mapa webhomeSociedad de Amigos del Museo
Sociedad de Amigos del Museo
           SOCIEDAD DE AMIGOS DEL MUSEO       HAZTE AMIGO       PUBLICACIONES
 

Más información sobre la SAM:
mcnc104@mncn.csic.es 

Volver http://www.sam.mncn.csic.es 

  actividades   conferencias   cursos   

Cursos / Seminarios

Luis M. Carrascal y Manuel Mendoza

Profesor de Investigación. Grupo Biogeografía Ecológica Integrativa. Museo Nacional de Ciencias Naturales (CSIC)/Científico titular del Museo en el departamento de Biogeografía y Cambio Global


TÉCNICAS AVANZADAS DE REGRESIÓN EN CIENCIAS NATURALES Y SU APLICACIÓN CON R.



Temario:
1) Distribuciones, transformaciones y funciones de vínculo con las principales familias (Gaussiana, Poisson, Binomial negativa, Binomial).
2) Análisis de supuestos canónicos: exploración de los residuos de los modelos. Linealidad de efectos. Multicolinearidad de variables (índices VIF). Puntos influyentes y perdidos. Sobredispersión.
3) Poder explicativo y predictivo de los modelos: devianza explicada, magnitud de efectos parciales, validación cruzada.
4) Robustez de los resultados: estimas robustas, parametrización por re-muestreo con reemplazo de los datos originales (bootstrapping)
5) Diferentes aproximaciones para la estima de significación. Correcciones “quasi” teniendo en cuenta la sobredispersión. Generación de hipótesis nulas a partir de los propios datos.
6) Significación vs. fuerza de la evidencia basada en el criterio de información de Akaike. Comparación rigurosa de modelos competidores. Inferencia multimodelos.
7) Trabajando con conteos: regresiones de Poisson.
8) Variables respuesta nominales: regresiones lógit, logística y multinomiales ordinales (proportional odds regression). Diagramas ROC y criterio AUC.
9) Distribuciones “aumentadas” de ceros: Binomial negativa; hurdle regression.
10) Cuando las relaciones entre las variables predictoras y la respuesta no son lineales: transformaciones polinomiales (centrado de variables); modelos generalizados aditivos (GAM); funciones de suavizado LOESS y splines (cubic y thin plate).
11) ¿Y si las variables predictoras muestran un elevado grado de asociación?: regresión PLS (Partial Least Squares) trabajando con distribuciones Gaussianas, Poisson, Binomiales y Multinomiales Ordinales.
12) Modelos de cuantiles: superando el paradigma de regresión a la media, obteniendo patrones en diferentes subconjuntos de datos según la intensidad de la respuesta.
13) Abordando sencilla y elegantemente las asociaciones no lineales, cuando además existen interacciones entre las variables predictoras: árboles de regresión y de clasificación.
14) Prediciendo situaciones complicadas y discerniendo patrones complejos mediante procesos secuenciales de aprendizaje: ‘boosted trees’ (con todas las variables) y ‘random forests’ (con subconjuntos parsimoniosos de predictores mediante exploración de sus permutaciones).



Programa:
Objetivo: presentar teórica y prácticamente varias técnicas de regresión habitualmente poco conocidas en ‘ciencias naturales’, pero que sin embargo tienen una enorme utilidad en disciplinas tan variadas como ecología, biogeografía, ordenación del territorio, modelos predictivos de distribución de organismos o impactos, etc.

Desarrollo del curso: Se pondrá el énfasis en los aspectos teóricos de los modelos generalizados que permitan una buena praxis en la inferencia estadística orientada a la obtención de patrones y al test de hipótesis utilizando herramientas de regresión. Debe de tenerse en cuenta que el curso va dirigido a investigadores y personal científico-técnico con una amplia experiencia previa con la estadística en disciplinas relacionadas con recursos-ciencias naturales. Esto es, el curso puede considerarse como “avanzado”.
Todo el desarrollo práctico del curso se efectuará usando el entorno de trabajo R, utilizando más de una decena de paquetes disponibles ampliamente contrastados (nlme, pscl, mgcv, MuMIN, car, MASS, lmtest, momments, sándwich, robust, robustbase, ROCR, rpart, boot, cvTools, plsdepot, plsRglm, gbm, dismo, randomForest, quantreg, lqmm). No obstante, el curso no es “sobre R”. Los paquetes y el entorno R son la herramienta con la que los asistentes al curso se familiarizarán y acabarán pudiendo utilizar de modo rutinario, pero R no es en sí mismo la meta docente y académica del curso. Los conocimientos impartidos podrán ser aplicados trabajando con cualquier otra plataforma de análisis estadístico (SAS, SPSS, GRETL, STATISTICA, etc).
No es necesario tener conocimientos previos de R, pero es muy recomendable tener cierta experiencia previa. Además de la presentación teórica de los aspectos del curso, los profesores irán mostrando el uso de R según se vayan introduciendo las diferentes técnicas de regresión. Previamente al inicio del curso, se enviarán a los alumnos instrucciones y archivos para su instalación. La parte teórica y demostrativa utilizando R tendrá una duración de 22 horas repartidas en seis días.
Otra parte del curso tendrá una fuerte componente práctica, que será restringida a los primeros 18 alumnos matriculados debido a limitaciones logísticas de disponibilidad de espacio. En esta parte exclusivamente práctica, los alumnos deberán acudir al curso con su ordenador portátil (18 horas en cinco días)



Dirigido a:
Los candidatos deberán enviar a la Secretaría de la Sociedad de amigos del Museo, con el objeto de hacer una selección previa de los participantes, una página donde expongan los motivos por los que se desea realizar este seminario así como una síntesis del trabajo de investigación o técnico que se está desarrollando junto a su correo electrónico. * se tendrá en cuenta el orden de llegada de las candidaturas.

Fechas:
Del 5 al 16 de febrero de 2018

Lugar:
Sala de Juntas del Museo Nacional de Ciencias Naturales
Módulo teórico: 5, 7, 9, 12, 14 y 16 de febrero de 2018 de 15:30 a 19:00 horas
Módulo práctico 6, 8, 13 y 15 de febrero de 15:30 a 19:00 horas. Sábado 10 de 9:00 a 13:00 horas


Precio:
Módulo teórico 240 €. Teórico+ práctico 340 €.

Plazas:
Módulo teórico 30 plazas. Módulo práctico 18 plazas

Informes:
Tel: 914111328
Fax:

URL:
http://www.sam.mncn.csic.es