
Modelización Avanzada
Código: 104865Créditos: 6
| Titulación | Tipo | Curso |
|---|---|---|
| Estadística Aplicada | OB | 3 |
Profesor/a de contacto
- Nombre :
- Ferran Torres Benitez
- Correo electrónico :
- ferran.torres@uab.cat
Equipo docente
- José Rios Guillermo
- Andrea Cadiz Giraldez
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
Se asume que el estudiante ha adquirido previamente conocimientos suficientes tanto de estadística teórica (modelos lineales, inferencia estadística y cálculo de probabilidades) como del manejo aplicado de software estadístico. Las prácticas se desarrollarán utilizando R, aunque, alternativamente, también podrán realizarse con SAS o Stata. En este último caso, será necesario acordarlo con el coordinador antes del inicio de las prácticas.
Asimismo, se requiere un nivel de inglés suficiente para comprender artículos científicos y aplicar los conocimientos de modelización derivados de ellos.
Objetivos
Aprender diferentes estrategias de modelización para el análisis de datos, tanto en cuanto a la vertiente teórica como sus aplicaciones. Proporcionar los conocimientos aplicados en cuanto a diseño, organización, realización, supervisión, análisis, interpretación y difusión de resultados.
Los objetivos generales de la asignatura son:
1. Conocer las bases para la aplicación de los diferentes modelos
2. Entender criterios para selección de variables en función de los objetivos
3. Adquirir conocimientos sobre la interpretación y implicaciones de diferentes modelos
4. Adquirir y aplicar conocimientos de programación
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.
- KM12 (Proporcionar las hipótesis experimentales de la modelización, teniendo en cuenta las implicaciones técnicas y éticas relacionadas.) Proporcionar las hipótesis experimentales de la modelización, teniendo en cuenta las implicaciones técnicas y éticas relacionadas.
- 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
- Conceptos fundamentales en estadística aplicada a la modelización.
- Proceso de obtención, supervisión y preparación de los datos para el análisis.
- Medidas de efecto y modelos asociados. Selección del modelo según el diseño del estudio.
- Modelos aplicados en estudios con factores de confusión y modificadores del efecto. Papel de las diferentes (co)variables.
- Aplicación y variantes de modelos de regresión logística y de supervivencia multivariables.
- Propensity score y otras alternativas para el control de factores de confusión.
- Meta-análisis ajustado a datos individuales.
- Análisis de medidas repetidas mediante modelos de efectos fijos y aleatorios.
- Evaluación de la perspectiva de género y lde grupos vulnerables.
Habrá ejemplos prácticos en cada bloque, y el alumnado deberá entregar las prácticas realizadas en grupo.
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Clase teórica | 50 | 2 | |
| Clase práctica | 50 | 2 |
Actividades dirigidas:
- Clases teóricas (TE). Cada bloque temático se iniciará con una o varias clases teóricas presenciales donde el profesor explicará los conceptos clave, fomentará la interacción y discusión de dudas, y dará las pautas guía para el seguimiento y preparación de las actividades complementarias.
El material docente de apoyo contendrá los contenidos esenciales de las clases teóricas, estará disponible con antelación en el Campus Virtual de la asignatura, y se recomienda a los alumnos que lo tengan disponible durante la clase (formato ordenador, tableta o papel) para facilitar el su seguimiento.
- Prácticas de Laboratorio (PLAB). Se ejecutarán las prácticas relacionadas con los conceptos teóricos. Se trabajará para ampliar y consolidar los conocimientos científicos y técnicos previos, y se usará artículos científicos que favorezcan la discusión.
Actividades autónomas
- Test de Autoaprendizaje. Se facilitarán tests de autoaprendizaje con retroalimentación, utilizando las utilidades de cuestionarios del aula Moodle del campus virtual de la asignatura, para facilitar el repaso de la materia sincronizada con la impartición del temario.
- Trabajo en grupo. Se hará varios trabajos en equipo donde se tratará de aplicar los conocimientos aproximándose a una situación real tutelado por el profesor. Habrá resolver problemas planteado en el que habrá que consultar diversas fuentes y el uso de software estadístico. Se promoverá la capacidad de análisis, el razonamiento y la pericia del alumno en la resolución de problemas relacionados con el campo profesional.
- Estudio personal. A pesar de la asignatura está eminentemente enfocada a la implementación práctica de los conocimientos en modelización avanzada, habrá un esfuerzo individual mínimo para asentar las clases teóricas.
Tutorías y atención personal a los estudiantes
Se espera que los estudiantes asistan a clase y consulten las dudas participando activamente en la discusión de las mismas. No obstante, el alumno puede consultar con los profesores usando el foro del campus virtual y los correos electrónicos indicados en el equipo docente
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Evaluación continuada presencial en clase | 15% | 4 | 0,16 | CM09, KM12, SM12, SM13, SM14 |
| Examen 1 | 15% | 6 | 0,24 | CM09, KM12, SM12, SM13, SM14 |
| Trabajos prácticos | 45% | 30 | 1,2 | CM09, KM12, SM12, SM13, SM14 |
| Examen 2 | 15% | 6 | 0,24 | CM09, KM12, SM12, SM13, SM14 |
| Tests de autoaprenendizaje | 10% | 4 | 0,16 | CM09, KM12, SM12, SM13, SM14 |
En el caso de que se cumplan los criterios por promediar, entonces la nota final de la asignatura se calculará usando las ponderaciones descritas en este apartado. En caso contrario, será necesario recuperar las actividades afectadas para poder hacer el promedio. Es necesario obtener un mínimo de 5puntos sobre 10 para aprobar la asignatura.
Para evaluar el grado de consecución de las competencias, se contará con los siguientes instrumentos y ponderaciones:
Exámenes
Se realizarán dos exámenes parciales con una ponderación del 15% cada uno donde los alumnos deberán contestar preguntas sobre los conceptos teóricos y aplicados. La nota mínima para ponderar es de 3 sobre 10.
Estas actividades son obligatorias. Para poder acceder a la recuperación es necesario haber efectuado el 80%de las actividades evaluables y haberse presentado a los 2 parciales.
Trabajos de prácticas
Estas actividades son obligatorias y es necesario tener al menos una nota de 4 sobre 10 en cada una de ellas, en caso contrario será necesario recuperar las actividades afectadas. Las prácticas puntúan un 45% de la nota global de la asignatura.
Entregas fuera de plazo:
- La entrega de las prácticas fuera de plazo implicará una penalización del 20% sobre la nota obtenida.
Estas actividades son obligatorias y recuperables.
Actividades de autoaprendizaje
Tendrán un peso del 10% siempre que se hayan realizado al menos un 80% de las actividades, en caso contrario la nota de esta parte será un cero. No hay nota mínima para estas actividades.
Entregas fuera de plazo:
- La entrega de estas actividades tarde y hasta 48 horas fuera de plazo, implicará una penalización del 20% sobre la nota obtenida.
- La entrega tardía de actividades con posterioridad a este margen de 48 horas comportará que se computen como no realizadas de cara a la evaluación.
Estas actividades no son obligatorias, pero tampoco son recuperables.
Formación y evaluación continua
Se recuerda que la evaluación se hará de acuerdo con los contenidos comentados por el profesorado en clase, y que, por tanto, la asistencia presencial es altamente recomendable dado que no toda la información estará accesible en el campus virtual.
Además, durante el curso se realizará una evaluación continuada y será necesario haber participado en un 80% de las actividades evaluativas para que ponderen en un 15%, en caso contrario la nota de esta parte será un cero. Se utilizarán herramientas estándar de innovación docente que controlen la participación en clase. No hay nota mínima por estas actividades.
Estas actividades no son obligatorias, pero tampoco son recuperables.
Resumen de criterios y pesos para la evaluación de la asignatura
<tdwidth=\"104\">No recuperable
|
|
Participación1 | Participación mínima2 | Nota mínima3 | Actividad Recuperable4 | Ponderación5 |
| Examen 1erparcial | Obligatoria | 100% | 3 | Obligatoria | 15% |
| Examen 2doparcial | Obligatoria | 100% | 3 | Obligatoria | 15% |
| Trabajos prácticos | Obligatoria | 100% | 4 | Obligatoria | 45% |
| Auto- aprendizaje | Voluntaria | ≥80% | NA | No recuperable | 10% |
| Avaluación continuada | Voluntaria | ≥80% | NA | 15% |
NA: No aplicable
1: Participación obligatoria implica que la no participación se tendrá que recuperar para poder ponderar, y si no se hace no se podrá promedia, y por tanto tampoco se podrá aprobar la asignatura. Participación voluntaria implica que no es obligatoria pero que tampoco se podrá recuperar con posterioridad
2: Valor de participación mínima para ponderar, en caso contrario las actividades contarán como un 0
3: Nota mínima sobre 10 puntos por ponderar con el resto, en caso de no alcanzar el mínimo se habrá de recuperar la actividad en concreto, sean cuales sean el resto de las notas de la misma tipología
4: Cuando la actividad es recuperable es necesario recuperarla si no se obtiene la nota mínima. En caso de actividad no recuperable, la nota no se podrá recuperar, y por tanto ponderará a la nota final, aunque sea 0 o inferior a cualquiera dintel
5: Valor de ponderación si se cumplen los criterios previos
Uso de la Inteligencia Artificial (IA)
En esta asignatura se permite el uso de tecnologías de Inteligencia Artificial (IA) como parte integrante del desarrollo de los trabajos, siempre que el resultado final refleje una contribución significativa del estudiante en el análisis y la reflexión personal. El estudiante deberá identificar claramente qué partes han sido generadas mediante esta tecnología, especificar las herramientas utilizadas e incluir una reflexión crítica sobre cómo estas han influido en el proceso y en el resultado final de la actividad. La falta de transparencia en el uso de la IA se considerará una vulneración de la honestidad académica y podrá conllevar una penalización en la calificación de la actividad, o sanciones de mayor entidad en los casos de especial gravedad.
Irregularidades en los actos de evaluación
La realización de cualquier irregularidad en un acto de evaluación (fraude académico, plagio o uso indebido de la IA, salvo que dicho uso esté expresamente autorizado en la guía docente) que pueda dar lugar a una variación significativa de la calificación supondrá que dicho acto sea calificado con un 0. En caso de que la guía docente establezca que para superar la asignatura sea requisito imprescindible haber obtenido una nota mínima en dicho acto de evaluación, o de que se produzcan varias irregularidades en los actos de evaluación de una misma asignatura, la calificación final de la asignatura será de 0. Todo ello sin perjuicio de la posible incoación de un procedimiento disciplinario al estudiante que incurra en cualquiera de estas irregularidades.
Bibliografía
- Faraway, Julian James. (2016). Extending the linear model with R : generalized linear, Fara
mixed effects and nonparametric regression models. (2nd ed.) CRC Press Taylor & Francis
Group
Disponible en formato impreso en la bibliotecaDisponible
- Hastie, Trevor & Friedman, Jerome & Tibshirani, Robert. (2009). The Elements of statistical Hast
learning : data mining, inference, and prediction. (2nd ed.) Springer
Disponible en formato impreso en la bibliotecaDisponible
- Hastie, Trevor & Friedman, Jerome & Tibshirani, Robert. (2009). The Elements of statistical Hast
learning : data mining, inference, and prediction. (2nd ed.) Springer
Disponible en líneaDisponible
- Hosmer, David W. & Sturdivant, Rodney X. & Lemeshow, Stanley. (2013). Applied logistic Hos
regression. (3rd ed.) Wiley
Disponible en líneaDisponible
- Pinheiro, José C. & Bates, Douglas M. (2000). Mixed-effects models in S and S-PLUS. Pinh
Springer
Disponible en líneaDisponible
- Therneau, Terry M. & Grambsch, Patricia M. (2000). Modeling survival data : extending the Ther
Cox model. Springer
Disponible en formato impreso en la bibliotecaDisponible
- Venables, W. N. & Ripley, Brian D. (2002). Modern applied statistics with S. (4th ed.) Ven
Springer-Verlag
Disponible en formato impreso en la bibliotecaDisponible
- Verbeke, Geert & Molenberghs, Geert. (2000). Linear mixed models for longitudinal data. Verb
(1st ed.) Springer
Disponible en líneaDisponible
- Verbeke, Geert & Molenberghs, Geert. (2000). Linear mixed models for longitudinal data. Verb
Springer-Verlag
Disponible en formato impreso en la bibliotecaDisponible
Software
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).
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 | segundo cuatrimestre | tarde |
| (PLAB) Prácticas de laboratorio | 1 | Catalán | segundo cuatrimestre | tarde |