Logo UAB
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.

Professor/a de contacte

Nom:
Ferran Torres
Correu electrònic:
Ferran.Torres@uab.cat

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.

Equip docent

José Ríos

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:

  1. Conèixer les bases per a l’aplicació dels diferents models
  2. Entendre criteris per a selecció de variables en funció dels objectius
  3. Adquirir coneixements sobre la interpretació e implicacions de diferents models
  4. 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

  1. Analitzar dades mitjançant altres models per a dades complexes (dades funcionals, dades de recompte, etc.).
  2. Analitzar dades mitjançant tècniques d'inferència utilitzant programari estadístic.
  3. Aplicar l'esperit crític i el rigor per validar o refutar arguments, tant propis com d'altres.
  4. Avaluar de manera crítica i amb criteris de qualitat la feina feta.
  5. Detectar i tractar les dades absents.
  6. Elaborar informes tècnics específics de l'àmbit de la modelització estadística.
  7. Establir les hipòtesis experimentals de la modelització.
  8. Extreure conclusions de l'adequació dels models amb la utilització i la interpretació correcta d'indicadors i gràfics.
  9. Fer servir gràfics de visualització de l'ajustament i de l'adequació del model.
  10. Identificar les etapes en els problemes de modelització.
  11. Identificar les suposicions estadístiques associades a cada procediment.
  12. Mesurar el grau d'ajustament d'un model estadístic.
  13. Modificar lleugerament el programari existent si el model estadístic proposat ho requereix.
  14. Que els estudiants puguin transmetre informació, idees, problemes i solucions a un públic tant especialitzat com no especialitzat.
  15. 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.
  16. 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.
  17. Treballar cooperativament en un context multidisciplinari assumint i respectant el rol dels diferents membres de l'equip.
  18. Utilitzar eficaçment bibliografia i recursos electrònics per obtenir informació.
  19. 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.

Activitats formatives

Títol Hores ECTS Resultats d'aprenentatge
Tipus: Dirigides      
Classe pràctica 50 2 1, 2, 3, 4, 6, 7, 10, 11, 13, 14, 15, 16, 18, 19
Classe teòrica 50 2 1, 2, 3, 4, 6, 7, 10, 11, 13, 14, 15, 16, 18, 19

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).