NO EXISTEN CAMBIOS
The subject guide has been updated with the changes mentioned here
En esta asignatura optativa, el estudiante tendrá la oportunidad de profundizar y aprender más sobre modelos estadísticos sofisticados, utilizados comunmente en investigación en el ámbito de las ciencias sociales y de la salud. De esta manera, esta asignatura amplía los modelos lineales básicos vistos en la asignatura obligatoria "Análisis de datos y modelos estadísticos". En concreto, los objetivos de esta asignatura son:
1. Conocer los modelos lineales más utilizados en el ámbito de las ciencias del comportamiento y de la salud, y distinguir con precisión las características y utilidad de cada uno de ellos.
2. Aprender a analizar bases de datos mediante el uso de estos modelos lineales.
3. Manejar con soltura un programa informático de análisis estadístico y aprender a aplicar con él los
modelos lineales incluidos en el programa de la asignatura.
4. Elaborar informes técnicos sobre el modelo lineal elegido y, muy especialmente, sobre los resultados obtenidos al ajustarlo.
5. Acercarse con actitud crítica a los informes de investigación, sabiendo dónde y cómo dirigir la atención para encontrar fortalezas y debilidades.
6. Trabajar de forma minuciosa y ordenada en el tratamiento estadístico de los datos, como estrategia de autoprotección contra errores y como forma de dotar de rigor y prudencia a las conclusiones del análisis.
- Conocer los fundamentos del análisis de datos
- Manejar con soltura el programa informático SPSS y/o R
Esta asignatura cuenta con un curso virtual que dispondrá, entre otras funcionalidades, de foros de debate para que los estudiantes puedan formular sus dudas y consultas que serán moderadas por los profesores de la asignatura.
Todas las consultas sobre el contenido de la asignatura serán planteadas mediante los foros de la misma.
En caso de necesitar contactar con el Equipo Docente para plantear cuestiones de carácter más personal, que no tengan cabida en los foros, etc., puede hacerlo a través del teléfono o del correo electrónico de cualquiera de los miembros del Equipo Docente.
COMPETENCIAS
COMPETENCIAS BÁSICAS Y GENERALES
CG1 - Tomar conciencia de la importancia de la metodología en la adquisición del conocimiento científico, así como de la diversidad metodológica existente para abordar distintos problemas de conocimiento
CG2 - Desarrollar el razonamiento crítico y la capacidad para realizar análisis y síntesis de la información disponible.
CG3 - Saber identificar las necesidades y demandas de los contextos en los que se exige la aplicación de herramientas metodológicas y aprender a proponer las soluciones apropiadas.
CG4 - Planificar una investigación identificando problemas y necesidades, y ejecutar cada uno de sus pasos (diseño, medida, proceso de datos, análisis de datos, modelado, informe).
CG5 - Obtener información de forma efectiva a partir de libros, revistas especializadas y otras fuentes.
CG6 - Desarrollar y mantener actualizadas competencias, destrezas y conocimientos según los estándares propios de la profesión.
COMPETENCIAS ESPECÍFICAS
CE2 - Procesar datos (conocer la estructura de las bases de datos y manejarse eficientemente con ellas).
CE3 - Preparar los datos para el análisis (desenvolverse en la relación entre bases de datos y análisis estadístico).
CE4 - Analizar datos identificando diferencias y relaciones. Esto implica conocer las diferentes herramientas de análisis, así como su utilidad y aplicabilidad en cada contexto.
CE6 - Formular, estimar y ajustar modelos capaces de simular procesos psicológicos.
CE8 - Formación en sistemas de información, gestión y tecnología del conocimiento, deben cualificar al alumno para el trabajo en equipos multidisciplinares (informáticos, diseñadores gráficos, marketing, recursos humanos...) dedicados al desarrollo eficiente de herramientas de evaluación y de sistemas de información y comunicaciones complejos, accesibles e innovadores.
COMPETENCIAS BÁSICAS (CB), GENERALES (CG) y ESPECÍFICAS (CE) extraídas de la
“Memoria de verificación del máster”:
CB6 Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un con•texto de investigación.
CB7 Saber aplicar los conocimientos adquiridos y la capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
CB9 Saber comunicar conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
CB10 Poseer habilidades de aprendizaje que permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
CG1 Tomar conciencia de la importancia de la metodología en la adquisición del conocimiento científico, así como de la diversidad metodológica existente para abordar distintos problemas de conocimiento.
CG2 Desarrollar el razonamiento crítico y la capacidad para realizar análisis y síntesis de la información disponible.
CG3 Saber identificar las necesidades y demandas de los contextos en los que se exige la aplicación de herramientas metodológicas y aprender a pro•poner las soluciones apropiadas.
CG4 Planificar una investigación identificando problemas y necesidades, y ejecutar cada uno de sus pasos (diseño, medida, proceso de datos, análisis de datos, modelado, informe).
CG5 Obtener información de forma efectiva a partir de libros, revistas especializadas y otras fuentes.
CG6 Desarrollar y mantener actualizadas competencias, destrezas y conocimientos según los estándares propios de la profesión.
CE2 Procesar datos (conocer la estructura de las bases de datos y manejarse eficientemente con ellas).
CE3 Preparar los datos para el análisis (desenvolverse en la relación entre bases de datos y análisis estadístico).
CE4 Analizar datos identificando diferencias y relaciones. Esto implica conocer las diferentes herramientas de análisis, así como su utilidad y aplicabilidad en cada contexto.
CE7 Evaluar de modo solvente programas de intervención psicológica.
Modelos lineales
La asignatura comienza con un breve repaso de los modelos lineales generales (ANOVAs y análisis de regresión lineal) para centrarse rápidamente en los modelos lineales mixtos y generalizados. El interés se centra en la descripción de los modelos, en la elección del modelo apropiado para cada situación, en el ajuste mediante SPSS o R y en la interpretación correcta de los resultados.
CONTENIDOS
- INTRODUCCIÓN A LOS MODELOS LINEALES. Qué es un modelo lineal. Características de un modelo lineal. Componentes de un modelo lineal: el componente aleatorio, el componente sistemático, la función de enlace. Tipos de modelos lineales: generales, mixtos, y generalizados. Etapas en el ajuste de un modelo lineal: selección del modelo, estimaciones de los parámetros y obtención de los pronósticos, valoración de la calidad del modelo, chequeo de los supuestos del modelo.
- MODELOS LINEALES CLÁSICOS. El modelo de regresión lineal. Los modelos de análisis de varianza. Los modelos de análisis de covarianza.
- MODELOS LINEALES MIXTOS. Efectos fijos, aleatorios y mixtos. El modelo de un factor de efectos aleatorios. El modelo de dos factores de efectos mixtos. Modelos mixtos de medidas repetidas. Ventajas del enfoque mixto en el análisis de medidas repetidas. Estructura de la matriz de covarianza residual.
- MODELOS LINEALES MULTINIVEL. Qué es un modelo jerárquico o multinivel. ANOVA de un factor de efectos aleatorios. El modelo de medias como resultados. ANCOVA de un factor de efectos aleatorios. El modelo de coeficientes aleatorios. El modelo de medias y pendientes como resultados. Curvas de crecimiento: análisis de medidas repetidas mediante modelos multinivel.
- REGRESIÓN LOGÍSTICA (I): RESPUESTAS DICOTÓMICAS. Regresión con respuestas dicotómicas. La función logística. El modelo de regresión logística. Cálculo de las probabilidades pronosticadas. Interpretación de los coeficientes de regresión. Análisis de regresión logística por pasos. Covariables categóricas. Interacción entre covariables.
- REGRESIÓN LOGÍSTICA (II). RESPUESTAS NOMINALES Y ORDINALES. Regresión con respuestas nominales: interpretación de los coeficientes de regresión, regresión nominal por pasos, covariables categóricas. Regresión con res•pues•tas ordinales: interpretación de los coeficientes de regresión, regresión ordinal por pasos, covariables categóricas.
- REGRESIÓN DE POISSON. Regresión con recuentos. Ajuste global. Significación e interpretación de los coeficientes. Regresión de Poisson con tasas de respuesta.
- ANÁLISIS DE SUPERVIVENCIA. Tablas de mortalidad. El método de Kaplan-Meier. El modelo de regresión de Cox: elementos del modelo, variables categóricas, métodos de selección de variables. Gráficos de supervivencia.
Esta asignatura ha sido diseñada según modalidad a distancia, por ello, el estudiante contará con el material necesario para afrontar el estudio de forma autónoma.
El estudio de la materia se hará a través del manual de la asignatura y de los materiales disponibles en la plataforma de aprendizaje. En dicha plataforma, habrá disponibles pequeñas píldoras de vídeos y ejercicios prácticos que los estudiantes podrán realizar para familiarizarse con los modelos lineales enseñados.
ONSITE TEST
|
| Type of exam |
| Type of exam |
No hay prueba presencial |
| CHARACTERISTICS OF THE IN-PERSON TEST AND/OR THE WORK |
CHARACTERISTICS OF THE IN-PERSON TEST AND/OR THE WORK
|
| Requires presence |
| Requires presence |
No |
| Description |
| Description |
Desarrollo de una prueba final, cuya calificación podrá incrementarse mediante la realización de las tareas optativas planteadas durante el curso.
|
| Assessment criteria |
| Assessment criteria |
|
| Weighting of the in-person test and/or the assignments in the final grade |
| Weighting of the in-person test and/or the assignments in the final grade |
La prueba final representará el 100% de la calificación en la asignatura, aunque esta puede incrementarse hasta 2 puntos mediante la realización de tareas optativas. |
| Approximate submission date |
| Approximate submission date |
|
| Coments |
| Coments |
|
| CONTINUOUS ASSESSMENT TEST (PEC) |
CONTINUOUS ASSESSMENT TEST (PEC)
|
| PEC? |
| PEC? |
Si,PEC no presencial |
| Description |
| Description |
Se planteará la realización de 2 a 6 tareas optativas, las cuales repercutirán positivamente en la calificación final.
|
| Assessment criteria |
| Assessment criteria |
|
| Weighting of the PEC in the final grade |
| Weighting of the PEC in the final grade |
Se podrá aumentar hasta 2 puntos la calificación final con la realización de las tareas optativas planteadas. |
| Approximate submission date |
| Approximate submission date |
|
| Coments |
| Coments |
|
OTHER GRADEABLE ACTIVITIES
|
| Are there other evaluable activities? |
| Are there other evaluable activities? |
No |
| Description |
| Description |
|
| Assessment criteria |
| Assessment criteria |
|
| Weighting in the final grade |
| Weighting in the final grade |
|
| Approximate submission date |
| Approximate submission date |
|
| Coments |
| Coments |
|
How to obtain the final grade?
|
La prueba final representará el 100% de la calificación en la asignatura, aunque esta puede incrementarse hasta 2 puntos mediante la realización de las tareas optativas planteadas.
|
Para profundizar en los diferentes aspectos de los Modelos Lineales que se estudian en esta asignatura se recomiendan las siguientes referencias:
Agresti, A. (2002). Categorical data analysis (2ª ed). New York: Wiley.
Agresti, A. (2007). Introduction to categorical data analysis (2ª ed). New York: Wiley
Bickel, R. (2007). Multilevel analysis for applied research. It’s just regression. New York: The Guilford Press,
Dunteman GH y Ho MHR (2006). An introduction to generalized linear models. Thousand Oaks, CA: Sage.
Gill, J. (2001). Generalized linear models. Thousand Oaks, CA: Sage.
Hosmer, D.W. y Lemeshow, S. (2000). Applied logistic regression (2ª ed.). New York: Wiley. Hox, J. (2010). Multilevel analysis. Techniques and applications (2ª ed.). Hillsdale: Lawrence Erlbaum Associates.
Jaccard, J. (2001). Interaction effects in logistic regression. Thousand Oaks, CA: Sage. Kleinbaum ,D.G. y Klein, M. (2002). Logistic regression: A self-learning text. New York: Springer.
Lee ,E.T. (1992). Statistical methods for survival data analysis (2ª ed.). New York: Wiley. Luke, D.A. (2004). Multilevel modelling. Thousand Oaks, CA: Sage.
McCullagh ,P. y Nelder, J.A. (1989). Generalized linear models (2ª ed.). New York: Chapman and Hall.
Menard, S. (2002). Applied logistic regression analysis (2ª ed.). Thousand Oaks, CA: Sage. Raudenbush, S.W. y Bryk, A.S. (2002). Hierarchical linear models: Applications and data analysis methods (2ª ed.). Thousand Oaks, CA: Sage.
