Introducción a los modelos aditivos generalizados
Profesor: Matías Salibián-Barrera (Univ. de Vancouver, Canadá)
Puntaje: 1 punto (Lic. y Prof.)
Correlatividades: Estadística
Carga horaria: 6 horas por semana durante 1 mes (después de mayo)
Carreras: Licenciatura en Matemática (Or. Pura y Aplicada), Profesorado en Matemática. Doctorado en Matemática.
Breve descripción del curso:
1.Breve repaso de modelos lineales - Estimador de mínimos cuadrados, análisis de residuos (diagnóstico), inferencia, selección de modelos. Otros estimadores. 2.Breve repaso de las propiedades de estimadores de máxima verosimilitud (consistencia, distribución asintótica, test de cociente de verosimilitud, quasi-verosimilitud). Aplicación a modelos lineales generalizados - familia exponencial, inferencia, selección de modelos, máxima verosimilitud usando “Fisher scoring”.
3. Modelos aditivos y modelos aditivos generalizados - splines, splines penalizadas (“penalized regression splines”), cubic splines. Algoritmos: “backfitting”, “local scoring”. Selección del parámetro de penalidad: cross-validation y cross-validation generalizado.
4. Inclusión de efectos aleatorios en modelos lineales y aditivos generalizados.
