Cursos | Montvero Consultoria e Treinamento

Treinamento

ANÁLISE DE DADOS COM STATA

SALVADOR/BA

Objetivos:

Capacitar os participantes para o entendimento e a aplicação de diversas técnicas de análise de dados com uso de um dos principais softwares de modelagem utilizado por empresas de todo o mundo, o Stata.

Público-Alvo:

Profissionais de Empresas, Consultores, Participantes de Cursos de Extensão, Pós-Graduação Lato Sensu e MBAs, e Demais Interessados que têm como Principal Objetivo o Tratamento e a Análise de Dados para a Estimação de Modelos e Geração de Informações Propícias à Tomada de Decisão. Destina-se também a Alunos de Cursos de Graduação e Pós-Graduação Stricto Sensu em Ciência da Computação, Administração, Engenharia, Economia, Contabilidade, Atuária, Estatística, Psicologia, Medicina e Saúde e Demais Campos do Conhecimento das Ciências Humanas, Exatas e Biomédicas.

Método de Ensino:

Aulas expositivas, com aplicação de exemplos e exercícios práticos. Utilização de microcomputador para processamento e análise das listagens emitidas, por meio do software Stata.

Obs.: Recomenda-se que os participantes tragam notebook nos dias de treinamento.

Conteúdo Programático:

Introdução ao Software Stata.

Estruturas de Bancos de Dados, Tipos de Variáveis e Escalas de Mensuração.

Técnicas Não Supervisionadas de Machine Learning:

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 Multidimensional e Elaboração de Mapas.

Análise Fatorial (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.

Técnicas Supervisionadas de Machine Learning:

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 e Previsão.
- Variáveis Dummy em Modelos de Regressão.
- Modelos Não-Lineares.

Modelos Logísticos Binários e Multinomiais:
- A Significância Geral do Modelo e dos Parâmetros.
- Cutoff e Análise de Sensibilidade.
- Eficiência Global do Modelo, Sensitividade e Especificidade.
- Curva ROC.
- Elaboração de Gráficos Multinomiais.
- Modelos de Concessão de Crédito e de Probabilidade de Default.