Treinamento Stata

Introdução ao Stata (08 horas)

Objetivos:

Capacitar os participantes para o manuseio e aplicação de análises básicas de datasets por meio do software Stata.

Conteúdo Programático:

• Importância do do-file e do log using.
• Importação de bases de dados (import, infix) em csv, Stat/Transfer.
• Comandos preserve e restore.
• Criação de variáveis (gen, egen, replace, rename etc).
•  Exclusão e manutenção condicional de variáveis (keep if, drop if).
• Manipulação de variáveis (bysort e suas funções, duplicate, tostring, destring, encode etc).
• Organização de base (drop, order, sort etc).
• União de bases (merge, append etc).
• Alteração do nível da base (collapse).
• Organização de do-file (loop etc).
•  Descrição da base de dados (desc, codebook) e introdução à estatística descritiva (tab, sum).
•  Aplicação de exemplos e casos reais e práticos.

Análise Descritiva de Dados em Stata (08 horas)

Objetivos:

Capacitar os participantes para o entendimento e a aplicação de técnicas descritivas e de diagnóstico para análises de bases de dados em Stata.

Conteúdo Programático:

• Tabelas de distribuição de frequências.
• Medidas de posição ou localização.
• Identificação de outliers univariados.
• Medidas de dispersão ou variabilidade.
• Tabela de distribuição conjunta de variáveis (crosstabs).
• Associação entre variáveis qualitativas.
• Correlação entre variáveis quantitativas.
• Distribuições de probabilidade.
• Testes de hipóteses paramétricos.
• Testes de hipóteses não paramétricos.
• Aplicação de exemplos e casos reais e práticos.

Elaboração de Gráficos no Stata (08 horas)

Objetivos:

Capacitar os participantes para elaborações de gráficos por meio do uso de um dos principais softwares de modelagem utilizado por empresas e universidades de todo o mundo, o Stata.

Conteúdo Programático:

• Introdução à elaboração de gráficos em Stata.
• Gráficos bidimensionais:
• Gráficos de dispersão (scatterplot).
• Line, lfit e mspline.
• Fits com intervalos de confiança.
• Timelines.
• Gráficos de pizza
• Gráficos de barra.
• Gráficos de distribuição.
• Gráficos de matriz.
• Boxplots únicos e por grupo.
• Apresentação de gráficos combinados.
• Visualização: legendas, cores, elementos textuais e dimensões.
• Aplicação de exemplos e casos reais e práticos.

Análise Exploratória de Dados em Stata (08 horas)

Objetivos:

Capacitar os participantes para o entendimento e a aplicação de técnicas exploratórias (técnicas de interdependência, também conhecidas por técnicas não supervisionadas) de análise de dados por meio do Stata.

Conteúdo Programático:

• Introdução e Visão Geral das Técnicas Exploratórias de Análise de Dados.
• Análise de Clusters ou de Agrupamentos:
• Definição de Medidas de Distância ou de Semelhança em Análise de Clusters.
• Esquemas de Aglomeração.
• Análise de Clusters com Esquemas de Aglomeração Hierárquicos.
• Análise de Clusters com Esquemas de Aglomeração não Hierárquicos k-means.
• Escalonamento Muldimensional e Elaboração de Mapas.
• Análise Fatorial por Componentes Principais (PCA):
• Correlação Linear de Pearson e Conceito de Fator.
• Adequação Global da Análise Fatorial: KMO e Teste de Bartlett.
• Cargas Fatoriais e Comunalidades.
• Rotação de Fatores.
• Elaboração de Mapas de Cargas para Variáveis e Fatores.
• Análise de Correspondência Simples e Múltipla (Anacor e ACM):
• Associação entre Variáveis Categóricas.
• Implementação de Anacor e ACM.
• Definição de Coordenadas (Scores) de Categorias de Variáveis Qualitativas.
• Elaboração de Mapas Perceptuais.
• Aplicação de exemplos e casos reais e práticos.

Análise de Dados e Modelos de Regressão em Stata (16 horas)

Objetivos:

Capacitar os participantes para o entendimento e a aplicação de técnicas confirmatórias (técnicas de dependência, também conhecidas por técnicas de aprendizagem supervisionada) de análise de dados por meio do Stata.

Conteúdo Programático:

• Introdução aos Modelos Lineares Generalizados (GLM) e Estruturas de Bancos de dados para Estimação destes Modelos.
• Regressão Simples e Múltipla:
• Estimação do Modelo de Regressão Linear por Mínimos Quadrados Ordinários.
• Poder Explicativo do Modelo de Regressão.
• A Significância Geral do Modelo e dos Parâmetros.
• Intervalos de Confiança dos Parâmetros para Previsão.
• Variáveis Dummy em Modelos de Regressão.
• Pressuposto da Normalidade dos Resíduos e Transformação de Box-Cox.

Regressão Logística Binária:

• A Significância Geral do Modelo e dos Parâmetros.
• Cutoff e Análise de Sensibilidade.
• Eficiência Global do Modelo, Sensitividade e Especificidade.
• Curva ROC.
• Modelos de Risco de Crédito e de Probabilidade de Default.

Regressão Logística Multinomial:

• A Significância Geral do Modelo e dos Parâmetros.
• Elaboração de Gráficos Multinomiais.

Regressão para Dados de Contagem:

• Regressão Poisson e Superdispersão em Dados de Contagem.
• Regressão Binomial Negativa.
• Aplicação de exemplos e casos reais e práticos.

Dados em Painel e Modelagem Multinível (16 horas)

Objetivos:

Capacitar os participantes para o entendimento e a aplicação de importantes técnicas de analytics para datasets com estrutura de dados multinível e/ou em painel, a partir do uso de um dos principais softwares de modelagem utilizado por empresas e universidades de todo o mundo, o Stata.

Conteúdo Programático:

• Generalized Linear Models (GLM): Overview.
• Generalized Estimating Equations (GEE):
• Caracterização de um Painel de Dados.
• Modelos Longitudinais para Dados em Painel.
• Estimação de Parâmetros e Análise.
• Análise de Efeitos overall, within e between.
• Modelos POLS, Efeitos Fixos e Efeitos Aleatórios.
• Testes para Definição do Modelo mais Adequado para Efeitos Preditivos.
• Generalized Linear Latent and Mixed Models (GLLAMM):
• Caracterização de Aninhamento e Agrupamento nos Dados.
• Modelos Multinível para Dados em Painel.
• Estimação de Parâmetros e Análise.
• Efeitos Fixos e Aleatórios em Modelos Multinível.
• Modelos Hierárquicos Lineares HLM2.
• Modelos Hierárquicos Lineares HLM3 com Medidas Repetidas.
• Aplicação de exemplos e casos reais e práticos.

Data Mining, Machine Learning e Big Data em Stata (08 horas)

Objetivos:

Capacitar os participantes para o entendimento e a aplicação de técnicas de data mining e machine learning em grandes volumes de dados por meio do software Stata.

Conteúdo Programático:

• Data Mining e Machine Learning: Overview.
• Regression Trees.
• Random Forests.
• Algoritmo Bagging.
• Algoritmo Boosting:

-Boosted Gaussian Regression.

-Boosted Logistic Regression.

-Boosted Poisson Regression.

• Validação Cruzada.
• Aplicação de exemplos e casos reais e práticos.