Models Lineals 2
Codi: 104861 Crèdits: 6| Titulació | Tipus | Curs | Semestre |
|---|---|---|---|
| 2503852 Estadística Aplicada | OB | 3 | 1 |
Professor/a de contacte
- Nom:
- Isabel Serra Mochales
- Correu electrònic:
- isabel.serra@uab.cat
Idiomes dels grups
Podeu accedir-hi des d'aquest enllaç. Per consultar l'idioma us caldrà introduir el CODI de l'assignatura. Tingueu en compte que la informació és provisional fins a 30 de novembre de 2023.
Prerequisits
Coneixements d'estadística descriptiva i inferència. És imprescindible un curs previ de Models Lineals.
Objectius
L'objectiu de l'assignatura és ampliar l'ús de combinacions lineals d'un conjunt de predictors per reduir la incertesa d'una variable de resposta. En particular, treballarem l'ús de models paramètrics, més enllà de la llei normal, per a la variable resposta. A més, en aquest entorn de modelització més genèric, aprofundirem en com incloure informació, per exemple, informació sobre el disseny de l'experiment.
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.
- 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 el model de regressió lineal.
- Analitzar dades mitjançant el model lineal generalitzat.
- Analitzar dades mitjançant tècniques d'inferència utilitzant programari estadístic.
- Analitzar els residus d'un model 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.
- Comparar el grau d'ajustament entre diversos models estadístics.
- Detectar i preveure interaccions entre variables explicatives.
- Detectar i tractar la colinealitat entre variables explicatives.
- 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 distribucions de les respostes amb l'anàlisi de residus.
- Identificar fonts de biaix en l'obtenció de la informació.
- Identificar les etapes en els problemes de modelització.
- Identificar les suposicions estadístiques associades a cada procediment.
- Identificar les variables resposta, explicatives i de control.
- Mesurar el grau d'ajustament d'un model estadístic.
- Modificar lleugerament el programari existent si el model estadístic proposat ho requereix.
- Predir respostes, comparar grups (valor causal) i identificar factors rellevants.
- 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.
- Seleccionar les variables explicatives rellevants.
- Sintetitzar i interpretar els resultats dels models lineals clàssics, generalitzats i no lineals en funció de l'objectiu de l'estudi.
- Utilitzar eficaçment bibliografia i recursos electrònics per obtenir informació.
- Utilitzar la regressió logística per resoldre problemes de classificació.
- Utilitzar programari estadístic divers per ajustar i validar models lineals i les seves generalitzacions.
- Validar els models utilitzats mitjançant tècniques d'inferència adequades.
Continguts
Tema 1: Models lineals
Regressió lineal simple i múltiple
Ampliació dels models lineals i anàlisis de la variància
Efectes fixos i aleatoris. Introcucció a models mixtes.
Tema 2: Modelos lineals generalitzats
Famílies exponencials.
Inferència y Bondat d’ajust
Anàlisis dels residus
Tema 3: Mètodes de Classificació
Introducció de los mètodes de classificació.
El model logístic. Estimació dels coeficients de regressió.
Regressió logística múltiple
Metodologia
El material del curs (apunts de teoria, llistes de problemes i enunciats de pràctiques) estarà disponible al campus virtual, de manera progressiva al llarg del curs.
*La metodologia docent proposada pot experimentar alguna modificació en funció de les restriccions a la presencialitat que imposin les autoritats sanitàries.
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 | |||
| Pràctiques amb ordinador | 50 | 2 | 1, 2, 3, 5, 6, 10, 12, 15, 16, 19, 23, 25, 26, 27 |
| Teoria | 50 | 2 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29 |
| Tipus: Supervisades | |||
| problemes/exercicis per resoldre | 16 | 0,64 | 3, 5, 6, 11, 23, 25, 26, 28 |
| Tipus: Autònomes | |||
| Preparació Examens | 10 | 0,4 | 3, 5, 6, 16, 21, 25 |
Avaluació
En la modalitat d'avaluació continuada, l’assignatura s’avaluarà amb lliuraments de treballs (entregues d’exercicis, controls de problemes i/o pràctiques) i 2 examens. Per obtenir la nota ponderada d'avaluació continuada cal tenir un mínim de 3/10 en cadascuna de les parts.
L’alumnat que s’hagi acollit a la modalitat d’avaluació única haurà de realitzar una avaluació que consistirà en un examen de teoria, una prova de problemes i el lliurament dels informes de la primera i darrera pràctica del curs. L'avaluació dels lliuraments pot requerir una entrevista d'avaluació amb el professor. La qualificació de l’estudiant serà la mitjana ponderada de les tres activitats anteriors, on l’examen suposarà el 45% de la nota, la prova 45% i els lliuraments el 10%.
Si la nota final no arriba a 5, l’estudiant té una altra oportunitat de superar l’assignatura mitjançant l’examen de recuperació que se celebrarà en la data que fixi la coordinació de la titulació. En aquesta prova es podrà recuperar el 70% de la nota corresponent a la teoria i els problemes. La part de lliuraments de pràctiques no és recuperable.
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Examen Final | 40% | 4 | 0,16 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29 |
| Examen Parcial | 30% | 4 | 0,16 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29 |
| Pràctiques (entregues o controls) | 30% | 16 | 0,64 | 3, 5, 6, 10, 12, 15, 16, 19, 21, 22, 23, 25, 26, 28 |
Bibliografia
Barndorff-Nielsen, Ole (1978). Information and exponential families in statistical theory. Wiley Series in Probability and Mathematical Statistics. Chichester: John Wiley & Sons, Ltd.
Lee, Y., Nelder, J. and Pawitan, Y. (2006). Generalized Linear Models with Random Effects. Chapman & Hall. London.
John E. Freund, Irwin Miller, Marylees Miller. (2000) Estadística matemática con aplicaciones. Pearson Educación. (existeix castellà)
McCullagh, P. and Nelder, J. (1992). Generalized Linear Models. Chapman & Hall. London.
Pawitan, Y. (2001). In All Likelihood: Statistical Modelling and Inference Using Likelihood. Oxford University Press. Oxford.
Daniel Peña; Regresión y diseño de Experimentos, Alianza Editorial (Manuales de Ciencias Sociales), 2002.
Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani; An Introduction to Statistical Learning, Springer texts in Statistics, 2013.
Christopher Hay-Jahans; An R Companion to Linear Statistical Models. Chapman and Hall, 2012.
John Fox and Sandord Weisberg; An R Companion to Applied Regression, 2nd edition, Sage Publications, 2011.
Programari
R Core Team. R: A language and environment for statistical computing. R
Foundation for Statistical Computing, Vienna, Austria. URL
https://www.R-project.org/.