2021/2022
Modelització Avançada
Codi: 104865
Crèdits: 6
Titulació |
Tipus |
Curs |
Semestre |
2503852 Estadística Aplicada |
OB |
3 |
2 |
La metodologia docent i l'avaluació proposades a la guia poden experimentar alguna modificació en funció de les restriccions a la presencialitat que imposin les autoritats sanitàries.
Utilització d'idiomes a l'assignatura
- Llengua vehicular majoritària:
- català (cat)
- Grup íntegre en anglès:
- No
- Grup íntegre en català:
- Sí
- Grup íntegre en espanyol:
- No
Altres indicacions sobre les llengües
La majoria de la documentació de suport i els articles relacionats estaran en anglès.
Prerequisits
S’assumeix l’assoliment previ de coneixements suficients tant en estadística teòrica (models lineals, inferència estadística i càlcul de probabilitats) com en maneig aplicat de programari estadístic. Les pràctiques es podran seguir amb R, SAS o Stata.
És prerequisit un nivell d’anglès suficient per a comprendre articles científics per aplicar coneixements de modelització.
Objectius
Aprendre diferents estratègies de modelització per l'anàlisi de dades, tant pel que fa a la vessant teòrica com a les seves aplicacions. Proporcionar els coneixements aplicats en quant a disseny, organització, realització, supervisió, anàlisi, interpretació i difusió de resultats.
Els objectius generals de l'assignatura són:
- Conèixer les bases per a l’aplicació dels diferents models
- Entendre criteris per a selecció de variables en funció dels objectius
- Adquirir coneixements sobre la interpretació e implicacions de diferents models
- Adquirir i aplicar coneixements de programació
Competències
- Analitzar dades mitjançant l’aplicació de mètodes i tècniques estadístiques, treballant amb dades de diverses tipologies.
- Aplicar l’esperit crític i el rigor per validar o refutar arguments tant propis com d’altres persones.
- Avaluar de manera crítica i amb criteris de qualitat el treball realitzat.
- Dissenyar un estudi estadístic o de recerca operativa per a la resolució d’un problema real.
- Formular hipòtesis estadístiques i desenvolupar estratègies per confirmar-les o refutar-les.
- Interpretar resultats, extreure conclusions i elaborar informes tècnics en el camp de l’estadística.
- Que els estudiants puguin transmetre informació, idees, problemes i solucions a un públic tant especialitzat com no especialitzat.
- Que els estudiants sàpiguen aplicar els coneixements propis a la seva feina o vocació d'una manera professional i tinguin les competències que se solen demostrar per mitjà de l'elaboració i la defensa d'arguments i la resolució de problemes dins de la seva àrea d'estudi.
- Que els estudiants tinguin la capacitat de reunir i interpretar dades rellevants (normalment dins de la seva àrea d'estudi) per emetre judicis que incloguin una reflexió sobre temes destacats d'índole social, científica o ètica.
- Resumir i descobrir patrons de comportament en l’exploració de les dades.
- Seleccionar els models o tècniques estadístiques per aplicar-los en estudis i problemes reals, així com conèixer-ne les eines de validació.
- Seleccionar i aplicar procediments més apropiats per a la modelització estadística i l’anàlisi de dades complexes.
- Treballar cooperativament en un context multidisciplinari assumint i respectant el rol dels diferents membres de l’equip.
- Utilitzar correctament un ampli espectre del programari i llenguatges de programació estadístiques, escollint el més apropiat per a cada anàlisi i ser capaç d’adaptar-lo a noves necessitats.
- Utilitzar eficaçment la bibliografia i els recursos electrònics per obtenir informació.
Resultats d'aprenentatge
- Analitzar dades mitjançant altres models per a dades complexes (dades funcionals, dades de recompte, etc.).
- Analitzar dades mitjançant tècniques d'inferència utilitzant programari estadístic.
- Aplicar l'esperit crític i el rigor per validar o refutar arguments, tant propis com d'altres.
- Avaluar de manera crítica i amb criteris de qualitat la feina feta.
- Detectar i tractar les dades absents.
- Elaborar informes tècnics específics de l'àmbit de la modelització estadística.
- Establir les hipòtesis experimentals de la modelització.
- Extreure conclusions de l'adequació dels models amb la utilització i la interpretació correcta d'indicadors i gràfics.
- Fer servir gràfics de visualització de l'ajustament i de l'adequació del model.
- Identificar les etapes en els problemes de modelització.
- Identificar les suposicions estadístiques associades a cada procediment.
- Mesurar el grau d'ajustament d'un model estadístic.
- Modificar lleugerament el programari existent si el model estadístic proposat ho requereix.
- Que els estudiants puguin transmetre informació, idees, problemes i solucions a un públic tant especialitzat com no especialitzat.
- Que els estudiants sàpiguen aplicar els coneixements propis a la seva feina o vocació d'una manera professional i tinguin les competències que se solen demostrar per mitjà de l'elaboració i la defensa d'arguments i la resolució de problemes dins de la seva àrea d'estudi.
- Que els estudiants tinguin la capacitat de reunir i interpretar dades rellevants (normalment dins de la seva àrea d'estudi) per emetre judicis que incloguin una reflexió sobre temes destacats d'índole social, científica o ètica.
- Treballar cooperativament en un context multidisciplinari assumint i respectant el rol dels diferents membres de l'equip.
- Utilitzar eficaçment bibliografia i recursos electrònics per obtenir informació.
- Validar els models utilitzats mitjançant tècniques d'inferència adequades.
Continguts
- Conceptes bàsics en estadística aplicada a modelització
- Obtenció, supervisió i preparació de les dades
- Mesures d’efecte i models relacionats. Selecció de models en funció del disseny
- Models usats en estudis amb factors de confusió i modificadors de l’efecte. Paper de diferents (co)variables
- Aplicació de models de regressió logística multivariant i variants
- Propensity score i altres alternatives per control de factors de confusió
- Meta-anàlisi ajustats per a dades individuals
- Mesures repetides ajustades amb efectes fixes i aleatoris
Hi haurà exemples pràctics a cada bloc i els alumnes hauran de lliurar les pràctiques fetes en grups
Metodologia
Activitats dirigides:
- Classes teòriques (TE). Cada bloc temàtic s’iniciarà amb una o varies classes teòriques presencials on el professor explicarà els conceptes clau, fomentarà la interacció i discussió de dubtes, i donarà les pautes guia per al seguiment i preparació de les activitats autònomes complementàries.
El material docent de suport contindrà els continguts essencials de les classes teòriques, estarà disponible amb antelació al Campus Virtual de l’assignatura, i es recomana als alumnes que el tinguin disponible durant la classe (format ordinador, tableta o paper) per a facilitar el seu seguiment.
- Pràctiques de Laboratori (PLAB). S’executaran les pràctiques relacionades amb els conceptes teòrics. Es treballarà per ampliar i consolidar els coneixements científics i tècnics previs, i s’usarà articles científics que afavoreixin la discussió. S’usaran eines estàndard de innovació docent que controlen la participació a classe.
Activitats autònomes
- Test d’Autoaprenentatge. Es facilitaran tests d’autoaprenentatge amb retroalimentació, emprant les utilitats de qüestionaris de l’aula Moodle del campus virtual de l’assignatura, per a facilitar el repàs de la matèriasincronitzada amb la impartició del temari.
- Treball en grup. Es farà varis treballs en equip on es tractarà de aplicar els coneixements aproximant-se a una situació real tutelat pel professor. Caldrà resoldre problemes plantejat en el que caldrà consultar diverses fonts i l’ús de programari estadístic. Es promourà la capacitat d'anàlisi, el raonament i l'expertesa de l'alumne en la resolució de problemes relacionats amb el camp professional.
- Estudi personal. Malgrat l’assignatura està eminentment enfocada a la implementació pràctica dels coneixements en modelització avançada, caldrà un esforç individual mínim per assentar les classes teòriques.
Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, per a la complementació per part de l'alumnat de les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura/mòdul.
Avaluació
Per avaluar el grau d'assoliment de les competències, es comptarà amb els següents instruments i ponderacions:
- 2 exàmens parcials amb una ponderació del 15% cadascú
- Tests d’autoaprenentatge, hi haurà com a mínim 3 i els 3 son obligatoris per a que comptin un 10% de ponderació
- Treballs pràctics en grup* hi haurà com a mínim 3 i els 3 son obligatoris per a que comptin un 50% de ponderació
- Assistència a pràctiques#: no és obligatòria però sí que és molt convenient per al seguiment de l’assignatura. Si s’assisteix a un mínim del 80% comptaran les avaluacions individuals de les mateixes fetes amb kahoot. En cas contrari la nota es calcularà amb la resta d’activitats excloent aquesta. Els alumnes podran renunciar a aquesta nota parcial si pensen que els hi pot empitjorar la nota final.
*: Avaluació col·lectiva: les avaluacions col·lectives es podran individualitzar en el cas d’heterogeneïtat manifesta
#: Es considera que l’aprenentatge natural de l’assignatura requereix un mínim d’assistència del 80% per a les pràctiques de laboratori (PLAB). En cas de que l’alumne prevegi que aquest fet pugui ser un problema degut a la seva situació personal, caldrà adreçar-se al coordinador de l’assignatura per a fixar pla de tutoria alternatiu complementari.
L'assignatura s'aprovarà si la nota ponderada de tots els apartats és com a mínim de 5 punts sobre 10, i a més
- s’han presentat tots els treballs pràctics obligatoris
- s’han fet tots els tests d’auto-aprenentatge
- no hi ha cap nota menor que 3 en les activitats obligatòries
Activitats d'avaluació
Títol |
Pes |
Hores |
ECTS |
Resultats d'aprenentatge |
Assistència a pràctiques (mínima 80%) amb avaluació individual |
10% |
4
|
0,16 |
1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19
|
Examen 1 |
15% |
6
|
0,24 |
1, 2, 3, 4, 6, 7, 10, 11, 13, 14, 15, 16, 18, 19
|
Examen 2 |
15% |
6
|
0,24 |
1, 2, 3, 4, 6, 7, 10, 11, 13, 14, 15, 16, 18, 19
|
Tests d'autoaprenentatge |
10% |
4
|
0,16 |
1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19
|
Treballs práctics |
50% |
30
|
1,2 |
1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19
|
Bibliografia
Faraway, J. (2006). Extending the Linear Model with R. Chapman & Hall.
Hosmer, D.W.; Lemeshow, S. & Sturdivant, R.X. (2013) Applied Logistic Regression. 3rd ed. Wiley.
Pinheiro JC & Bates D (2000) Mixed-Effects Models in S and S-PLUS. Springer.
T Hastie, R Tibshirani, J Friedman. (2009) The Elements of Statistical Learning. Data Mining, Inference and Prediction, Springer, New York.
Therneau T, Grambsch P. Modeling Survival Data: Extending the Cox Model (Statistics for Biology and Health). Springer-Verlag New York Inc.; Edición: 1st ed. 2000.
Venables, W. & Ripley, B. (2002). Modern Applied Statistics with S-PLUS. Springer
Verbeke G, Molenberghs G. Linear Mixed Models for longitudinal Data. New York: Springer-Verlag, 2000.
Programari
SAS version 9.4 software (© SAS Institute Inc., Cary, NC, USA)
STATA (© Stata Corporation, College Station, TX, USA) and
R (© 2010 R free software foundation: http://www.r-project.org).