Datos jerárquicos en ciencias ambientales: colección y análisis en R

  • Carrera: Maestría en Biometría y mejoramiento
  • Docente(s): Dr. Lucas A. Garibaldi
  • Fecha(s) de cursado: del 11/12 al 18/12/2017, sábado 16 incluido
  • Costo: $2280 (Se abona en Tesorería, Pab. Central FAUBA, una vez confirmada la asistencia y al menos 7 días antes del inicio de clases)
  • *Créditos: 3
  • Fecha de inscripción: cierra 20 días antes del inicio del curso
  • Requisitos: los estudiantes deben poseer conocimientos de estadística descriptiva, introducción al diseño experimental, distribuciones por muestreo, distribución t de student, análisis de varianza (factorial y en bloques), análisis de covarianza, regresión lineal simple, así como lectura fluida en inglés

Descripción

Los datos que utilizan los profesionales de las ciencias ambientales y sociales para tomar decisiones y contrastar hipótesis usualmente cuentan con estructura jerárquica (multi-nivel), como mediciones en plantas agrupadas en distintos sitios a su vez agrupados por características climáticas, o el análisis de datos provenientes de individuos agrupados en estudios los cuáles pertenecen a distintas regiones. Estos datos no cumplen con los supuestos de los modelos y análisis estadísticos comúnmente aprendidos en los cursos de grado, entre ellos regresión lineal simple/múltiple y experimentos factoriales (o en bloques) de efectos fijos.

Discutiremos cómo colectar datos con estructura jerárquica (diseño de estudios) para obtener respuestas válidas a nuestras preguntas, modelos que abordan estas situaciones, su estimación y bondades relativas. Abarcaremos conceptos relacionados con medidas repetidas en el tiempo y en el espacio, autocorrelación, series de tiempo, diseño en parcelas dividas, modelos mixtos, modelos lineales generalizados, independencia, bondad de ajuste, inferencia y selección de modelos, entre otros. Nuestro curso no presenta una revisión exhaustiva de los múltiples modelos de dependencia espacial o temporal de los datos, para lo cuál recomendamos otros cursos más específicos (por ejemplo, de geoestadística).

Dedicaremos la mitad del curso frente a computadoras analizando datos reales. Modelaremos datos con distintas distribuciones estocásticas (e.g., normal, binomial), limitándonos al estudio de modelos con una sola variable de respuesta (dependiente). Aplicaremos estos conceptos a ejemplos de ciencias ambientales y sociales.


Este artículo fue actualizado el: 10-Jul-2017