Última actualización: 07/05/2018


Curso Académico: 2018/2019

Estadística para las Ciencias Sociales II: técnicas multivariantes
(16623)
Grado en Estudios Internacionales (Plan 2018) (Plan: 408 - Estudio: 305)


Coordinador/a: NIÑO MORA, JOSE

Departamento asignado a la asignatura: Departamento de Estadística

Tipo: Obligatoria
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:

Rama de Conocimiento: Ciencias Sociales y Jurídicas



Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Estadística para las Ciencias Sociales I o una asignatura similar de introducción a la estadística.
Competencias específicas: 1. Comprender los conceptos básicos del análisis estadístico multivariante y sus aplicaciones en las ciencias sociales. 2. Capacidad para realizar un análisis de regresión lineal simple e interpretar los resultados. 3. Capacidad para realizar un análisis de regresión lineal múltiple e interpretar los resultados. 4. Capacidad para realizar un análisis de regresión logística binomial e interpretar los resultados. 5. Capacidad para realizar un análisis de componentes principales e interpretar los resultados. 7. Capacidad para usar software estadístico de forma efectiva. Competencias transversales: 1. Capacidad de análisis y síntesis 2. Capacidad de modelización matemática y estadística 3. Resolución de problemas 5. Razonamiento crítico 6. Comunicación oral y escrita
Descripción de contenidos: Programa
Tema 1. Regresión lineal simple. 1.1. Introducción; motivación; análisis gráfico de datos; formulación del modelo; interpretación de parámetros; ejemplos; aplicaciones; supuestos. 1.2. Ajuste del modelo a los datos; el criterio de mínimos cuadrados; uso del modelo estimado. 1.3. Supuestos del modelo; inferencia de los parámetros del modelo I: intervalos de confianza; inferencia de la respuesta. 1.4. Inferencia de los parámetros del modelo II: contrastes de hipótesis; significación estadística de los parámetros estimados. 1.5. Evaluación del ajuste del modelo; ANOVA; diagnóstico del modelo. Tema 2. Regresión lineal múltiple. 2.1. Motivación; formulación del modelo; interpretación de parámetros; ejemplos; aplicaciones; ajuste del modelo a los datos; el criterio de mínimos cuadrados; uso del modelo estimado. 2.2. Supuestos del modelo; inferencia de los parámetros del modelo I: intervalos de confianza; inferencia de la respuesta. 2.3. Inferencia de los parámetros del modelo II: contrastes de hipótesis; significación estadística de los parámetros estimados; evaluación del ajuste del modelo; ANOVA. 2.4. Selección de variables predictoras; multicolinealidad; diagnóstico del modelo. Tema 3. Regresión logística binomial. 3.1. Motivación; supuestos y formulación del modelo; interpretación de parámetros; ejemplos; aplicaciones. 3.2. Ajuste del modelo a los datos; uso del modelo estimado; inferencia de los parámetros del modelo; significación estadística de los parámetros estimados. 3.3. Evaluación del ajuste del modelo; selección de variables predictoras; multicolinealidad. Tema 4. Análisis de componentes principales. 4.1. Motivación; formulación; varianza explicada; ejemplos; aplicaciones. 4.2. Selección del número de componentes; scores; interpretación de las componentes; representaciones gráficas.
Actividades formativas, metodología a utilizar y régimen de tutorías
Teoría (3 ECTS). Clases teóricas con material de apoyo disponible en la página web de la asignatura. Prácticas (3 ECTS). Clases de resolución de problemas. Prácticas computacionales en aulas informáticas. Tutorías individuales semanales. La metodología docente tendrá un enfoque eminentemente práctico, estando basada en el estudio de diversos conjuntos de datos mediante técnicas de análisis multivariante, tanto en las clases teóricas como en las prácticas, como motivación e ilustración de la teoría.
Sistema de evaluación
  • Peso porcentual del Examen Final 40
  • Peso porcentual del resto de la evaluación 60

Bibliografía básica
  • D.J. Bartholomew, F. Steele, I. Moustaki, J. Galbraith. Analysis of Multivariate Social Science Data, 2nd ed.. Chapman & Hall/CRC. 2008
  • J.F. Hair, W.C. Black, B.J. Babin, R.E. Anderson. Multivariate Data Analysis: A Global Perspective, 7th ed. . Pearson Education. 2010
Recursos electrónicosRecursos Electrónicos *
Bibliografía complementaria
  • Chatterjee, S.. Regression analysis by example. Wiley. 2000
  • N.R. Draper. Applied Regression Analysis, 3rd ed.. Wiley . 1998
  • Peña, D.. Regresión y diseño de experimentos. Alianza. 2002
  • Peña, D.. Análisis de datos multivariantes. McGraw-Hill. 2002
  • Pérez López, C.. Técnicas de análisis multivariante de datos : aplicaciones con SPSS. Pearson Prentice Hall. 2004
  • YOUNGER, M. S.. A First Course in Linear Regression. Duxbury Press. 1985
(*) El acceso a algunos recursos electrónicos puede estar restringido a los miembros de la comunidad universitaria mediante su validación en campus global. Si esta fuera de la Universidad, establezca una VPN


El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.