Modelos Lineales 2
Código: 104861Créditos: 6
| Titulación | Tipo | Curso |
|---|---|---|
| Estadística Aplicada | OB | 3 |
Profesor/a de contacto
- Nombre :
- Llorenç Badiella Busquets
- Correo electrónico :
- llorenc.badiella@uab.cat
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
Herramientas Informáticas para la Estadística
Análisis Exploratorio de Datos
Diseño de Experimentos
Inferencia Estadística 2
Modelos Lineales 1
Objetivos
Los modelos estadísticos paramétricos clásicos se basan en relaciones lineales y aditivas entre una variable respuesta y variables explicativas medidas en unidades experimentales independientes, asumiendo que el error no explicado sigue una distribución Normal homogénea; este planteamiento constituye el modelo lineal general (LM), que engloba técnicas como el test t, el ANOVA, la regresión lineal y el análisis de la covarianza.
El objetivo de la asignatura Modelos Lineales 2 es el de presentar estrategias de modelización que amplíen la propuesta basada en el modelo lineal general:
- Cuando la variable objetivo no es continua o no se puede asumir que los errores siguen una distribución Normal, mediante los modelos lineales generalizados (GLM).
- Cuando los errores no son independientes u homogéneos —por ejemplo, por la agrupación en clústeres, medidas repetidas en las mismas unidades, o múltiples variables respuesta en los mismos sujetos— mediante los modelos mixtos (MLM).
Resultados de aprendizaje
- CM09 (Valorar la adecuación de los modelos con la utilización e interpretación correcta de indicadores y gráficos.) Valorar la adecuación de los modelos con la utilización e interpretación correcta de indicadores y gráficos.
- CM10 (Modificar el software existente si el modelo estadístico propuesto lo requiere, o crear nuevo software, si fuera necesario.) Modificar el software existente si el modelo estadístico propuesto lo requiere, o crear nuevo software, si fuera necesario.
- KM13 (Detectar interacciones, colinealidad e importancia entre variables explicativas.) Detectar interacciones, colinealidad e importancia entre variables explicativas.
- SM11 (Analizar los residuos de un modelo estadístico.) Analizar los residuos de un modelo estadístico.
- SM12 (Interpretar los resultados obtenidos para formular conclusiones respecto a las hipótesis experimentales) Interpretar los resultados obtenidos para formular conclusiones respecto a las hipótesis experimentales
- SM13 (Comparar el grado de ajuste entre diversos modelos estadísticos.) Comparar el grado de ajuste entre diversos modelos estadísticos.
- SM14 (Emplear gráficos de visualización del ajuste y de la adecuación del modelo.) Emplear gráficos de visualización del ajuste y de la adecuación del modelo.
Contenidos
0. Repaso de Modelos Lineales
1. Modelos Lineales Generalizados
- Función de enlace, familia exponencial, función canónica
- Respuestas binarias: Regresión logística, Curva ROC
- Respuestas de conteo: Regresión de Poisson
- Regresión para respuestas continuas positivas: Regresión Gamma
2. Modelos Mixtos con Factores Aleatorios
- Datos correlacionados y efectos aleatorios
- Un factor aleatorio
- Varios factores aleatorios
- Pendientes aleatorias
3. Modelos Mixtos para Estructuras de Covarianzas
- Estructuras de covarianzas
- Modelización general
4. Modelos Lineales Generalizados Mixtos
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Preparación Exámenes | 10 | 0,4 | |
| Teoría | 50 | 2 | |
| Prácticas en ordenador | 50 | 2 | |
| problemas/ejercicios para resolver | 16 | 0,64 |
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.
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Prácticas (entregas o controles) | 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 |
Evaluación continuada:
Prácticas 25%
Examen Parcial 25%
Examen Final 50% (Nota mínima 4)
No Evaluable
En caso de que el estudiante no haya presentado más de un 60% de las actividades ponderadas de evaluación, se considerará que no hay suficientes evidencias de evaluación y la nota asignada será No Evaluable.
Reevaluación:
Examen de Reevaluación 100%
Evaluación única:
El alumnado que se haya acogido a la modalidad de evaluación única deberá realizar una prueba final que consistirá en un examen donde podrá haber cuestiones de teoría, problemas y prácticas. Esta prueba se realizará el mismo día, hora y lugar que se realice la prueba del Examen Final. La revisión de la calificación final sigue el mismo procedimiento que para la evaluación continuada. Si se obtiene una nota inferior a 5, se podrá recuperar el mismo día, hora y lugar que el Examen de Reevaluación. Se aplicará el mismo criterio de no evaluable que para la evaluación continuada.
Uso de herramientas de IA
Para esta asignatura, se permite el uso de tecnologías de Inteligencia Artificial (IA) exclusivamente en las actividades autónomas (prácticas y trabajos) para tareas de apoyo (búsqueda bibliográfica o de información, corrección de textos y corrección de la programación estadística). El estudiante deberá identificar claramente qué partes han sido generadas con esta tecnología, especificar las herramientas empleadas e incluir una reflexión crítica sobre cómo estas han influido en el proceso y el resultado final de la actividad. La falta de transparencia en el uso de la IA se considerará falta de honestidad académica y puede comportar una penalización parcial o total en la nota de la actividad, o sanciones mayores en casos de gravedad.
Bibliografía
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.
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/.
Grupos e idiomas de la asignatura
La información proporcionada es provisional hasta el 30 de noviembre. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura
| Tipo de docencia | Grupo | Idioma | Semestre | Turno |
|---|---|---|---|---|
| (TE) Teoría | 1 | Catalán | primer cuatrimestre | tarde |
| (PLAB) Prácticas de laboratorio | 1 | Catalán | primer cuatrimestre | tarde |