<html><head></head><body><div class="yahoo-style-wrap" style="font-family:Helvetica Neue, Helvetica, Arial, sans-serif;font-size:16px;"><div dir="ltr" data-setdir="false"><div><div dir="ltr" style="color: rgb(34, 34, 34); font-family: Arial, Helvetica, sans-serif; font-size: small;">Bom dia,</div><div dir="ltr" style="color: rgb(34, 34, 34); font-family: Arial, Helvetica, sans-serif; font-size: small;"><br></div><div dir="ltr" style="color: rgb(34, 34, 34); font-family: Arial, Helvetica, sans-serif; font-size: small;"><div>Convido a todos a participarem do próximo Papos Aleatórios que ocorrerá dia 19 de março de 2020, QUINTA, às 14h30m no Gragoatá e será conduzido pelo palestrante Christian Galarza (UNICAMP).</div><div><br></div><div><div>Local: UFF - Gragoatá - IME - bloco G - sala 302</div><div>Título: Modelos em Regressão Quantílica: Teoria e Aplicações</div><div><br></div><div>Resumo: </div></div></div><div dir="ltr" style="color: rgb(34, 34, 34); font-family: Arial, Helvetica, sans-serif; font-size: small;"><br></div><div dir="ltr" style="color: rgb(34, 34, 34); font-family: Arial, Helvetica, sans-serif; font-size: small;">Nos modelos de regressão, estamos interessados em descrever a relação entre uma variável específica (resposta) e outras características. Essa relação é comumente caracterizada por medidas de tendência central, geralmente, pela popular média. Por que não a mediana? Dados assimétricos para muitas aplicações são melhor aproximados pela distribuição log normal. No entanto, não faz sentido considerar a média numa escala logarítmica, pois a propriedade de aditividade não vale mais, lembrando que a média do logaritmo não é o logaritmo da média. Ao ampliar a idéia para os quantiles, a regressão quantílica permite ajustar qualquer quantil da variável resposta em função de uma série de covariáveis. Esses modelos são mais robustos à presença de outliers, não precisam de pressupostos sobre a distribuição do erro e oferecem uma melhor descrição gráfica dos dados. Exploraremos a teoria que envolve os modelos de regressão quantílica assim como o caso univariado, onde estudaremos um modelo robusto considerando erros com distribuições de caudas pesadas e o caso para respostas intervales. Modelos de respostas univariadas e multivariadas (como modelos de regressão quantílica de efeitos mistos) serão abordados usando aplicações usando os pacotes lqr, qrLMM e qrNLMM disponíveis no R.</div><div dir="ltr" style="color: rgb(34, 34, 34); font-family: Arial, Helvetica, sans-serif; font-size: small;"><br clear="all"><div><div dir="ltr" data-smartmail="gmail_signature"><div dir="ltr"><div dir="ltr"><div style="font-size: 12.8px;">Att,</div><div style="font-size: 12.8px;"> </div><div style="font-size: 12.8px;">Patrícia Lusié</div><div style="font-size: 12.8px;">Professora Adjunta e Chefe do <span style="font-size: 12.8px;">Departamento de Estatística</span></div><div style="font-size: 12.8px;">Instituto de Matemática e Estatística - UFF</div></div></div></div></div></div></div><br></div></div></body></html>