Datos jerárquicos en ciencias ambientales: Ejemplos prácticos y análisis de modelos jerárquicos en lenguaje R

Autores
Garibaldi, Lucas Alejandro; Casas, Cecilia; Biganzoli, Fernando
Año de publicación
2014
Idioma
español castellano
Tipo de recurso
libro
Estado
versión publicada
Descripción
Los datos que utilizan los profesionales de las ciencias ambientales y sociales para tomar decisiones y contrastar hipótesis usualmente cuentan con estructura jerárquica (multi-nivel), como mediciones en plantas agrupadas en distintos sitios a su vez agrupados por características climáticas, o el análisis de datos provenientes de individuos agrupados en estudios los cuales pertenecen a distintas regiones. Estos datos no cumplen, al menos, con el supuesto de observaciones independientes para los modelos y análisis estadísticos comúnmente aprendidos en los cursos de grado, entre ellos regresión lineal simple o múltiple y experimentos factoriales (o en bloques) de efectos fijos. Con el objetivo de brindar algunas herramientas que ayuden a superar estas dificultades el Dr. Lucas A. Garibaldi diseñó el curso de posgrado "Datos jerárquicos en ciencias ambientales: colección y análisis con R".En esta obra recopilamos una serie de prácticas que utilizamos a lo largo del curso. Un aspecto interesante de las prácticas que presentamos es que están basadas en datos reales los cuales llegaron a nosotros a través de amigos y conocidos en búsqueda de un análisis adecuado a sus diseños experimentales. A todos ellos, les agradecemos enormemente la gentileza de brindar sus datos a los fines didácticos del curso y posteriormente, de esta obra. Por razones didácticas y para preservar los trabajos originales, los datos no se presentan de manera completa.Los capítulos y las prácticas fueron desarrolladas y pensadas con la intención de proporcionar a estudiantes e investigadores de otras disciplinas que no sean la Biometría, los conocimientos básicos sobre cómo colectar (diseño de estudios), modelar y analizar datos con estructura jerárquica utilizando el programa R y, limitándonos al estudio de modelos con una sola variable de respuesta (dependiente). Con este objetivo, recomendamos seguir los capítulos frente a una computadoras analizando las sentencias y los datos reales que se encuentrandisponibles en el sitio https://sites.google.com/site/datosjerarquicos solapa prácticas y que, acompañan la obra. De manera adicional, encontrarán en el anexo las indicaciones necesarias para instalar los programas y herramientas de análisis necesarias.A lo largo de los capítulos presentamos ejemplos con estructuras jerárquicas de distinta complejidad como diseño en parcelas dividas, diseños anidados, medidas repetidas en el tiempo (autocorrelación) y en el espacio. Utilizamos factores aleatorios, funciones de la varianza y estructuras de correlación para representar adecuadamente los modelos. Abordamos ejemplos distintas distribuciones estocásticas como la normal, la binomial o la poisson a través de modelos mixtos generalizados. Evaluamos la validez de los modelos, la independencia, la bondad de ajuste. Presentamos distintos marcos de inferencia como el frecuentista, evaluación de relaciones de verosimilitud e inferencias multimodelo. Los capítulos no desarrollan los conceptos teóricos. Para ello, sugerimos la lectura de diversos textos publicados que abordan los conceptos presentes en esta obra de manera exhaustiva (Bolker, 2008; Logan M., 2010; Gelman A. y. Hill J., 2007, Pinheiro y Bates 2000, Zuur et al. 2009). Esta obra tampoco pretende revisar de manera exhaustiva los múltiples modelos de dependencia espacial o temporal de los datos, para lo cual recomendamos realizar cursos o abordar textos específicos (por ejemplo, de geoestadística).
Fil: Garibaldi, Lucas Alejandro. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte; Argentina. Universidad Nacional de Río Negro. Sede Andina; Argentina
Fil: Casas, Cecilia. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte; Argentina. Universidad de Buenos Aires. Facultad de Agronomía. Departamento de Recursos Naturales y Ambiente; Argentina
Fil: Biganzoli, Fernando. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte; Argentina. Universidad de Buenos Aires. Facultad de Agronomía. Departamento de Métodos Cuantitativos y Sistemas de Información; Argentina
Materia
Modelos mixtos
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:11336/187961

id CONICETDig_4cffed4ccae9f8037523404e602f177d
oai_identifier_str oai:ri.conicet.gov.ar:11336/187961
network_acronym_str CONICETDig
repository_id_str 3498
network_name_str CONICET Digital (CONICET)
spelling Datos jerárquicos en ciencias ambientales: Ejemplos prácticos y análisis de modelos jerárquicos en lenguaje RGaribaldi, Lucas AlejandroCasas, CeciliaBiganzoli, FernandoModelos mixtoshttps://purl.org/becyt/ford/4.1https://purl.org/becyt/ford/4https://purl.org/becyt/ford/1.1https://purl.org/becyt/ford/1https://purl.org/becyt/ford/1.6https://purl.org/becyt/ford/1Los datos que utilizan los profesionales de las ciencias ambientales y sociales para tomar decisiones y contrastar hipótesis usualmente cuentan con estructura jerárquica (multi-nivel), como mediciones en plantas agrupadas en distintos sitios a su vez agrupados por características climáticas, o el análisis de datos provenientes de individuos agrupados en estudios los cuales pertenecen a distintas regiones. Estos datos no cumplen, al menos, con el supuesto de observaciones independientes para los modelos y análisis estadísticos comúnmente aprendidos en los cursos de grado, entre ellos regresión lineal simple o múltiple y experimentos factoriales (o en bloques) de efectos fijos. Con el objetivo de brindar algunas herramientas que ayuden a superar estas dificultades el Dr. Lucas A. Garibaldi diseñó el curso de posgrado "Datos jerárquicos en ciencias ambientales: colección y análisis con R".En esta obra recopilamos una serie de prácticas que utilizamos a lo largo del curso. Un aspecto interesante de las prácticas que presentamos es que están basadas en datos reales los cuales llegaron a nosotros a través de amigos y conocidos en búsqueda de un análisis adecuado a sus diseños experimentales. A todos ellos, les agradecemos enormemente la gentileza de brindar sus datos a los fines didácticos del curso y posteriormente, de esta obra. Por razones didácticas y para preservar los trabajos originales, los datos no se presentan de manera completa.Los capítulos y las prácticas fueron desarrolladas y pensadas con la intención de proporcionar a estudiantes e investigadores de otras disciplinas que no sean la Biometría, los conocimientos básicos sobre cómo colectar (diseño de estudios), modelar y analizar datos con estructura jerárquica utilizando el programa R y, limitándonos al estudio de modelos con una sola variable de respuesta (dependiente). Con este objetivo, recomendamos seguir los capítulos frente a una computadoras analizando las sentencias y los datos reales que se encuentrandisponibles en el sitio https://sites.google.com/site/datosjerarquicos solapa prácticas y que, acompañan la obra. De manera adicional, encontrarán en el anexo las indicaciones necesarias para instalar los programas y herramientas de análisis necesarias.A lo largo de los capítulos presentamos ejemplos con estructuras jerárquicas de distinta complejidad como diseño en parcelas dividas, diseños anidados, medidas repetidas en el tiempo (autocorrelación) y en el espacio. Utilizamos factores aleatorios, funciones de la varianza y estructuras de correlación para representar adecuadamente los modelos. Abordamos ejemplos distintas distribuciones estocásticas como la normal, la binomial o la poisson a través de modelos mixtos generalizados. Evaluamos la validez de los modelos, la independencia, la bondad de ajuste. Presentamos distintos marcos de inferencia como el frecuentista, evaluación de relaciones de verosimilitud e inferencias multimodelo. Los capítulos no desarrollan los conceptos teóricos. Para ello, sugerimos la lectura de diversos textos publicados que abordan los conceptos presentes en esta obra de manera exhaustiva (Bolker, 2008; Logan M., 2010; Gelman A. y. Hill J., 2007, Pinheiro y Bates 2000, Zuur et al. 2009). Esta obra tampoco pretende revisar de manera exhaustiva los múltiples modelos de dependencia espacial o temporal de los datos, para lo cual recomendamos realizar cursos o abordar textos específicos (por ejemplo, de geoestadística).Fil: Garibaldi, Lucas Alejandro. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte; Argentina. Universidad Nacional de Río Negro. Sede Andina; ArgentinaFil: Casas, Cecilia. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte; Argentina. Universidad de Buenos Aires. Facultad de Agronomía. Departamento de Recursos Naturales y Ambiente; ArgentinaFil: Biganzoli, Fernando. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte; Argentina. Universidad de Buenos Aires. Facultad de Agronomía. Departamento de Métodos Cuantitativos y Sistemas de Información; ArgentinaGaribaldi, Lucas; Casas, Cecilia; Biganzoli, Fernando2014info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bookinfo:ar-repo/semantics/librohttp://purl.org/coar/resource_type/c_2f33application/pdfapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/187961Garibaldi, Lucas Alejandro; Casas, Cecilia; Biganzoli, Fernando; Datos jerárquicos en ciencias ambientales: Ejemplos prácticos y análisis de modelos jerárquicos en lenguaje R; Garibaldi, Lucas; Casas, Cecilia; Biganzoli, Fernando; 2014; 242978-987-33-6434-1CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/url/https://rid.unrn.edu.ar/handle/20.500.12049/4232info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-29T09:35:07Zoai:ri.conicet.gov.ar:11336/187961instacron: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:34982025-09-29 09:35:08.085CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse
dc.title.none.fl_str_mv Datos jerárquicos en ciencias ambientales: Ejemplos prácticos y análisis de modelos jerárquicos en lenguaje R
title Datos jerárquicos en ciencias ambientales: Ejemplos prácticos y análisis de modelos jerárquicos en lenguaje R
spellingShingle Datos jerárquicos en ciencias ambientales: Ejemplos prácticos y análisis de modelos jerárquicos en lenguaje R
Garibaldi, Lucas Alejandro
Modelos mixtos
title_short Datos jerárquicos en ciencias ambientales: Ejemplos prácticos y análisis de modelos jerárquicos en lenguaje R
title_full Datos jerárquicos en ciencias ambientales: Ejemplos prácticos y análisis de modelos jerárquicos en lenguaje R
title_fullStr Datos jerárquicos en ciencias ambientales: Ejemplos prácticos y análisis de modelos jerárquicos en lenguaje R
title_full_unstemmed Datos jerárquicos en ciencias ambientales: Ejemplos prácticos y análisis de modelos jerárquicos en lenguaje R
title_sort Datos jerárquicos en ciencias ambientales: Ejemplos prácticos y análisis de modelos jerárquicos en lenguaje R
dc.creator.none.fl_str_mv Garibaldi, Lucas Alejandro
Casas, Cecilia
Biganzoli, Fernando
author Garibaldi, Lucas Alejandro
author_facet Garibaldi, Lucas Alejandro
Casas, Cecilia
Biganzoli, Fernando
author_role author
author2 Casas, Cecilia
Biganzoli, Fernando
author2_role author
author
dc.subject.none.fl_str_mv Modelos mixtos
topic Modelos mixtos
purl_subject.fl_str_mv https://purl.org/becyt/ford/4.1
https://purl.org/becyt/ford/4
https://purl.org/becyt/ford/1.1
https://purl.org/becyt/ford/1
https://purl.org/becyt/ford/1.6
https://purl.org/becyt/ford/1
dc.description.none.fl_txt_mv Los datos que utilizan los profesionales de las ciencias ambientales y sociales para tomar decisiones y contrastar hipótesis usualmente cuentan con estructura jerárquica (multi-nivel), como mediciones en plantas agrupadas en distintos sitios a su vez agrupados por características climáticas, o el análisis de datos provenientes de individuos agrupados en estudios los cuales pertenecen a distintas regiones. Estos datos no cumplen, al menos, con el supuesto de observaciones independientes para los modelos y análisis estadísticos comúnmente aprendidos en los cursos de grado, entre ellos regresión lineal simple o múltiple y experimentos factoriales (o en bloques) de efectos fijos. Con el objetivo de brindar algunas herramientas que ayuden a superar estas dificultades el Dr. Lucas A. Garibaldi diseñó el curso de posgrado "Datos jerárquicos en ciencias ambientales: colección y análisis con R".En esta obra recopilamos una serie de prácticas que utilizamos a lo largo del curso. Un aspecto interesante de las prácticas que presentamos es que están basadas en datos reales los cuales llegaron a nosotros a través de amigos y conocidos en búsqueda de un análisis adecuado a sus diseños experimentales. A todos ellos, les agradecemos enormemente la gentileza de brindar sus datos a los fines didácticos del curso y posteriormente, de esta obra. Por razones didácticas y para preservar los trabajos originales, los datos no se presentan de manera completa.Los capítulos y las prácticas fueron desarrolladas y pensadas con la intención de proporcionar a estudiantes e investigadores de otras disciplinas que no sean la Biometría, los conocimientos básicos sobre cómo colectar (diseño de estudios), modelar y analizar datos con estructura jerárquica utilizando el programa R y, limitándonos al estudio de modelos con una sola variable de respuesta (dependiente). Con este objetivo, recomendamos seguir los capítulos frente a una computadoras analizando las sentencias y los datos reales que se encuentrandisponibles en el sitio https://sites.google.com/site/datosjerarquicos solapa prácticas y que, acompañan la obra. De manera adicional, encontrarán en el anexo las indicaciones necesarias para instalar los programas y herramientas de análisis necesarias.A lo largo de los capítulos presentamos ejemplos con estructuras jerárquicas de distinta complejidad como diseño en parcelas dividas, diseños anidados, medidas repetidas en el tiempo (autocorrelación) y en el espacio. Utilizamos factores aleatorios, funciones de la varianza y estructuras de correlación para representar adecuadamente los modelos. Abordamos ejemplos distintas distribuciones estocásticas como la normal, la binomial o la poisson a través de modelos mixtos generalizados. Evaluamos la validez de los modelos, la independencia, la bondad de ajuste. Presentamos distintos marcos de inferencia como el frecuentista, evaluación de relaciones de verosimilitud e inferencias multimodelo. Los capítulos no desarrollan los conceptos teóricos. Para ello, sugerimos la lectura de diversos textos publicados que abordan los conceptos presentes en esta obra de manera exhaustiva (Bolker, 2008; Logan M., 2010; Gelman A. y. Hill J., 2007, Pinheiro y Bates 2000, Zuur et al. 2009). Esta obra tampoco pretende revisar de manera exhaustiva los múltiples modelos de dependencia espacial o temporal de los datos, para lo cual recomendamos realizar cursos o abordar textos específicos (por ejemplo, de geoestadística).
Fil: Garibaldi, Lucas Alejandro. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte; Argentina. Universidad Nacional de Río Negro. Sede Andina; Argentina
Fil: Casas, Cecilia. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte; Argentina. Universidad de Buenos Aires. Facultad de Agronomía. Departamento de Recursos Naturales y Ambiente; Argentina
Fil: Biganzoli, Fernando. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte; Argentina. Universidad de Buenos Aires. Facultad de Agronomía. Departamento de Métodos Cuantitativos y Sistemas de Información; Argentina
description Los datos que utilizan los profesionales de las ciencias ambientales y sociales para tomar decisiones y contrastar hipótesis usualmente cuentan con estructura jerárquica (multi-nivel), como mediciones en plantas agrupadas en distintos sitios a su vez agrupados por características climáticas, o el análisis de datos provenientes de individuos agrupados en estudios los cuales pertenecen a distintas regiones. Estos datos no cumplen, al menos, con el supuesto de observaciones independientes para los modelos y análisis estadísticos comúnmente aprendidos en los cursos de grado, entre ellos regresión lineal simple o múltiple y experimentos factoriales (o en bloques) de efectos fijos. Con el objetivo de brindar algunas herramientas que ayuden a superar estas dificultades el Dr. Lucas A. Garibaldi diseñó el curso de posgrado "Datos jerárquicos en ciencias ambientales: colección y análisis con R".En esta obra recopilamos una serie de prácticas que utilizamos a lo largo del curso. Un aspecto interesante de las prácticas que presentamos es que están basadas en datos reales los cuales llegaron a nosotros a través de amigos y conocidos en búsqueda de un análisis adecuado a sus diseños experimentales. A todos ellos, les agradecemos enormemente la gentileza de brindar sus datos a los fines didácticos del curso y posteriormente, de esta obra. Por razones didácticas y para preservar los trabajos originales, los datos no se presentan de manera completa.Los capítulos y las prácticas fueron desarrolladas y pensadas con la intención de proporcionar a estudiantes e investigadores de otras disciplinas que no sean la Biometría, los conocimientos básicos sobre cómo colectar (diseño de estudios), modelar y analizar datos con estructura jerárquica utilizando el programa R y, limitándonos al estudio de modelos con una sola variable de respuesta (dependiente). Con este objetivo, recomendamos seguir los capítulos frente a una computadoras analizando las sentencias y los datos reales que se encuentrandisponibles en el sitio https://sites.google.com/site/datosjerarquicos solapa prácticas y que, acompañan la obra. De manera adicional, encontrarán en el anexo las indicaciones necesarias para instalar los programas y herramientas de análisis necesarias.A lo largo de los capítulos presentamos ejemplos con estructuras jerárquicas de distinta complejidad como diseño en parcelas dividas, diseños anidados, medidas repetidas en el tiempo (autocorrelación) y en el espacio. Utilizamos factores aleatorios, funciones de la varianza y estructuras de correlación para representar adecuadamente los modelos. Abordamos ejemplos distintas distribuciones estocásticas como la normal, la binomial o la poisson a través de modelos mixtos generalizados. Evaluamos la validez de los modelos, la independencia, la bondad de ajuste. Presentamos distintos marcos de inferencia como el frecuentista, evaluación de relaciones de verosimilitud e inferencias multimodelo. Los capítulos no desarrollan los conceptos teóricos. Para ello, sugerimos la lectura de diversos textos publicados que abordan los conceptos presentes en esta obra de manera exhaustiva (Bolker, 2008; Logan M., 2010; Gelman A. y. Hill J., 2007, Pinheiro y Bates 2000, Zuur et al. 2009). Esta obra tampoco pretende revisar de manera exhaustiva los múltiples modelos de dependencia espacial o temporal de los datos, para lo cual recomendamos realizar cursos o abordar textos específicos (por ejemplo, de geoestadística).
publishDate 2014
dc.date.none.fl_str_mv 2014
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/11336/187961
Garibaldi, Lucas Alejandro; Casas, Cecilia; Biganzoli, Fernando; Datos jerárquicos en ciencias ambientales: Ejemplos prácticos y análisis de modelos jerárquicos en lenguaje R; Garibaldi, Lucas; Casas, Cecilia; Biganzoli, Fernando; 2014; 242
978-987-33-6434-1
CONICET Digital
CONICET
url http://hdl.handle.net/11336/187961
identifier_str_mv Garibaldi, Lucas Alejandro; Casas, Cecilia; Biganzoli, Fernando; Datos jerárquicos en ciencias ambientales: Ejemplos prácticos y análisis de modelos jerárquicos en lenguaje R; Garibaldi, Lucas; Casas, Cecilia; Biganzoli, Fernando; 2014; 242
978-987-33-6434-1
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://rid.unrn.edu.ar/handle/20.500.12049/4232
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
application/pdf
dc.publisher.none.fl_str_mv Garibaldi, Lucas; Casas, Cecilia; Biganzoli, Fernando
publisher.none.fl_str_mv Garibaldi, Lucas; Casas, Cecilia; Biganzoli, Fernando
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_ 1844613091708370944
score 13.070432