Study programme competencies |
Code
|
Study programme competences / results
|
A17 |
CE17 - Capacidade para a construción, validación e aplicación dun modelo estocástico dun sistema real a partir dos datos observados e a análise crítica dos resultados obtidos. |
A18 |
CE18 - Capacidade para a análise dun conxunto de datos e a selección e aplicación das técnicas de inferencia estatística e de regresión máis adecuadas para a adquisición de coñecemento para a toma de decisións. |
A20 |
CE20 - Coñecemento das ferramentas informáticas no campo da análise dos datos e modelización estatística, e capacidade para seleccionar as máis adecuadas para a resolución de problemas. |
B2 |
CB2 - Que os estudantes saiban aplicar os seus coñecementos ao seu traballo ou vocación dunha forma profesional e posúan as competencias que adoitan demostrarse por medio da elaboración e defensa de argumentos e a resolución de problemas dentro da súa área de estudo |
B3 |
CB3 - Que os estudantes teñan a capacidade de reunir e interpretar datos relevantes (normalmente dentro da súa área de estudo) para emitir xuízos que inclúan unha reflexión sobre temas relevantes de índole social, científica ou ética |
B7 |
CG2 - Elaborar adecuadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans, proxectos de traballo, artigos científicos e formular hipóteses razoables. |
B8 |
CG3 - Ser capaz de manter e estender formulacións teóricas fundadas para permitir a introdución e explotación de tecnoloxías novas e avanzadas no campo. |
B9 |
CG4 - Capacidade para abordar con éxito todas as etapas dun proxecto de datos: exploración previa dos datos, preprocesado, análise, visualización e comunicación de resultados. |
B10 |
CG5 - Ser capaz de traballar en equipo, especialmente de carácter multidisciplinar, e ser hábiles na xestión do tempo, persoas e toma de decisións. |
C1 |
CT1 - Utilizar as ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida. |
Learning aims |
Learning outcomes |
Study programme competences / results |
Coñecer os conceptos xerais da regresión |
|
B2 B3 B7 B8 B9 B10
|
|
Coñecer técnicas de regresión no paramétricas. |
A17 A18 A20
|
B2 B8 B9
|
C1
|
Entender a importancia de levar a cabo a diagnose dun modelo de regresión. |
A17 A18 A20
|
B2 B3 B8 B9
|
C1
|
Saber estimar os parámetros dos modelos de regresión lineal simple, múltiple e loxístico. |
A17 A18 A20
|
|
C1
|
Ser capaz de interpretar os resultados e facer predicións utilizando modelos de regresión.
|
A17 A18
|
B2 B3 B7 B8 B9 B10
|
|
Ser capaz de aplicar as principais técnicas de regresión a conxuntos de datos reais ou simulados.
|
A17 A20
|
B2 B3 B8 B9
|
C1
|
Saber manexar con soltura programas informáticos avanzados de análise estatística. |
A20
|
B2 B3 B7 B8 B9 B10
|
C1
|
Contents |
Topic |
Sub-topic |
1. Regresión Lineal Simple (RLS). Metodoloxía e Inferencia |
1.1 Conceptos xerais de regresión
1.2 O modelo RLS. Estimación dos parámetros. Propiedades
1.3 O coeficiente de correlación |
2. Regresión Lineal Simple. Diagnose e Predición. |
2.1 Diagnose do modelo RLS. Análise de residuos: linealidade, homoscedasticidade, normalidade e independencia
2.2 Observacións atípicas e influintes no modelo RLS
2.3 Transformacións para conseguir linealidade
2.4 Predición co modelo RLS |
3. Regresión Lineal Múltiple (RLM). Metodoloxía e Inferencia |
3.1 O modelo RLM. Hipótesis básicas do modelo
3.2 Estimación dos parámetros. Propiedades dos estimadores
3.3 Táboa ANOVA. Contraste F
3.4 Correlación en regresión múltiple |
4. Regresión Lineal Múltiple. Diagnose y Predición |
4.1 O problema da multicolinealidade. Definición, efectos, identificación e tratamento
4.2 Diagnose do modelo RLM. Análise de residuos: erro de especificación, homoscedasticidade, normalidade e independencia
4.3 Robustez do modelo. Observacións atípicas e influintes no modelo RLM
4.4 Predicción con el modelo RLM
4.5 Selección del modelo de regresión. Regresión paso a paso
4.6 Regresión polinómica
4.7 Regresión con variables cualitativas. Variables ficticias. |
5. Modelo de Regresión con resposta cualitativa
|
5.1 Formulación de modelos con resposta cualitativa
5.2 O modelo loxístico
5.3 Estimación e contrastes
5.4 Diagnose do modelo |
6. Regresión non paramétrica
|
6.1 Introducción aos métodos de suavización en regresión
6.2 Estimación núcleo, o estimador de Nadaraya-Watson
6.3 O estimador polinómico local
6.4 Selección do parámetro de suavizado
6.5 Estimadores de tipo spline
6.6 Extensións. O modelo semiparamétrico (modelo parcialmente lineal). O modelo aditivo. |
Planning |
Methodologies / tests |
Competencies / Results |
Teaching hours (in-person & virtual) |
Student’s personal work hours |
Total hours |
Guest lecture / keynote speech |
A17 A18 B3 B8 B9 B10 |
30 |
30 |
60 |
ICT practicals |
A17 A18 A20 B2 B3 B8 B9 C1 |
20 |
20 |
40 |
Seminar |
A18 A20 B2 B3 B8 C1 |
10 |
10 |
20 |
Problem solving |
A17 A18 A20 B2 B7 B9 C1 |
0 |
20 |
20 |
Objective test |
A17 A18 A20 B2 B9 C1 |
6 |
0 |
6 |
|
Personalized attention |
|
4 |
0 |
4 |
|
(*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students. |
Methodologies |
Methodologies |
Description |
Guest lecture / keynote speech |
Introduciranse os fundamentos teóricos da materia e as principais técnicas para a súa aplicación na práctica. Particular atención será posta nas condicións struturais requiridas para a súa aplicación e á diagnose e avaliación dos modelos axustados. A súa utilidade ilustrarase con exemplos específicos de diferentes áreas de coñecemento, enfatizando vantaxes e limitacións. Promoverase a participación dos estudantes. |
ICT practicals |
Se presentarán problemas específicos e os procedementos de resolución, poñendo en práctica conceptos e algoritmos expostos nas sesións maxistrais. Tratarase de sesións interactivas donde os problemas propostos se resolverán coa axuda de scripts con código libre do software R. O docente apoiará e supervisará a posta en práctica dos coñecementos adquiridos polos estudantes. |
Seminar |
Propoñeranse cuestións e exercicios para discusión e realización conxunta cos estudantes. |
Problem solving |
Propoñeranse exercicios para a realización dos estudantes de xeito individual. |
Objective test |
Probas obxectivas de avaliación de coñecementos. |
Personalized attention |
Methodologies
|
Seminar |
ICT practicals |
|
Description |
As prácticas a través de TIC están pensadas para resolver exercicios usando código en R. Os estudantes deben familiarizarse co código e as librerías de R que se usen, comprender e saber interpretar as saídas que se xeneren e ser capaces de empregalo individualmente na realización de exercicios similares. Para acadar estos obxectivos o máis axiña posible é desexable proporcionar atención persoalizada, o que se realizará no desenvolvemento das sesións presenciais e máis en titorías individualizadas.
|
|
Assessment |
Methodologies
|
Competencies / Results |
Description
|
Qualification
|
Objective test |
A17 A18 A20 B2 B9 C1 |
Existirán varias probas escritas de coñecementos:
-- Probas parciais unha vez que se rematen bloques temáticos relevantes. Consistirán en exames escritos. Os resultados destas probas formarán parte da avaliación continua e computarán ata un 25% da cualificación.
-- Unha proba de coñecementos final. Será un exame escrito que constará de cuestións teórico-prácticas sobre os contidos da materia. Será obligatorio e supoñerá o 60% da cualificación.
|
85 |
Problem solving |
A17 A18 A20 B2 B7 B9 C1 |
A participación activa no desenvolvemento das clases e a resolución e entrega de exercicios propostos ao longo do curso formará parte da avaliación continua. Computará ata o 15% da cualificación. |
15 |
|
Assessment comments |
Presentación e avaliación:
1. Considerarase que un estudante concurre a unha convocatoria cando participa en actividades que lle permiten obter cando menos un 50% da avaliación final.
2. A proba final de coñecementos terá carácter obligatorio. Constará de dúas partes: unha con cuestións de corte teórico e outra máis aplicada e orientada á resolución de problemas. Será necesario aprobar as dúas partes deste exame para supera a materia.
3. A cualificación obtida conservarase entre as oportunidades (ordinaria e extraordinaria) dentro da convocatoria de cada curso.
Segunda oportunidade:
O peso da avaliación continua na segunda oportunidade será o mesmo que na avaliación ordinaria, un 40%. Na segunda oportunidade de avaliación realizarase un exame e a nota final será o máximo de tres cantidades: a nota da avaliación da primeira oportunidade, a nota do novo exame (100%), e a media ponderada do novo exame (60%) e a avaliación continua (40%).
|
Sources of information |
Basic
|
Hosmer, D.W., Lemeshow, S. y Sturdivant, R.X. (2013). Applied logistic regression . John Wiley & Sons
Faraway, J.J. (2006). Extending the Linear Model with R: Generalized Linear, Mixed Effects and Nonparametric Regression Models. Chapman and Hall
Montgomery, D.C., Peck, E.A. y Vining, G.G. (2012). Introduction to linear regression analysis . Wiley
Wand M.P. y Jones M.C. (1995). Kernel Smoothing. Chapman and Hall/CRC
Faraway, J.J. (2015). Linear models with R . Chapman and Hall
Vilar Fernández, J.M. (2006). Modelos estadísticos aplicados. Universidade da Coruña, Servizo de Publicacións
Ritz, C. y Streibig, J.C. (2008). Nonlinear regression with R. Springer
Peña, D. (2002). Regresión y diseño de experimentos. Alianza Editorial |
|
Complementary
|
Sheather, S.J. (2009). A modern approach to regression with R. Springer
Agresti, A. (1996). An introduction to categorical data analysis. Wiley
Fox, J. y Weisberg, S. (2011). An R companion to applied regression. SAGE Publications
Bowman A.W. y Azzalini A. (1997). Applied Smoothing Techniques for Data Analysis. Oxford University Press
Wood, S.N. (2006). Generalized Additive Models: An introduction with R. Chapman and Hall/CRC
Fan J. y Gijbels I. (1996). Local polynomial modelling and its applications. Chapman and Hall/CRC
Venables, W.N. y Ripley, B.D. (2010). Modern applied statistics with S . Springer |
|
Recommendations |
Subjects that it is recommended to have taken before |
Linear Algebra/614G02001 | Multivariable Calculus /614G02006 | Statistical Inference/614G02007 | Probability and Basic Statistics/614G02003 |
|
Subjects that are recommended to be taken simultaneously |
Statistical Modeling of High Dimensional Data/614G02013 |
|
Subjects that continue the syllabus |
Simulation and Resampling Techniques/614G02036 | Statistical Analysis of Complex Data/614G02031 | Mathematical Optimisation/614G02020 | Statistical Analysis of Dependent Data/614G02022 |
|
Other comments |
A asistencia regular as clases é altamente recomendable en orde a seguir o desenvolvemento do programa e participar na avaliación continua. |
|