(Introducci

on a los) Modelos Lineales Generalizados

c 2014, M. de Carvalho

Pontificia Universidad Catolica de Chile
http://www.mat.puc.cl/mdecarvalho
MdeCarvalho@mat.puc.cl
(Curso de pregrado, EYP2355-1) Curso de Magster, EPG3701-1
Objetivo: La regresi
on es un de los pilares del analisis estadstico. En este curso se estudiaran varios metodos de regresi
on para el modelamiento estadstico de datos binarios, conteos y variables continuas. El modelo lineal generalizado
actuar
a como el denominador com
un, siendo la base de todo los metodos de regresion que se estudiaran en el curso.
Datos reales, estudios de caso y datos simulados seran utilizados a lo largo del curso para ilustrar los metodos.
Personal:
Profesor: Miguel de Carvalho.
Ayudante: Sim
on Leiva Meza (SiLeiva@mat.puc.cl).
Horario:
Teora y Metodos (Bloque T&M): Martes y jueves de las 11:30 a las 12:50, Sala 5.
Ejercicios y Aplicaciones (Bloque E&A): Jueves de las 17:00 a las 18:20, Sala 5.
Referencias: La referencia principal es Dobson y Barnett (2008); la bibliografa incluye otros textos recomendados.
Calificaci
on final: (Introducci
on a los) Modelos Lineales Generalizados es un curso de 15 creditos, cuya calificaci
on
final es basada en cuatro elementos: dos proyectos de investigacion aplicada, un examen intermedio y un examen final.
La calificaci
on final ser
a dada por el promedio de estos elementos. No son aprobados alumnos con calificaci
on inferior
a 2.5 en alguno elemento de calificaci
on. La calificacion mnima para aprobacion es un promedio de 4 valores (4 de 7).
M
as detalles se dan a continuaci
on.
Examen Intermedio y Examen Final: El examen intermedio y el examen final se llevaran a cabo en una fecha y
sala a determinar; el examen final ser
a durante el perodo de evaluacion academica final (24/11/201410/12-2014).
No se le permite llevar cualquier material escrito para el examen, pero se puede llevar una calculadora simple.
Proyectos de Investigaci
on Aplicada: Se debe trabajar individualmente en los proyectos de investigaci
on
aplicada, cuyo informe debe ser escrito en TEX (Lamport, 1994), y cuyo codigo R (R Development Core Team,
2011) correspondiente debe ser enviado por e-mail en la fechas de entrega de los proyectos. El uso de Sweave
(Leisch, 2002) es recomendable, aun que no sea obligatorio. La importancia de desarrollar trabajo aplicado no
debe ser subestimada: los proyectos de investigacion necesitan ir mas alla de una simple ilustracion de los metodos
estadsticos, y debera contribuir a la solucion de un problema de interes aplicado, o para apoyar formalmente la
toma de decisiones. Es responsabilidad del alumno presentar una propuesta para el proyecto donde se describa el
conjunto de datos de interes y defina el problema a ser analizado. Los plazos son los siguientes:
Fecha tope para entregar la primera propuesta: 2 septiembre, 2014;
Fecha tope para entregar el primer proyecto: 16 septiembre, 2014;
Charla sobre el primer proyecto: 16 septiembre, 2014;
Fecha tope para entregar la segunda propuesta: 2 octubre, 2014;
Fecha tope para entregar el segundo proyecto: 16 octubre, 2014;
Charla sobre el segundo proyecto: 16 octubre, 2014.
1

Proyectos creativos, rigurosos e interesantes de investigacion aplicada que sean bien escritos y organizados son
obligatorios para obtener una calificaci
on satisfactoria. El codigo R correspondiente debe ser enviado por e-mail
en la fecha de entrega del proyecto al ayudante; los proyectos deben ser entregados impresos al ayudante, enviando
tambien copia por e-mail. Ser
a necesario tambien impartir una mini-charla (3 minutos, 1 lamina) sobre el proyecto
aplicado. Cualquer tentativa de plagio ser
a sancionada con reprobaci
on inmediata.
Web: Otros materiales sobre Modelos Lineales Generalizados pueden ser encontrados en la pagina web del curso:
http://www.mat.puc.cl/mdecarvalho/glm.html

Palabras clave
An
alisis de sobrevivencia; Familia exponencial; Inferencia Bayesiana; Inferencia basada en verosimilitud; Modelos loglineales; Regresi
on lineal; Regresi
on logstica; Regresion de Poisson;

Contenidos de las clases y planificaci

on
1. (1214/08/14) Introducci
on y motivaci
on.
2. (1921/08/14) Ajuste de modelos.
3. (2628/08/14) Famlia exponencial y modelos lineales generalizados.
4. (24/09/14) Estimaci
on.
5. (911/09/14) Inferencia.
6. (16/09/14) Modelos lineales normales.
7. (2325/09/14) Regresi
on logstica i (variables binarias).
8. (30/09/142/10/14) Regresi
on logstica ii (variables nominales y ordinales).
9. (79/10/14) Conteos, regresi
on Poisson y modelos log-lineales.
10. (1416/10/14) Datos de tiempo hasta un evento: analisis de sobrevivencia.1
11. (2830/10/14) Modelamiento de Datos Longitudinales.
12. (46/11/14) An
alisis Bayesiano i: Inferencia.
13. (1113/11/14) An
alisis Bayesiano ii: Monte Carlo va Cadenas de Markov.
14. (1820/11/13) An
alisis Bayesiano iii: Modelamiento.
1 Debido al XI Congreso Latinoamericano de Sociedades de Estad
stica (http://clatse.cl) no habr
a clases en la semana de 2123/10/14
(bloques T&M y E&A).

Bibliografa
Dobson, A. J., y Barnett, A. G. (2008), An Introduction to Generalized Linear Models, Boca Raton: Chapman &
Hall/CRC.
Henrik, M., y Thyregod, P. (2011), Introduction to General and Generalized Linear Models, Boca Raton: Chapman &
Hall/CRC.
Lamport, L. (1994), LATEX: A Document Preparation System, New York: Addison-Wesley Professional.
Leisch, F. (2002), Sweave, Part I: Mixing R and LaTeX: A Short Introduction to the Sweave File Format and Corresponding RFunctions, R News, 2, 2831.
McCullagh, P., y Nelder, J. (1989), Generalized Linear Models, 2.a edicion, Boca Raton: Chapman & Hall/CRC.
Nelder, J., y Wedderburn, R. W. M. (1972), Generalized Linear Models, Journal of the Royal Statistical Society,
Series A, 3, 370384.
R Development Core Team (2011), R: A Language and Environment for Statistical Computing, Vienna: R Foundation
for Statistical Computing.