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
- Institución
- Consejo Nacional de Investigaciones Científicas y Técnicas
- OAI Identificador
- oai:ri.conicet.gov.ar:11336/187961
Ver los metadatos del registro completo
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 |