TÉCNICAS DE REGRESIÓN AVANZADAS PARA ESCENARIOS DE RELACIONES NO LINEALES, FUERTE COLINEALIDAD E INTERACCIONES ENTRE PREDICTORES: Modelos PLS, GAM y Random Forests por Luis M. Carrascal

Profesores:

Luis M. Carrascal

    Profesor de Investigación - CSIC

    Museo Nacional de Ciencias Naturales – Madrid, CSIC

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

Dirigido a: Personas interesadas en adquirir conocimientos avanzados en modelos de regresión.

Requisitos: Conocimientos bien asentados de los conceptos estadísticos básicos así como interés en aproximarse a un uso más avanzado de R.

Programa:

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 cierta experiencia previa con la estadística. 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. 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 recomendable tener cierta experiencia previa. Además de la presentación teórica de los aspectos del curso, el profesor irá 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. 

Duración:

El curso tendrá una duración de 22 horas repartidas en cinco días.

Temario:

Aspectos generales

1)   Distribuciones y funciones de vínculo con las principales familias (Gaussiana, Gamma, Poisson, Binomial negativa, Binomial, beta-Binomial).

2)   Análisis de supuestos canónicos: exploración de los residuos de los modelos. Examen de la linealidad de efectos y la multicolinearidad entre las variables predictoras. Puntos influyentes y perdidos. Sobre-dispersión.

3)   Poder explicativo y predictivo de los modelos: variación explicada explicada, magnitud de efectos parciales, validación cruzada.

Técnicas estadísticas

1) Modelos Generalizados Aditivos (GAM) con cubic y thin plate splines cuando las relaciones entre las variables predictoras y la respuesta no son lineales.

2) Regresión PLS (Partial Least Squares): cuando las variables predictoras muestran un elevado grado de asociación. Se abordarán las versiones para distribuciones Gaussianas, Poisson, Binomiales Negativas Binomiales, beta-Binomiales y Multinomiales Ordinales.

3) Modelos Random Forests: prediciendo situaciones complicadas, discerniendo patrones complejos no lineales con interacciones entre predictores, y reduciendo el problema de la multicolinealidad entre predictores

Inscripción