dc.contributor.advisor | Seidel, Enio Júnior | |
dc.creator | Ribeiro, Tatiane Fontana | |
dc.date.accessioned | 2019-04-15T13:48:16Z | |
dc.date.available | 2019-04-15T13:48:16Z | |
dc.date.issued | 2019-02-19 | |
dc.date.submitted | 2019 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/16213 | |
dc.description | Monografia (especialização) - Universidade Federal de Santa Maria, Centro de Ciências Naturais e Exatas, Curso de Especialização em Estatística e Modelagem Quantitativa, RS, 2019. | por |
dc.description.abstract | Linear regressionmodelsthatsupposenormalresponsevariableswerewidelyuseduntil
more flexibletechniqueswereintroduced.Realsituationsareverycomplex,thusitisdifficult
that variablescomplywiththeassumptionsoftheclassiclinearmodel,likethenormalityof
the responsevariable.Alternativetechniqueswerethenproposed,like:thegeneralizedlinear
models (GLM)andgeneralizedadditivemodelsforlocation,scaleandshape(GAMLSS).GLM
main advantageinrelationtolinearmodel(LM)technique,becausetheresponsevariablecan
followanydistributionoftheexponentialfamily,besidesofthenormaldistribution.Itisalso
possible tomodelotherparametersofthedistributionbasedonthecovariables.Byconsidering
the relevanceofthepermanentcultureofyerbamatetotheeconomyRS,thequantityofpublic
statistics averableaboutthesubjectandthetechniquesofmodellingstatisticmentioned,theof
purpose ofthisstudyistoobtainaregressionmodeltoexplainthevariationoftheproduction
valueoftheyerbamateintheRS.ThedatasetwasobtainedfromFoundationofEconomyand
Statistics. Thisdatasethastheresponsevariable:productionvalueofyerbamateandquan-
titativecovariablesassociatedtoitsproductionandcommercializationin2016.Itisaddedto
data setqualitativecovariablesreferringtopolesandmicroregionsstudiedlikedummyvari-
ables. Thereafter,descriptivestatisticanalysisisdoneinordertoidentifythebehaviorofall
variables.Regressionmodelsareobtainedfromclassicaltechnique(LM)tothemoresophisti-
cated (GAMLSS).ItisnotedthattheGAMLSSmodelhadthebestfitaccordingwithmodels
selection criteriaandgraphicalanalysisoftheresiduals.FinalGAMLSSmodelatthe5%sig-
nificance levelthesignificantquantitativecovariableswere:quantityproduced,harvestedarea
and areaforharvesting.Thiscovariablespresentpositivecontributiontoresponsevariableac-
cording linearrelationshowedthroughthecorrelationanalysis.PoloPlanaltoMissõeswas
the onlysignificantanditpresentedpositiveeffecttoproductionvalue,becauseitissecond
largeststateproducer.Thesignificantmicrorregionswere:CaxiasdoSul,Erechim,Frederico
Westphalen,Gramado-Canela,Guaporé,Lajeado-Estrela,SantaCruzdoSul,SantaRosaeTrês
Passos.ExceptingGramado-Canelamicrorregion,theothersmicrorregionspresentednegative
effecttodependentvariable. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Acesso Aberto | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Modelos lineares | por |
dc.subject | Modelos lineares generalizados | por |
dc.subject | Modelos aditivos generalizados para locação,escala e forma | por |
dc.subject | Erva-mate | por |
dc.subject | Rio Grande do Sul | por |
dc.subject | Linear models | eng |
dc.subject | Generalized linear models | eng |
dc.subject | Generalized additive models for location, scale and shape | eng |
dc.subject | Yerbamate | eng |
dc.title | Modelos de regressão para o valor da produção de erva-mate no Rio Grande do Sul | por |
dc.title.alternative | Regression models to yerba mate production value in Rio Grande do Sul | eng |
dc.type | Trabalho de Conclusão de Curso de Especialização | por |
dc.degree.local | Santa Maria, RS, Brasil | por |
dc.degree.specialization | Estatística e Modelagem Quantitativa | por |
dc.description.resumo | Modelos de regressão linear supondo anormalidade da variável resposta foram amplamente utilizados até novas técnicas de modelagem estatística mais flexíveis serem introduzidas. As situações reais são extremamente complexas,sendo que dificilmente dispõe-se de variáveis com características que satisfaçam ao modelo linear clássico.Devido a isso,foram propostas classes alternativas,dentre as quais citam-se os modelos lineares generalizados(MLG) e os modelos aditivos generalizados para locação, escala e forma(GAMLSS). A vantagem do MLG em relação ao modelo linear(ML) é que a variável resposta pode seguir qualquer distribuição de probabilidade pertencente à família exponencial. Na classe dos modelos GAMLSS há maior flexibilidade em relação à distribuição da variável resposta, cujo modelo probabilístico não precisa, necessariamente,pertencer à família exponencial de distribuições. Ademais,é possível
modelar outros parâmetros da distribuição em termos das covariáveis. Considerando a relevân-
cia da cultura permanente da erva-mate para a economia do Rio Grande do Sul,a quantidade de
estatísticas públicas disponíveis acerca do tema e as técnicas de modelagem estatística mencio-
nadas, objetiva-se obter um modelo de regressão que explique a variação do valor da produção
deste produto agrícola no estado gaúcho.O conjunto de dados considerado é disponibilizado
pela Fundação de Economia e Estatística. Este contém a variável resposta:valor da produ-
ção de erva-mate e covariáveis quantitativa srelacionadas a suaproduçãoe comercialização em
2016. São acrescentadas a este banco de dados as covariáveis qualitativas referentes aos polos
ervateiros gaúchos e microrregiões tratadas como variáveis dummy. Apartir disso,realiza-se
uma estatística descritiva com intuito de identificar o comportamento de todas as variáveis.São
ajustados modelos de regressão deacordo com cada classe mencionada, desde a técnica clássica
(ML) atéamaissofisticada(GAMLSS).Evidencia-se a superioridade e boa qualidade do ajuste
dos modelos GAMLSS em relação as demais classes deacordo com os critérios de seleção de
modelos considerados e as análises gráficas dos resíduos.No modeloGAMLSS final,entre as
covariáveis quantitativas,foram significativas ao nível de 5% a quantidade produzida,a área co
lhida a área destinada à colheita com contribuição positiva à variável resposta, corroborando
com a relação linear positiva evidenciada na análise de correlação.O polo Planalto Missões foi
o único significativo e apresentou efeito positivo ao valor de produção,uma vez que é o segundo
maior prodrutor estadual.Foram significativas as microrregiões:Caxias do Sul,Erechim,Fre-
derico Westphalen,Gramado -Canela, Guaporé,Lajeado - Estrela,Santa Cruz do Sul,Santa Rosa e Três Passos.Com exceção de Gramado - Canela,todas apresentaram efeito negativo à variável dependente. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA | por |
dc.publisher.unidade | Centro de Ciências Naturais e Exatas | por |