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, puede hacerlo a través del teléfono o del correo electrónico de cualquiera de los miembros del Equipo Docente en el siguiente horario:

• Belén Fernández-Castilla Contacto por teléfono o por e-mail los miércoles de 10.00 a 14.00
• Javier Ibias Martín Contacto por teléfono o por e-mail los jueves de 10.00 a 14.00

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.

• Conocer los modelos lineales más comúnmente utilizados en las ciencias del comportamiento y de la salud, y distinguir con precisión las características y utilidad de cada uno de ellos. ·
• Aprender a analizar datos mediante el ajuste de modelos lineales (esto implica aprender a describir correctamente los datos y a identificar el modelo lineal que puede dar respuesta a las preguntas de investigación planteadas).
• 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, prestando especial atención a la elección del modelo apropiado y a la correcta interpretación de los resultados.
• Elaborar informes técnicos sobre el modelo lineal elegido y, muy especialmente, sobre los resultados obtenidos al ajustarlo.
• Obtener de forma autónoma y eficiente información relevante a partir de las fuentes bibliográficas relacionadas con los modelos lineales.
• Acercarse con actitud crítica a los informes de investigación, sabiendo dónde y cómo dirigir la atención para encontrar fortalezas y debilidades.
• 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.
• Saber ejecutar los modelos estadísticos estudiados en un el software estadístico

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.

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.

Disponibles en el curso virtual de la asignatura.