Créditos ECTS Créditos ECTS: 5
Horas ECTS Criterios/Memorias Traballo do Alumno/a ECTS: 85 Horas de Titorías: 5 Clase Expositiva: 20 Clase Interactiva: 15 Total: 125
Linguas de uso Castelán, Galego
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Estatística, Análise Matemática e Optimización
Áreas: Estatística e Investigación Operativa
Centro Facultade de Matemáticas
Convocatoria: Primeiro semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
Nesta materia preténdese familiarizar ao alumnado cos modelos de regresión, tratando de obter os seguintes resultados da aprendizaxe:
- Coñecer os modelos de regresión lineal xeralizados.
- Saber usar de forma autónoma as técnicas de regresión avanzada (regresión xeralizada e modelos mixtos) para a toma de decisións en contextos multidisciplinares.
- Saber formular e aplicar o modelo axeitado para estudar la dependenza entre unha variable e un conxunto de variables explicativas.
- Coñecer diferentes extensións da regresión lineal, identificando os factores diferenciais de cada unha.
Tema 1. Introdución aos modelos lineais xeneralizados.
Introdución aos modelos lineais xeneralizados. O modelo de regresión loxística. O modelo de Poisson para datos de reconto. Estimación e inferencia sobre os parámetros. Contraste de modelos mediante a deviance. Sobre-dispersión no modelo de Poisson. Formulación e análise de modelos lineais xeneralizados.
Tema 2. Regresión non lineal.
Exemplos notables de modelos non lineais de regresión. Estimación dos parámetros por mínimos cadrados. Algoritmos de estimación. Inferencia sobre os parámetros en base á distribución asintótica e mediante o perfil de RSS. O test F.
Tema 3. Regresión cuantil.
Introdución: a mediana, os cuantís, a desviación absoluta e a función de Koenker. A función de regresión cuantil. O modelo de regresión cuantil lineal. Algoritmos de estimación. Propiedades do estimador cuantil. Inferencia sobre os parámetros. Regresión cuantil non lineal. Regresión cuantil non paramétrica.
Tema 4. Análise da varianza con efectos aleatorios.
Revisión dos modelos ANOVA e ANCOVA. Introdución aos datos multinivel. Modelo de análise da varianza con efectos aleatorios. Estimación do modelo. Predición dos efectos aleatorios.
Tema 5. Modelos multinivel con resposta continua.
Modelos con variable explicativa asociada ao nivel inferior: efectos aleatorios na tendencia e na ordenada na orixe. Modelos con variable explicativa asociada ao grupo. Correlacións intra-grupos, entre-grupos e efecto contextual. Estimación por máxima verosimilitude restrinxida. Predición dos efectos aleatorios.
Tema 6. Modelos multinivel con resposta binaria.
Formulación o do modelo de regresión loxística con efectos aleatorios. Métodos de estimación. Interpretación dos elementos do modelo no caso loxístico.
BÁSICA
[1] Faraway, J.J. (2006). Extending the Linear Model with R: Generalized Linear, Mixed Effects and Nonparametric Regression Models. Chapman and Hall.
[2] Koenker, R. (2005). Quantile regression. Cambridge University Press.
[3] McCulloch, C.E. e Neuhaus, J.M. (2005). Generalized linear mixed models. Encyclopedia of Biostatistics, 4.
[4] Ritz, C. e Streibig, J.C. (2008). Nonlinear regression with R. Springer. Dispoñible en https://link.springer.com/book/10.1007/978-0-387-09616-2.
[5] Sheather, S.J. (2009). A modern approach to regression with R. Springer.
[6] West, B. T., Welch, K. B. e Galecki, A. T. (2014). Linear mixed models: a practical guide using statistical software. Chapman and Hall/CRC.
COMPLEMENTARIA
[1] Furno, M. e Vistocco, D. (2018). Quantile regression: estimation and simulation (Vol. 216). John Wiley & Sons. Dispoñible en: https://onlinelibrary.wiley.com/doi/pdf/10.1002/9781118863718.
[2] Galecki, A. e Burzykowski, T. (2013). Linear mixed-effects models using R: A step-by-step approach. Springer Science & Business Media. Dispoñible en https://link.springer.com/book/10.1007/978-1-4614-3900-4.
[3] Huet, S., Bouvier, A., Gruet, M.A. e Jolivet, E. (1996). Statistical tools for nonlinear regression (A practical guide with S-Plus examples). Springer. Dispoñible en https://link.springer.com/book/10.1007/b97288.
Nesta materia traballaranse as competencias básicas, xerais e transversais recollidas na memoria do título. Indícanse a continuación cales son as competencias específicas que se potenciarán nesta materia:
E1 - Coñecer, identificar, modelar, estudiar e resolver problemas complexos de estatística e investigación operativa, nun contexto científico, tecnolóxico ou profesional, xurdidos en aplicacións reais.
E2 - Desenvolver autonomía para a resolución práctica de problemas complexos xurdidos en aplicacións reais e para a interpretación dos resutlados de cara á axuda na toma de decisións.
E3 - Adquirir coñecementos avanzados dos fundamentos teóricos subxacentes ás distintas metodoloxías da estatística e a investigación operativa, que permitan o seu desenvolvemento profesional especializado.
E4 - Adquirir as destrezas necesarias no manexo teórico-práctico da teoría da probabilidade e as variables aleatorias que permitan o seu desenvolvemento profesional no ámbito científico/académico, tecnolóxico ou profesional especializado e multidisciplinar.
E5 - Afondar nos coñecementos nos fundamentos teórico-prácticos especializados do modelado e estudo de distintos tipos de relacións de dependencia entre variables estatísticas.
E6 - Adquirir coñecementos teórico-prácticos avanzados de distintas técnicas matemáticas, orientadas especificamente á axuda na toma de decisións e desenvolver capacidade de reflexión para avaliar e decidir entre distintas perspectivas en contextos complexos.
E8 - Adquirir coñecementos teórico-prácticos avanzados das técnicas destinadas á realización de inferencias e contrastes relativos a variables e parámetros dun modelo estatístico, e saber aplcialos con autonomía suficiente nun contexto científico, tecnolóxico e profesional.
A ensinanza constará de clases expositivas e interactivas, así como da titorización da aprendizaxe e das tarefas encomendadas ao alumnado. Proporcionaranse apuntamentos da materia, así coma outro material orientativo da aprendizaxe do software.
Nas clases expositivas e interactivas, resolveranse exemplos mediante o software R, polo que é preciso que o alumnado dispoña de ordenador na aula. Proporanse actividades para o alumnado, que consistirán na resolución de cuestións, exercicios e exemplos relacionados cos mdoelos de regresión xeralizados e os modelos mixtos.
A continuación, preséntase unha aproximación das horas que se dedicarán a cada tema..
TEMA 1. INTRODUCIÓN AOS XLM (4h expositivas, 3h de laboratorio)
TEMA 2. NO NLINEAL (2h expositivas, 2h de laboratorio)
TEMA 3. CUANTIL (2h expositivas, 3h de laboratorio)
TEMA 4. ANOVA ALEATORIO (2h expositivas, 4h de laboratorio)
TEMA 5. MULTINIVEL CONTINUA (3h expositivas, 5h de laboratorio)
TEMA 6. MULTINIVEL BINARIA (2h expositivas, 3h de laboratorio)
No caso de que algunha das actividades docentes deba realizarse en remoto, utilizarase a plataforma MS Teams, institucional para a USC e a UDC, con acceso como invitados/as para o alumnado matriculado na UVigo.
Avaliación continua (40% da nota final): a avaliación continua realizarase en base á resolución de problemas por parte do alumnado. Nestes problemas, o alumnado utilizará o programa R e redactará e/ou expoñerá as conclusións extraídas. A cualificación obtida conservarase entre as oportunidades (ordinaria e extraordinaria) dentro da convocatoria de cada curso. Coas distintas actividades que se proporán ao longo do curso, valorarase o nivel de adquisición das competencias básicas e xerais, CB6- CB10 e CG1-CG5. Tamén se avaliará o nivel alcanzado nas competencias transversais CT1-CT5 e das competencias específicas E2 e E6.
Proba final (60% da nota final): la proba final constará de varias cuestións teórico-prácticas sobre os contidos da materia, dentro das que se poderá incluír a interpretación de resultados obtidos coa linguaxe estatística utilizada na docencia interactiva (R). No exame avaliarase a adquisición das competencias específicas E1, E3, E4, E5 e E8.
Presentación á avaliación: considérase que un/ha alumno/a concorre a unha convocatoria cando participa en actividades que lle permiten obter polo menos un 50% da avaliación final. O peso da avaliación continua na oportunidade extraordinaria de recuperación (probas de xullo) será o mesmo que na avaliación ordinaria. Na segunda oportunidade de avaliación (recuperación), realizarase un exame e a nota final será o máximo de tres cantidades: a nota da avaliación ordinaria, a nota do novo exame e a media ponderada do novo exame e a avaliación continua.
Cada crédito ECTS tradúcese en 7 horas de clase de tipo presencial. Estímase que o alumnado precisará unha hora para preparar o material correspodnente a cada hora presencial, previa á propia clase. Posteriormente, precisará de hora e media para a comprensión global dos contidos, cinluíndo as actividades asociadas a exercicios e outras tarefas. En total, resultarán 24.5 horas por crédito ECTS.
É conveniente que o alumnado posúa coñecementos básicos de cálculo de probabilidades e estatística. Tamén é recomendable dispor dunhas habilidades medias no manexo de ordenadores e en concreto de sfotware estat´sitico. Para unha mellor aprendizaxe da materia, convén ter presente a orientación práctica dos métodos que se están coñecendo.
Para superar con éxito a materia é aconsellable a asistencia ás clases, sendo fundamental o seguimiento diario do trabajo realizado na aula. O profesorado informará en clase do plan semanal, indicando cales son los obxectivos da aprendizaje a alcanzar e os contidos a traballar durante a semana que corresponda.
RECURSOS PARA O APRENDIZAXE
O alumnado disporá de notas elaboradas polo profesorado da materia, así como da bibliografía recomendada nesta guía docente. Para a difusión do material propio da asignatura, farase uso da web do mestrado.
O desenvolvemento dos contidos da materia realizarase tendo en conta que as competencias a adquirir polo alumnado deben cumprir co nivel MECES3. Os contidos que se inclúan nesta materia son tecnicamente complexos (coma os considerados nos mdoelso lineais xeralizados) e/ou altamente especializados e novidosos (por exemplo, os relativos aos modelos multinivel) e o seu estudio acompañarase de implementacións prácticas, empregando software específico.
Para os casos de realización fraudulenta de exercicios ou probas, será de aplicación o recollido nas respectivas normativas das universidades participantes no Máster en Técnicas Estadísticas.
Esta guía e os criterios e metodoloxías nela descritos están suxeitos ás modificacións que se deriven de normativas e directrices das universidades participantes no Máster en Técnicas Estadísticas.
Rosa María Crujeiras Casais
- Departamento
- Estatística, Análise Matemática e Optimización
- Área
- Estatística e Investigación Operativa
- Teléfono
- 881813212
- Correo electrónico
- rosa.crujeiras [at] usc.es
- Categoría
- Profesor/a: Catedrático/a de Universidade
Mercedes Conde Amboage
Coordinador/a- Departamento
- Estatística, Análise Matemática e Optimización
- Área
- Estatística e Investigación Operativa
- Correo electrónico
- mercedes.amboage [at] usc.es
- Categoría
- Profesor/a: Profesor Contratado/a Doutor
| 24.01.2025 16:00-20:00 | Grupo /CLE_01 | Aula 04 |
| 30.06.2025 16:00-20:00 | Grupo /CLE_01 | Aula 04 |