Models Lineals 2
Codi: 104861Crèdits: 6
| Titulació | Tipus | Curs |
|---|---|---|
| Estadística Aplicada | OB | 3 |
Professor/a de contacte
- Nom :
- Llorenç Badiella Busquets
- Correu electrònic :
- llorenc.badiella@uab.cat
Idiomes dels grups
Podeu consultar aquesta informació al final del document.
Prerequisits
Eines informàtiques per a l'Estadística
Anàlisi Exploratòria de Dades
Disseny d'Experiments
Inferència Estadística 2
Models lineals 1
Objectius
Els models estadístics paramètrics clàssics es basen en relacions lineals i additives entre una variable resposta i variables explicatives mesurades en unitats experimentals independents, assumint que l'error no explicat segueix una distribució Normal homogènia; aquest plantejament constitueix el model lineal general (LM), que engloba tècniques com el test t, l'ANOVA, la regressió lineal i l'anàlisi de la covariància.
L'objectiu de l'assignatura Models Lineals 2 és el de presentar estratègies de modelització que ampliin la proposta basada en el model lineal general:
- Quan la variable objectiu no és contínua o no es pot assumir que els errors segueixen una distribució Normal, mitjançant els models lineals generalitzats (GLM).
- Quan els errors no són independents o homogenis —per exemple, per l'agrupació en clústers, mesures repetides en les mateixes unitats, o múltiples variables resposta en els mateixos subjectes— mitjançant els models mixtos (MLM).
Resultats d'aprenentatge
- CM09 (Valorar l'adequació dels models amb la utilització i interpretació correcta d'indicadors i gràfics.) Valorar l'adequació dels models amb la utilització i interpretació correcta d'indicadors i gràfics.
- CM10 (Modificar el programari existent, si el model estadístic proposat ho requereix, o crear un nou programari, si és necessari.) Modificar el programari existent, si el model estadístic proposat ho requereix, o crear un nou programari, si és necessari.
- KM13 (Detectar interaccions, col·linealitat i importància entre variables explicatives.) Detectar interaccions, col·linealitat i importància entre variables explicatives.
- SM11 (Analitzar els residus d'un model estadístic.) Analitzar els residus d'un model estadístic.
- SM12 (Interpretar els resultats obtinguts per a formular conclusions sobre les hipòtesis experimentals.) Interpretar els resultats obtinguts per a formular conclusions sobre les hipòtesis experimentals.
- SM13 (Comparar el grau d'ajust entre diversos models estadístics.) Comparar el grau d'ajust entre diversos models estadístics.
- SM14 (Utilitzar gràfics de visualització de l'ajust i de l'adequació del model.) Utilitzar gràfics de visualització de l'ajust i de l'adequació del model.
Continguts
0. Repàs de Models Lineals
1. Models lineals generalitzats
- Funció link, família exponencial, funció canònica.
- Respostes binàries: Regressió logística.
- Respostes de recompte: Regressió de Poisson.
- Regressió per respostes contínues positives: Regressió Gamma
2. Models Mixtos amb factor aleatoris
- Dades correlacionades i efectes aleatoris
- Un factor aleatori
- Diversos factors aleatoris
- Pendents aleatòries
3. Models Mixtes per a estructures de covariàncies
- Estructures de covariances
- Modelización general
4. Models lineals generalizats mixtos
Activitats formatives i Metodologia
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Preparació Examens | 10 | 0,4 | |
| Teoria | 50 | 2 | |
| Pràctiques amb ordinador | 50 | 2 | |
| problemes/exercicis per resoldre | 16 | 0,64 |
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.
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Pràctiques (entregues o controls) | 25 | 16 | 0,64 | CM10, KM13, SM11, SM12, SM13, SM14 |
| Examen Final | 50 | 4 | 0,16 | CM09, KM13, SM11, SM12, SM13, SM14 |
| Examen Parcial | 25 | 4 | 0,16 | CM09, KM13, SM11, SM12, SM13, SM14 |
Avaluació continuada:
Pràctiques 25%
Examen Parcial 25%
Examen Final 50% (Nota mínima 4)
No Avaluable
En cas que l'estudiant no hagi presentat més d'un 60% de les activitats ponderades d'avaluació, es considerarà que no hi ha prou evidències d'avaluació i la nota assignada serà No Avaluable.
Reavaluació:
Examen Reavaluació 100%
Avaluació única:
L’alumnat que s’hagi acollit a la modalitat d’avaluació única haurà de realitzar una prova final que consistirà en un examen on hi podran haver qüestions de teoria, problemes, i pràctiques. Aquesta prova es realitzarà el mateix dia, hora i lloc que es realitzi la prova de l'Examen Final. La revisió de la qualificació final segueix el mateix procediment que per a l'avaluació continuada. Si s'obté una nota inferior a 5, es podrà recuperar el mateix dia, hora i lloc que l'Examen de Reavaluació.
S'aplicarà el mateix criteri de no avaluable que per l'avaluació continuada.
Ús d'eines d'IA
Per a aquesta assignatura, es permet l'ús de tecnologies d'Intel·ligència Artificial (IA) exclusivament en les activitats autònomes (pràctiques i treballs) per a tasques de suport (cerca bibliogràfica o d'informació, la correcció de textos i correcció de la programació estadística). L'estudiant haurà d'identificar clarament quines parts han estat generades amb aquesta tecnologia, especificar les eines emprades i incloure una reflexió crítica sobre com aquestes han influït en el procés i el resultat final de l’activitat. La no transparència de l'ús de la IA es considerarà falta d'honestedat acadèmica i pot comportar una penalització parcial o total en la nota de l'activitat, o sancions majors en casos de gravetat.
Bibliografia
Linear Mixed-Effects Models Using R A Step-by-Step Approach / by Andrzej Gałecki, Tomasz Burzykowski https://bibcercador.uab.cat/permalink/34CSUC_UAB/1eqfv2p/alma991010402935906709
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.
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/.
Grups i idiomes de l'assignatura
La informació proporcionada és provisional fins al 30 de novembre. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d'aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura
| Tipus de docència | Grup | Idioma | Semestre | Torn |
|---|---|---|---|---|
| (TE) Teoria | 1 | Català | primer quadrimestre | tarda |
| (PLAB) Pràctiques de laboratori | 1 | Català | primer quadrimestre | tarda |