Modelos Estatísticos (ENSP.86.104.1)

DETALHES

Disciplina de natureza Teórico-prática de nível Doutorado, com carga horária de 90 horas e 3 créditos.

Número de vagas:
30
Período:
10/10/2023 a 05/12/2023
Pré-requisitos:
Estatística Aplicada à Epidemiologia II
Área(s) de Concentração:
Métodos Quantitativos em Epidemiologia , Epidemiologia Geral , Epidemiologia, Etnicidade e Saúde , Epidemiologia das Doenças Transmissíveis

HORÁRIO

Dia Início Fim
Terça-feira 13h30 16h30

PROFESSORES

Nome
Cleber Nascimento do Carmo
Iuri da Costa Leite

EMENTA

Esta disciplina visa ampliar o conhecimento de técnicas de modelagem estatística introduzidas no curso de Estatística Aplicada a Epidemiologia II, capacitando o aluno a modelar dados na área de saúde pública, utilizando a classe de modelos lineares generalizados. Será dada maior ênfase em estratégias de modelagem para desfechos categóricos, contagens e taxas (regressão logística, ordinal e multinomial, de Poisson, Binomial Negativa). Adicionalmente, pretende-se tratar da incorporação do plano amostral, escores de propensão e de estruturas de correlação em análises de regressão. O curso será ministrado presencialmente, com aulas teóricas e práticas computacionais na linguagem R. Espera-se que ao final do curso o(a) aluno(a) seja capaz de realizar e entender análises estatísticas usualmente reportadas em periódicos de epidemiologia.

Categoria: Eletiva: fortemente recomendada a depender da Linha de Pesquisa.

Pré-requisito: Estatística Aplicada à Epidemiologia II ou equivalente.

Informações sobre as aulas: Serão 15 encontros presenciais.

Candidatos externos: Serão aceitos Alunos dos Programas de Strictu Sensu da ENSP, Alunos de outros Programas de Strictu Sensu da FIOCRUZ, Alunos de outros Programas de Strictu Sensu, Graduados.

Vagas: Mínimo de 05 máximo de 30 vagas.

A disciplina ofertará 01 vaga para Estágio em Docência e o pré-requisito é ser aluno de doutorado.

BIBLIOGRAFIA

"Hilbe, J. (2011). Negative binomial regression. Cambridge: Cambridge University Press. Fávero LPL, Belfiore PP, Silva FL da, Chan BL. (2009). Análise de dados: modelagem multivariada para tomada de decisões. Rio de Janeiro: Elsevier. Allison, P. (2006). Logistic Regression Modeling Using the SAS System: Theory and Applications, 6th printing, SAS Institute. Vittinghoff, E; Glidden, D.V; Shiboski, S.C; McCulloch, C.E. (2005). Regression Methods in Biostatistics. Statistics for Biology and Health. Springer."