Modelos estadísticos en lenguaje R

Autores
Garibaldi, Lucas Alejandro; Oddi, Facundo José; Azuaga, Gonzalo Daniel; Behnisch, Aliosha Nicolás; Aristimuño, Francisco Javier
Año de publicación
2023
Idioma
español castellano
Tipo de recurso
libro
Estado
versión publicada
Descripción
Los profesionales de las ciencias económicas y ambientales deben resolver problemas a partir de la colección y el análisis de datos. En general, estos datos son tomados de una muestra procedente de relevamientos o experimentos, es decir que la información con la que trabajan es parcial. Por lo tanto, deben contar con herramientas que los ayuden a tomar la mejor decisión ante preguntas que tienen respuestas inciertas. La estadística aporta las herramientas necesarias para colectar los datos, a la vez que permite resumir y presentar la información contenida en la muestra, para luego inferir en base a ella características fundamentales de la población de la que fue extraída. Además, posibilita cuantificar la incertidumbre asociada a nuestras respuestas o, dicho de otra manera, la probabilidad de equivocarnos en la decisión tomada. Por lo tanto, al utilizar la estadística, las conclusiones estarán sustentadas por un sólido marco de análisis. A lo largo de los capítulos ponemos a disposición ejercicios prácticos para adquirir conocimientos y aptitudes sobre cómo colectar datos (diseño de estudios), modelarlos y analizarlos utilizando el programa R. Suponemos que el lector ya ha realizado algún curso introductorio de estadística y está familiarizado con los conceptos básicos de estadística y probabilidad. Los ejercicios se presentan con la intención de proporcionar al lector un marco similar al que un profesional se enfrentaría comúnmente en su ámbito de trabajo. Esto es, con un marco conceptual del que deriva un problema relacionado, y para el cual el lector es guiado hacia su resolución (analizar cómo ha sido la colección de los datos, explorarlos, plantear modelos interesantes, determinar si el modelo planteado es adecuado, plantear modelos alternativos, realizar inferencias y predicciones). Un aspecto relevante es que los ejercicios están basados en datos reales (datos publicados en sitios web, o cedidos por colegas). Recomendamos seguir los capítulos frente a una computadora analizando los datos reales que se encuentran disponibles en el siguiente enlace: http://editorial.unrn.edu.ar/descargas/lenguaje_r_datos_eunrn.zip. Limitándonos al estudio de modelos con una sola variable de respuesta (dependiente), la obra se organiza en ocho capítulos. Los primeros siete abarcan el modelado de datos con distribución normal. En el capítulo 1 se estudia el modelo de regresión lineal entre dos variables cuantitativas (regresión lineal simple) y se introducen los conceptos de criterio de mínimos cuadrados ordinarios para la estimación de parámetros, bondad de ajuste y validez de los modelos a partir de sus supuestos. Los capítulos 2 y 3 tratan con variables independientes categóricas, el análisis de la varianza (ANOVA) y los test a posteriori (comparaciones múltiples). En particular, se aborda el diseño completamente aleatorizado (DCA), y se introduce el modelado con más de una variable independiente, todas categóricas en este caso, a partir del diseño en bloques completamente aleatorizados (DBCA) y el diseño multifactorial. El capítulo 4 trata con más de una variable independiente, pero en este caso, cuantitativas (regresión lineal múltiple) e introduce un aspecto fundamental del modelado estadístico: la multicolinearidad. Para ello, en este capítulo se estudian las sumas de cuadrados parciales (ANOVA tipo III) y secuenciales (ANOVA tipo I). En el capítulo 5 se formaliza el concepto de modelo lineal general y se plantean problemas que tratan con variables independientes cuantitativas y categóricas de manera conjunta. Se introducen, además, los conceptos de verosimilitud y los distintos criterios de información (AIC, BIC, etcétera) como medidas de bondad de ajuste, y el criterio de máxima verosimilitud como método de estimación de parámetros. Al llegar al capítulo 6, se incorpora el modelado de la varianza flexibilizando la homocedasticidad, uno de los supuestos del modelo lineal. Por su parte, el capítulo 7 cubre conceptos detrás del modelado de relaciones no lineales. Finalmente, en el capítulo 8 se flexibiliza el supuesto de normalidad para modelar datos no normales. Este es el campo de los modelos lineales generalizados que permiten tratar con distribuciones de la familia exponencial: binomial, Poisson, normal y Gamma, y también se abarca la distribución binomial negativa. En forma general, a través de la obra presentamos el marco de inferencia frecuentista y de inferencia multimodelo. Los capítulos no desarrollan los conceptos teóricos. Para ello, sugerimos la lectura de diversos libros de texto que abordan los conceptos presentes en esta obra de manera exhaustiva. Esta obra es fruto de varios años de llevar adelante cursos de grado y posgrado en la Universidad Nacional de Río Negro. En esta segunda edición, hemos incluido ejercicios complementarios, una tipografía orientada a la programación que facilita la legibilidad de códigos y salidas, mejoramos el formato de las ecuaciones, y hemos incluido nuevas bases de datos de la Encuesta Permanente de Hogares, entre otras mejoras. Esperamos que el libro les resulte útil para el abordaje de sus propios análisis o la interpretación de análisis presentados por otros.
Fil: Garibaldi, Lucas Alejandro. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte. Instituto de Investigaciones en Recursos Naturales, Agroecología y Desarrollo Rural. - Universidad Nacional de Rio Negro. Instituto de Investigaciones en Recursos Naturales, Agroecología y Desarrollo Rural; Argentina
Fil: Oddi, Facundo José. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte. Instituto de Investigaciones en Recursos Naturales, Agroecología y Desarrollo Rural. - Universidad Nacional de Rio Negro. Instituto de Investigaciones en Recursos Naturales, Agroecología y Desarrollo Rural; Argentina
Fil: Azuaga, Gonzalo Daniel. Instituto Nacional de Estadística y Censos; Argentina
Fil: Behnisch, Aliosha Nicolás. Fundacion Bariloche. Departamento de Energia.; Argentina
Fil: Aristimuño, Francisco Javier. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Nacional de Río Negro. Sede Andina. Centro de Estudios en Ciencia, Tecnología, Cultura y Desarrollo; Argentina
Materia
MODELOS LINEALES GENERALES
FUNCIONES DE VARIANZA
MODELOS NO LINEALES
MODELOS LINEALES GENERALIZADOS
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/222669

id CONICETDig_29b0780bb9cc0f5150d1da145ca4476c
oai_identifier_str oai:ri.conicet.gov.ar:11336/222669
network_acronym_str CONICETDig
repository_id_str 3498
network_name_str CONICET Digital (CONICET)
spelling Modelos estadísticos en lenguaje RGaribaldi, Lucas AlejandroOddi, Facundo JoséAzuaga, Gonzalo DanielBehnisch, Aliosha NicolásAristimuño, Francisco JavierMODELOS LINEALES GENERALESFUNCIONES DE VARIANZAMODELOS NO LINEALESMODELOS LINEALES GENERALIZADOShttps://purl.org/becyt/ford/1.1https://purl.org/becyt/ford/1Los profesionales de las ciencias económicas y ambientales deben resolver problemas a partir de la colección y el análisis de datos. En general, estos datos son tomados de una muestra procedente de relevamientos o experimentos, es decir que la información con la que trabajan es parcial. Por lo tanto, deben contar con herramientas que los ayuden a tomar la mejor decisión ante preguntas que tienen respuestas inciertas. La estadística aporta las herramientas necesarias para colectar los datos, a la vez que permite resumir y presentar la información contenida en la muestra, para luego inferir en base a ella características fundamentales de la población de la que fue extraída. Además, posibilita cuantificar la incertidumbre asociada a nuestras respuestas o, dicho de otra manera, la probabilidad de equivocarnos en la decisión tomada. Por lo tanto, al utilizar la estadística, las conclusiones estarán sustentadas por un sólido marco de análisis. A lo largo de los capítulos ponemos a disposición ejercicios prácticos para adquirir conocimientos y aptitudes sobre cómo colectar datos (diseño de estudios), modelarlos y analizarlos utilizando el programa R. Suponemos que el lector ya ha realizado algún curso introductorio de estadística y está familiarizado con los conceptos básicos de estadística y probabilidad. Los ejercicios se presentan con la intención de proporcionar al lector un marco similar al que un profesional se enfrentaría comúnmente en su ámbito de trabajo. Esto es, con un marco conceptual del que deriva un problema relacionado, y para el cual el lector es guiado hacia su resolución (analizar cómo ha sido la colección de los datos, explorarlos, plantear modelos interesantes, determinar si el modelo planteado es adecuado, plantear modelos alternativos, realizar inferencias y predicciones). Un aspecto relevante es que los ejercicios están basados en datos reales (datos publicados en sitios web, o cedidos por colegas). Recomendamos seguir los capítulos frente a una computadora analizando los datos reales que se encuentran disponibles en el siguiente enlace: http://editorial.unrn.edu.ar/descargas/lenguaje_r_datos_eunrn.zip. Limitándonos al estudio de modelos con una sola variable de respuesta (dependiente), la obra se organiza en ocho capítulos. Los primeros siete abarcan el modelado de datos con distribución normal. En el capítulo 1 se estudia el modelo de regresión lineal entre dos variables cuantitativas (regresión lineal simple) y se introducen los conceptos de criterio de mínimos cuadrados ordinarios para la estimación de parámetros, bondad de ajuste y validez de los modelos a partir de sus supuestos. Los capítulos 2 y 3 tratan con variables independientes categóricas, el análisis de la varianza (ANOVA) y los test a posteriori (comparaciones múltiples). En particular, se aborda el diseño completamente aleatorizado (DCA), y se introduce el modelado con más de una variable independiente, todas categóricas en este caso, a partir del diseño en bloques completamente aleatorizados (DBCA) y el diseño multifactorial. El capítulo 4 trata con más de una variable independiente, pero en este caso, cuantitativas (regresión lineal múltiple) e introduce un aspecto fundamental del modelado estadístico: la multicolinearidad. Para ello, en este capítulo se estudian las sumas de cuadrados parciales (ANOVA tipo III) y secuenciales (ANOVA tipo I). En el capítulo 5 se formaliza el concepto de modelo lineal general y se plantean problemas que tratan con variables independientes cuantitativas y categóricas de manera conjunta. Se introducen, además, los conceptos de verosimilitud y los distintos criterios de información (AIC, BIC, etcétera) como medidas de bondad de ajuste, y el criterio de máxima verosimilitud como método de estimación de parámetros. Al llegar al capítulo 6, se incorpora el modelado de la varianza flexibilizando la homocedasticidad, uno de los supuestos del modelo lineal. Por su parte, el capítulo 7 cubre conceptos detrás del modelado de relaciones no lineales. Finalmente, en el capítulo 8 se flexibiliza el supuesto de normalidad para modelar datos no normales. Este es el campo de los modelos lineales generalizados que permiten tratar con distribuciones de la familia exponencial: binomial, Poisson, normal y Gamma, y también se abarca la distribución binomial negativa. En forma general, a través de la obra presentamos el marco de inferencia frecuentista y de inferencia multimodelo. Los capítulos no desarrollan los conceptos teóricos. Para ello, sugerimos la lectura de diversos libros de texto que abordan los conceptos presentes en esta obra de manera exhaustiva. Esta obra es fruto de varios años de llevar adelante cursos de grado y posgrado en la Universidad Nacional de Río Negro. En esta segunda edición, hemos incluido ejercicios complementarios, una tipografía orientada a la programación que facilita la legibilidad de códigos y salidas, mejoramos el formato de las ecuaciones, y hemos incluido nuevas bases de datos de la Encuesta Permanente de Hogares, entre otras mejoras. Esperamos que el libro les resulte útil para el abordaje de sus propios análisis o la interpretación de análisis presentados por otros.Fil: Garibaldi, Lucas Alejandro. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte. Instituto de Investigaciones en Recursos Naturales, Agroecología y Desarrollo Rural. - Universidad Nacional de Rio Negro. Instituto de Investigaciones en Recursos Naturales, Agroecología y Desarrollo Rural; ArgentinaFil: Oddi, Facundo José. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte. Instituto de Investigaciones en Recursos Naturales, Agroecología y Desarrollo Rural. - Universidad Nacional de Rio Negro. Instituto de Investigaciones en Recursos Naturales, Agroecología y Desarrollo Rural; ArgentinaFil: Azuaga, Gonzalo Daniel. Instituto Nacional de Estadística y Censos; ArgentinaFil: Behnisch, Aliosha Nicolás. Fundacion Bariloche. Departamento de Energia.; ArgentinaFil: Aristimuño, Francisco Javier. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Nacional de Río Negro. Sede Andina. Centro de Estudios en Ciencia, Tecnología, Cultura y Desarrollo; ArgentinaUniversidad Nacional de Río Negro2023info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bookinfo:ar-repo/semantics/librohttp://purl.org/coar/resource_type/c_2f33application/pdfapplication/pdfhttp://hdl.handle.net/11336/222669Garibaldi, Lucas Alejandro; Oddi, Facundo José; Azuaga, Gonzalo Daniel; Behnisch, Aliosha Nicolás; Aristimuño, Francisco Javier; Modelos estadísticos en lenguaje R; Universidad Nacional de Río Negro; 2023; 282978-987-8258-14-0CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/url/https://editorial.unrn.edu.ar/index.php/catalogo/346/view_bl/62/lecturas-de-catedra/78/modelos-estadisticos-en-lenguaje-rinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-03T09:44:22Zoai:ri.conicet.gov.ar:11336/222669instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-03 09:44:22.571CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse
dc.title.none.fl_str_mv Modelos estadísticos en lenguaje R
title Modelos estadísticos en lenguaje R
spellingShingle Modelos estadísticos en lenguaje R
Garibaldi, Lucas Alejandro
MODELOS LINEALES GENERALES
FUNCIONES DE VARIANZA
MODELOS NO LINEALES
MODELOS LINEALES GENERALIZADOS
title_short Modelos estadísticos en lenguaje R
title_full Modelos estadísticos en lenguaje R
title_fullStr Modelos estadísticos en lenguaje R
title_full_unstemmed Modelos estadísticos en lenguaje R
title_sort Modelos estadísticos en lenguaje R
dc.creator.none.fl_str_mv Garibaldi, Lucas Alejandro
Oddi, Facundo José
Azuaga, Gonzalo Daniel
Behnisch, Aliosha Nicolás
Aristimuño, Francisco Javier
author Garibaldi, Lucas Alejandro
author_facet Garibaldi, Lucas Alejandro
Oddi, Facundo José
Azuaga, Gonzalo Daniel
Behnisch, Aliosha Nicolás
Aristimuño, Francisco Javier
author_role author
author2 Oddi, Facundo José
Azuaga, Gonzalo Daniel
Behnisch, Aliosha Nicolás
Aristimuño, Francisco Javier
author2_role author
author
author
author
dc.subject.none.fl_str_mv MODELOS LINEALES GENERALES
FUNCIONES DE VARIANZA
MODELOS NO LINEALES
MODELOS LINEALES GENERALIZADOS
topic MODELOS LINEALES GENERALES
FUNCIONES DE VARIANZA
MODELOS NO LINEALES
MODELOS LINEALES GENERALIZADOS
purl_subject.fl_str_mv https://purl.org/becyt/ford/1.1
https://purl.org/becyt/ford/1
dc.description.none.fl_txt_mv Los profesionales de las ciencias económicas y ambientales deben resolver problemas a partir de la colección y el análisis de datos. En general, estos datos son tomados de una muestra procedente de relevamientos o experimentos, es decir que la información con la que trabajan es parcial. Por lo tanto, deben contar con herramientas que los ayuden a tomar la mejor decisión ante preguntas que tienen respuestas inciertas. La estadística aporta las herramientas necesarias para colectar los datos, a la vez que permite resumir y presentar la información contenida en la muestra, para luego inferir en base a ella características fundamentales de la población de la que fue extraída. Además, posibilita cuantificar la incertidumbre asociada a nuestras respuestas o, dicho de otra manera, la probabilidad de equivocarnos en la decisión tomada. Por lo tanto, al utilizar la estadística, las conclusiones estarán sustentadas por un sólido marco de análisis. A lo largo de los capítulos ponemos a disposición ejercicios prácticos para adquirir conocimientos y aptitudes sobre cómo colectar datos (diseño de estudios), modelarlos y analizarlos utilizando el programa R. Suponemos que el lector ya ha realizado algún curso introductorio de estadística y está familiarizado con los conceptos básicos de estadística y probabilidad. Los ejercicios se presentan con la intención de proporcionar al lector un marco similar al que un profesional se enfrentaría comúnmente en su ámbito de trabajo. Esto es, con un marco conceptual del que deriva un problema relacionado, y para el cual el lector es guiado hacia su resolución (analizar cómo ha sido la colección de los datos, explorarlos, plantear modelos interesantes, determinar si el modelo planteado es adecuado, plantear modelos alternativos, realizar inferencias y predicciones). Un aspecto relevante es que los ejercicios están basados en datos reales (datos publicados en sitios web, o cedidos por colegas). Recomendamos seguir los capítulos frente a una computadora analizando los datos reales que se encuentran disponibles en el siguiente enlace: http://editorial.unrn.edu.ar/descargas/lenguaje_r_datos_eunrn.zip. Limitándonos al estudio de modelos con una sola variable de respuesta (dependiente), la obra se organiza en ocho capítulos. Los primeros siete abarcan el modelado de datos con distribución normal. En el capítulo 1 se estudia el modelo de regresión lineal entre dos variables cuantitativas (regresión lineal simple) y se introducen los conceptos de criterio de mínimos cuadrados ordinarios para la estimación de parámetros, bondad de ajuste y validez de los modelos a partir de sus supuestos. Los capítulos 2 y 3 tratan con variables independientes categóricas, el análisis de la varianza (ANOVA) y los test a posteriori (comparaciones múltiples). En particular, se aborda el diseño completamente aleatorizado (DCA), y se introduce el modelado con más de una variable independiente, todas categóricas en este caso, a partir del diseño en bloques completamente aleatorizados (DBCA) y el diseño multifactorial. El capítulo 4 trata con más de una variable independiente, pero en este caso, cuantitativas (regresión lineal múltiple) e introduce un aspecto fundamental del modelado estadístico: la multicolinearidad. Para ello, en este capítulo se estudian las sumas de cuadrados parciales (ANOVA tipo III) y secuenciales (ANOVA tipo I). En el capítulo 5 se formaliza el concepto de modelo lineal general y se plantean problemas que tratan con variables independientes cuantitativas y categóricas de manera conjunta. Se introducen, además, los conceptos de verosimilitud y los distintos criterios de información (AIC, BIC, etcétera) como medidas de bondad de ajuste, y el criterio de máxima verosimilitud como método de estimación de parámetros. Al llegar al capítulo 6, se incorpora el modelado de la varianza flexibilizando la homocedasticidad, uno de los supuestos del modelo lineal. Por su parte, el capítulo 7 cubre conceptos detrás del modelado de relaciones no lineales. Finalmente, en el capítulo 8 se flexibiliza el supuesto de normalidad para modelar datos no normales. Este es el campo de los modelos lineales generalizados que permiten tratar con distribuciones de la familia exponencial: binomial, Poisson, normal y Gamma, y también se abarca la distribución binomial negativa. En forma general, a través de la obra presentamos el marco de inferencia frecuentista y de inferencia multimodelo. Los capítulos no desarrollan los conceptos teóricos. Para ello, sugerimos la lectura de diversos libros de texto que abordan los conceptos presentes en esta obra de manera exhaustiva. Esta obra es fruto de varios años de llevar adelante cursos de grado y posgrado en la Universidad Nacional de Río Negro. En esta segunda edición, hemos incluido ejercicios complementarios, una tipografía orientada a la programación que facilita la legibilidad de códigos y salidas, mejoramos el formato de las ecuaciones, y hemos incluido nuevas bases de datos de la Encuesta Permanente de Hogares, entre otras mejoras. Esperamos que el libro les resulte útil para el abordaje de sus propios análisis o la interpretación de análisis presentados por otros.
Fil: Garibaldi, Lucas Alejandro. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte. Instituto de Investigaciones en Recursos Naturales, Agroecología y Desarrollo Rural. - Universidad Nacional de Rio Negro. Instituto de Investigaciones en Recursos Naturales, Agroecología y Desarrollo Rural; Argentina
Fil: Oddi, Facundo José. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte. Instituto de Investigaciones en Recursos Naturales, Agroecología y Desarrollo Rural. - Universidad Nacional de Rio Negro. Instituto de Investigaciones en Recursos Naturales, Agroecología y Desarrollo Rural; Argentina
Fil: Azuaga, Gonzalo Daniel. Instituto Nacional de Estadística y Censos; Argentina
Fil: Behnisch, Aliosha Nicolás. Fundacion Bariloche. Departamento de Energia.; Argentina
Fil: Aristimuño, Francisco Javier. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Universidad Nacional de Río Negro. Sede Andina. Centro de Estudios en Ciencia, Tecnología, Cultura y Desarrollo; Argentina
description Los profesionales de las ciencias económicas y ambientales deben resolver problemas a partir de la colección y el análisis de datos. En general, estos datos son tomados de una muestra procedente de relevamientos o experimentos, es decir que la información con la que trabajan es parcial. Por lo tanto, deben contar con herramientas que los ayuden a tomar la mejor decisión ante preguntas que tienen respuestas inciertas. La estadística aporta las herramientas necesarias para colectar los datos, a la vez que permite resumir y presentar la información contenida en la muestra, para luego inferir en base a ella características fundamentales de la población de la que fue extraída. Además, posibilita cuantificar la incertidumbre asociada a nuestras respuestas o, dicho de otra manera, la probabilidad de equivocarnos en la decisión tomada. Por lo tanto, al utilizar la estadística, las conclusiones estarán sustentadas por un sólido marco de análisis. A lo largo de los capítulos ponemos a disposición ejercicios prácticos para adquirir conocimientos y aptitudes sobre cómo colectar datos (diseño de estudios), modelarlos y analizarlos utilizando el programa R. Suponemos que el lector ya ha realizado algún curso introductorio de estadística y está familiarizado con los conceptos básicos de estadística y probabilidad. Los ejercicios se presentan con la intención de proporcionar al lector un marco similar al que un profesional se enfrentaría comúnmente en su ámbito de trabajo. Esto es, con un marco conceptual del que deriva un problema relacionado, y para el cual el lector es guiado hacia su resolución (analizar cómo ha sido la colección de los datos, explorarlos, plantear modelos interesantes, determinar si el modelo planteado es adecuado, plantear modelos alternativos, realizar inferencias y predicciones). Un aspecto relevante es que los ejercicios están basados en datos reales (datos publicados en sitios web, o cedidos por colegas). Recomendamos seguir los capítulos frente a una computadora analizando los datos reales que se encuentran disponibles en el siguiente enlace: http://editorial.unrn.edu.ar/descargas/lenguaje_r_datos_eunrn.zip. Limitándonos al estudio de modelos con una sola variable de respuesta (dependiente), la obra se organiza en ocho capítulos. Los primeros siete abarcan el modelado de datos con distribución normal. En el capítulo 1 se estudia el modelo de regresión lineal entre dos variables cuantitativas (regresión lineal simple) y se introducen los conceptos de criterio de mínimos cuadrados ordinarios para la estimación de parámetros, bondad de ajuste y validez de los modelos a partir de sus supuestos. Los capítulos 2 y 3 tratan con variables independientes categóricas, el análisis de la varianza (ANOVA) y los test a posteriori (comparaciones múltiples). En particular, se aborda el diseño completamente aleatorizado (DCA), y se introduce el modelado con más de una variable independiente, todas categóricas en este caso, a partir del diseño en bloques completamente aleatorizados (DBCA) y el diseño multifactorial. El capítulo 4 trata con más de una variable independiente, pero en este caso, cuantitativas (regresión lineal múltiple) e introduce un aspecto fundamental del modelado estadístico: la multicolinearidad. Para ello, en este capítulo se estudian las sumas de cuadrados parciales (ANOVA tipo III) y secuenciales (ANOVA tipo I). En el capítulo 5 se formaliza el concepto de modelo lineal general y se plantean problemas que tratan con variables independientes cuantitativas y categóricas de manera conjunta. Se introducen, además, los conceptos de verosimilitud y los distintos criterios de información (AIC, BIC, etcétera) como medidas de bondad de ajuste, y el criterio de máxima verosimilitud como método de estimación de parámetros. Al llegar al capítulo 6, se incorpora el modelado de la varianza flexibilizando la homocedasticidad, uno de los supuestos del modelo lineal. Por su parte, el capítulo 7 cubre conceptos detrás del modelado de relaciones no lineales. Finalmente, en el capítulo 8 se flexibiliza el supuesto de normalidad para modelar datos no normales. Este es el campo de los modelos lineales generalizados que permiten tratar con distribuciones de la familia exponencial: binomial, Poisson, normal y Gamma, y también se abarca la distribución binomial negativa. En forma general, a través de la obra presentamos el marco de inferencia frecuentista y de inferencia multimodelo. Los capítulos no desarrollan los conceptos teóricos. Para ello, sugerimos la lectura de diversos libros de texto que abordan los conceptos presentes en esta obra de manera exhaustiva. Esta obra es fruto de varios años de llevar adelante cursos de grado y posgrado en la Universidad Nacional de Río Negro. En esta segunda edición, hemos incluido ejercicios complementarios, una tipografía orientada a la programación que facilita la legibilidad de códigos y salidas, mejoramos el formato de las ecuaciones, y hemos incluido nuevas bases de datos de la Encuesta Permanente de Hogares, entre otras mejoras. Esperamos que el libro les resulte útil para el abordaje de sus propios análisis o la interpretación de análisis presentados por otros.
publishDate 2023
dc.date.none.fl_str_mv 2023
dc.type.none.fl_str_mv info:eu-repo/semantics/publishedVersion
info:eu-repo/semantics/book
info:ar-repo/semantics/libro
http://purl.org/coar/resource_type/c_2f33
status_str publishedVersion
format book
dc.identifier.none.fl_str_mv http://hdl.handle.net/11336/222669
Garibaldi, Lucas Alejandro; Oddi, Facundo José; Azuaga, Gonzalo Daniel; Behnisch, Aliosha Nicolás; Aristimuño, Francisco Javier; Modelos estadísticos en lenguaje R; Universidad Nacional de Río Negro; 2023; 282
978-987-8258-14-0
CONICET Digital
CONICET
url http://hdl.handle.net/11336/222669
identifier_str_mv Garibaldi, Lucas Alejandro; Oddi, Facundo José; Azuaga, Gonzalo Daniel; Behnisch, Aliosha Nicolás; Aristimuño, Francisco Javier; Modelos estadísticos en lenguaje R; Universidad Nacional de Río Negro; 2023; 282
978-987-8258-14-0
CONICET Digital
CONICET
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://editorial.unrn.edu.ar/index.php/catalogo/346/view_bl/62/lecturas-de-catedra/78/modelos-estadisticos-en-lenguaje-r
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional de Río Negro
publisher.none.fl_str_mv Universidad Nacional de Río Negro
dc.source.none.fl_str_mv reponame:CONICET Digital (CONICET)
instname:Consejo Nacional de Investigaciones Científicas y Técnicas
reponame_str CONICET Digital (CONICET)
collection CONICET Digital (CONICET)
instname_str Consejo Nacional de Investigaciones Científicas y Técnicas
repository.name.fl_str_mv CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas
repository.mail.fl_str_mv dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar
_version_ 1842268661553823744
score 13.13397