Modelos Lineales 2
Código: 104861 Créditos ECTS: 6| Titulación | Tipo | Curso | Semestre |
|---|---|---|---|
| 2503852 Estadística Aplicada | OB | 3 | 1 |
Contacto
- Nombre:
- Isabel Serra Mochales
- Correo electrónico:
- isabel.serra@uab.cat
Idiomas de los grupos
Puede consutarlo a través de este enlace. Para consultar el idioma necesitará introducir el CÓDIGO de la asignatura. Tenga en cuenta que la información es provisional hasta el 30 de noviembre del 2023.
Prerrequisitos
Conocimientos de estadística descriptiva e inferencial. Es imprescindible un curso previo de Modelos Lineales.
Objetivos y contextualización
El objetivo de la asignatura es ampliar el uso de combinaciones lineales de un conjunto de predictores para reducir la incertidumbre de una variable de respuesta. En particular, trabajaremos el uso de modelos paramétricos, más allá de la ley normal, para la variable respuesta. Además, en este entorno de modelización más genérico, profundizaremos en cómo incluir información, por ejemplo, información sobre el diseño del experimento.
Competencias
- Analizar datos mediante la aplicación de métodos y técnicas estadísticas, trabajando con datos de diversas tipologías.
- Aplicar el espíritu crítico y el rigor para validar o refutar argumentos tanto propios como de otras personas.
- Diseñar un estudio estadístico o de investigación operativa para la resolución de un problema real.
- Evaluar de manera crítica y con criterios de calidad el trabajo realizado.
- Formular hipótesis estadísticas y desarrollar estrategias para confirmarlas o refutarlas.
- Interpretar resultados, extraer conclusiones y elaborar informes técnicos en el campo de la estadística.
- Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
- Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
- Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
- Resumir y descubrir patrones de comportamiento en la exploración de los datos.
- Seleccionar los modelos o técnicas estadísticas para aplicarlos a estudios y problemas reales, así como conocer las herramientas de validación de los mismos.
- Seleccionar y aplicar procedimientos más apropiados para la modelización estadística y el análisis de datos complejos.
- Utilizar correctamente un amplio espectro del software y lenguajes de programación estadísticos, escogiendo el más apropiado para cada análisis y ser capaz de adaptarlo a nuevas necesidades.
- Utilizar eficazmente la bibliografía y los recursos electrónicos para obtener información.
Resultados de aprendizaje
- Analizar datos mediante el modelo de regresión lineal.
- Analizar datos mediante el modelo lineal generalizado.
- Analizar datos mediante técnicas de inferencia usando software estadístico.
- Analizar los residuos de un modelo estadístico.
- Aplicar el espíritu crítico y el rigor para validar o refutar argumentos tanto propios como de otros.
- Comparar el grado de ajuste entre varios modelos estadísticos.
- Detectar y contemplar interacciones entre variables explicativas.
- Detectar y tratar la colinealidad entre variables explicativas.
- Emplear gráficos de visualización del ajuste y de la adecuación del modelo.
- Establecer las hipótesis experimentales de la modelización.
- Evaluar de manera crítica y con criterios de calidad el trabajo realizado.
- Extraer conclusiones de la adecuación de los modelos con la utilización e interpretación correcta de indicadores y gráficos.
- Identificar distribuciones de las respuestas con el análisis de residuos.
- Identificar fuentes de sesgo en la obtención de la información.
- Identificar las etapas en los problemas de modelización.
- Identificar las suposiciones estadísticas asociadas a cada procedimiento.
- Identificar las variables respuesta, explicativas y de control.
- Medir el grado de ajuste de un modelo estadístico.
- Modificar ligeramente el software existente si el modelo estadístico propuesto lo requiere.
- Predecir respuestas, comparar grupos (valor causal) e identificar factores relevantes.
- Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
- Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
- Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
- Seleccionar las variables explicativas relevantes.
- Sintetizar e interpretar los resultados de los modelos lineales clásicos, generalizados y no lineales en función del objetivo del estudio.
- Usar regresión logística para resolver problemas de clasificación.
- Utilizar diversidad de software estadístico para ajustar y validar modelos lineales y sus generalizaciones.
- Utilizar eficazmente bibliografía y recursos electrónicos para obtener información.
- Validar los modelos utilizados mediante técnicas de inferencia adecuadas.
Contenido
Tema 1: Modelos lineales
Regresión lineal simple y múltiple
Ampliación de los modelos lineales y análisis de la varianza
Efectos fijos y aleatorios. Introcucción en modelos mixtos.
Tema 2: Modelos lineales generalizados
Familias exponenciales.
Inferencia y Bondad de ajuste
Análisis de los residuos
Tema 3: Métodos de Clasificación
Introducción de los métodos de clasificación.
El modelo logístico. Estimación de los coeficientes de regresión.
Regresión logística múltiple
Metodología
La asignatura tiene, a lo largo del cuatrimestre, dos horas semanales de teoría y problemas más dos horas semanales de prácticas. El material del curso (apuntes de teoría, listas de problemas y enunciados de prácticas) estará disponible en el campus virtual, de manera progresiva a lo largo del curso.
*La metodología docente propuesta puede experimentar alguna modificación en función de las restricciones a la presencialidad que impongan las autoridades sanitarias.
Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.
Actividades
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Tipo: Dirigidas | |||
| Prácticas en ordenador | 50 | 2 | 1, 2, 3, 5, 11, 10, 9, 15, 16, 19, 23, 25, 28, 26 |
| Teoría | 50 | 2 | 1, 2, 3, 4, 5, 11, 6, 7, 8, 10, 12, 9, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 28, 26, 27, 29 |
| Tipo: Supervisadas | |||
| problemas/ejercicios para resolver | 16 | 0,64 | 3, 5, 11, 12, 23, 25, 28, 27 |
| Tipo: Autónomas | |||
| Preparación Exámenes | 10 | 0,4 | 3, 5, 11, 16, 21, 25 |
Evaluación
La asignatura se evaluará con entregas de trabajos (entregas de ejercicios, controles de problemas y/o prácticas) y 2 exámenes. Para obtener la nota ponderada de evaluación continua es necesario tener un mínimo de 3/10 en cada una de las partes.
El alumnado que se haya acogido en la modalidad de evaluación única deberá realizar una evaluación que consistirá en un examen de teoría, una prueba de problemas y la entrega de los informes de la primera y última práctica del curso. La evaluación de las entregas puede requerir una entrevista de evaluación con el profesor. La calificación del estudiante será la media ponderada de las tres actividades anteriores, donde el examen supondrá el 45% de la nota, la prueba 45% y las entregas el 10%.
Si la nota final no alcanza 5/10, el estudiante tiene otra oportunidad de superar la asignatura mediante el examen de recuperación que se celebrará en la fecha que fije la coordinación de la titulación. En esta prueba se podrá recuperar el 70% de la nota correspondiente a la teoría y problemas. La parte de entrega de prácticas no es recuperable.
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Examen Final | 40% | 4 | 0,16 | 1, 2, 3, 4, 5, 11, 6, 7, 8, 10, 12, 9, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 28, 26, 27, 29 |
| Examen parcial | 30% | 4 | 0,16 | 1, 2, 3, 4, 5, 11, 6, 7, 8, 10, 12, 9, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 28, 26, 27, 29 |
| Prácticas (entregas o controles) | 30% | 16 | 0,64 | 3, 5, 11, 10, 9, 15, 16, 19, 21, 22, 23, 25, 28, 27 |
Bibliografía
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.
Software
R Core Team. R: A language and environment for statistical computing. R
Foundation for Statistical Computing, Vienna, Austria. URL
https://www.R-project.org/.