| Study programme competencies |
| Code | Study programme competences |
| 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 | ||
| Coñecer os conceptos xerais da regresión | B2 B3 B7 B8 B9 B10 |
||
| Saber estimar os parámetros dos modelos de regresión lineal simple, múltiple e loxístico. | A17 A18 A20 |
C1 |
|
| Entender a importancia de levar a cabo a diagnose dun modelo de regresión. | A17 A18 A20 |
B2 B3 B8 B9 |
C1 |
| Coñecer técnicas de regresión no paramétricas. | A17 A18 A20 |
B2 B8 B9 |
C1 |
| Ser capaz de aplicar as principais técnicas de regresión a conxuntos de datos reais ou simulados. | A17 A20 |
B2 B3 B8 B9 |
C1 |
| Ser capaz de interpretar os resultados e facer predicións utilizando modelos de regresión. | A17 A18 |
B2 B3 B7 B8 B9 B10 |
|
| 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 | Ordinary class hours | 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 |
|
|
| Assessment | |||
| Methodologies | Competencies | Description | Qualification |
| Problem solving | A17 A18 A20 B2 B7 B9 C1 | A resolución e entrega de exercicios propostos ao longo do curso formará parte da avaliación continua. Computará ata o 20% da cualificación. | 20 |
| Objective test | A17 A18 A20 B2 B9 C1 | A proba de coñecementos final será un exame escrito que constará de varias cuestións teórico-prácticas sobre os contidos da materia. Será obligatorio e supondrá o 80% da cualificación. | 80 |
| Assessment comments | |||
|
Presentación á avaliación: Considérase que un estudante concurre a unha convocatoria cando participa en actividades que lle permiten obter cando menos un 50% da avaliación final. A cualificación obtida conservarase entre as oportunidades (ordinaria e extraordinaria) dentro da convocatoria de cada curso. Segunda oportunidade (proba de xullo) O peso da avaliación continua na segunda oportunidade (proba de xullo) será o mesmo que na avaliación ordinaria, un 20%. 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 (80%) e a avaliación continua (20%). |
|||
| 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 | ||||
|
| Subjects that are recommended to be taken simultaneously | |
|
| Subjects that continue the syllabus | ||||
|
| Other comments | |