8 MÓDULOS EM ESTATÍSTICA, ECONOMIA E ECONOMETRIA APLICADA UTILIZANDO R,  RSTUDIO, JUPYTER NOTEBOOKS AND JUPYTERLAB

DATA

Mód.1: 21 e 23/09/2021
Mód.2: 28 e 30/09/2021
Mód.3: 06 e 07/10/2021
Mód.4: 12 e 14/10/2021
Mód.5: 19 e 21/10/2021
Mód.6: 26 e 28/10/2021
Mód.7: 02 e 04/11/2021
Mód.8: 09 e 11/11/2021

Horário

8 Módulos – 18h às 21h

Duração: 48h | 6h Cada Módulo

LOCAL

Online-Ao vivo

PREÇO

120€: Cada Módulo
815€: Todos os Módulos

descrição

Temos o prazer de anunciar a segunda edição do curso Modelação e Análise de Dados Aplicada com R, que consiste numa série de 8 módulos que podem ser realizados individualmente ou em conjunto.

Os cursos são ministrados de forma interativa, utilizando teoria, demonstrações práticas e exercícios. Os cursos serão ministrados em R, RStudio, Jupyter Notebooks e JupyterLab.

Os cursos destinam-se a investigadores académicos, incluindo alunos de mestrado/doutoramento, que possuam conhecimentos básicos de estatística e econometria e que lidem com diversos tipos de dados e projetos no seu dia-a-dia de trabalho.

O curso também é recomendado para não académicos, com interesse na análise de dados numa perspetiva econométrica. Os profissionais interessados ​​em aprender diferentes técnicas e aumentar o seu conhecimento sobre possíveis metodologias que podem ser utilizadas nos seus projetos, atuais ou futuros, serão muito beneficiados com este curso.

Os formadores têm ampla experiência no ensino de estatística, economia e econometria aplicada. Os participantes deste curso são incentivados a trazer questões das suas investigações, beneficiando da ampla colaboração dos formadores, que possuem uma vasta experiência com diferentes investigadores, de vários países, assim como experiência de colaboração com alunos de pós-graduação. Os formadores são:

Cristina Amado | Universidade do Minho
• 
João Cerejeira | Universidade do Minho
• 
Miguel Portela | Universidade do Minho
• 
Nelson Areal | Universidade do Minhoo
• 
Rita Sousa | Banco de Portugal

Módulos

Blank
1. INTRODUÇÃO AO R | 21 e 23/09/2021 | Nelson Areal

Data: 21 e 23 de Setembro | 18h00-21h00
Lecionado por: Nelson Areal, Universidade do Minho

O objetivo deste módulo é fornecer uma introdução ao R, permitindo que os participantes compreendam e usem os fundamentos da linguagem R.

Começaremos com a base R e suas estruturas de dados fundamentais e avançaremos rapidamente para o conceito de dados organizados e o universo de pacotes tidyverse, para importar e manipular dados (a saber: selecionar, modificar, filtrar, resumir e mesclar conjuntos de dados usando os princípios de dados organizados).

Iremos também abordar como transformar dados de formato largo para formato longo e vice-versa.

Programa:

1. Introdução ao R: o que é e por que você deve utilizá-lo

2. IDE Rstudio

3. R Basics
– 3.1 Operações matemáticas; comparações; funções; ajuda
– 3.2 Tipos de objetos R (variáveis; tipos de dados e estruturas de dados)
– 3.3 Sub configuração e criação de sequências. Fórmulas de modelo em R
– 3.4 Pacotes em R e gestão de pacotes

4. Manipulação de dados com R
– 4.1 Leitura e exportação de dados (csv, Excel, Stata, SPSS, Matlab, bancos de dados e outros formatos de arquivo)
– 4.2 Filtrar, limpar, mesclar, classificar e transformar dados (dplyr, tydr e pipes)
– 4.3 Manipulação de string e manipulação de data
– 4.4 Usando funções de aplicação

Referências:

  • Matloff, Norman (2011) “The Art of R Programming: A Tour of Statistical Software Design”, No Starch Press, 1st Ed., pp. 400. ISBN: 1593273843.
  • Wickham, H. (2014). Tidy data. Journal of Statistical Software, 59(10), 1-23.
  • Wickham, H., & Grolemund, G. (2017). R for data science: import, tidy, transform, visualize, and model data. O’Reilly Media, Inc.
2. VISUALIZAÇÃO DE DADOS COM R | 28 e 30/09/21 | Nelson Areal

Data: 28 e 30 de Setembro | 18h00-21h00
Lecionado por: Nelson Areal, Universidade do Minho

Este módulo apresenta princípios básicos de visualização, as características de um bom gráfico, como evitar enganar o leitor e como criar gráficos. Aprenderemos como criar gráficos para variáveis ​​categóricas e contínuas, gráficos que exibem várias variáveis ​​simultaneamente, adicionando camadas como resumos, criar pequenos múltiplos, anotar gráficos e criar mapas. O módulo usará o pacote ggplot2. Este pacote é baseado na Gramática de Gráficos, é muito flexível e permite ao utilizador controlar o resultado final do gráfico.

Programa:

1. Princípios básicos de visualização. O que devemos saber e o que devemos evitar.
2. Introdução ao ggplot2: princípios básicos
3. Construir gráficos de variáveis ​​categóricas e contínuas
4. Pequenos múltiplos
5. Adicionar resumos
6. Gráficos de anotação
7. Criação de mapas simples

Referências:

  • Healy, K. (2019). Data visualization: a practical introduction. Princeton University Press.
  • Wickham, H. (2020). ggplot2: elegant graphics for data analysis. 3rd edition. https://ggplot2-book.org

Wilkinson, L. (2005). The Grammar of Graphics. 2nd ed. Statistics and Computing. Springer

3. BIG DATA: PREPARAÇÃO E ANÁLISE DE DADOS EXPLORATÓRIOS COM R | 06 e 07/10/2021 | Rita Sousa

Data: 6 e 7 de Outubro | 18h00-21h00
Lecionado por: Rita  Sousa, Banco de Portugal

A Análise Exploratória de Dados ajuda um analista a entender conjuntos de dados complexos e responder a perguntas de investigação, utilizando diversas técnicas de sumarização numérica e gráfica. Este módulo mostra como explorar e preparar os seus dados, utilizando a linguagem de programação R. Veremos ferramentas e exemplos de boas práticas no acesso e manipulação de dados, abordando os desafios mais comuns enfrentados ao lidar com Big Data.

Programa:

1. Importação de conjuntos de dados e conexão de banco de dados
2. Limpeza e manipulação de dados
3. Manipulação de dados com pipes
4. Técnicas exploratórias para resumir dados

 Referências:

  • Gillespie, C., Lovelace, R. (2016). Efficient R Programming. O’Reilly Media, Inc.
  • Grolemund, G., Wickham, H. (2016). R for Data Science. O’Reilly Media, Inc.
  • Lander, J. (2014). R for Everyone: Advanced Analytics and Graphics, 2nd Edition. Addison-Wesley Data and Analytics.
  • Matloff, N. (2011). The Art of R Programming. No Starch Press.
  • Pearson, R. K. (2018). Exploratory Data Analysis Using R. Chapman and Hall/CRC.
  • Teetor, P. (2019). R Cookbook, 2nd Edition. O’Reilly Media, Inc.
  • Walkowiak, S. (2016). Big Data Analytics with R: Leverage R Programming to uncover hidden patterns in your Big Data. Packt Publishing.
4. LITERATE PROGRAMMING EM R MARKDOWN | 12 e 14/10/2021 | By: Miguel Portela

Data: 12 e 14 de Outubro | 18h00-21h00
Lecionado por: Miguel Portela, Universidade do Minho

Literate Programming trata-se de fusão de uma narrativa descritiva com um código de computador num único documento, a partir do qual tanto a documentação legível por humanos, quanto os arquivos legíveis por computador, podem ser criados.

O trabalho deve ser transparente, fácil de atualizar, manter e replicar.

Literate Programming permite economizar tempo e esforço, permitindo dedicar mais tempo à pesquisa. Literate Programming também é útil para o ensino.

Programa: 

1. Markdown e Pandoc
2. Crie um documento de Markdown e execute o código
3. Desenvolva um relatório
4. Publique o relatório

Referências:

  • Xie, Y., Allaire, J.J. and Grolemund, G., 2018. R markdown: The definitive guide. CRC Press. (https://bookdown.org/yihui/rmarkdown/)Course 5: Web-based tools for data analysis: JupyterLab environment and workflow optimization
  • The Jupyter Notebook: https://jupyter-notebook.readthedocs.io/
  • Project Jupyter: https://jupyter.org/
5. FERRAMENTAS WEB PARA ANÁLISE DE DADOS: AMBIENTE JUPYTERLAB E OTIMIZAÇÃO DE FLUXOS DE TRABALHO | 19 e 21/10/2021 | Miguel Portela

Data: 19 e 21 de Novembro | 18h00-21h00
Lecionado por: Miguel Portela, Universidade do Minho

O Jupyter Notebook é um ambiente de computação interativo que permite aos utilizadores desenvolver um projeto de ciência de dados.

É um aplicativo da web de código aberto que permite criar e partilhar documentos que contêm código ativo, equações, visualizações, entre outros.

Pode ser utilizado em tarefas de limpeza e transformação de dados, simulação numérica, modelação estatística, visualização de dados ou Machine Learning. O código e respetivo resultado são integrados num único documento, que combina visualizações, equações matemáticas e discussão.

Programa:

1. Instalação
2. Crie seu primeiro notebook
3. Desenvolva um modelo de análise de dados em R utilizando um notebook
4. Executar notebooks online
5. Partilhe o seu notebook

Referências:

6. ANÁLISE DE REGRESSÃO E CAUSALIDADE COM R | 26 e 28/10/2021 | João Cerejeira

Data: 26 e 28 de Outubro | 18h00-21h00
Lecionado por: João Cerejeira, Universidade do Minho

A modelação de regressão é uma ferramenta fundamental para investigadores que desejam quantificar relações causais a partir de dados observados.

Este curso pretende dar uma visão geral dos conceitos teóricos necessários para entender os modelos de regressão e como implementá-los usando R.

Focando no uso da análise de regressão aplicada à avaliação de programação, o curso cobrirá variáveis ​​instrumentais, propensão de correspondência de resultados e metodologias “diferença em diferenças”, que são amplamente utilizadas para projetar e conduzir avaliações de impacto.

Programa:

1. Conceitos econométricos: análise de regressão – OLS e GLS
2. Causalidade em Cross Sectional Data
3. Questões básicas na avaliação de programas; Causalidade e o problema do viés de seleção
4. Regressão e causalidade
5. Variáveis ​​instrumentais (mínimos quadrados de dois estágios (2SLS); instrumentos fracos; testes de super identificação)
6. Modelos de escolha binária
7. Correspondência de pontuação de propensão e estimativa e Pro
8. Dados longitudinais: difference-in-differences (DD)

Referências:

  • Angrist, Joshua D. and Jörn-Steffen Pischke (2009), Mostly Harmless Econometrics:
  • An Empiricist’s Companion, Princeton University Press
  • Baum, Christopher (2006), An Introduction to Modern Econometrics Using Stata, Stata Press.
  • Cameron, Colin and Pravin Trivedi (2010), Microeconometrics Using Stata, Stata Press.
  • Cameron, Colin and Pravin Trivedi (2005), Microeconometrics: Methods and Applications, Cambridge University Press.
7. MODELOS DE DADOS DE PAINEL COM R | 02 e 04/11/2021 | Miguel Portela

Data: 2 e 4 de Novembro | 18h00-21h00
Lecionado por: Miguel Portela, Universidade do Minho

Recomenda-se conhecimento prévio sobre econometria básica.

Ambos os modelos de efeitos fixos e aleatórios estáticos, bem como os modelos dinâmicos, serão especificados e estimados.

As aulas teóricas irão combinar a discussão teórica dos modelos com a análise empírica substantiva de dados longitudinais usando Stata.

O teste de hipótese apropriado é definido, não apenas sobre a significância dos parâmetros, mas igualmente sobre a validade dos pressupostos subjacentes, nomeadamente homocedasticidade, autocorrelação e endogeneidade.

O módulo tem como objetivo fornecer orientações importantes sobre o manuseio e exploração de dados de painel. O conceito subjacente ao módulo é projetar um roteiro para realizar pesquisas que aproveitem esses dados.

Programa:

1. Regressão de dados em painel: lidar com problemas de endogeneidade
2. Estrutura de dados e discussão
3. Especificação modelo
4. Efeitos fixos e aleatórios em modelos estáticos
5. Teste de Hausman para a validade do modelo de efeitos aleatórios
6. Testando hipóteses
7. Heterocedasticidade, autocorrelação, estimativa robusta
8. Dados do painel dinâmico: endogeneidade e GMM
9. Principais diferenças: Arellano & Bond Exogenous vs. regressores endógenos
10. Validade dos instrumentos: teste de Sargan
11. O estimador do sistema GMM
12. Modelos de dados de painel dinâmico e correção de variância
13. Testes de raiz unitária para dados de painel

Referências:

  • Arellano, M. (2003), Panel Data Econometrics, Oxford University Press: New York.
  • Verbeek, M. (2012), A Guide to Modern Econometrics, 4th ed., John Wiley & Sons, Ltd.: Chichester, England.
  • Wooldridge, J. (2010), Econometric Analysis of Cross Section and Panel Data, 2nd ed., The MIT Press: Cambridge, Massachusetts.
8. MÉTODOS DE PREVISÃO E APLICAÇÕES COM R | 09 e 11/11/2021 | Cristina Amado

Data: 9 e 11 de Novembro | 18h00-21h00
Lecionado por: Cristina Amado, Universidade do Minho

O curso visa cobrir uma introdução aos métodos de previsão mais amplamente utilizados.

A ênfase do curso está na prática de técnicas de séries temporais para prever dados económicos e financeiros, mas também analisa os conceitos teóricos subjacentes.

Os alunos são treinados para aprimorar as suas capacidades de previsão como ferramentas de tomada de decisão econômica e financeira.

No final do curso, o aluno deverá ser capaz de selecionar o melhor método para a elaboração das previsões económico-financeiras.

Programa:

1. Introdução à previsão
2. Análise de regressão e previsão
3. Métodos de suavização exponencial
4. Modelos de série temporal univariada
5. Tendência e sazonalidade
6. Previsão de volatilidade

Referências:

  • Diebold, F. X. (2007), Elements of Forecasting, 4th edition, South-Western College Publishing.
  • Montgomery, D. C., Jennings, C. L. and Kulahci, M. (2015), Introduction to Time Series Analysis and Forecasting, 2nd edition, Wiley.
  • Brockwell, P. J. and Davis, R. A. (2002), Introduction to Time Series and Forecasting, 2nd edition, Springer-Verlag, New York.

FORMADORES

Miguel Portela é doutorado em Economia pela Universidade de Amesterdão (2007). Atualmente é Professor Associado com Agregação da Universidade do Minho e diretor do Programa de Doutoramento em Economia. É, igualmente, afiliado do NIPE / U Minho, CIPES / U Porto e IZA, Bona. Tem em curso uma colaboração com o Banco de Portugal. Os seus interesses de investigação centram-se nas áreas de Economia do Trabalho e da Educação e Econometria Aplicada. Tem diversos artigos científicos publicados em revistas de referência, incluindo Econometrica, Scandinavian Journal of Economics e Regional Studies. Tem em curso colaborações com equipas de investigação internacionais, lidera equipas investigação, tendo elaborado relatórios de apoio à elaboração de políticas públicas sobre salário mínimo, educação e emprego no mercado de trabalho português. Tem, adicionalmente, experiência de consultoria, tanto para instituições públicas, como para o setor privado, incluindo Microsoft, Associação Portuguesa de Seguradores, Ministério da Economia e Organização Internacional Trabalho (OIT).

CV

Cristina Amado é atualmente Professora Auxiliar no Departamento de Economia da Universidade do Minho, Portugal, e investigadora internacional na CREATES, Universidade de Aarhus. Possui um PhD em Estatísticas Económicas pela Stockholm School of Economics com uma tese intitulada “Quatro ensaios sobre a modelagem econométrica da volatilidade e durações” desde 2009 sob a supervisão do Professor Timo Teräsvirta. É também membro investigador do Núcleo de Pesquisa em Economia e Gestão (NIPE). Os seus principais interesses de pesquisa estão nas áreas de análise de séries temporais, modelagem não linear de séries temporais e estatística matemática.
CV

João Cerejeira é doutorado em Economia pelo European University Institute. É Professor Auxiliar da Universidade do Minho, Portugal. Os seus interesses de investigação são em economia do trabalho, capital humano e economia urbana. As suas publicações incluem The World Economy, Economics Letters and Higher Education. É autor de relatórios de orientação política sobre Salário Mínimo, Educação e Emprego no mercado de trabalho português. Também possui experiência em consultoria, tanto para instituições privadas como públicas.
CV

Nelson Areal é Professor Associado de Finanças na Escola de Economia e Gestão do Departamento de Gestão da Universidade do Minho. Os seus interesses de investigação incluem medição e previsão de risco, avaliação de opções usando métodos numéricos, medição de desempenho, investimentos socialmente responsáveis ​​e educação de gestão. Possui um PhD em Contabilidade e Finanças (Lancaster University, 2006; título da tese “Essays on FTSE-100 volatility and options valuation”); Mestre em Administração de Empresas com especialização em Finanças Empresariais (Universidade do Minho, 1998); Licenciatura em Gestão pela Universidade do Minho (1992). A sua carreira também inclui dois anos (1992-1994) como Auditor de Sistemas de Informação na Ernst & Young. Co.

CV

Rita Sousa é doutorada em Estatística e Gestão de Risco pela Universidade Nova de Lisboa. É Analista de Dados Sénior no Laboratório de Investigação de Microdados (BPLIM), Departamento de Economia e Investigação, do Banco de Portugal, desde 2015. Tem 15 anos de experiência como Metodóloga no Departamento de Metodologia e Sistemas de Informação do INE, de 2000 a 2015. Foi Professora Auxiliar Convidada na Universidade do Porto durante mais de 10 anos. Tem também experiência como Instrutora em Software Estatístico. Os seus interesses de investigação são Amostragem, Análise de Grandes Conjuntos de Dados, Controlo de Divulgação Estatística e Estimativa de Variáveis ​​Sensíveis.

CV

PRÉ-REQUISITOS E METODOLOGIA

Os cursos são ministrados de forma interativa, utilizando teoria, demonstrações práticas e exercícios. Os cursos serão ministrados em R, RStudio, Jupyter Notebooks e JupyterLab.

Formato: Online-Ao Vivo. A formação será realizada através da plataforma Webex.

Língua de ensino: Língua Portuguesa

Rácio: Teoria: 40% | Prático: 60%

Os cursos são ministrados de forma interativa, utilizando teoria, demonstrações práticas e exercícios. Os cursos serão ministrados em R, RStudio, Jupyter Notebooks e JupyterLab.

Talk to us

gades solutions

Rua Ferreira de Castro nº19

2635-361, Sintra, Portugal

Telephone: +351 210 124 743

Cellphone: +351 932 027 860

Email: info@gades-solutions.com

inscrição

Por favor, introduza os seus dados. Entraremos em contacto brevemente.

Qual o módulo em que deseja participar:

10 + 6 =

Usaremos seus dados para fornecer informações sobre produtos e serviços da Gades Solutions. Para mais informações, consulte a nossa Política de Privacidade

 

COPYRIGHT © 2019 • GADES SOLUTIONS • TODOS OS DIREITOS RESERVADOS