El curso “Modelos lineales generalizables. Aplicación en estudios ambientales” abordará el uso práctico de modelos lineales (regresión, anova, ancova) con distribuciones de errores varias (normal, poisson, binomial). Estos modelos suelen ser utilizados en estudios experimentales cuando se trabaja con variables respuesta con distribución de errores no normal. También son muy útiles en el caso de estudios asociativos entre variables respuesta de interés (distribución de especies, índices, etc.) y otras variables medidas a campo o por teledetección.

Equipo docente: Aníbal E Carbajo (CONICET, UNSAM) y María Victoria Cardo (CONICET, UNSAM)

Destinatarios: Estudiantes de posgrado y profesionales de carreras relacionadas con el medio ambiente o la ecología, u otras disciplinas que estudien la asociación de variables respuesta con el medio ambiente (indicadores, ensayos distribución de especies, etc) o desarrollen estudios experimentales con muchos factores o distribuciones de error no normales.

Comienza: 4 de noviembre de 2019

Finaliza: 7 de noviembre de 2019

Duración: 37 horas

Modalidad: Presencial con certificado de aprobación. Examen final a distancia. Clases teórico-prácticas del 4 al 7 de noviembre de 2019, de 8:30 a 16:30. Se puede traer PC portátil propia.

Los prácticos incluirán 3 bases de datos sobre las que se realizará con el soft R desde el análisis preliminar hasta la construcción de modelos de las familias normal, binomial, quasibinomial, poisson, quasipoisson y binomial negativa. Se realizará el ajuste, selección de variables explicativas significativas, verificaciones, propuesta de modelos satisfactorios, índices de concordancia, estimación por bootstrap y rearmado de las ecuaciones de predicción para la variable respuesta.

El examen consistirá en el modelado de una cuarta base de datos mediante un modelo múltiple que los/as estudiantes construirán en base a lo aprendido y justificando todos los pasos realizados.

Lugar: Instituto 3iA, Campus Miguelete

Informes e inscripción: cursos.3ia.2etv@gmail.com

Contenidos:

• Modelos como representaciones sintéticas de la realidad. Muestreo aleatorio, Modelos generales vs particulares. Modelo correcto vs. modelos satisfactorios.
• Paramétricos vs no paramétricos. Modelos lineales en los parámetros.
• Distribuciones de las variables: normal, binomial, poisson, gamma y binomial negativa.
• Modelos clásicos de regresión, anova y ancova. Ajuste de los parámetros, origen de los supuestos para su validez y verificación de los mismos.
• GLM componentes determinístico, aleatorio y función de nexo. Familias de error y relación de la media con la varianza. Dominio de la variable respuesta y funciones de nexo.
• Métodos de ajuste, medidas de dispersión. Desvianza y AIC. Sobredispersión. Verificación de supuestos.
• Modelos múltiples. Variables explicativas. Preprocesamiento. Colinealidad, correlaciones de las variables explicativas y factor de inflado de la varianza. Métodos de selección de variables automáticos y manuales, escalonados hacia arriba y hacia abajo. Ventajas y desventajas de cada uno. Desempeño y comparación de modelos. Índice de concordancia kappa y selección de puntos de corte en modelos binomiales dicotómicos.  Bootstrap de los parámetros.
• Interpretación, interpolación, extrapolación, predicción. Rearmado manual de los modelos predictivos.