del 15 al 18 de octubre de 2019 – 9.00 a 17.00 hs.
Aula de Posgrado Facultad de Ciencias Agrarias UNR
Campo Experimental Villarino – Zavalla Santa Fe

Docentes:

  • Ing. Agr. (Ph.D.) Mónica Balzarini.
    CONICET. FCA-UNC (Coordinadora)
  • Ing. Agr. (Dra.) Cecilia Bruno.
    CONICET. FCA-UNC

Objetivos:

  • Ofrecer a los estudiantes de posgrado, un espacio para la discusión y generación de conocimientos que les permitan reconocer situaciones donde el uso de modelos estadísticos contemporáneos como los modelos mixtos son necesarios y provechosos
  • Desarrollar destrezas en la formulación y aplicación de modelos lineales mixtos mediante el análisis de casos y el debate sobre diferentes enfoques e interpretaciones para cada uno.

Contenidos

Modelos Lineales Mixtos

  • Modelos Lineales de Efectos Mixtos/ Conceptos Generales
  • Modelos para la Estructura de Covarianza Residual
  • Estimación de Co-Varianzas en Poblaciones Normales
  • Inferencia sobre Efectos Aleatorios.
  • Criterios de Bondad de Ajuste
  • Modelos para Datos Longitudinales. Modelos de Correlación Espacial.

Modelos Lineales Generalizados Mixtos

  • Linea del tiempo en la Modelación Estadística. Desde el Modelo Lineal General hasta el Modelo Lineal Generalizado Mixto.
  • El Modelo Lineal Generalizado. Componente aleatoria Binomial. Componente aleatoria Poisson y Binomial Negativa. Modelos de Clasificación y Modelos de Regresión. Ejemplos.
  • Modelo Lineal Generalizado Mixto. Aplicación al caso de estudios longitudinales. Medidas repetidas en el tiempo.

Metodología del curso:
Clases teórico-prácticas distribuidas en 4 días. Clases práctica de discusión de estrategias de análisis.

Requerimientos
Cada asistente al curso deberá traer una notebook con el software InfoStat, R y la conexión entre ambos.

Carga Horaria: 40 hs.
ARACEL: 4 CRÉDITOS

Bibliografía:

  • Stroup, W. 2012. Generalized Linear Mixed Models: Modern Concepts, Methods and Applications. CRC Press.
  • West, T. B., Welch, K. B., Galecki, A. T. 2015. Linear mixed models: A practical guide using statistical software (2nd ed.). Boca Raton: Chapman & Hall/CRC, 440 pp.

Software:

  • Di Rienzo J.A., Casanoves F., Balzarini M.G., Gonzalez L., Tablada M., Robledo C.W. InfoStat versión 2017. Grupo InfoStat, FCA, Universidad Nacional de Córdoba, Argentina. URL http://www.infostat.com.ar
  • R Core Team, 2017. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL http://www.R-project.org/.

Documentación de InfoStat:

  • Balzarini M.G., Gonzalez L., Tablada M., Casanoves F., Di Rienzo J.A., Robledo C.W. 2008. Infostat. Manual del Usuario, Editorial Brujas, Córdoba, Argentina

Leave a Reply