Curso de postgrado: Modelos mixtos en la frontera: alcances, limitaciones y desafíos
Adriana Pérez
Profesor invitado: Nora M. Bello (Professor, The Ohio State University, USA)
Coordinadores: Adriana Pérez y Gerardo Cueto (DEGE, FCEN, UBA)
Fechas de dictado: 10 al 14 de Julio de 2023
Carga horaria: 40 horas (lunes a viernes, 9 a 17 hs)
Puntaje: 2 puntos para estudiantes de doctorado
Requisitos: poseer conocimientos de modelos lineales generales y generalizados. Poseer conocimientos básicos de SAS (adaptaciones en R disponibles).
Arancel: $ 15000. Exentos: alumnos inscriptos en doctorado de la UBA, docentes de la FCEN con dedicación exclusiva o que realicen tareas de investigación con dedicación exclusiva en la FCEN
Cupo: 25 alumnos. Tendrán prioridad los estudiantes de doctorado de la FCEN admitidos
Pre-inscripción: los interesados deberán preinscribirse a través del siguiente link:
https://docs.google.com/forms/d/e/1FAIpQLSfHhQmStIbdrl-Vy5-CUbXim2bKeLq5CEy5FVH5TcMVqcQ6fA/viewform
Cierre de preinscripción: 01/06/23
Confirmación de la vacante: 10/06/23
Objetivos
Ahondar en aspectos conceptuales y de implementación de modelos lineales mixtos, incluyendo modelos generales y generalizados. Especificación, parametrización y métodos de estimación, consideraciones inferenciales (correcciones y aproximaciones para grados de libertad, errores estándar). Diferencias entre especificaciones propias de modelos marginales y condicionales.
Adquirir capacidad para realizar cálculos de potencia y tamaño muestral en experimentos diseñados utilizando modelos lineales mixtos.
Comprender los alcances y limitaciones de los modelos mixtos. Demostración mediante ejemplos de la implementación de métodos estadísticos alternativos a los modelos mixtos.
Programa analítico
|
|
Temas/Actividades |
|
Día 1 – Lunes |
Introducción,
revisión de conceptos estadísticos clave.
|
|
Día 2 - Martes |
Modelos lineales generales mixtos: Introducción. Especificación del modelo y diseño experimental (bloqueo, anidamiento, parcelas divididas). Distribución normal. Ajuste del modelo y estimación de parámetros. Inferencia. Implementación de software. Interpretación de resultados estadísticos para la toma de decisiones. Articulación de metodología estadística y conclusiones para artículos científicos |
|
Día 3 - Miércoles |
Modelos lineales generales y mixtos: Continuación. Diseños experimentales que involucran medidas repetidas, submuestreo, o combinaciones. Modelos condicionales vs. marginales. Sesiones de trabajo de los estudiantes sobre proyectos de investigación, discusiones de casos y presentaciones. |
|
Día 4 – Jueves |
Introducción a los modelos lineales generalizados mixtos (GLMM): especificación e implementación para el modelado de respuestas no normales en experimentos diseñados. Respuestas de naturaleza binaria, binomial y de conteo. Desafíos únicos: métodos aproximados de estimación. Implementación de software. Sesiones de trabajo de los estudiantes sobre proyectos de investigación, discusiones de casos y presentaciones. Sesiones abiertas de consultoría con grupos de investigación. |
|
Día 5 - Viernes |
Análisis de potencia y cálculos de tamaño de muestra utilizando modelos mixtos (según lo permita el tiempo). Implementación de software. Presentaciones de estudiantes. |
Modalidad de dictado
El curso se dictará en español y en laboratorio, con una modalidad teórico-práctica. A partir de la presentación de casos de estudio, se introducirán y discutirán los distintos modelos estadísticos. La discusión incluirá consideraciones acerca del tipo de cuestiones que pueden ser abordadas con cada método, la lógica subyacente en cada uno, los supuestos que deben verificarse para que las conclusiones sean válidas y finalmente las limitaciones de las herramientas brindadas. Las actividades prácticas consistirán en el análisis de casos provenientes de la biología aplicando los modelos propuestos y utilizando los softwares gratuitos SAS® OnDemand for Academics: https://www.sas.com/en_us/software/on-demand-for-academics.html y R. Actividades prácticas adicionales consistirán en grupos de discusión focalizados en casos reales aportados por los estudiantes.
Modalidad de evaluación
La evaluación final de los estudiantes consistirá en presentaciones orales de los casos discutidos, incluyendo descomposición de la estructura de datos, especificación de modelos estadísticos y evaluación de potenciales abordajes analíticos.
Bibliografía
Gbur, E. E., Stroup, W. W., McCarter, K. S., Durham, S., Young, L. J., Christman, M. & M. Kramer, M. (2012). Analysis of generalized linear mixed models in the agricultural and natural resources sciences. John Wiley & Sons.
Stroup, W. W. (2012). Generalized linear mixed models, modern concepts, methods and applications. Chapman & Hall/CRC Texts in Statistical Science
Stroup, W. W., Milliken, G. A., Claassen, E. A., & Wolfinger, R. D. (2018). SAS for Mixed Models: Introduction and Basic Applications. SAS Institute.
Littell R.C. et al. (2006) SAS for Mixed Models. SAS Institute
Bello, N. M., & Renter, D. G. (2018). Invited review: Reproducible research from noisy data: Revisiting key statistical principles for the animal sciences. Journal of dairy science, 101(7), 5679-5701.
Stroup, W. W. (2015). Rethinking the analysis of non-normal data in plant and soil science. Agronomy Journal, 107(2), 811-827.
Claassen, E. “A reduced bias method of estimating variance components in generalized linear mixed models" (2014). ETD collection for University of Nebraska - Lincoln. AAI3618588.
Stroup, W.W. and E. Claassen (2020). Pseudo likelihood or quadrature? What we thought we knew, what we think we know and what we are still trying to figure out. Journal of Agricultural, Biological and Environmental Statistics 25(4): 639-656.