Cursos

Modelos de Regressão
Local: Remoto
Professor: Dalson Figueiredo (UFPE)
dalson.figueiredofo@ufpe.br
27/07/2026 a 31/07/2026
18:30 às 21:30
Total de Horas: 15
Valor: R$ 590,00
Ementa: Capacitar o participante a compreender, estimar, e interpretar modelos de regressão aplicados a problemas de análise de dados em Ciências Sociais. Ao final do curso, espera-se que o aluno será capaz de: a) escolher o modelo adequado ao tipo de variável dependente; b) estimar modelos no R e interpretar coeficientes corretamente; c) avaliar pressupostos e qualidade do ajuste e d) traduzir resultados estatísticos em inferência substantiva.
Pré-requisitos: i. Estatística descritiva (amostra, população, média, variância, correlação); ii. Noções de inferência (intervalos de confiança, p-valor); iii. Familiaridade com funções básicas de R.
Método de Ensino: O curso será conduzido por meio de aulas expositivas, com duração aproximada de duas horas, seguidas de uma hora dedicada à resolução de exercícios em sala, com uso do R. Para cada módulo, os participantes deverão desenvolver um mini-projeto de análise de dados, replicando os códigos apresentados em aula com dados de seu próprio interesse. O objetivo é estimular a aplicação prática dos modelos em contextos substantivos. Cada entrega deverá consistir em um relatório de até três páginas, contendo: (i) uma breve explicação teórica do modelo utilizado; (ii) a aplicação empírica, incluindo tabelas e gráficos; e (iii) a interpretação substantiva dos resultados, com foco na tradução dos achados para problemas reais.
Avaliação: Os participantes serão considerados aprovados caso atendam simultaneamente aos seguintes critérios: frequência mínima de 75% e nota final igual ou superior a 60 pontos (em uma escala de 0 a 100). A nota final será composta pela média aritmética das notas dos cinco mini-projetos, com peso 3, e pela participação nas atividades em sala de aula, com peso 1.
Software: Todas as análises estatísticas serão implementadas com auxílio do R, com o apoio do IDE RStudio.

Aula 1 – Fundamentos da Regressão

  1. Diferença entre associação e inferência causal;
  2. Estrutura do modelo linear (variável dependente, regressores e erro);
  3. Interpretação substantiva de coeficientes;
  4. Leitura e tradução de outputs de regressão;
  5. Pacote R: stats (função lm()).

Aula 2 – Regressão Linear (OLS) em Profundidade

  1. Pressupostos de Gauss-Markov e suas implicações;
  2. Problemas de especificação: variável omitida e forma funcional;
  3. Diagnóstico de heterocedasticidade e multicolinearidade;
  4. Transformações de variáveis (log, interações);
  5. Pacotes R: car, effects, jtools, modelsummary, coefplot, ggstatsplot e performance.

 

Aula 3 – Regressão Logística (Binária) e Extensões

  1. Função logit e interpretação em termos de probabilidade;
  2. Odds, odds ratio e limitações interpretativas;
  3. Efeitos marginais vs. coeficientes;
  4. Comparação entre modelos binário, multinomial e ordinal;
  5. Pacote R: marginaleffects, plotor, BetterReg e zelig.

Aula 4 – Modelos de Contagem

  1. Distribuição de Poisson e pressupostos fundamentais;
  2. Overdispersion e limitações do modelo de Poisson;
  3. Escolha entre Poisson e Binomial Negativa;
  4. Interpretação substantiva de coeficientes (efeitos percentuais);
  5. Pacotes R: MASS e pscl.

Aula 5 – Modelos para Proporções e Taxas

  1. Problemas do OLS com variáveis limitadas (0–1);
  2. Estrutura e interpretação da regressão Beta;
  3. Modelagem de proporções (voto, participação, frações);
  4. Predição e interpretação substantiva dos resultados;
  5. Pacote R: betareg, robustbetareg.
Bibliografia para aprofundamento:

Todos os materiais do curso, incluindo bibliografia, bases de dados e scripts computacionais, estarão disponíveis em: <https://osf.io/u89fy/overview>.