• Público
• Cursos/Atividades Oferecidas
• Inscrição On-line
  • Instruções
  • Fazer inscrição
• Editais
• Fomento
• Inscrição edital USP/Unicamp/Unesp
• Encontro USP Escola

• Acesso Restrito
• Entrar
• Esqueci a Senha
• Primeiro Acesso

98217 - Módulo Exploratory Analytics, Predictive Analytics & Machine Learning

Período da turma:	01/11/2022 a 23/05/2023 Selecione um horário para exibir no calendário:
Descrição:	Programa completo com ementa e referência bibliográfica: Disciplina: Estruturas de Bancos de Dados, Tipos de Variáveis e Escalas de Mensuração Ementa: Bancos de Dados; observações e variáveis; estruturas longitudinais e transversais; variáveis qualitativas e quantitativas; escalas de mensuração de variáveis; variáveis nominais e ordinais; variáveis métricas. Disciplina: Introdução ao Machine Learning Ementa: Machine learning e reconhecimento de padrões; conceito de supervisão e não supervisão; técnicas não supervisionadas e relação com escalas de mensuração de variáveis; técnicas supervisionadas e relação com escalas de mensuração de variáveis; casos reais e práticos. Disciplina: Unsupervised Machine Learning & Exploratory Analytics - Análise de Clusters Ementa: Análise de conglomerados e de agrupamentos; padronização de variáveis e procedimento z-scores; medidas de distância e de similaridade; clusters hierárquicos; clusters não hierárquicos k-means; esquemas de aglomeração; dendrograma; escalonamento multidimensional; aplicações de bancos de dados reais de mercado em R ou Python. Disciplina: Unsupervised Machine Learning & Exploratory Analytics - Análise Fatorial e PCA Ementa: Análise fatorial; principal componente analysis (PCA); construção de fatores; matriz de correlações; escores e cargas fatoriais; mapa de cargas; criação de rankings em datasets; aplicações de bancos de dados reais de mercado em R ou Python. Disciplina: Unsupervised Machine Learning & Exploratory Analytics - Análise de Correspondência Simples e Múltipla Ementa: Tabelas de frequência; massas de frequências; resíduos frequentistas; teste chi-quadrado; associação entre variáveis e entre categorias; coordenadas de categorias e mapas perceptuais; clusterização e rankings de observações a partir de variáveis qualitativas; aplicações de bancos de dados reais de mercado em R ou Python. Disciplina: Supervised Machine Learning & Predictive Analytics - Análise de Regressão Simples e Múltipla Ementa: Mapa de correlações; modelos de regressão simples; estimação por mínimos quadrados; coeficiente de ajuste R²; teste F, testes t, modelos de regressão múltipla; procedimento Stepwise; multicolinearidade; teste de Shapiro-Francia; procedimento de Box-Cox; modelos não lineares; intervalos de confiança e previsão; aplicações de bancos de dados reais de mercado em Excel e em R ou Python. Disciplina: Supervised Machine Learning & Predictive Analytics - Modelos Logísticos Binários e Multinomiais Ementa: Conceitos de probabilidade e chance de ocorrência de eventos; curva sigmoide S e modelo probabilístico; estimação por máxima verossimilhança; modelos de risco de crédito e de probabilidade de default; intervalos de confiança e previsão; conceito de cutoff; confusion matrix; análise de sensibilidade; indicadores de acurácia, sensitividade e especificidade; curva ROC; índice GINI; modelos multinomiais; curvas spline; aplicações de bancos de dados reais de mercado em Excel e em R ou Python. Disciplina: Supervised Machine Learning & Predictive Analytics - Modelos para Dados de Contagem Ementa: Dados de contagem; conceito de exposição; estimação por máxima verossimilhança; modelo Poisson; overdispersion; modelo binomial negativo; teste de Cameron e Trivedi; intervalos de confiança e previsão; aplicações de bancos de dados reais de mercado em Excel e em R ou Python. Disciplina: Outros Modelos de Machine Learning Ementa: Árvores de decisão; bagging, boosting; random forest; redes neurais; técnicas de validação; treino, validação e teste, out-of-time, validação cruzada; aplicações de bancos de dados reais de mercado em R ou Python. Disciplina: Business Intelligence e Data Visualization Ementa: Business Intelligence; conexão a dados; simplificação e classificação de dados; organização de dados; segmentação de dados por data; utilização de diversas medidas em uma exibição; relação entre valores numéricos; mapeamento de dados geograficamente; exibição de valores específicos; personalização de dados; análise de dados a partir de cálculos rápidos provenientes de tabelas; exibição de partes de um todo; destaque de dados com linhas de referência; disponibilização de exibições; aplicações de bancos de dados reais de mercado em Tableau Desktop. Tópicos Especiais: Avaliações, atividades complementares, trabalhos em grupo e interação. Realização das Provas EaD: as provas são disponibilizadas no dia seguinte a aula ao vivo. Atividades complementares: slides das aulas, material de leitura pré e pós-aula, bibliografia indicada, eventos, reportagens, artigos, entre outros. Esclarecimento de dúvidas via e-mail após as aulas ao vivo: caso os alunos ainda tenham dúvidas após a aula ministrada, estas serão encaminhadas para o professor e as respostas serão compartilhadas com os alunos pela intranet. Interação em aula (trabalhos em grupo): durante a aula ao vivo serão utilizadas as ferramentas TalkShow, Zoom, Wooclap e outros de interação, para desenvolvimento e apresentação de trabalhos em grupo, sanar dúvidas com professor, compartilhar experiências com a turma, responder a enquetes que ajudam na fixação do conteúdo, entre outros. Chat: ferramenta do sistema acadêmico utilizada durante as aulas ao vivo para que os alunos enviem as dúvidas ao professor. O histórico do chat fica disponível nos materiais da aula após o término da aula ao vivo. Conteúdo de intervalo: programa exibido nos intervalos das aulas (2 intervalos de 15 minutos), com temas relacionados ao curso. Referências Bibliográficas das disciplinas do Módulo: AGRESTI, A. Categorical data analysis. 3. ed. Hoboken: John Wiley & Sons, 2013. ALBERGARIA, M.; FÁVERO, L. P. Narrow replication of Fisman and Miguel's (2007a) 'Corruption, norms, and legal enforcement: evidence from diplomatic parking tickets'. Journal of Applied Econometrics, v. 32, n. 4, p. 919-922, 2017. ALBUQUERQUE, J. P. A.; FORTES, J. M. P.; FINAMORE, W. A. Probabilidade, variáveis aleatórias e processos estocásticos. Rio de Janeiro: Interciência, 2008. ALCALDE, A.; FÁVERO, L. P.; TAKAMATSU, R. T. EBITDA margin in Brazilian companies: variance decomposition and hierarchical effects. Contaduría y Administración, v. 58, n. 2, p. 197-220, 2013. AL-DAOUD, M. B.; ROBERTS, S. A. New methods for the initialisation of clusters. Pattern Recognition Letters, v. 17, n. 5, p. 451-455, 1996. ALDENDERFER, M. S.; BLASHFIELD, R. K. Cluster analysis and archaeological classification. American Antiquity, v. 43, n. 3, p. 502-505, 1978. ALDENDERFER, M. S.; BLASHFIELD, R. K. Cluster analysis. Thousand Oaks: Sage Publications, 1984. ALDENDERFER, M. S.; BLASHFIELD, R. K. Computer programs for performing hierarchical cluster analysis. Applied Psychological Measurement, v. 2, n. 3, p. 403-411, 1978. ALDRICH, J. H.; NELSON, F. D. Linear probability, logit, and probit models. Thousand Oaks: Sage Publications, 1984. ALIAGA, F. M. Análisis de correspondencias: estudo bibliométrico sobre su uso en la investigación educativa. Revista Electrónica de Investigación y Evaluación Educativa, v. 5, n. 1_1, 1999. AMEMIYA, T. Qualitative response models: a survey. Journal of Economic Literature, v. 19, n. 4, p. 1483-1536, 1981. ANDERBERG, M. R. Cluster analysis for applications. New York: Academic Press, 1973. ANDERSON, D. R.; SWEENEY, D. J.; WILLIAMS, T. A. Estatística aplicada à administração e economia. 3. ed. São Paulo: Thomson Pioneira, 2013. ANDERSON, J. A. Logistic discrimination. In: KRISHNAIAH, P. R.; KANAL, L. N. (ed.). Handbook of statistics. Amsterdam: North Holland, p.169-191, 1982. ARANHA, F.; ZAMBALDI, F. Análise fatorial em administração. São Paulo: Cengage Learing, 2008. ARAÚJO, M. E.; FEITOSA, C. V. Análise de agrupamento da Ictiofauna Recifal do Brasil com base em dados secundários: uma avaliação crítica. Tropical Oceanography, v. 31, n. 2, p. 171-192, 2003. ARENALES, M.; ARMENTANO, V.; MORABITO, R.; YANASSE, H. Pesquisa operacional: para cursos de engenharia. Rio de Janeiro: Campus Elsevier, 2007. ARIAS, R. M. El análisis multivariante en la investigación científica. Madrid: Editorial La Muralla, 1999. ARTES, R. Aspectos estatísticos da análise fatorial de escalas de avaliação. Revista de Psiquiatria Clínica, v. 25, n. 5, p. 223-228, 1998. ASHBY, D.; WEST, C. R.; AMES, D. The ordered logistic regression model in psychiatry: rising prevalence of dementia in old peoples homes. Statistics in Medicine, v. 8, p. 1317-1326, 1979. ATKINSON, A. C. A method for discriminating between models. Journal of the Royal Statistical Society, Series B, v. 32, n. 3, p. 323-353, 1970. AYÇAGUER, L. C. S.; UTRA, I. M. B. Regresión logística. Madrid: Editorial La Muralla, 2004. AZEN, R.; WALKER, C. M. Categorical data analysis for the behavioral and social sciences. New York: Routledge, 2011. BAILEY, K. D. Sociological classification and cluster analysis. Quality and Quantity, v. 17, n. 4, p. 251-268, 1983. BAKER, B. O.; HARDYCK, C. D.; PETRINOVICH, L. F. Weak measurements vs. strong statistics: an empirical critique of S. S. Stevens’ proscriptions on statistics. Educational and Psychological Measurement, v. 26, p. 291-309, 1966. BAKKE, H. A.; LEITE, A. S. M.; SILVA, L. B. Estatística multivariada: aplicação da análise fatorial na engenharia de produção. Revista Gestão Industrial, v. 4, n. 4, p. 1-14, 2008. BALAKRISHNAN, P. V.; COOPER, M. C.; JACOB, V. S.; LEWIS, P. A. A study of the classification capabilities of neural networks using unsupervised learning: a comparison with k-means clustering. Psychometrika, v. 59, n. 4, p. 509-525, 1994. BANZATTO, D. A.; KRONKA, S. N. Experimentação agrícola. 4.ed. Jaboticabal: Funep, 2006. BARIONI JR., W. Análise de correspondência na identificação dos fatores de risco associados à diarréia e à performance de leitões na fase de lactação. Piracicaba. 97 f. Masters Dissertation - Escola Superior de Agricultura Luiz de Queiroz, Universidade de São Paulo, 1995. BARNETT, V.; LEWIS, T. Outliers in statistical data. 3. ed. Chichester: John Wiley & Sons, 1994. BARRADAS, J. M.; FONSECA, E. C.; SILVA, E. F.; PEREIRA, H. G. Identification and mapping of pollution indices using a multivariate statistical methodology. Applied Geochemistry, v. 7, n. 6, p. 563-572, 1992. BARTHOLOMEW, D.; KNOTT, M.; MOUSTAKI, I. Latent variable models and factor analysis: a unified approach. 3. ed. New York: John Wiley & Sons, 2011. BASTOS, R.; PINDADO, J. Trade credit during a financial crisis: a panel data analysis. Journal of Business Research, v. 66, n. 5, p. 614-620, 2013. BATISTA, L. E.; ESCUDER, M. M. L.; PEREIRA, J. C. R. A cor da morte: causas de óbito segundo características de raça no Estado de São Paulo, 1999 a 2001. Revista de Saúde Pública, v. 38, n. 5, p. 630-636, 2004. BAXTER, L. A.; FINCH, S. J.; LIPFERT, F. W.; YU, Q. Comparing estimates of the effects of air pollution on human mortality obtained using different regression methodologies. Risk Analysis, v. 17, n. 3, p. 273-278, 1997. BAZARAA, M.S.; JARVIS, J.J.; SHERALI, H.D. Linear programming and network flows. 4. ed. John Wiley & Sons, 2009. BAZELEY, P. Qualitative data analysis: practical strategies. London: Sage Publications, 2013. BECK, N. From statistical nuisances to serious modeling: changing how we think about the analysis of time-series-cross-section data. Political Analysis, v. 15, n. 2, p. 97-100, 2007. BECK, N. Time-series-cross-section-data: what have we learned in the past few years? Annual Review of Political Science, v. 4, n. 1, p. 271-293, 2001. BEGG, M. D.; PARIDES, M. K. Separation of individual-level and cluster-level covariate effects in regression analysis of correlated data. Statistics in Medicine, v. 22, n. 6, p. 2591-2602, 2003. BEH, E. J. A comparative study of scores for correspondence analysis with ordered categories. Biometrical Journal, v. 40, n. 4, p. 413-429, 1998. BEH, E. J. Correspondence analysis of ranked data. Communication in Statistics - Theory and Methods, v. 28, n. 7, p. 1511-1533, 1999. BEH, E. J. Simple correspondence analysis: a bibliographic review. International Statistical Review, v. 72, n.2, p. 257-284, 2004. BEH, E. J.; LOMBARDO, R. Correspondence analysis: theory, practice and new strategies. New York: John Wiley & Sons, 2014. BEKAERT, G.; HARVEY, C. R.; LUNDBLAD, C. Emerging equity markets and economic development. Journal of Development Economics, v. 66, n. 2, p. 465-504, 2001. BEKMAN, O. R.; COSTA NETO, P. L. O. Análise estatística da decisão. 2. ed. São Paulo: Edgard Blücher, 2009. BELFIORE, P. Estatistica aplicada a administração, contabilidade e economia com Excel® e SPSS®. Rio de Janeiro: Campus Elsevier, 2015. BELFIORE, P.; FÁVERO; L. P. Pesquisa operacional: para cursos de administração, contabilidade e economia. Rio de Janeiro: Campus Elsevier, 2012. BELFIORE, P.; FÁVERO, L. P. Scatter search for the fleet size and mix vehicle routing problem with time windows. Central European Journal of Operations Research, v. 15, n. 4, p. 351-368, 2007. BELFIORE, P.; YOSHIZAKI, H. T. Y. Heuristic methods for the fleet size and mix vehicle routing problem with time windows and split deliveries. Computers & Industrial Engineering, v. 64, n. 2, p. 589-601, 2013. BELFIORE, P.; YOSHIZAKI, H. T. Y. Scatter search for a real-life heterogeneous fleet vehicle routing problem with time windows and split deliveries in Brazil. European Journal of Operational Research, v. 199, n. 3, p. 750-758, 2009. BENSMAIL, H.; CELEUX, G.; RAFTERY, A. E.; ROBERT, C. P. Inference in model-based cluster analysis. Statistics and Computing, v. 7, n. 1, p. 1-10, 1997. BENZÉCRI, J. P. Correspondence analysis handbook. 2. ed. New York: Marcel Dekker, 1992. BENZÉCRI, J. P. El análisis de correspondencias. Les Cahiers de l’ Analyse des Données, v. 2, n. 2, p. 125-142, 1977. BENZÉCRI, J. P. Sur le calcul des taux d’inertie dans l’analyse d’un questionnaire. Les Cahiers de l’Analyse des Données, v. 4, n. 3, p. 377-378, 1979. BERENSON, M. L.; LEVINE, D. M. Basic business statistics: concepts and application. 6. ed. Upper Saddle River: Prentice Hall, 1996. BERGH, D. D. Problems with repeated measures analysis: demonstration with a study of the diversification and performance relationship. The Academy of Management Journal, v. 38, n. 6, p 1692-1708, 1995. BERKSON, J. Application of the logistic function to bioassay. Journal of the American Statistical Association, v. 39, n. 227, p. 357-365, 1944. BEZERRA, F. A.; CORRAR, L. J. Utilização da análise fatorial na identificação dos principais indicadores para avaliação do desempenho financeiro: uma aplicação nas empresas de seguros. Revista Contabilidade e Finanças, v. 4, n. 42, p. 50-62, 2006. BILLOR, N.; HADI, A. S.; VELLEMAN, P. F. BACON: blocked adaptive computationally efficient outlier nominators. Computational Statistics & Data Analysis, v. 34, n. 3, p. 279-298, 2000. BLACK, K. Business statistics: for contemporary decision making. 7. ed. New York: John Wiley & Sons, 2012. BLAIR, E. Sampling issues in trade area maps drawn from shopping surveys. Journal of Marketing, v. 47, n. 1, p. 98-106, 1983. BLASHFIELD, R. K.; ALDENDERFER. M. S. The literature on cluster analysis. Multivariate Behavioral Research, v. 13, n. 3, p. 271-295, 1978. BLISS, C. I. The method of probits - a correction. Science, v. 79, n. 2053, p. 409-410, 1934b. BLISS, C. I. The method of probits. Science, v. 79, n. 2037, p. 38-39, 1934a. BLUNSDON, B.; REED, K. Social innovators or lagging behind: factors that influence manager’s time use. Women in Management Review, v. 78, p. 544-561, 2005. BOCK, H. H. On some significance tests in cluster analysis. Journal of Classification, v. 2, n. 1, p. 77-108, 1985. BOCK, R. D. Multivariate statistical methods in behavioral research. New York: McGraw-Hill, 1975. BOLFARINE, H.; BUSSAB, W. O. Elementos de amostragem. São Paulo: Edgard Blϋcher, 2005. BOLFARINE, H.; SANDOVAL, M. C. Introdução à inferência estatística. Rio de Janeiro: Sociedade Brasileira de Matemática, 2001. BONETT, D. G. Varying coefficient meta-analytic methods for alpha reliability. Psychological Methods, v. 15, n. 4, p. 368-385, 2010. BORGATTA, E. F.; BOHRNSTEDT, G. W. Level of measurement: once over again. Sociological Methods & Research, v. 9, n. 2, p. 147-160, 1980. BOROOAH, V. K. Logit and probit. Thousand Oaks: Sage Publications, 2001. BOTTON, L.; BENGIO, Y. Convergence properties of the k-means algorithm. Advances in Neural Information Processing Systems, v. 7, p. 585-592, 1995. BOUROCHE, J. M.; SAPORTA, G. Análise de dados. Rio de Janeiro: Zahar, 1982. BOX, G. E. P.; COX, D. R. An analysis of transformations. Journal of the Royal Statistical Society, Series B, v. 26, n. 2, p. 211-252, 1964. BOX-STEFFENSMEIER, J. M.; JONES, B. S. Event history modeling: a guide for social scientists. Cambridge: Cambridge University Press, 2004. BRAGA, R; FÁVERO, L. P. Disposition effect and tolerance to losses in stock investment decisions: an experimental study. Journal of Behavioral Finance, v. 18, n. 3, p. 271-280, 2017. BRAMER, M. Principles of data mining. 3. ed. New York: Springer, 2016. BRAND M. Fast low-rank modifications of the thin singular value decomposition. Linear Algebra and its Applications, v. 415, n. 1, p. 20-30, 2006. BRANDÃO, M. A. L. Estudo de alguns métodos determinísticos de otimização irrestrita. Uberlândia, 2010. 87 p. Dissertação (Mestrado em Matemática), Universidade Federal de Uberlândia, 2010. BRAVAIS, A. Analyse mathematique sur les probabilites des erreurs de situation d'un point. Memoires par Divers Savans, v. 9, p. 255-332, 1846. BREUSCH, T. S. Testing for autocorrelation in dynamic linear models. Australian Economic Papers, v. 17, n. 31, p. 334–355, 1978. BROWN, M. B.; FORSYTHE, A. B. Robust tests for the equality of variances. Journal of the American Statistical Association, v. 69, n. 346, p. 364-367, 1974. BRUNI, A. L. Estatística aplicada à gestão empresarial. 3. ed. São Paulo: Atlas, 2011. BUCHINSKY, M. Recent advances in quantile regression models: a practical guideline for empirical research. The Journal of Human Resources, v. 33, n. 1, p. 88-126, 1998. BUFFA, E.S.; SARIN, R.K. Modern production/operations management. 8. ed. John Wiley & Sons, 1987. BUSSAB, W. O.; MIAZAKI, E. S.; ANDRADE, D. F. Introdução à análise de agrupamentos: In: Simpósio Brasileiro de Probabilidade e Estatística, 1990, São Paulo. Anais do Congresso. BUSSAB, W. O.; MORETTIN, P. A. Estatística básica. 7. ed. São Paulo: Saraiva, 2011. CABRAL, N. A. C. A. Investigação por inquérito. < http://www.amendes.uac.pt/monograf/tra06investgInq.pdf >. Acesso em: 03/08/2015. CALINSKI, T.; HARABASZ, J. A dendrite method for cluster analysis. Communications in Statistics, v. 3, n. 1, p. 1-27, 1974. CAMERON, A. C.; TRIVEDI, P. K. Econometric models based on count data: comparisons and applications of some estimators and tests. Journal of Applied Econometrics, v. 1, n. 1, p. 29-53, 1986. CAMERON, A. C.; TRIVEDI, P. K. Microeconometrics using Stata. Revised edition. College Station: Stata Press, 2009. CAMERON, A. C.; TRIVEDI, P. K. Regression analysis of count data. 2. ed. Cambridge: Cambridge University Press, 2013. CAMERON, A. C.; TRIVEDI, P. K. Regression-based tests for overdispersion in the Poisson model. Journal of Econometrics, v. 46, n. 3, p. 347-364, 1990. CAMERON, A. C.; WINDMEIJER, F. A. G. An R-squared measure of goodness of fit for some common nonlinear regression models. Journal of Econometrics, v. 77, n. 2, p. 329-342, 1997. CAMILO, C. O.; SILVA, J. C. Mineração de dados: conceitos, tarefas, métodos e ferramentas. Technical Report RT-INF 001-09, Instituto de Informática, Universidade Federal de Goiás, 2009. CAMIZ, S.; GOMES, G. C. Joint correspondence analysis versus multiple correspondence analysis: a solution to an undetected problem. In: GIUSTI, A.; RITTER, G.; VICHI, M. (ed.) Classification and data mining. Studies in classification, data analysis, and knowledge organization. Berlin: Springer-Verlag, p. 11-18, 2013. CAROLL, J. D.; GREEN, P. E.; SCHAFFER, C. M. Interpoint distance comparisons in correspondence analysis. Journal of Marketing Research, v. 23, n. 3, p. 271-280, 1986. CARVALHO, N. A. S. Aplicação de Modelos Estatísticos para Previsão e Monitoramento da Cobrabilidade de uma Empresa de Distribuição de Energia Elétrica no Brasil. 2012. Dissertação (Mestrado em Metrologia), Pontifícia Universidade Católica do Rio de Janeiro, 2012. CARVALHO, H. Análise multivariada de dados qualitativos: utilização da análise de correspondências múltiplas com o SPSS. Lisboa: Edições Sílabo, 2008. CATTELL, R. B. The scree test for the number of factors. Multivariate Behavioral Research, v. 1, n. 2, p. 245-276, 1966. CATTELL, R. B.; BALCAR, K. R.; HORN, J. L.; NESSELROADE, J. R. Factor matching procedures: an improvement of the s index; with tables. Educational and Psychological Measurement, v. 29, n. 4, p. 781-792, 1969. CELEUX, G.; GOVAERT, G. A classification EM algorithm for clustering and two stochastic versions. Computational Statistics & Data Analysis, v. 14, n. 3, p. 315-332, 1992. CHAMBERLAIN, G. Analysis of covariance with qualitative data. The Review of Economic Studies, v. 47, n. 1, p. 225-238, 1980. CHAMBLESS, L. E.; DOBSON, A.; PATTERSON, C. C.; RAINES, B. On the use of a logistic risk score in predicting risk of coronary heart disease. Statistics in Medicine, v. 9, p. 385-396, 1991. CHAPPEL, W.; KIMENYI, M.; MAYER, W. A Poisson probability model of entry and market structure with an application to U.S. industries during 1972-77. Southern Economic Journal, v. 56, n. 4, p. 918-927, 1990. CHARNES, A.; COOPER, W.W.; RHODES, E. Measuring the efficiency of decision making units. European Journal of Operational Research, v. 2, n. 6, p. 429-444, 1978. CHARNET, R.; BONVINO, H.; FREIRE, C. A. L.; CHARNET, E. M. R. Análise de modelos de regressão linear: com aplicações. 2. ed. Campinas: Editora da UNICAMP, 2008. CHATTERJEE, S.; JAMIESON, L.; WISEMAN, F. Identifying most influential observations in factor analysis. Marketing Science, v. 10, n. 2, p. 145-160, 1991. CHEN, M. H.; IBRAHIM, J. G.; SHAO, Q. M. Maximum likelihood inference for the Cox regression model with applications to missing covariates. Journal of Multivariate Analysis, v. 100, n. 9, p. 2018-2030, 2009. CHENG, R.; MILLIGAN, G. W. K-Means clustering methods with influence detection. Educational and Psychological Measurement, v. 56, n. 5, p. 833-838, 1996. CHRISTENSEN, R. Log-linear models and logistic regression. 2. ed. New York: Springer-Verlag, 1997. CIOS, K. J; PEDRYCZ, W; SWINIARSKI, R. W; KURGAN, L. A. Data mining: a knowledge discovery approach. New York: Springer, 2007. CLEVELAND, W. S. The elements of graphing data. Monterey: Wadsworth, 1985. CLIFF, N.; HAMBURGER, C. D. The study of sampling errors in factor analysis by means of artificial experiments. Psychological Bulletin, v. 68, n. 6, p. 430-445, 1967. COCHRAN, W. G. Sampling techniques. 3. ed. New York: John Wiley & Sons, 1977. COCHRAN, W. G. Some consequences when the assumptions for the analysis of variance are not satisfied. Biometrics, v. 3, n. 1, p.22-38, 1947. COCHRAN, W. G. The comparison of percentages in matched samples. Biometrika, v. 37, n. ¾, p. 256-266, 1950. COCHRAN, W. G. The distribution of the largest of a set of estimated variances as a fraction of their total. Annals of Eugenics, v. 22, n. 11, p.47-52, 1947. COLLINGS, B.; MARGOLIN, B. Testing goodness of fit for the Poisson assumption when observations are not identically distributed. Journal of the American Statistical Association, v. 80, n. 390, p. 411-418, 1985. CONAWAY, M. R. A random effects model for binary data. Biometrics, v. 46, n. 2, p. 317-328, 1990. CONSUL, P. Generalized Poisson distributions. New York: Marcel Dekker, 1989. CONSUL, P.; FAMOYE, F. Generalized Poisson regression model. Communications in Statistics: Theory and Methods, v. 21, n. 1, p. 89-109, 1992. CONSUL, P.; JAIN, G. A generalization of the Poisson distribution. Technometrics, v. 15, n. 4, p. 791-799, 1973. COOK, R. D. Influential observations in linear regression. Journal of the American Statistical Association, v. 74, p. 169-174, 1979. COOPER, D. R.; SCHINDLER, P. S. Métodos de pesquisa em administração. 10. ed. Porto Alegre: Bookman, 2011. COOPER, S. L. Random sampling by telephone: an improved method. Journal of Marketing Research, v. 1, n. 4, p. 45-48, 1964. CORDEIRO, G. M. Improved likelihood ratio statistics for generalized linear models. Journal of the Royal Statistical Society, Series B, v. 45, n. 3, p. 404-413, 1983. CORDEIRO, G. M. On the corrections to the likelihood ratio statistics. Biometrika, v. 74, n. 2, p. 265-274, 1987. CORDEIRO, G. M.; DEMÉTRIO, C. G. B. Modelos lineares generalizados. Santa Maria: SEAGRO e RBRAS, 2007. CORDEIRO, G. M.; McCULLAGH, P. Bias correction in generalized linear models. Journal of the Royal Statistical Society, Series B, v. 53, n. 3, p. 629-643, 1991. CORDEIRO, G. M.; ORTEGA, E. M. M.; CUNHA, D. C. C. The exponentiated generalized class of distributions. Journal of Data Science, v. 11, p. 777-803, 2013. CORDEIRO, G. M.; ORTEGA, E. M. M.; SILVA, G. O. The exponentiated generalized gamma distribution with application to lifetime data. Journal of Statistical Computation and Simulation, v. 81, n. 7, p. 827-842, 2011. CORDEIRO, G. M.; PAULA, G. A. Improved likelihood ratio statistics for exponential family nonlinear models. Biometrika, v. 76, n. 1, p. 93-100, 1989. CORTINA, J. M. What is coefficient alpha? An examination of theory and applications. Journal of Applied Psychology, v. 78, n. 1, p. 98-104, 1993. COSTA NETO, P. L. O. Estatística. 2. ed. São Paulo: Edgard Blücher, 2002. COSTA, P. S.; SANTOS, N. C.; CUNHA, P.; COTTER, J.; SOUSA, N. The use of multiple correspondence analysis to explore associations between categories of qualitative variables in healthy ageing. Journal of Aging Research, v. 2013, 2013. COURGEAU, D. Methodology and epistemology of multilevel analysis. London: Kluwer Academic Publishers, 2003. COVARSI, M. G. A. Técnicas de análisis factorial aplicadas al análisis de la información financiera: fundamentos, limitaciones, hallazgo y evidencia empírica española. Revista Española de Financiación y Contabilidad, v. 26, n. 86, p. 57-101, 1996. COX, D. R. Regression models and life tables. Journal of the Royal Statistical Society, Series B, v. 34, n. 2, p. 187-220, 1972. COX, D. R. Some remarks on overdispersion. Biometrika, v. 70, n. 1, p. 269-274, 1983. COX, D. R.; SNELL, E. J. Analysis of binary data. 2. ed. London: Chapman & Hall, 1989. COXON, A. P. M. The User´s guide to multidimensional scaling: with special reference to the MDS (X library of computer programs). London: Heinemann Educational Books, 1982. CRONBACH, L. J. Coefficient alpha and the internal structure of tests. Psychometrika, v. 16, n. 3, p. 297-334, 1951. CZEKANOWSKI, J. Coefficient of racial “likeness” und “durchschnittliche differenz”. Anthropologischer Anzeiger, v. 9, n. 3/4, p. 227-249, 1932. D’ENZA, A. I.; GREENACRE, M. J. Multiple correspondence analysis for the quantification and visualization of large categorical data sets. In: DI CIACCIO, A.; COLI, M.; IBANEZ, J. M. A. (ed.) Advanced statistical methods for the analysis of large data-sets. Studies in theoretical and applied statistics. Berlin: Springer-Verlag, p. 453-463, 2012. DANSECO, E. R.; HOLDEN, E. W. Are there different types of homeless families? A typology of homeless families based on cluster analysis. Family Relations, v. 47, n. 2, p. 159-165, 1998. DANTAS, C. A. B. Probabilidade: um curso introdutório. 3. ed. São Paulo: EDUSP, 2008. DANTAS, R. A.; CORDEIRO, G. M. Uma nova metodologia para avaliação de imóveis utilizando modelos lineares generalizados. Revista Brasileira de Estatística, v. 49, n. 191, p. 27-46, 1988. DANTZIG, G.B.; FULKERSON, D.R.; JOHNSON, S.M. Solution of a large-scale traveling salesman problem. Operations Research, v. 2, p. 393-410, 1954. DAY, G. S.; HEELER, R. M. Using cluster analysis to improve marketing experiments. Journal of Marketing Research, v. 8, n. 3, p. 340-347, 1971. DE IRALA, J.; FERNÁNDEZ-CREHUET, N. R.; SERRANCO, C. A. Intervalos de confianza anormalmente amplios en regresión logística: interpretación de resultados de programas estadísticos. Revista Panamericana de Salud Pública, v. 28, p. 235-243, 1997. DEAN, C.; LAWLESS, J. Tests for detecting overdispersion in Poisson regression models. Journal of the American Statistical Association, v. 84, n. 406, p. 467-472, 1989. DEATON, A. Instruments, randomization, and learning about development. Journal of Economic Literature, v. 48, n. 2, p. 424-455, 2010. DEMIDENKO, E. Mixed models: theory and applications. New York: John Wiley & Sons, 2005. DEUS, J. E. R. Escalamiento multidimensional. Madrid: Editorial La Muralla, 2001. DEVORE, J. L. Probabilidade e estatística para engenharia. São Paulo: Thomson Pioneira, 2006. DICE, L. R. Measures of the amount of ecologic association between species. Ecology, v. 26, n. 3, p. 297-302, 1945. DIGBY, P. G. N.; KEMPTON, R. A. Multivariate analysis of ecological communities. London: Chapman & Hall / CRC Press, 1987. DILLON, W.R.; GOLDSTEIN, M. Multivariate analysis methods and applications. New York: John Wiley & Sons, 1984. DOBBIE, M. J.; WELSH, A. H. Modelling correlated zero-inflated count data. Australian & New Zealand Journal of Statistics, v. 43, n. 4, p. 431-444, 2001. DOBSON, A. J. An introduction to generalized linear models. 2. ed. London: Chapman & Hall / CRC Press, 2001. DORE, J. C.; OJASOO, T. Correspondence factor analysis of the publication patterns of 48 countries over the period 1981-1992. Journal of the American Society for Information Science, v. 47, p. 588-602, 1996. DOUGHERTY, C. Introduction to econometrics. 4. ed. New York: Oxford University Press, 2011. DOUTRIAUX, J.; CRENER, M. A. Which statistical technique should I use? A survey and marketing case study. Managerial and Decision Economics, v. 3, n. 2, p. 99-111, 1982. DRIVER, H. E.; KROEBER, A. L. Quantitative expression of cultural relationships. University of California Publications in American Archaeology and Ethnology, v. 31, n. 4, p. 211-256, 1932. DUNCAN, O. D. Notes on social measurement: historical and critical. New York: Russell Sage Foundation, 1984. DUNLOP, D. D. Regression for longitudinal data: a bridge from least squares regression. The American Statistician, v. 48, n. 4, p. 299-303, 1994. DURBIN, J.; WATSON, G. S. Testing for serial correlation in least squares regression: I. Biometrika, v. 37, n. ¾, p. 409-428, 1950. DURBIN, J.; WATSON, G. S. Testing for serial correlation in least squares regression: II. Biometrika, v. 38, n. ½, p. 159-177, 1951. DYKE, G. V.; PATTERSON, H. D. Analysis of factorial arrangements when the data are proportions. Biometrics, v. 8, n. 1, p. 1-12, 1952. DZIUBAN, C. D.; SHIRKEY, E. C. When is a correlation matrix appropriate for factor analysis? Some decision rules. Psychological Bulletin, v. 81, n. 6, p. 358-361, 1974. EKŞIOĞLU, S. D.; EKŞIOĞLU, B.; ROMEIJN, H.E. A lagrangean heuristic for integrated production and transportation planning problems in a dynamic, multi-item, two-layer supply chain. IIE Transactions, v. 39, n. 2, p. 191-201, 2007. ELHEDHLI, S.; GOFFIN, J.L. Efficient production-distribution system design. Management Science, v. 51, n. 7, p. 1151-1164, 2005. EMBRETSON, S. E.; HERSHBERGER, S. L. The new rules of measurement. Mahwah: Lawrence Erlbaum Associates, 1999. EOM, S.; KIM, E. A survey of decision support system applications (1995-2001). Journal of the Operational Research Society, v. 57, p. 1264-1278, 2006. EPLEY, D. R. U. S. real estate agent income and commercial / investment activities. The Journal of Real Estate Research, v. 21, n. 3, p. 221-244, 2001. ESPEJO, L.G.A.; GALVÃO, R.D. O uso das relaxações Lagrangeana e surrogate em problemas de programação inteira. Pesquisa Operacional, v. 22, n. 3, p. 387-402, 2002. ESPINOZA, F. S.; HIRANO, A. S. As dimensões de avaliação dos atributos importantes na compra de condicionadores de ar: um estudo aplicado. Revista de Administração Contemporânea (RAC), v. 7, n. 4, p. 97-117, 2003. EVERITT, B. S.; LANDAU, S.; LEESE, M.; STAHL, D. Cluster analysis. 5. ed. Chichester: John Wiley & Sons, 2011. FABRIGAR, L. R.; WEGENER, D. T.; MacCALLUM, R. C.; STRAHAN, E. J. Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, v. 4, n. 3, p. 272-299, 1999. FAMOYE, F. Restricted generalized Poisson regression model. Communications in Statistics: Theory and Methods, v. 22, n. 5, p. 1335-1354, 1993. FAMOYE, F.; SINGH, K. P. Zero-inflated generalized Poisson regression model with an application to domestic violence data. Journal of Data Science, v. 4, n. 1, p. 117-130, 2006. FARNSTROM, F.; LEWIS, J.; ELKAN, C. Scalability for clustering algorithms revisited. SIGKDD Explorations, v. 2, n. 1, p. 51-57, 2000. FARREL, M.J. The measurement of productive efficiency. Journal of Royal Statistical Society, v. 120, n. 3, p. 253-290, 1957. FÁVERO, L. P. Análise de dados: modelos de regressão com Excel®, Stata® e SPSS®. Rio de Janeiro: Campus Elsevier, 2015. FÁVERO, L. P. Dados em painel em contabilidade e finanças: teoria e aplicação. Brazilian Business Review, v. 10, n. 1, p. 131-156, 2013. FÁVERO, L. P. Modelagem hierárquica com medidas repetidas. São Paulo. 202 f. Associate Professor Thesis - Faculdade de Economia, Administração e Contabilidade, Universidade de São Paulo, 2010. FÁVERO, L. P. Modelos de precificação hedônica de imóveis residenciais na Região Metropolitana de São Paulo: uma abordagem sob as perspectivas da demanda e da oferta. Estudos Econômicos, v. 38, n. 1, p. 73-96, 2008. FÁVERO, L. P. O mercado imobiliário residencial da região metropolitana de São Paulo: uma aplicação de modelos de comercialização hedônica de regressão e correlação canônica. São Paulo. 319 f. PhD Thesis - Faculdade de Economia, Administração e Contabilidade, Universidade de São Paulo, 2005. FÁVERO, L. P. Preços hedônicos no mercado imobiliário comercial de São Paulo: a abordagem da modelagem multinível com classificação cruzada. Estudos Econômicos, v. 41, n. 4, p. 777-810, 2011. FÁVERO, L. P. Time, firm and country effects on performance: an analysis under the perspective of hierarchical modeling with repeated measures. Brazilian Business Review, v. 5, n. 3, p. 163-180, 2008. FÁVERO, L. P. Urban amenities and dwelling house prices in Sao Paulo, Brazil: a hierarchical modelling approach. Global Business and Economics Review, v. 13, n. 2, p. 147-167, 2011. FÁVERO, L. P.; ALMEIDA, J. E. F. O comportamento dos índices de ações em países emergentes: uma análise com dados em painel e modelos hierárquicos. Revista Brasileira de Estatística, v. 72, n. 235, p. 97-137, 2011. FÁVERO, L. P.; ANGELO, C. F.; EUNNI, R. V. Impact of loyalty programs on customer retention: evidence from the retail apparel industry in Brazil. In: International Academy of Linguistics, Behavioral and Social Sciences, 2007, Washington. Anais do Congresso. FÁVERO, L. P.; BELFIORE, P. Data science for business and decision making. Cambridge: Academic Press Elsevier, 2019. FÁVERO, L. P.; BELFIORE, P. Análise de dados: técnicas multivariadas exploratórias com SPSS® e Stata®. Rio de Janeiro: Campus Elsevier, 2015. FÁVERO, L. P.; BELFIORE, P. Cash flow, earnings ratio and stock returns in emerging global regions: evidence from longitudinal data. Global Economy and Finance Journal, v. 4, n. 1, p. 32-43, 2011. FÁVERO, L. P.; BELFIORE, P. Manual de análise de dados: estatística e modelagem multivariada com Excel®, SPSS® e Stata®. Rio de Janeiro: Elsevier, 2017. FÁVERO, L. P.; BELFIORE, P.; TAKAMATSU, R. T.; SUZART, J. Métodos quantitativos com Stata®. Rio de Janeiro: Campus Elsevier, 2014. FÁVERO, L. P.; CONFORTINI, D. Modelos multinível de coeficientes aleatórios e os efeitos firma, setor e tempo no mercado acionário brasileiro. Pesquisa Operacional, v. 30, n. 3, p. 703-727, 2010. FÁVERO, L. P.; CONFORTINI, D. Qualitative assessment of stock prices listed on the São Paulo Stock Exchange: an approach from the perspective of homogeneity analysis. Academia: Revista Latinoamericana de Administración, v. 42, n. 1, p. 20-33, 2009. FÁVERO, L. P.; SANTOS, M. A.; SERRA, R. G. Cross-border branching in the Latin American banking sector. International Journal of Bank Marketing, v. 36, n. 3, p. 496-528, 2018. FÁVERO, L. P.; SOTELINO, F. B. Elasticities of stock prices in emerging markets. In: BATTEN, J. A.; SZILAGYI, P. G. (ed.) The impact of the global financial crisis on emerging financial markets. Emerald Group Publishing Limited, 2011. (Contemporary Studies in Economic and Financial Analysis, v. 93, p. 473-493). FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From data mining to knowledge discovery in databases. AI Magazine, v. 17, n. 3, p. 37-54, 1996. FERNANDES, A.M.R. Inteligência artificial: noções gerais. Florianópolis: Visual Books, 2005. FERRANDO, P. J. Introducción al análisis factorial. Barcelona: PPU, 1993. FERRÃO, F.; REIS, E.; VICENTE, P. Sondagens: a amostragem como factor decisivo de qualidade. 2. ed. Lisboa: Edições Sílabo, 2001. FERREIRA, S. C. R. Análise multivariada sobre bases de dados criminais. Coimbra. 81 f. Masters Dissertation - Faculdade de Ciências e Tecnologia da Universidade de Coimbra, 2012. FERREIRA FILHO, V.J.M.; IGNÁCIO, A.A.V. O uso de software de modelagem AIMMS na solução de problemas de programação matemática. Pesquisa Operacional, v. 24, n. 1, p. 197-210, 2004. FIENBERG, S. E. Analysis of cross-classified categorical data. New York: Springer-Verlag, 2007. FIGUEIRA, A. P. C. Procedimento HOMALS: instrumentalidade no estudo das orientações metodológicas dos professores portugueses de língua estrangeira. In: V SNIP - Simpósio Nacional de Investigação em Psicologia, 2003, Lisboa. Anais do Congresso. FIGUEIREDO FILHO, D. B.; SILVA JÚNIOR, J. A.; ROCHA, E. C. Classificando regimes políticos utilizando análise de conglomerados. Opinião Pública, v. 18, n. 1, p. 109-128, 2012. FINNEY, D. J. Probit analysis. Cambridge: Cambridge University Press, 1952. FINNEY, D. J.; STEVENS, W. L. A table for the calculation of working probits and weights in probit analysis. Biometrika, v. 35, n. 1/2, p. 191-201, 1948. FISCHER, G. Ornithologische monatsberichte. Berlin: Jahrgang, 1936. FLEISCHER, G. A. Contingency table analysis for road safety studies. New York: Springer, 2011. FLEISHMAN, J. A. Types of political attitude structure: results of a cluster analysis. The Public Opinion Quarterly, v. 50, n. 3, p. 371-386, 1986. FOURER, R.; GAY, D.M.; KERNIGHAN, B.W. AMPL: a modeling language for mathematical programming. 2. ed. Duxbury, 2002. FOUTO, N. M. M. D. Determinação de uma função de preços hedônicos para computadores pessoais no Brasil. São Paulo, 2004. 150 f. Masters Dissertation - Faculdade de Economia, Administração e Contabilidade, Universidade de São Paulo. FRALEY, C.; RAFTERY, A. E. Model-based clustering, discriminant analysis and density estimation. Journal of the American Statistical Association, v. 97, n. 458, p. 611-631, 2002. FREI, F. Introdução à análise de agrupamentos: teoria e prática. São Paulo: Editora Unesp, 2006. FREI, F.; LESSA, B. S.; NOGUEIRA, J. C. G.; ZOPELLO, R.; SILVA, S. R.; LESSA, V. A. M. Análise de agrupamentos para a classificação de pacientes submetidos à cirurgia bariátrica Fobi-Capella. ABCD. Arquivos Brasileiros de Cirurgia Digestiva, v. 26, n. 1, p. 33-38, 2013. FREUND, J. E. Estatística aplicada: economia, administração e contabilidade. 11. ed. Porto Alegre: Bookman, 2006. FRIEDMAN, M. A comparison of alternative tests of significance for the problem of m rankings. The Annals of Mathematical Statistics, v. 11, n. 1, p. 86-92, 1940. FRIEDMAN, M. The use of ranks to avoid the assumption of normality implicit in the analysis of variance. Journal of the American Statistical Association, v. 32, n. 200, p. 675-701, 1937. FROME, E. L.; KURTNER, M. H.; BEAUCHAMP, J. J. Regression analysis of Poisson-distributed data. Journal of the American Statistical Association, v. 68, n. 344, p. 935-940, 1973. FROOT, K. A. Consistent covariance matrix estimation with cross-sectional dependence and heteroskedasticity in financial data. Journal of Financial and Quantitative Analysis, v. 24, n. 3, p. 333-355, 1989. FUMES G.; CORRENTE J. E. Modelos inflacionados de zeros: aplicações na análise de um questionário de frequência alimentar. Revista Brasileira de Biometria, v. 28, n. 1, p. 24-38, 2010. GALANTUCCI, L. M.; DI GIOIA, E.; LAVECCHIA, F.; PERCOCO, G. Is principal component analysis an effective tool to predict face attractiveness? A contribution based on real 3D faces of highly selected attractive women, scanned with stereophotogrammetry. Medical and Biological Engineering and Computing, v. 52, n. 5, p. 475-489, 2014. GALTON, F. Natural inheritance. 5. ed. New York: Macmillan and Company, 1894. GAMS - General Algebraic Modeling System. An introduction to GAMS. Disponível em . Acesso em 01 de Abril de 2011. GARDINER, J. C.; LUO, Z.; ROMAN, L. A. Fixed effects, random effects and GEE: what are the differences? Statistics in Medicine, v. 28, n. 2, p. 221-239, 2009. GARDNER, W.; MULVEY, E. P.; SHAW, E. C. Regression analyses of counts and rates: Poisson, overdispersed Poisson, and negative binomial models. Psychological Bulletin, v. 118, n. 3, p. 392-404, 1995. GARSON, G. D. Factor analysis. Asheboro: Statistical Associates Publishers, 2013. GARSON, G. D. Logistic regression: binary & multinomial. Asheboro: Statistical Associates Publishing, 2012. GEOFFRION, A.M. Generalized Benders decomposition. Journal of Optimization Theory and Applications, v. 10, n. 4, p. 237-260, 1972. GEOFFRION, A.M.; GRAVES, G.W. Multicommodity distribution design by Benders decomposition. Management Science, v. 20, n. 5, p. 822-844, 1974. GESSNER, G.; MALHOTRA, N. K.; KAMAKURA, W. A.; ZMIJEWSKI, M. E. Estimating models with binary dependent variables: some theoretical and empirical observations. Journal of Business Research, v. 16, n. 1, p. 49-65, 1988. GIMENO, S. G. A.; SOUZA, J. M. P. Utilização de estratificação e modelo de regressão logística na análise de dados de estudos caso-controle. Revista de Saúde Pública, v. 29, n. 4, p. 283-289, 1995. GLASSER, G. L.; METZGER, G. D. Random-digit dialing as a method of telephone sampling. Journal of Marketing Research, v. 9, n. 1, p. 59-64, 1972. GNECCO, G.; SANGUINETI, M. Accuracy of suboptimal solutions to kernel principal component analysis. Computational Optimization and Applications, v. 42, n. 2, p. 265-287, 2009. GNEDENKO, B. V. A teoria da probabilidade. Rio de Janeiro: Ciência Moderna, 2008. GOLDBARG, M.C.; LUNA, H.P.L. Otimização combinatória e programação linear. 2. ed. Rio de Janeiro: Campus Elsevier, 2005. GOLDBERGER, A. S. Best linear unbiased prediction in the generalized linear regression model. Journal of the American Statistical Association, v. 57, n. 298, p. 369-375, 1962. GOMES Jr., A. C.; SOUZA, M.J.F. Softwares de otimização: manual de referência. Departamento de Computação, Universidade Federal de Ouro Preto, 2004. GOMORY, R.E. Outline of an algorithm for integer solutions to linear programs. Bulletin of the American Mathematical Society, v. 64, n. 5, p. 275-278, 1958. GONÇALEZ, P.U. WERNER, L. Comparação dos índices de capacidade do processo para distribuições não normais. Gestão & Produção, v. 16, n.1, p. 121-132, 2009. GORDON, A. D. A review of hierarchical classification. Journal of the Royal Statistical Society, Series A, v. 150, n. 2, p. 119-137, 1987. GORSUCH, R. L. Common factor analysis versus component analysis: some well and little known facts. Multivariate Behavioral Research, v. 25, n. 1, p. 33-39, 1990. GORSUCH, R. L. Factor analysis. 2. ed. Mahwah: Lawrence Erlbaum Associates, 1983. GOULD, W.; PITBLADO, J.; POI, B. Maximum likelihood estimation with Stata. 4. ed. College Station: Stata Press, 2010. GOURIEROUX, C.; MONFORT, A.; TROGNON, A. Pseudo maximum likelihood methods: applications to Poisson models. Econometrica, v. 52, n. 3, p. 701-72, 1984. GOWER, J. C. A comparison of some methods of cluster analysis. Biometrics, v. 23, n. 4, p. 623-637, 1967. GREENACRE, M. J. Correspondence analysis in practice. 2. ed. Boca Raton: Chapman & Hall / CRC Press, 2007. GREENACRE, M. J. Correspondence analysis of multivariate categorical data by weighted least-squares. Biometrika, v. 75, n. 3, p. 457-467, 1988. GREENACRE, M. J. Correspondence analysis of square asymmetric matrices. Journal of the Royal Statistical Society, Series C (Applied Statistics), v. 49, n. 3, p. 297-310, 2000. GREENACRE, M. J. La práctica del análisis de correspondencias. Barcelona: Fundación BBVA, 2008. GREENACRE, M. J. Singular value decomposition of matched matrices. Journal of Applied Statistics, v. 30, n. 10, p. 1101-1113, 2003. GREENACRE, M. J. The Carroll-Green-Schaffer scaling in correspondence analysis: a theoretical and empirical appraisal. Journal of Marketing Research, v. 26, n. 3, p. 358-365, 1989. GREENACRE, M. J. Theory and applications of correspondence analysis. London: Academic Press, 1984. GREENACRE, M. J.; BLASIUS, J. Correspondence analysis in the social sciences. London: Academic Press, 1994. GREENACRE, M. J.; BLASIUS, J. Multiple correspondence analysis and related methods. Boca Raton: Chapman & Hall / CRC Press, 2006. GREENACRE, M. J.; HASTIE, T. The geometric interpretation of correspondence analysis. Journal of the American Statistical Association, v. 82, n. 398, p. 437-447, 1987. GREENACRE, M. J.; PARDO, R. Subset correspondence analysis: visualization of selected response categories in a questionnaire survey. Sociological Methods and Research, v. 35, n. 2, p. 193-218, 2006. GREENBERG, B. A.; GOLDSTUCKER, J. L.; BELLENGER, D. N. What techniques are used by marketing researchers in business? Journal of Marketing, v. 41, n. 2, p. 62-68, 1977. GREENE, W. H. Econometric analysis. 7. ed. Harlow: Pearson, 2012. GREENE, W. H. Fixed effects vector decomposition: a magical solution to the problem of time-invariant variables in fixed effects models? Political Analysis, v. 19, n. 2, p. 135-146, 2011. GREENWOOD, M.; YULE, G. U. An inquiry into the nature of frequency distributions representative of multiple happenings with particular reference to the occurrence of multiple attacks of disease or of repeated accidents. Journal of the Royal Statistical Society, Series A, v. 83, n. 2, p. 255-279, 1920. GU, Y.; HOLE, A. R. Fitting the generalized multinomial logit model in Stata. Stata Journal, v. 13, n. 2, p. 382-397, 2013. GUJARATI, D. N. Econometria básica. 5. ed. Porto Alegre: Bookman, 2011. GUJARATI, D. N.; PORTER, D. C. Econometria básica. 5. ed. New York: McGraw-Hill, 2008. GUPTA, P. L.; GUPTA, R. C.; TRIPATHI, R. C. Analysis of zero-adjusted count data. Computational Statistics & Data Analysis, v. 23, n. 2, p. 207-218, 1996. GURMU, S. Generalized hurdle count data regressions models. Economics Letters, v. 58, n. 3, p. 263-268, 1998. GURMU, S. Tests for detecting overdispersion in the positive Poisson regression model. Journal of Business & Economic Statistics, v. 9, n. 2, p. 215-222, 1991. GURMU, S.; TRIVEDI, P. K. Excess zeros in count models for recreational trips. Journal of Business & Economic Statistics, v. 14, n. 4, p. 469-477, 1996. GURMU, S.; TRIVEDI, P. K. Overdispersion tests for truncated Poisson regression models. Journal of Econometrics, n. 54, n. 1-3, p. 347-370, 1992. GUTTMAN, L. The quantification of a class of attributes: a theory and method of scale construction. In: The prediction of personal adjustment, P. HORST et al. (ed.) New York: Social Science Research Council, 1941. GUTTMAN, L. What is not what in statistics. The Statistician, v. 26, n. 2, p. 81-107, 1977. HABERMAN, S. J. The analysis of residuals in cross-classified tables. Biometrics, v. 29, n. 1, p. 205-220, 1973. HABIB, F.; ETESAM, I.; GHODDUSIFAR, S. H.; MOHAJERI, N. Correspondence analysis: a new method for analyzing qualitative data in architecture. Nexus Network Journal, v. 14, n. 3, p. 517-538, 2012. HADDAD, R.; HADDAD, P. Crie planilhas inteligentes com o Microsoft Office Excel 2003 - Avançado. São Paulo: Érica, 2004. HADI, A. S. A modification of a method for the detection of outliers in multivariate samples. Journal of the Royal Statistical Society, Series B, v. 56, n. 2, p. 393-396, 1994. HADI, A. S. Identifying multiple outliers in multivariate data. Journal of the Royal Statistical Society, Series B, v. 54, n. 3, p. 761-771, 1992. HAIR JR., J. F.; BLACK, W. C.; BABIN, B. J.; ANDERSON, R. E.; TATHAM, R. L. Análise multivariada de dados. 6. ed. Porto Alegre: Bookman, 2009. HALL, D. B. Zero-inflated Poisson and binomial regression with random effects: a case study. Biometrics, v. 56, p. 1030-1039, 2000. HALVORSEN, R.; PALMQUIST, R. B. The interpretation of dummy variables in semilogarithmic equations. The American Economic Review, v. 70, n. 3, p. 474-475, 1980. HAMANN, U. Merkmalsbestand und verwandtschaftsbeziehungen der Farinosae: ein beitrag zum system der monokotyledonen. Willdenowia, v. 2, n. 5, p. 639-768, 1961. HAMILTON, L. C. Statistics with Stata: version 12. 8. ed. Belmont: Brooks/Cole Cengage Learning, 2013. HAN, J; KAMBER, M. Data mining: concepts and techniques. Burlington: Morgan Kaufmann, 2000. HARDIN, J. W.; HILBE, J. M. Generalized estimating equations. 2. ed. Boca Raton: Chapman & Hall / CRC Press, 2013. HARDIN, J. W.; HILBE, J. M. Generalized linear models and extensions. 3. ed. College Station: Stata Press, 2012. HÄRDLE, W. K.; SIMAR, L. Applied multivariate statistical analysis. 3. ed. Heidelberg: Springer, 2012. HARDY, A. On the number of clusters. Computational Statistics & Data Analysis, v. 23, n. 1, p. 83-96, 1996. HARDY, M. A. Regression with dummy variables. Thousand Oaks: Sage Publications, 1993. HARMAN, H. H. Modern factor analysis. 3. ed. Chicago: University of Chicago Press, 1976. HARTLEY, H.O. The use of range in analysis of variance. Biometrika, v. 37, n. 3-4, p. 271-280, 1950. HAYASHI, C.; SASAKI, M.; SUZUKI, T. Data analysis for comparative social research: international perspectives. Amsterdam: North Holland, 1992. HECKMAN, J.; VYTLACIL, E. Instrumental variables methods for the correlated random coefficient model: estimating the average rate of return to schooling when the return is correlated with schooling. The Journal of Human Resources, v. 33, n. 4, p. 974-987, 1998. HEIBRON, D. C. Zero-altered and other regression models for count data with added zeros. Biometrical Journal, v. 36, n. 5, p. 531-547, 1994. HELD, M.; KARP, R.M. The traveling-salesman problem and minimum spanning trees. Operations Research, v. 18, n. 6, p. 1138-1162, 1970. HERBST, A. F. A Factor analysis approach to determining the relative endogeneity of trade credit. The Journal of Finance, v. 29, n. 4, p. 1087-1103, 1974. HIGGS, N. T. Practical and innovative uses of correspondence analysis. The Statistician, v. 40, n. 2, p. 183-194, 1991. HILBE, J. M. Logistic regression models. London: Chapman & Hall / CRC Press, 2009. HILLIER, D.; PINDADO, J.; QUEIROZ, V.; TORRE, C. The impact of country-level corporate governance on research and development. Journal of International Business Studies, v. 42, n. 1, p. 76-98, 2011. HILLIER, F.S.; LIEBERMAN, G.J. Introduction to operations research. 8. ed. Boston: McGraw-Hill, 2005. HINDE, J.; DEMETRIO, C. G. B. Overdispersion: models and estimation. Computational Statistics and Data Analysis, v. 27, n. 2, p. 151-170, 1998. HINDI, K.S.; BASTA, T. Computationally efficient solution of a multiproduct, two-stage distribution-location problem. The Journal of the Operational Research Society, v. 45, n. 11, p. 1316-1323, 1994. HINDI, K.S.; BASTA, T.; PIÉNKOSZ, K. Efficient solution of a multi-commodity, two-stage distribution problem with constraints on assignment of customers to distribution centers. International Transactions in Operations Research, v. 5, n. 6, p. 519-527, 2006. HIRSCHFELD, H. O. A connection between correlation and contingency. Mathematical Proceedings of the Cambridge Philosophical Society, v. 31, n. 4, p. 520–524, 1935. HO, H. F.; HUNG, C. C. Marketing mix formulation for higher education: an integrated analysis employing analytic hierarchy process, cluster analysis and correspondence analysis. International Journal of Educational Management, v. 22, n. 4, p. 328-340, 2008. HOAGLIN, D. C.; MOSTELLER, F.; TUKEY, J. W. Understanding robust and exploratory data analysis. New York: John Wiley & Sons, 2000. HOFFMAN, D.; FRANKE, G. R. Correspondence analysis: graphical representation of categorical data in marketing research. Journal of Marketing Research, v. 23, n. 3, p. 213-227, 1986. HOOVER, K. R.; DONOVAN, T. The elements of social scientific thinking. 11. ed. New York: Worth Publishers, 2014. HOSMER, D. W.; LEMESHOW, S. Goodness-of-fit tests for the multiple logistic regression model. Communications in Statistics: Theory and Methods, v. 9, n. 10, p. 1043-1069, 1980. HOSMER, D. W.; LEMESHOW, S.; STURDIVANT, R. X. Applied logistic regression. 3. ed. New York: John Wiley & Sons, 2013. HOSMER, D. W.; TABER, S.; LEMESHOW, S. The importance of assessing the fit of logistic regression models: a case study. American Journal of Public Health, v. 81, p. 1630-1635, 1991. HOTELLING, H. Analysis of a complex of statistical variables into principal components. Journal of Educational Psychology, v. 24, n. 6, p. 417-441, 1933. HOTELLING, H. Relations between two sets of variates. Biometrika, v. 28, n. 3/4, p. 321-377, 1936. HOTELLING, H. The most predictable criterion. Journal of Education Psychology, v. 26, p. 139-142, 1935. HU, F. B.; GOLDBERG, J.; HEDEKER, D.; FLAY, B. R.; PENTZ, M. A. Comparison of population-averaged and subject-specific approaches for analyzing repeated binary outcomes. American Journal of Epidemiology, v. 147, n. 7, p. 694-703, 1998. HUBBARD, A. E.; AHERN, J.; FLEISCHER, N. L.; LAAN, M. V.; LIPPMAN, S. A.; JEWELL, N.; BRUCKNER, T.; SATARIANO, W. A. To GEE or not to GEE: comparing population average and mixed models for estimating the associations between neighborhood risk factors and health. Epidemiology, v. 21, n. 4, p. 467-474, 2010. HUBER, P. J. The behavior of maximum likelihood estimates under nonstandard conditions. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, v. 1, p. 221-233, 1967. HUBERT, L.; ARABIE, P. Comparing partitions. Journal of Classification, v. 2, n. 1, p. 193-218, 1985. HWANG, H.; DILLON, W. R.; TAKANE, Y. An extension of multiple correspondence analysis for identifying heterogeneous subgroups of respondents. Psychometrika, v. 71, n. 1, p. 161-171, 2006. IEZZI, D. F. A method to measure the quality on teaching evaluation of the university system: the Italian case. Social Indicators Research, v. 73, p. 459-477, 2005. IGNÁCIO, S. A. Importância da estatística para o processo de conhecimento e tomada de decisão. Revista Paranaense de Desenvolvimento, n.118, p.175-192, 2010. ISRAËLS, A. Eigenvalue techniques for qualitative data. Leiden: DSWO Press, 1987. JACCARD, J. Interaction effects in logistic regression. Thousand Oaks: Sage Publications, 2001. JACCARD, P. Distribution de la flore alpine dans le Bassin des Dranses et dans quelques régions voisines. Bulletin de la Société Vaudoise des Sciences Naturelles, v. 37, n. 140, p. 241-272, 1901. JACCARD, P. Nouvelles recherches sur la distribution florale. Bulletin de la Société Vaudoise des Sciences Naturelles, v. 44, n. 163, p. 223-270, 1908. JAIN, A. K.; MURTY, M. N.; FLYNN, P. J. Data clustering: a review. ACM Computing Surveys, v. 31, n. 3, p. 264-323, 1999. JAK, S.; OORT, F. J.; DOLAN, C. V. Using two-level factor analysis to test for cluster bias in ordinal data. Multivariate Behavioral Research, v. 49, n. 6, p. 544-553, 2014. JANSAKUL, N.; HINDE, J. P. Score tests for zero-inflated Poisson models. Computational Statistics & Data Analysis, v. 40, n. 1, p. 75-96, 2002. JÉRÔME. P. Multiple factor analysis by example using R. London: Chapman & Hall / CRC Press, 2014. JIMÉNEZ, E. G.; FLORES, J. G.; GÓMEZ, G. R. Análisis factorial. Madrid: Editorial La Muralla, 2000. JOHNSON, D. E. Applied multivariate methods for data analysts. Pacific Grove: Duxbury Press, 1998. JOHNSON, R. A.; WICHERN, D. W. Applied multivariate statistical analysis. 6. ed. Upper Saddle River: Pearson Education, 2007. JOHNSON, S. C. Hierarchical clustering schemes. Psychometrika, v. 32, n. 3, p.241-254, 1967. JOHNSTON, J.; DINARDO, J. Métodos econométricos. 4. ed. Lisboa: McGraw-Hill, 2001. JOLLIFFE, I. T.; JONES, B.; MORGAN, B. J. T. Identifying influential observations in hierarchical cluster analysis. Journal of Applied Statistics, v. 22, n. 1, p. 61-80, 1995. JONES, A. M.; RICE, N.; D’UVA, T. B.; BALIA, S. Applied health economics. 2. ed. New York: Routledge, 2013. JONES, D. C.; KALMI, P.; MÄKINEN, M. The productivity effects of stock option schemes: evidence from Finnish panel data. Journal of Productivity Analysis, v. 33, n. 1, p. 67-80, 2010. JONES, K.; BULLEN, N. Contextual models of urban house prices: a comparison of fixed- and random-coefficient models developed by expansion. Economic Geography, v. 70, n. 3, p. 252-272, 1994. JONES, M. R. Identifying critical factors that predict quality management program success: data mining analysis of Baldrige award data. The Quality Management Journal, v. 21, n. 3, p. 49-61, 2014. JONES, R. H. Probability estimation using a multinomial logistic function. Journal of Statistical and Computer Simulation, v. 3, p. 315-329, 1975. JONES, S. T.; BANNING, K. US elections and monthly stock market returns. Journal of Economics and Finance, v. 33, n. 3, p. 273-287, 2009. JÖRESKOG, K. G. Some contributions to maximum likelihood factor analysis. Psychometrika, v. 32, n. 4, p. 443-482, 1967. KACHIGAN, S. Statistical analysis: an interdisciplinary introduction to univariate & multivariate methods. New York : Radius Press, 1986. KAISER, H. F. A second generation little jiffy. Psychometrika, v. 35, n. 4, p. 401-415, 1970. KAISER, H. F. An index of factorial simplicity. Psychometrica, v. 39, n. 1, p. 31-36, 1974. KAISER, H. F. The varimax criterion for analytic rotation in factor analysis. Psychometrika, v. 23, n. 3, p. 187-200, 1958. KAISER, H. F.; CAFFREY, J. Alpha factor analysis. Psychometrika, v. 30, n. 1, p. 1-14, 1965. KALBFLEISCH, J. D.; PRENTICE, R. L. The statistical analysis of failure time data. 2. ed. New York: John Wiley & Sons, 2002. KANUNGO, T.; MOUNT, D. M.; NETANYAHU, N. S.; PIATKO, C. D.; SILVERMAN, R.; WU, A. Y. The efficient k-means clustering algorithm: analysis and implementation. IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 24, n. 7, p. 881-892, 2002. KAPLAN, E. L.; MEIER, P. Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, v. 53, n. 282, p. 457-481, 1958. KAUFMAN, L.; ROUSSEEUW, P. J. Finding groups in data: an introduction to cluster analysis. Hoboken: John Wiley & Sons, 2005. KAUFMAN, R. L. Comparing effects in dichotomous logistic regression: a variety of standardized coefficients. Social Science Quarterly, v. 77, p. 90-109, 1996. KELTON, W.D.; SADOWSKI, R.P.; SWETS, N.B. Simulation with Arena. 5 ed. New York: McGraw-Hill, 2010. KELTON, W.D.; SADOWSKI, R.P.; SWETS, N.B. Simulation with Arena. 1 ed. New York: McGraw-Hill, 1998. KENNEDY, P. A guide to econometrics. 6. ed. Cambridge: MIT Press, 2008. KESKIN B.B.; ÜSTER, H. A scatter search-based heuristic to locate capacitated transshipment points. Computers & Operations Research, v. 34, n. 10, p. 3112-3125, 2007. KIM, B.; PARK, C. Some remarks on testing goodness of fit for the Poisson assumption. Communications in Statistics: Theory and Methods, v. 21, n. 4, p. 979-995, 1992. KIM, J. O.; MUELLER, C. W. Factor analysis: statistical methods and practical issues. Thousand Oaks: Sage Publications, 1978. KIM, J. O.; MUELLER, C. W. Introduction to factor analysis: what it is and how to do it. Thousand Oaks: Sage Publications, 1978. KINTIGH, K. W.; AMMERMAN, A. J. Heuristic approaches to spatial analysis in archaeology. American Antiquity, v. 47, n. 1, p. 31-63, 1982. KLASTORIN, T. D. Assessing cluster analysis results. Journal of Marketing Research, v. 20, n. 1, p. 92-98, 1983. KLEINBAUM, D. G.; KLEIN, M. Logistic regression: a self-learning text. 3. ed. New York: Springer, 2010. KLEINBAUM, D.; KUPPER, L.; NIZAM, A.; ROSENBERG, E.S. Applied regression analysis and other multivariable methods. 5. ed. Boston: Cengage Learning, 2014. KLIMKIEWICZ, A.; CERVERA-PADRELL, A. E.; VAN DEN BERG, F. W. J. Multilevel modeling for data mining of downstream bio-industrial processes. Chemometrics and Intelligent Laboratory Systems, v. 154, n. 15, p. 62-71, 2016. KOENKER, R. Quantile regression for longitudinal data. Journal of Multivariate Analysis, v. 91, n. 1, p. 74-89, 2004. KOENKER, R. Quantile regression. Cambridge: Cambridge University Press, 2005. KONNO, H.; YAMAZAKI, H. Mean-absolute deviation portfolio optimization model and its applications to Tokyo stock market. Management Science, v. 37, n. 5, p. 519-531, 1991. KRUSKAL, J. B. Multidimensional scaling by optimizing goodness of fit to a nonmetric hypothesis. Psychometrika, v. 29, n. 1, p. 1-27, 1964. KRUSKAL, J. B. Nonmetric multidimensional scaling: a numerical method . Psychometrika, v. 29, n. 2, p. 115-129, 1964. KRUSKAL, W. H. A nonparametric test for the several sample problem. The Annals of Mathematical Statistics, v. 23, n. 4, p. 525-540, 1952. KRUSKAL, W. H.; WALLIS, W. A. Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, v. 47, n. 260, p. 583-621, 1952. KUTNER, M. H.; NACHTSHEIN, C. J.; NETER, J. Applied linear regression models. 4. ed. Chicago: Irwin, 2004. LACHTERMACHER, G. Pesquisa operacional na tomada de decisões. 4. ed. São Paulo: Prentice Hall do Brasil, 2009. LAIRD, N. M.; WARE, J. H. Random-effects models for longitudinal data. Biometrics, v. 38, n. 4, p. 963-974, 1982. LAMBERT, D. Zero-inflated Poisson regression, with an application to defects in manufacturing. Technometrics, v. 34, n. 1, p. 1-14, 1992. LANCE, G. N.; WILLIAMS, W. T. A general theory of classificatory sorting strategies: 1. Hierarchical systems. Computer Journal, v. 9, n. 4, p. 373-380, 1967. LANDAU, S.; EVERITT, B. S. A handbook of statistical analyses using SPSS. Boca Raton: Chapman & Hall / CRC Press, 2004. LANE, W. R.; LOONEY, S. W.; WANSLEY, J. W. An application of the Cox proportional hazards model to bank failure. Journal of Banking & Finance, v. 10, n. 4, p. 511-531, 1986. LAROSE, D. T.; LAROSE, C. D. Discovering knowledge in data: an introduction to data mining. 2. ed. New York: John Wiley & Sons, 2014. LAWLESS, J. Regression methods for Poisson process data. Journal of the American Statistical Association, v. 82, n. 399, p. 808-815, 1987. LE ROUX, B.; ROUANET, H. Geometric data analysis: from correspondence analysis to structured data analysis. Dordrecht: Kluwer, 2004. LE ROUX, B.; ROUANET, H. Multiple correspondence analysis. Thousand Oaks: Sage Publications, 2010. LEBART, L.; PIRON, M.; MORINEAU, A. Statistique exploratoire multidimensionnelle. 3. ed. Paris: Dunod, 2000. LEE, A. H.; WANG, K.; SCOTT, J. A.; YAU, K.; MCLACHLAN, G. J. Multi-level zero-inflated Poisson regression modelling of correlated count data with excess zeros. Statistical Methods in Medical Research, v. 15, n. 1, p. 47-61, 2006. LEE, A. H.; WANG, K.; YAU, K. Analysis of zero-inflated Poisson data incorporating extent of exposure. Biometrical Journal, v. 43, n. 8, p. 963-975, 2001. LEE, L. Specification test for Poisson regression models. International Economic Review, v. 27, n. 3, p. 689-706, 1986. LEECH, N. L.; BARRETT, K. C.; MORGAN, G. A. SPSS for intermediate statistics: use and interpretation. 2. ed. Mahwah: Lawrence Erlbaum Associates, 2005. LEVENE, H. Robust tests for the equality of variance. In: OLKIN, I. (ed.). Contributions to probability and statistics. Palo Alto: Stanford University Press, p. 278-292, 1960. LEVINE, R. Financial development and economic growth: views and agenda. Journal of Economic Literature, v. 35, n. 2, p. 688-726, 1997. LEVY, P. S.; LEMESHOW, S. Sampling of populations: methods and applications. 4. ed. New York: John Wiley & Sons, 2009. LIANG, K. Y.; ZEGER, S. L. Longitudinal data analysis using generalized linear models. Biometrika, v. 73, n. 1, p. 13-22, 1986. LICZBINSKI, C.R. Modelo de informações para o gerenciamento das atividades das pequenas indústrias de produtos alimentares do Rio Grande do Sul. Dissertação (Mestrado em Engenharia de Produção), Universidade Federal de Santa Catarina, Florianópolis, 2002. LIKERT, R. A technique for the measurement of attitudes. Archives of Psychology, v. 22, n. 140, p. 5-55, 1932. LILLIEFORS, H. W. On the Kolmogorov-Smirnov test for normality with mean and variance unknown. Journal of the American Statistical Association, v. 62, n. 318, p. 399-402, 1967. LINDLEY, D. Reconciliation of probability distributions. Operations Research, v. 31, n. 5, p. 866-880, 1983. LINNEMAN, P. Some empirical results on the nature of hedonic price function for the urban housing market. Journal of Urban Economics, n. 8, p. 47-68, 1980. LINOFF, G. S.; BERRY, M. J. A. Data mining techniques: for marketing, sales, and customer relationship management. 3. ed. Indianapolis: John Wiley & Sons, 2011. LISBOA, E.F.A. Pesquisa operacional. Disponível em . Acesso em 28 de Setembro de 2010. LOMBARDO, R.; BEH, E. J.; D’AMBRA, L. Non-symmetric correspondence analysis with ordinal variables using orthogonal polynomials. Computational Statistics & Data Analysis, v. 52, p. 566-577, 2007. LONG, J. S.; FREESE, J. Regression models for categorical dependent variables using Stata. 2. ed. College Station: Stata Press, 2006. LOPEZ, C. P. Principal components, factor analysis, correspondence analysis and scaling: examples with SPSS. CreateSpace Independent Publishing Platform, 2013. LORD, D.; PARK, P. Y. J. Investigating the effects of the fixed and varying dispersion parameters of Poisson-Gamma models on empirical Bayes estimates. Accident Analysis & Prevention, v. 40, n. 4, p. 1441-1457, 2008. LU, Y.; THILL, J. C. Cross-scale analysis of cluster correspondence using different operational neighborhoods. Journal of Geographical Systems, v. 10, n. 3, p, 241-261, 2008. LUSTOSA, L.; MESQUITA, M.A.; QUELHAS, O.; OLIVEIRA, R. Planejamento e Controle da Produção. Rio de Janeiro: Campus Elsevier, 2008. MacCALLUM, R. C.; WIDAMAN, K. F.; ZHANG, S.; HONG, S. Sample size in factor analysis. Psychological Methods, v. 4, n. 1, p. 84-99, 1999. MACHADO, N. R. S.; FERREIRA, A. O. Método de Simulação de Monte Carlo em Planilha Excel: Desenvolvimento de uma ferramenta versátil para análise quantitativa de riscos em gestão de projetos. Revista de Ciências Gerenciais, vol. 16, n. 23, p. 223-244, 2012. MAGALHÃES, M. N.; LIMA, C. P. Noções de probabilidade e estatística. 7. ed. São Paulo: EDUSP, 2013. MALHOTRA, N. K. Pesquisa de marketing: uma orientação aplicada. 6. ed. Porto Alegre: Bookman, 2012. MANGIAMELI, P. CHEN, S. K.; WEST, D. A comparison of SOM neural network and hierarchical clustering methods. European Journal of Operational Research, v. 93, n. 2, p. 402-417, 1996. MANLY, B. F. J. Statistics for environmental science and management. 2. ed. London: Chapman and Hall / CRC Press, 2011. MANLY, B. J. F. Multivariate statistical methods. 3. ed. London: Chapman and Hall, 2004. MANN, H. B.; WHITNEY, D. R. On a test of whether one of two random variables is stochastically larger than the other. The Annals of Mathematical Statistics, v. 18, n. 1, p. 50-60, 1947. MARCOULIDES, G. A.; HERSHBERGER, S. L. Multivariate statistical methods: a first course. New York: Psychology Press, 2014. MARDIA, K. V.; KENT, J. T.; BIBBY, J. M. Multivariate analysis. 6. ed. London: Academic Press, 1997. MARKOWITZ, H. Portfolio selection. The Journal of Finance, v. 7, n. 1, p. 77-91, 1952. MAROCO, J. Análise estatística com o SPSS Statistics. 6. ed. Lisboa: Edições Sílabo, 2014. MARQUARDT, D. W. An algorithm for least-squares estimation of nonlinear parameters. Journal of the Society for Industrial and Applied Mathematics, v. 11, n. 2, p. 431-441, 1963. MARQUES, L. D. Modelos dinâmicos com dados em painel: revisão da literatura. Série Working Papers do Centro de Estudos Macroeconômicos e Previsão (CEMPRE) da Faculdade de Economia do Porto, Portugal, n. 100, 2000. MARRIOTT, F. H. C. Practical problems in a method of cluster analysis. Biometrics, v. 27, n. 3, p. 501-514, 1971. MARTÍN, J. M. Oportunidad relativa: reflexiones en torno a la traducción del término ‘odds ratio’. Gaceta Sanitaria, v. 16, p. 37, 1990. MARTINS, G. A.; DOMINGUES, O. Estatística geral e aplicada. 4. ed. São Paulo: Atlas, 2011. MARTINS, M. S.; GALLI, O. C. A previsão de insolvência pelo modelo Cox: uma aplicação para a análise de risco de companhias abertas Brasileiras. Revista Eletrônica de Administração (REAd UFRGS), ed. 55, v. 13, n. 1, p. 1-18, 2007. MASON, R. L.; YOUNG, J. C. Multivariate tools: principal component analysis. Quality Progress, v. 38, n. 2, p. 83-85, 2005. MATISZIW, T.C. Modeling transnational surface freight flow and border crossing improvement. Dissertation (PhD in Philosophy), Ohio State University, 2005. MAZZAROL, T. W.; SOUTAR, G. N. Australian educational institutions’ international markets: a correspondence analysis. International Journal of Educational Management, v. 22, n. 3, p. 229-238, 2008. McCLAVE, J. T.; BENSON, P.G.; SINCICH, T. Estatística para administração e economia. São Paulo: Pearson Prentice Hall, 2009. McCUE, C. Data mining and predictive analysis: intelligence gathering and crime analysis. 2. ed. Boston: Elsevier, 2014. McCULLAGH, P. Quasi-likelihood functions. Annals of Statistics, v. 11, n. 1, p. 59-67, 1983. McCULLAGH, P.; NELDER, J. A. Generalized linear models. 2 ed. London: Chapman & Hall, 1989. McCULLOCH, C. E.; SEARLE, S. R.; NEUHAUS J. M. Generalized, linear, and mixed models. 2. ed. Hoboken: John Wiley & Sons, 2008. McGAHAN, A. M.; PORTER, M. E. How much does industry matter, really? Strategic Management Journal, v. 18, n. S1, p. 15-30, 1997. McGEE, D. L.; REED, D.; YANO, K. The results of logistic analyses when the variables are highly correlated. American Journal of Epidemiology, v. 37, p. 713-719, 1984. McINTYRE, R. M.; BLASHFIELD, R. K. A nearest-centroid technique for evaluating the minimum-variance clustering procedure. Multivariate Behavioral Research, v. 15, p. 225-238, 1980. McNEMAR, Q. Psychological statistics. 4. ed. New York: John Wiley & Sons, 1969. MEDRI, W. Análise exploratória de dados. . Acesso em 03/08/2015. MELO M.T.; NICKEL S.; GAMA F.S. Facility location and supply chain management: a review. European Journal of Operational Research, v. 196, p. 401-412, 2009. MENARD, S. W. Applied logistic regression analysis. 2. ed. Thousand Oaks: Sage Publications, 2001. MICHELL, J. Measurement scales and statistics: a clash of paradigms. Psychological Bulletin, v. 100, n. 3, p. 398-407, 1986. MIGUEL, A.; PINDADO, J.; TORRE, C. Ownership structure and firm value: new evidence from Spain. Strategic Management Journal, v. 25, n. 12, p. 1199-1207, 2004. MILES, M. B.; HUBERMAN, A. M.; SALDAÑA, J. Qualitative data analysis: a methods sourcebook. 3. ed. Thousand Oaks: Sage Publications, 2014. MILLIGAN, G. W. A Montecarlo study of thirty internal criterion measures for cluster analysis. Psychometrika, v. 46, p. 325-342, 1981. MILLIGAN, G. W. An examination of the effect of six types of error perturbation on fifteen clustering algorithms. Psychometrika, v. 45, n. 3, p. 325-342, 1980. MILLIGAN, G. W.; COOPER, M. C. An examination of procedures for determining the number of clusters in a data set. Psychometrika, v. 50, p. 159-179, 1985. MILLIGAN, G. W.; COOPER, M. C. Methodology review: clustering methods. Applied Psychological Measurement, v.11, n. 4, p. 329-354, 1987. MIN, Y.; AGRESTI, A. Random effect models for repeated measures of zero-inflated count data. Statistical Modelling, v. 5, n. 1, p. 1-19, 2005. MINGOTI, S. A. Análise de dados através de métodos de estatística multivariada: uma abordagem aplicada. Belo Horizonte: Editora UFMG, 2005. MIRANDA, A.; RABE-HESKETH, S. Maximum likelihood estimation of endogenous switching and sample selection models for binary, ordinal, and count variables. Stata Journal, v. 6, n. 3, p. 285-308, 2006. MIRANDA, G.J.; MARTINS, V.F.; FARIA, A.F. O uso da programação linear num contexto de laticínios com várias restrições na capacidade produtiva. Custos e @gronegócio on line, v. 3, p. 40-58, 2007. MITTBÖCK, M.; SCHEMPER, M. Explained variation for logistic regression. Statistics in Medicine, v. 15, p. 1987-1997, 1996. MOLINA, C. A. Predicting bank failures using a hazard model: the Venezuelan banking crisis. Emerging Markets Review, v. 3, n. 1, p. 31-50, 2002. MONTGOMERY, D. C. Introduction to statistical quality control. 7e.d. Arizona State University: John Wisley & Sons, Inc., 2013. MONTGOMERY, D. C.; GOLDSMAN, D. M.; HINES, W. W.; BORROR, C. M. Probabilidade e estatística na engenharia. 4. ed. Rio de Janeiro: LTC Editora, 2006. MONTGOMERY, D. C.; PECK, E. A.; VINING, G. G. Introduction to linear regression analysis. 5. ed. New Jersey: John Wiley & Sons, 2012. MONTOYA, A. G. M. Inferência e diagnóstico em modelos para dados de contagem com excesso de zeros. Campinas. 95 f. Masters Dissertation - Departamento de Estatística, Instituto de Matemática, Estatística e Computação Científica, Universidade Estadual de Campinas, 2009. MOORE, D. S.; McCABE, G. P.; DUCKWORTH, W. M.; SCLOVE, S. L. A prática da estatística empresarial: como usar dados para tomar decisões. Rio de Janeiro: LTC Editora, 2006. MOORE, D. S.; McCABE, G. P.; DUCKWORTH, W. M.; SCLOVE, S. L. Estatística empresarial: como usar dados para tomar decisões. Rio de Janeiro: LTC Editora, 2006. MORETTIN, L. G. Estatística básica: inferência. São Paulo: Makron Books, 2000. MORGAN, G. A.; LEECH, N. L.; GLOECKNER, G. W.; BARRETT, K. C. SPSS for introductory statistics: use and interpretation. 2. ed. Mahwah: Lawrence Erlbaum Associates, 2004. MORGAN. B. J. T.; RAY, A. P. G. Non-uniqueness and inversions in cluster analysis. Journal of the Royal Statistical Society, Series C, v. 44, n. 1, p. 117-134, 1995. MOREIRA, D.A. Administração da produção e operações. São Paulo: Thomson Learning, 2006. MULAIK, S. A. Blurring the distinction between component analysis and common factor analysis. Multivariate Behavioral Research, v. 25, n. 1, p. 53-59, 1990. MULAIK, S. A. Foundations of factor analysis. 2. ed. Boca Raton: Chapman & Hall / CRC Press, 2011. MULAIK, S. A.; McDONALD, R. P. The effect of additional variables on factor indeterminancy in models with a single common factor. Psychometrika, v. 43, n. 2, p. 177-192, 1978. MULLAHY, J. Specification and testing of some modified count data models. Journal of Econometrics, v. 33, n. 3, p. 341-365, 1986. MYATT, G. J.; JOHNSON, W. P. Making sense of data I: a practical guide to exploratory data analysis and data mining. 2. ed. Hoboken: John Wiley & Sons, 2014. MYATT, G. J.; JOHNSON, W. P. Making sense of data II: a practical guide to data visualization, advanced data mining methods, and applications. Hoboken: John Wiley & Sons, 2009. NAITO, S. D. N. P. Análise de correspondências generalizada. Lisboa. 156 f. Masters Dissertation - Faculdade de Ciências, Universidade de Lisboa, 2007. NANCE, C. R.; DE LEEUW, J.; WEIGAND, P. C.; PRADO, K.; VERITY, D. S. Correspondence analysis and West Mexico archaeology: ceramics from the long-Glassow collection. Albuquerque: University of New Mexico Press, 2013. NASCIMENTO, A.; ALMEIDA, R. M. V. R.; CASTILHO, S. R.; INFANTOSI, A. F. C. Análise de correspondência múltipla na avaliação de serviços de farmácia hospitalar no Brasil. Cadernos de Saúde Pública, v. 29, n. 6, p. 1161-1172, 2013. NATIS, L. Modelos lineares hierárquicos. São Paulo. 77 f. Masters Dissertation - Instituto de Matemática e Estatística, Universidade de São Paulo, 2007. NAVARRO, A.; UTZET, F.; CAMINAL, J.; MARTIN, M. La distribución binomial negativa frente a la de Poisson en el análisis de fenómenos recurrentes. Gaceta Sanitaria, v. 15, n. 5, p. 447-452, 2001. NAVIDI, W. Probabilidade e estatística para ciências exatas. Porto Alegre: Bookman, 2012. NASSER, R. B. Mccloud service framework: arcabouço para desenvolvimento de serviços baseados na simulação de Monte Carlo na cloud. Pontifícia Universidade Católica do Rio de Janeiro – PUC-RIO. Dissertação (Mestrado em Informática), 2012. NELDER, J. A. Inverse polynomials, a useful group of multi-factor response functions. Biometrics, v. 22, n. 1, p. 128-141, 1966. NELDER, J. A.; WEDDERBURN, R. W. M. Generalized linear models. Journal of the Royal Statistical Society, Series A, v. 135, n. 3, p. 370-384, 1972. NELSON, D. Some remarks on generalizations of the negative binomial and Poisson distributions. Technometrics, v. 17, n. 1, p. 135-136, 1975. NEUFELD, J. L. Estatística aplicada à administração usando Excel. São Paulo: Prentice Hall, 2003. NEUHAUS J. M. Statistical methods for longitudinal and clustered designs with binary responses. Statistical Methods in Medical Research, v. 1, n. 3, p. 249-273, 1992. NEUHAUS, J. M.; KALBFLEISCH, J. D. Between- and within-cluster covariate effects in the analysis of clustered data. Biometrics, v. 54, n. 2, p. 638-645, 1998. NEUHAUS, J. M.; KALBFLEISCH, J. D.; HAUCK, W. W. A comparison of cluster-specific and population-averaged approaches for analyzing correlated binary data. International Statistical Review, v. 59, n. 1, p. 25-35, 1991. NISHISATO, S. On quantifying different types of categorical data. Psychometrika, v. 58, n. 1, p. 617-629, 1993. NORTON, E. C.; BIELER, G. S.; ENNETT, S. T.; ZARKIN, G. A. Analysis of prevention program effectiveness with clustered data using generalized estimating equations. Journal of Consulting and Clinical Psychology, v. 64, n. 5, p. 919-926, 1996. NORUSIS, M. J. IBM SPSS statistics 19 guide to data analysis. Boston: Pearson, 2012. NUNNALLY, J. C.; BERNSTEIN, I. H. Psychometric theory. 3. ed. New York: McGraw-Hill, 1994. O’ROURKE, D.; BLAIR, J. Improving random respondent selection in telephone surveys. Journal of Marketing Research, v. 20, n. 4, p. 428-432, 1983. OCHIAI, A. Zoogeographic studies on the soleoid fishes found in Japan and its neighbouring regions [em japonês]. Bulletin of the Japanese Society of Scientific Fisheries, v. 22, n. 9, p. 522-525, 1957. OLARIAGA, L. J.; HERNÁNDEZ, L. L. Análisis de correspondencias. Madrid: Editorial La Muralla, 2000. OLIVEIRA, C. C. F. Uma priori beta para distribuição binomial negativa. Recife. 54 f. Masters Dissertation - Departamento de Estatística e Informática, Universidade Federal Rural de Pernambuco, 2011. OLIVEIRA, F. E. M. Estatística e probabilidade. 2. ed. São Paulo: Atlas, 2009. OLIVEIRA, T. M. V. Amostragem não probabilística: adequação de situações para uso e limitações de amostras por conveniência, julgamento e quotas. Administração On Line, v. 2, n. 3, p.1-16, 2001. OLIVEIRA Jr, P. A.; DANTAS, M. J. P.; MACHADO, R. L. Aplicação da Simulação de Monte Carlo no Gerenciamento de Riscos em Projetos com o Cristal Ball. Simpósio de Administração da Produção, Logística e Operações Internacionais, 2013. OLSHANSKY, S. J.; CARNES, B. A. Ever since Gompertz. Demography, v. 34, n. 1, p. 1-15, 1997. OLSON, D. L; DELEN, D. Advanced data mining techniques. New York: Springer, 2008. ONEAL, J. R.; RUSSETT, B. Clear and clean: the fixed effects of the liberal peace. International Organization, v. 55, n. 2, p. 469-485, 2001. ORDEN, A. The transshipment problem. Management Science, v. 2, n. 3, p. 276-285, 1956. ORTEGA, C. M.; CAYUELA, D. A. Regresión logística no condicionada y tamaño de muestra: una revisión bibliográfica. Revista Española de Salud Pública, v. 76, p. 85-93, 2002. ORTEGA, E. M. M.; CORDEIRO, G. M.; CARRASCO, J. M. F. The log-generalized modified Weibull regression model. Brazilian Journal of Probability and Statistics, v. 25, n. 1, p. 64-89, 2011. ORTEGA, E. M. M.; CORDEIRO, G. M.; KATTAN, M. W. The negative binomial-beta Weibull regression model to predict the cure of prostate cancer. Journal of Applied Statistics, v. 39, n. 6, p. 1191-1210, 2012. OU, H.; WEI, C.; DENG, Y.; GAO, N.; REN, Y. Principal component analysis to assess the efficiency and mechanism for enhanced coagulation of natural algae-laden water using a novel dual coagulant system. Environmental Science and Pollution Research International, v. 21, n. 3, p. 2122-2131, 2014. PAGE, M. C.; BRAVER, S. L.; MACKINNON, D. P. Levine´s guide to SPSS for analysis of variance. 2. ed. Mahwah: Lawrence Erlbaum Associates, 2003. PALMER, M. W. Putting things in even better order: the advantages of canonical correspondence analysis. Ecology, v. 74, n. 8, p. 2215-2230, 1993. PAMPEL, F. C. Logistic regression: a primer. Thousand Oaks: Sage Publications, 2000. PARDOE, I. Applied regression modeling. 2. ed. Hoboken: John Wiley & Sons, 2012. PARZEN, E. On estimation of a probability density function and mode. The Annals of Mathematical Statistics, v. 33, n. 3, p. 1065-1076, 1962. PEARSON, K. Mathematical contributions to the theory of evolution. III. Regression, Heredity, and Panmixia. Philosophical Transactions of the Royal Society of London, v. 187, p. 253-318, 1896. PEARSON, K. The life, letters and labors of Francis Galton. Cambridge: Cambridge University Press, 1930. PEGDEN, C. D,; SHANNON, R. E.; SADOWSKI, R. P. Introduction to simulation using SIMAN. McGraw-Hill, NY. 2 ed., 1990. PEÑA, J. M.; LAZANO, J. A.; LARRAÑAGA, P. An empirical comparison of four initialisation methods for the k-means algorithm. Pattern Recognition Letters, v. 20, n. 10, p. 1027-1040, 1999. PENDERGAST, J. F.; GANGE, S. J.; NEWTON, M. A.; LINDSTROM, M. J.; PALTA, M.; FISHER, M. R. A survey of methods for analyzing clustered binary response data. International Statistical Review, v. 64, n. 1, p. 89-118, 1996. PERDUZZI, P.; CONCATO, J.; KEMPER, E.; HOLFORD, T. R.; FEISTEIN, A. R. A simulation study of the number of events per variable in logistic regression analysis. Journal of Clinical Epidemiology, v. 49, p. 1373-1379, 1996. PEREIRA, H. C.; SOUSA, A. J. Análise de dados para o tratamento de quadros multidimensionais. < http://biomonitor.ist.utl.pt/~ajsousa/AnalDadosTratQuadMult.html >. Acesso em 20/01/2015. PEREIRA, J. C. R. Análise de dados qualitativos: estratégias metodológicas para as ciências da saúde, humanas e sociais. 3. ed. São Paulo: EDUSP, 2004. PEREIRA, M. A.; VIDAL, T. L.; AMORIM, T. N.; FÁVERO, L. P. Decision process based on personal finance books: is there any direction to take? Revista de Economia e Administração, v. 9, n. 3, p. 407-425, 2010. PESSÔA, L.A.M.; LINS, M.P.E.; TORRES, N.T. Problema da dieta: uma aplicação prática para o navio hidroceanográfico “Tauros”. In: Simpósio Brasileiro de Pesquisa Operacional, 2009, Porto Seguro, BA. Anais do XLI Simpósio Brasileiro de Pesquisa Operacional, v. 1, p. 1460-1471, 2009. PESTANA, M. H.; GAGEIRO, J. N. Análise de dados para ciências sociais: a complementaridade do SPSS. 5. ed. Lisboa: Edições Sílabo, 2008. PETERS, W. S. Cluster analysis in urban demography. Social Forces, v. 37, n. 1, p. 38-44, 1958. PETO, R.; LEE, P. Weibull distributions for continuous-carcinogenesis experiments. Biometrics, v. 29, n. 3, p. 457–470, 1973. PYLRO, A. S. Modelo Linear Dinâmico de Harrison & Stevens Aplicado ao Controle Estatístico de Processos Autocorrelacionados. 2008. Tese (Doutorado em Engenharia de Produção), Pontifícia Universidade Católica do Rio de Janeiro, 2008. PINDADO, J.; REQUEJO, I.; TORRE, C. Family control and investment-cash flow sensitivity: empirical evidence from the euro zone. Journal of Corporate Finance, v. 17, n. 5, p. 1389-1409, 2011. PINDYCK, R. S.; RUBINFELD, D. L. Econometria: modelos e previsões. 4. ed. Rio de Janeiro: Campus Elsevier, 2004. PIRES, P. J.; MARCHETTI, R. Z. O perfil dos usuários de caixa-automáticos em agências bancárias na cidade de Curitiba. Revista de Administração Contemporânea (RAC), v. 1, n. 3, p. 57-76, 1997. POLLARD, D. Strong consistency of k-means clustering. The Annals of Statistics, v. 9, n. 1, p. 135-140, 1981. PREGIBON, D. Logistic regression diagnostics. Annals of Statistics, v. 9, p. 704-724, 1981. PRESS, S. J. Applied multivariate analysis: using Bayesian and frequentist methods of inference. 2. ed. Mineola: Dover Science, 2005. PUNJ, G.; STEWART, D. W. Cluster analysis in marketing research: review and suggestions for application. Journal of Marketing Research, v. 20, n. 2. p. 134-148, 1983. RAGSDALE, C.T. Modelagem e análise de decisão. São Paulo: Cengage Learning, 2009. RAJAN, R. G.; ZINGALES, L. Financial dependence and growth. American Economic Review, v. 88, n. 3, p. 559-586, 1998. RAMALHO, J. J. S. Modelos de regressão para dados de contagem. Lisboa. 110 f. Masters Dissertation - Instituto Superior de Economia e Gestão, Universidade Técnica de Lisboa, 1996. RARDIN, R.L. Optimization in operations research. New Jersey: Prentice Hall, 1998. RASCH, G. Probabilistic models for some intelligence and attainment tests. Copenhagen: Paedagogike Institut, 1960. RAYKOV, T.; MARCOULIDES, G. A. An introduction to applied multivariate analysis. New York: Routledge, 2008. REIS, E. Estatística multivariada aplicada. 2. ed. Lisboa: Edições Sílabo, 2001. RIGAU, J. G. Traducción del término ‘odds ratio’. Gaceta Sanitaria, v. 16, p. 35, 1990. RODRIGUES, M. C. P. Potencial de desenvolvimento dos municípios fluminenses: uma metodologia alternativa ao IQM, com base na análise fatorial exploratória e na análise de clusters. Caderno de Pesquisas em Administração, v. 9, n. 1, p. 75-89, 2002. RODRIGUES, P. C.; LIMA, A. T. Analysis of an European union election using principal component analysis. Statistical Papers, v. 50, n. 4, p. 895-904, 2009. ROGERS, D. J.; TANIMOTO, T. T. A computer program for classifying plants. Science, v. 132, n. 3434, p. 1115-1118, 1960. ROGERS, W. M.; SCHMITT, N.; MULLINS, M. E. Correction for unreliability of multifactor measures: comparison of alpha and parallel forms approaches. Organizational Research Methods, v. 5, n. 2, p. 184-199. 2002. ROSS, G. J. S.; PREENCE, D. A. The negative binomial distribution. The Statistician, v. 34, n. 3, p. 323-335, 1985. ROUBENS, M. Fuzzy clustering algorithms and their cluster validity. European Journal of Operational Research, v. 10, n. 3, p. 294-301, 1982. ROUSSEEUW, P. J.; LEROY, A. M. Robust regression and outlier detection. New York: John Wiley & Sons, 1987. RUMMEL, R. J. Applied factor analysis. Evanston: Northwestern University Press, 1970. RUSSELL, P. F.; RAO, T. R. On habitat and association of species of Anopheline Larvae in South-eastern Madras. Journal of the Malaria Institute of India, v. 3, n. 1, p. 153-178, 1940. RUTEMILLER, H. C.; BOWERS, D. A. Estimation in a heterocedastic regression model. Journal of the American Statistical Association, v. 63, p. 552-557, 1968. SAATY, T.L. Fundamentals of decision making and priority theory with the analytic hierarchy process. Pittsburgh: RWS Publications, 2000. SANTOS, M. A.; FÁVERO, L. P.; DISTADIO, L. F. Adoption of the International Financial Reporting Standards (IFRS) on companies' financing structure in emerging economies. Finance Research Letters, v. 16, n. 1, p. 179-189, 2016. SAPORTA, G. Probabilités, analyse des données et statistique. Paris: Technip, 1990. SARAIVA Jr, A. F.; TABOSA, C. M.; COSTA, R. P. Simulação de Monte Carlo aplicada à análise econômica de pedido. Produção, v. 21, n. 1., p.149-164, 2011. SARKADI, K. The consistency of the Shapiro-Francia test. Biometrika, v. 62, n. 2, p. 445-450, 1975. SCHMIDT, C. M. C. Modelo de regressão de Poisson aplicado à área da saúde. Ijúi. 98 f. Masters Dissertation - Universidade Regional do Noroeste do Estado do Rio Grande do Sul, 2003. SCHRIBER, T.J. Simulation Using GPSS. Ed. Ft. Belvoir Defense Technical Information, Wiley, NY, 1974. SCHWARTZ FILHO, A.J. Localização de indústrias de reciclagem na cadeia logística reversa do coco verde. 127 f. Dissertação (Mestrado em Engenharia Civil – Transportes), Universidade Federal do Espírito Santo, 2006. SCOTT, A. J.; SYMONS, M. J. Clustering methods based on likelihood ratio criteria. Biometrics, v. 27, n. 2, p. 387-397, 1971. SEARLE, S. R.; CASELLA, G.; McCULLOCH, C. E. Variance components. New York: John Wiley & Sons, 2006. SERGIO, V. F. N. Utilização das distribuições inflacionadas de zeros no monitoramento da qualidade do leite. Juiz de Fora. 43 f. Monografia (Bacharelado em Estatística) - Departamento de Estatística, Universidade Federal de Juiz de Fora, 2012. SHAPIRO, S. S.; FRANCIA, R. S. An approximate analysis of variance test for normality. Journal of the American Statistical Association, v. 67, p. 215-216, 1972. SHARMA, S. Applied multivariate techniques. Hoboken: John Wiley & Sons, 1996. SHARPE, N. R.; DE VEAUX, R. D.; VELLEMAN, P. F. Business statistics. 3.ed. Pearson Education, 2015. SHAZMEEN, S. F.; BAIG, M. M. A.; PAWAR, M. R. Regression analysis and statistical approach on socio-economic data. International Journal of Advanced Computer Research, v. 3, n. 3, p. 347, 2013. SHEU, C. F. Regression analysis of correlated binary outcomes. Behavior Research Methods, Instruments & Computers, v. 32, n. 2, p. 269-273, 2000. SHI, J.; MALIK, J. Normalized cuts and image segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 22, n. 8, p. 888-905, 2000. SILVA NETO, A.J.; BECCENERI, J.C. Técnicas de inteligência computacional inspiradas na natureza: aplicação em problemas inversos em transferência radiativa. São Carlos: SBMAC, 2009. SINGER, J. M.; ANDRADE, D. F. Regression models for the analysis of pretest/posttest data. Biometrics, v. 53, n. 2, p. 729-735, 1997. SNOOK, S. C.; GORSUCH, R. L. Principal component analysis versus common factor analysis: a Monte Carlo study. Psychological Bulletin, v. 106, n. 1, p. 148-154, 1989. SOBRAPO – Sociedade Brasileira de Pesquisa Operacional. Disponível em . Acesso em 15 de Abril de 2017. SØRENSEN, T. J. A method of establishing groups of equal amplitude in plant sociology based on similarity of species content, and its application to analyses of the vegetation on Danish commons. Royal Danish Academy of Sciences and Letters, Biological Series, v. 5, p. 1-34, 1948. SPEARMAN, C. E. "General intelligence," objectively determined and measured. The American Journal of Psychology, v. 15, n. 2, p. 201-292, 1904. SPIEGEL, M. R. ; SCHILLER, J. ; SRINIVASAN, R. A. Probabilidade e estatística. 3. ed. Porto Alegre: Bookman, 2013. STANTON, J. M. Galton, Pearson, and the peas: a brief history of linear regression for statistics instructors. Journal of Statistics Education, v. 9, n. 3, 2001. < http://www.amstat.org/publications/jse/v9n3/stanton.html >. Acesso em 14/03/2014. STEIN, C. E.; LOESCH, C. Estatística descritiva e teoria das probabilidades. 2.ed. Blumenau: EDIFURB, 2011. STEMMLER, M. Person-centered methods: configural frequency analysis (CFA) and other methods for the analysis of contingency tables. Erlangen: Springer, 2014. STEVENS, J. P. Applied multivariate statistics for the social sciences. 5. ed. New York: Routledge, 2009. STEVENS, S. S. On the theory of scales of measurement. Science, v. 103, n. 2684, p. 677-680, 1946. STEWART, D. W. The application and misapplication of factor analysis in marketing research. Journal of Marketing Research, v. 18, n. 1. p. 51-62, 1981. STREINER, D. L. Being inconsistent about consistency: when coefficient alpha does and doesn´t matter. Journal of Personality Assessment, v. 80, n. 3, p. 217-222, 2003. STUKEL, T. A. Generalized logistic models. Journal of the American Statistical Association, v. 83, n. 402, p. 426-431, 1988. SUDMAN, S. Efficient screening methods for the sampling of geographically clustered special populations. Journal of Marketing Research, v. 22, n. 20, p. 20-29, 1985. SWETS, J. A. Signal detection theory and ROC analysis in psychology and diagnostics: collected papers. Mahwah: Lawrence Erlbaum Associates, 1996. TABACHNICK, B. G.; FIDELL, L. S. Using multivariate statistics. New York: Allyn and Bacon, 2001. TACQ, J. Multivariate analysis techniques in social science research. Thousand Oaks: Sage Publications, 1996. TADANO, Y. S.; UGAYA, C. M. L.; FRANCO, A. T. Método de regressão de Poisson: metodologia para avaliação do impacto da poluição atmosférica na saúde populacional. Ambiente & Sociedade, v. XII, n. 2, p. 241-255, 2009. TAHA, H.A. Operations research: an introduction. 9. ed. Upper Saddle River: Prentice Hall, 2010. TAHA, H.A. Operations research: an introduction. 10. ed. Pearson Higher Ed USA, 2016. TANG, W.; HE, H.; TU, X. M. Applied categorical and count data analysis. Boca Raton: Chapman & Hall / CRC Press, 2012. TAPIA, J. A.; NIETO, F. J. Razón de posibilidades: una propuesta de traducción de la expresión odds ratio. Salud Pública de México, v. 35, p. 419-424, 1993. TATE, W. F. Research on schools, neighborhoods, and communities. Plymouth: Rowman & Littlefield Publishers, Inc., 2012. TEERAPABOLARN, K. Poisson approximation to the beta-negative binomial distribution. International Journal of Contemporary Mathematical Sciences, v. 3, n. 10, p. 457-461, 2008. THOMAS, W.; COOK, R. D. Assessing influence on predictions from generalized linear models. Technometrics, v. 32, n. 1, p. 59-65, 1990. THURSTONE, L. L. Multiple factor analysis: a development and expansions of “The vectors of the mind”. Chicago: University of Chicago Press, 1969. THURSTONE, L. L. The measurement of values. Chicago: University of Chicago Press, 1959. THURSTONE, L. L. The vectors of the mind. Chicago: University of Chicago Press, 1935. TIMM, N. H. Applied multivariate analysis. New York: Springer-Verlag, 2002. TRAISSAC, P.; MARTIN-PREVEL Y. Alternatives to principal components analysis to derive asset-based indices to measure socio-economic position in low- and middle-income countries: the case for multiple correspondence analysis. International Journal of Epidemiology, v. 41, n. 4, p. 1207-1208, 2012. TRIOLA, M. F. Introdução à estatística: atualização da tecnologia. 11. ed. Rio de Janeiro: LTC Editora, 2013. TRYON, R. C. Cluster analysis. New York: McGraw-Hill, 1939. TSIATIS, A. A. A note on a goodness-of-fit test for the logistic regression model. Biometrika, v. 67, p. 250-251, 1980. TURKMAN, M. A. A.; SILVA, G. L. Modelos lineares generalizados: da teoria à prática. Lisboa: Edições SPE, 2000. VALENTIN, J. L. Ecologia numérica: uma introdução à análise multivariada de dados ecológicos. 2. ed. Rio de Janeiro: Interciência, 2012. VANCE, P. S.; FÁVERO, L. P.; LUPPE, M. R. Franquia empresarial: um estudo das características do relacionamento entre franqueadores e franqueados no Brasil. Revista de Administração (RAUSP), v. 43, n. 1, p. 59-71, 2008. VANNEMAN, R. The occupational composition of American classes: results from cluster analysis. American Journal of Sociology, v. 82, n. 4, p. 783-807, 1977. VELICER, W. F.; JACKSON, D. N. Component analysis versus common factor analysis: some issues in selecting an appropriate procedure. Multivariate Behavioral Research, v. 25, n. 1, p. 1-28, 1990. VELLEMAN, P. F.; WILKINSON, L. Nominal, ordinal, interval, and ratio typologies are misleading. The American Statistician, v. 47, n. 1, p. 65-72, 1993. VERBEKE, G.; MOLENBERGHS, G. Linear mixed models for longitudinal data. New York: Springer-Verlag, 2000. VERMUNT, J. K.; ANDERSON, C. J. Joint correspondence analysis (JCA) by maximum likelihood. Methodology: European Journal of Research Methods for the Behavioral and Social Sciences, v. 1, n. 1, p. 18-26, 2005. VICINI, L.; SOUZA, A. M. Análise multivariada da teoria à prática. Santa Maria. 215 f. Monografia (Especialização em Estatística e Modelagem Quantitativa) - Centro de Ciências Naturais e Exatas, Universidade Federal de Santa Maria, 2005. VIEIRA, S. Estatística básica. São Paulo, Cengage Learning, 2012. VITTINGHOFF, E.; GLIDDEN, D. V.; SHIBOSKI, S. C.; McCULLOCH, C. E. Regression methods in biostatistics: linear, logistic, survival, and repeated measures models. 2. ed. New York: Springer-Verlag, 2012. VUONG, Q. H. Likelihood ratio tests for model selection and non-nested hypotheses. Econometrica, v. 57, n. 2, p. 307-333, 1989. WARD JR., J. H. Hierarchical grouping to optimize an objective function. Journal of the American Statistical Association, v. 58, n. 301, p. 236-244, 1963. WATHIER, J. L.; DELL’AGLIO, D. D.; BANDEIRA, D. R. Análise fatorial do inventário de depressão infantil (CDI) em amostra de jovens brasileiros. Avaliação Psicológica, v. 7, n. 1, p. 75-84, 2008. WEDDERBURN, R. W. M. Quasi-likelihood functions, generalized linear models, and the Gauss-Newton method. Biometrika, v. 61, n. 3, p. 439-447, 1974. WEISBERG, S. Applied linear regression. New York: John Wiley & Sons, 1985. WELLER, S. C.; ROMNEY, A. K. Metric scaling: correspondence analysis. London: Sage, 1990. WEN, C. H.; YEH, W. Y. Positioning of international air passenger carriers using multidimensional scaling and correspondence analysis. Transportation Journal, v. 49, n. 1, p. 7-23, 2010. WERMUTH, N.; RÜSSMANN, H. Eigenanalysis of symmetrizable matrix products: a result with statistical applications. Scandinavian Journal of Statistics, v. 20, p. 361-367, 1993. WEST, B. T.; WELCH, K. B.; GAŁECKI, A. T. Linear mixed models: a pratical guide using statistical software. 2. ed. Boca Raton: Chapman & Hall / CRC Press, 2015. WHITLARK, D. B.; SMITH, S. M. Using correspondence analysis to map relationships. Marketing Research, v. 13, n. 3, p. 22-27, 2001. WILLIAMS, R. Generalized ordered logit / partial proportional odds models for ordinal dependent variables. Stata Journal, v. 6, n. 1, p. 58-82, 2006. WINKELMANN, R.; ZIMMERMANN, K. F. A new approach for modeling economic count data. Economics Letters, v. 37, n. 2, p. 139-143, 1991. WINSTON, W.L. Operations research: applications and algorithms. 4. ed. Belmont: Brooks/Cole – Thomson Learning, 2004. WITTEN, I. H; FRANK, E.; HALL, M. A.; PAL, C. J. Data mining: practical machine learning tools and techniques. 4. ed. Boston: Elsevier, 2016. WOLFE, J. H. Comparative cluster analysis of patterns of vocational interest. Multivariate Behavioral Research, v. 13, n. 1, p. 33-44, 1978. WOLFE, J. H. Pattern clustering by multivariate mixture analysis. Multivariate Behavioral Research, v. 5, n. 3, p. 329-350, 1970. WONG, M. A.; LANE, T. A kth nearest neighbour clustering procedure. Journal of the Royal Statistical Society, Series B, v. 45, n. 3, p. 362-368, 1983. WONNACOTT, T. H.; WONNACOTT, R. J. Introductory statistics for business and economics. 4. ed. New York: John Wiley & Sons, 1990. WOOLDRIDGE, J. M. Introductory econometrics: a modern approach. 5. ed. Mason: Cengage Learning, 2012. WU, Z. et al. Optimization designs of the combined Shewhart CUSUM control charts. Computational Statistics and Data Analysis, v. 53, n. 2, p. 496-506, 2008. WULFF, J. N. Interpreting results from the multinomial logit: demonstrated by foreign market entry. Organizational Research Methods, v. 18, n. 2, p. 300-325, 2015. XIE, F. C.; WEI, B. C.; LIN, J. G. Assessing influence for pharmaceutical data in zero-inflated generalized Poisson mixed models. Statistics in Medicine, v. 27, n. 18, p. 3656-3673, 2008. XIE, M.; HE, B.; GOH, T. N. Zero-inflated Poisson model in statistical process control. Computational Statistics & Data Analysis, v. 38, n. 2, p. 191-201, 2001. XUE, D.; DEDDENS, J. Overdispersed negative binomial regression models. Communications in Statistics: Theory and Methods, v. 21, n. 8, p. 2215-2226, 1992. YAU, K.; WANG, K.; LEE, A. Zero-inflated negative binomial mixed regression modeling of over-dispersed count data with extra zeros. Biometrical Journal, v. 45, n. 4, p. 437-452, 2003. YAVAS, U.; SHEMWELL, D. J. Bank image: exposition and illustration of correspondence analysis. International Journal of Bank Marketing, v. 14, n. 1, p. 15-21, 1996. YE, N. (ed.) The handbook of data mining. Mahwah: Lawrence Erlbaum Associates, 2004. YOUNG, F. Quantitative analysis of qualitative data. Psychometrika, v. 46, n. 4, p. 357-388, 1981. ZEGER, S. L.; LIANG, K. Y.; ALBERT, P. S. Models for longitudinal data: a generalized estimating equation approach. Biometrics, v. 44, n. 4, p. 1049-1060, 1988. ZHANG, H.; LIU, Y.; LI, B. Notes on discrete compound Poisson model with applications to risk theory. Insurance: Mathematics and Economics, v. 59, p. 325-336, 2014. ZHOU, W.; JING, B. Y. Tail probability approximations for Student’s t-statistics. Probability Theory and Related Fields, v. 136, n. 4, p. 541-559, 2006. ZUCCOLOTTO, P. Principal components of sample estimates: an approach through symbolic data. Statistical Methods and Applications, v. 16, n. 2, p. 173-192, 2007. ZWILLING, M. L. Negative binomial regression. The Mathematica Journal, v. 15, p. 1-18, 2013.
Carga Horária:	118 horas
Tipo:	Obrigatória
Vagas oferecidas:	5200
Ministrantes:	Fabiano Guasti Lima Helder Prado Santos Henrique Rozenfeld Luiz Paulo Lopes Favero Marcos Roberto Luppe Wilson Tarantin Júnior

voltar

Créditos © 1999 - 2024 - Superintendência de Tecnologia da Informação/USP