universidade Federal do Ceará, Fortaleza, 2014. |
| Abstract in Brazilian Portuguese: | Modelar um conjunto de dados é buscar uma representação matemática fidedigna para o fenômeno em estudo; o caso ideal seria especificar um modelo parcimonioso, ou seja, aquele que envolva um número mínimo de parâmetros a serem estimados sem comprometer a explicação do modelo escolhido. Os modelos clássicos de regressão linear são frequentemente aplicados nas mais diversas áreas do conhecimento, tais como: agronomia, ciências sociais, administração, engenharias, biologia, educação, etc. Entretanto, em situações em que os dados investigados possuem uma estrutura de agrupamento ou hierarquia, ou seja, que são caracterizados pela presença de unidades experimentais agregadas em outras unidades maiores, estes dados necessitam de um tratamento diferenciado. Com isso, as técnicas estatísticas que tem sido mais utilizadas são as dos modelos multiníveis que foram desenvolvidos para análise de dados que possuem uma estrutura hierárquica, ou seja, estrutura de grupo, pois levam em consideração a dependência existente dentro de cada nível hierárquico e entre os níveis. O presente trabalho tem por objetivo apresentar a estrutura dos modelos multiníveis, além de compará-los com os modelos clássicos de regressão linear. Será utilizada uma aplicação a partir dos microdados do SAEB com edição de 2011. Todos os procedimentos e implementações foram feitos usando o software de código livre R. |
| Abstract: | Model a dataset is to find a reliable mathematical representation for the phenomenon under study, the ideal case would be to specify a parsimonious model, ie, one that involves a minimum number of parameters to be estimated without compromising the explanation of the chosen model. The classical linear regression models are often applied in various areas of knowledge, such as agronomy, social sciences, management, engineering, biology, education, and so on. However, in situations where the data have investigated a structure hierarchy or grouping, or which are characterized by the presence of aggregated units in other experimental larger units, these data need special treatment. Thus, a statistical technique that has been most used are those of the multilevel models that have been developed for the analysis of data that have a hierarchical structure, or group structure, because they take into account the dependency within each hierarchical level and between levels. This paper aims to present the structure of multilevel models, and compare them with the classical linear regression models. An application from microdata Saeb with the 2011 edition will be used. All procedures and implementations were done using the software free R code. |
| URI: | http://www.repositorio.ufc.br/handle/riufc/24746 |
| Appears in Collections: | ESTATÍSTICA - Monografias |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 2014_tcc_ kplima.pdf | 324,9 kB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.