Guía docente de Técnicas Básicas de Estadística Multivariante (22311J1)

Se recomienda la realización previa de la materia Inferencia Estadística y Análisis Multivariante del módulo Estadística, y los módulos Probabilidad y Estadística Computacional.

• Análisis de Componentes Principales y Análisis Factorial Exploratorio.
• Análisis Factorial Confirmatorio. Modelos LISREL.
• Análisis de Correlaciones Canónicas.

• Conocer los fundamentos teóricos imprescindibles (modelos; objetivos prácticos que resuelven; hipótesis estadístico-matemáticas; versiones teóricas y muestrales; etc.) de las más importantes técnicas estadísticas multivariantes paramétricas.
• Tener destrezas en la aplicación, con apoyo de software estadístico (esencialmente R), de las mencionadas técnicas multivariantes.
• Adquirir destreza en la resolución de casos reales, con p-variables y observaciones muestrales dadas, detectando la/s técnica/s multivariante/s más adecuada/s; comprobando el grado de verificación de las hipótesis estadísticas requeridas por cada técnica; y efectuar la discusión de los resultados obtenidos plasmados en un informe estadístico final.

• Tema 1. Análisis de Componentes Principales.
  • El problema de la Reducción de la Dimensionalidad.
  • Formulación del modelo.
  • Obtención de las componentes.
  • Consideraciones en las aplicaciones: interpretación de las componentes, puntuaciones de los individuos en las componentes.
  • Herramientas para su aplicación en R.
  • Ejemplos prácticos de aplicación.
• Tema 2. Otras Técnicas de Reducción de la Dimensionalidad
  • Modelos alternativos al Análisis de Componentes Principales.
  • Formulaciones de los modelos.
  • Consideraciones en las aplicaciones.
  • Herramientas para su aplicación en R.
  • Ejemplos prácticos de aplicación.
• Tema 3. Análisis Factorial Exploratorio.
  • Formulación del modelo.
  • El problema de las rotaciones factoriales.
  • Consideraciones sobre las interpretaciones.
  • Herramientas para su aplicación en R.
  • Ejemplos prácticos de aplicación.
• Tema 4. Análisis Factorial Confirmatorio.
  • Formulación del modelo.
  • Consideraciones sobre las interpretaciones.
  • Herramientas para su aplicación en R.
  • Ejemplos prácticos de aplicación.
• Tema 5. Modelos de Ecuaciones Estructurales.
  • Formulación del modelo.
  • Consideraciones sobre las interpretaciones.
  • Herramientas para su aplicación en R.
  • Ejemplos prácticos de aplicación.
• Tema 6. Análisis de Correlaciones Canónicas.
  • Formulación del modelo.
  • Obtención de las variables y correlaciones canónicas.
  • Inferencia en el modelo.
  • Herramientas para su aplicación en R.
  • Ejemplos prácticos de aplicación.

• Prácticas 1-3. Análisis de Componentes Principales en R.
• Prácticas 4-6. Técnicas alternativas de Reducción de la Dimensionalidad en R.
• Prácticas 7-8. Análisis Factorial Exploratorio en R.
• Práctica 9. Análisis Factorial Confirmatorio en R.
• Práctica 10. Modelos de Ecuaciones Estructurales en R.
• Práctica 11. Análisis de Correlaciones Canónicas en R.

• EVERITT, B. & HOTHORN, T. (2011). An Introduction to Applied Multivariate Analysis with R. Springer.
• WOLFGANG, K.H & LEOPOLD, S. (2015), Applied Multivariate Statistical Analysis, Fourth Edition. Springer.
• PEÑA, D. (2002). Análisis de datos multivariantes. McGraw-Hill.
• EVERITT, B. & HOTHORN, T. (2006). A Handbook of Statistical Analysis using R. Chapman & Hall/CRC.
• EVERITT, B. and DUNN, G. (1998). Applied Multivariate Data Analysis, Edward Arnold, London
• BISQUERRA, R. (1989). Introducción Conceptual al Análisis Multivariable. PPU.
• CRAWLEY, M. (2007). The R Book. Willey.
• DALGAARD, P. (2002), Introductory Statistics with R. Springer, New York.
• MARDIA K.V. & BIBBY, K.J.M. (1997). Multivariate Analysis. London: Academic Press.

• FARAWAY, J. (2006), Extending the Linear Model with R.Chapman & Hall/CRC.
• FARAWAY, J. (2004). Linear Models with R. Boca Raton, FL: Chapman & Hall/CRC.
• HARRELLl, F. (2001). Regression Modelling Strategies. New York: Springer Verlag.
• JOHNSON, R. A. & WICHERN, D. W. (1998). Applied Multivariate Analysis, 4th edition, Prentice Hall, Englewood Cliffs, New Jersey.
• VERZANI, J. (2004). Using R for Introductory Statistics. Boca Raton, FL: Chapman & Hall/CRC.
• VOLLE, M. (1989). Analyse des données. Economica.
• WEISBERG, S. (2005). Applied Linear Regression (3 ed.). New York: Wiley.

Using the Rstudio IDE

https://rmarkdown.rstudio.com

• MD01. MD1. Lección magistral/expositiva 
• MD02. MD2. Sesiones de discusión y debate 
• MD03. MD3. Resolución de problemas y estudio de casos prácticos 
• MD04. MD4. Prácticas en sala de informática 
• MD05. MD5. Seminarios 
• MD06. MD6. Ejercicios de simulación 
• MD07. MD7. Análisis de fuentes y documentos 
• MD08. MD8. Realización de trabajos en grupo 
• MD09. MD9. Realización de trabajos individuales 

La superación de cualquiera de las pruebas no se logrará sin un conocimiento uniforme y equilibrado de toda la materia. Se tendrán en cuenta los siguientes procedimientos, aspectos y criterios, asignando a cada uno de ellos un porcentaje que se mantenga en el rango indicado y de tal manera que la suma de los tres constituya el total (100%) de la calificación:

• La evaluación extraordinaria establecida en la Normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada, consistirá en un examen escrito en el que se incluirán preguntas teóricas y ejercicios prácticos sobre el temario que figura en esta guía docente.

• La evaluación única final establecida en la Normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada, consistirá en un examen escrito en el que se incluirán preguntas teóricas y ejercicios prácticos sobre el temario que figura en esta guía docente.

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).

R. RStudio.