Reamostragem e detecção de

outilers
Em seleção automática de variáveis para modelos de equações
estruturais na análise de satisfação de alunos do ensino superior
privado.
Sumário
• O problema
• Objetivo
• Sistema de recomendações
• Filtragem baseado em conteúdo
• Soluções já existentes
• Fechamento
• Proposição da solução
• Resultados
• Discussão de resultados
• Conclusão
• Referências
Problema
• Nosso problema se dá por termos uma quantidade muito alta de
dados para analisar e com isso temos um custo computacional muito
alto o que gera um custo financeiro muito alto também. Além de
termos nos nossos dados respostas que não parecem terem sidos
respondidas de uma maneira pensada, coesa, foram respondidas de
forma atípica o que nos gera um outlier. O que nos faz ir atrás de
novas técnicas para fazer a analise dos dados.
Objetivo
• O nosso objetivo é criar uma maneira de reduzir o custo
computacional para analisar os dados o que consequentemente vai
diminuir o custo financeiro, mas fazer isso de uma maneira que não
afete o resultado, gerando uma analise de dados mais rápida e
precisa.
Conceitos
• Equação estrutural: Um método que analise simultaneamente múltiplas variáveis e
tenta explicar as relações entre elas. Usando o modelo SEM você consegue avaliar
relações entre variáveis independentes, a magnitute em sua influência na variável
dependente e a relação entre variáveis externas ao modelo.
• Bootstrap: É um método de reamostragem, que se utiliza para aproximar
distribuição na amostra de um levantamento estatístico. Usa-se frequentemente
para aproximar o viés ou a variância de um conjunto de dados estatísticos, assim
como para construir intervalos de confiança ou realizar contrastes de hipóteses
sobre parâmetros de interesse.
• Outlier: É um ponto de dados que difere significativamente de outras observações.
Um outlier pode ser devido à variabilidade na medição ou pode indicar erro
experimental; os últimos são às vezes excluídos do conjunto de dados.
Conclusão
• Depois de ter usado muitas técnicas chegamos a conclusão que usar a
técnica de remover os outlier é uma boa pratica mas ela gera um
custo computacional muito alto. Usando a técnica de Bootstrap ela
tem um custo computacional muito mais baixo e gera um resultado
muito próximo de realizar com a base completa. Com isso chegamos a
conclusão que usar a técnica de remoção de outliers não diminuí o
custo computacional e usando a técnica de bootstrap esse custo tem
uma diminuição expressiva e os resultados são muito assertivos.