Guía docente de Diseño Experimental Avanzado (M30/56/2/2)
Máster
Módulo
Rama
Centro Responsable del título
Semestre
Créditos
Tipo
Tipo de enseñanza
Profesorado
- Andrés Catena Martínez
Breve descripción de contenidos (Según memoria de verificación del Máster)
Modelo lineal general, técnicas multivariadas y subrogadas: regresión lineal, regresión penalizada, modelos GAM, varianza y covarianza.
Prerrequisitos y/o Recomendaciones
Conocimiento básico de estadística descriptiva, regresión lineal y análisis de varianza. Conocimiento básico de la metodología de investigación experimental.
En el caso de utilizar herramientas de IA para el desarrollo de la asignatura, el estudiante debe adoptar un uso ético y responsable de las mismas. Se deben seguir las recomendaciones contenidas en el documento de "Recomendaciones para el uso de la inteligencia artificial en la UGR" publicado en esta ubicación: https://ceprud.ugr.es/formacion-tic/inteligencia-artificial/recomendaciones-ia#contenido0
Competencias
Competencias Básicas
- CB6. Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
- CB7. Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
- CB8. Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
- CB9. Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
- CB10. Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
Competencias Generales
- CG01. La adquisición de conocimientos amplios y avanzados sobre los procesos psicológicos básicos y las bases neurales que los sustentan. Los estudiantes deben ser capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios
- CG02. Adquisición de conocimientos prácticos en técnicas de investigación psicológica generales y en los métodos y técnicas específicos de la Neurociencia y de la Neuropsicología. Los estudiantes deben además saber aplicar los conocimientos adquiridos y su capacidad de resolución de problemas a entornos nuevos o poco conocidos dentro de contextos más amplios.
- CG03. Adquisición de conocimientos prácticos en técnicas derivadas de la Neurociencia Cognitiva y del Comportamiento tales como la evaluación e intervención Neuropsicológica. Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas a entornos nuevos o poco conocidos dentro de contextos más amplios
- CG04. Conocimiento de la "aplicabilidad" del conocimiento científico psicológico al ámbito social, educativo y de la salud. Habilidad para enfrentarse a situaciones novedosas en estos ámbitos de aplicación y emitir juicios que incluyan reflexiones sobre responsabilidades sociales y éticas.
Competencias Específicas
- CE05. Conocimientos de las principales metodologías en neurociencia cognitiva, emocional y del comportamiento.
- CE06. Habilidad para aplicar el conocimiento sobre procesos y sus bases neurales a ámbitos aplicados (Neuropsicología, Neurociencia, Ergonomía, Educación,etc.)
Competencias Transversales
- CT01. Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo autodirigido o autónomo. Para ello, adquirirán habilidades para realizar búsquedas de las fuentes bibliográficas y para analizar de forma crítica y organizar la literatura científica sobre temas específicos
- CT02. Que los estudiantes sepan comunicar sus conclusiones -y los conocimientos y razones últimas que las sustentan- a públicos especializados y no especializados de un modo claro y sin ambigüedades; Esto se plasma en la adquisición de habilidades de exposición oral y escrita de trabajos teóricos y de investigación
Resultados de aprendizaje (Objetivos)
El alumno sabrá/comprenderá:
Los principios básicos del modelo lineal general, incluyendo las técnicas univariadas y multivariadas más importantes en el ámbito de la neurociencia cognitiva. Además, deberá comprender/saber los fundamentos y principios básicos de las técnicas subrogradas de análisis de datos, especialmente las concernientes al análisis de datos de neuroimagen funcional.
El alumno será capaz de:
Aplicar el conocimiento teórico al diseño y análisis de experimentos
Programa de contenidos Teóricos y Prácticos
Teórico
Tema 1. El diseño de experimentos
Tema 2. El modelo lineal general. Análisis de regresión.
Tema 3. Análisis multivariado. Regresión penalizada: ridge, lasso y redes elásticas. Regresión por componentes principales. Técnicas de clasificación (predicción de variables categóricas y ordinales).
Tema 4. Análsisis multivariado. Regresión por splines, modelos GAM, análisis de "caja negra" y otras técnicas de análisis uni- y multivariado y subrogado.
Práctico
Práctica 1. Diseñando un experimento
Práctica 2. El modelo lineal general y el análisis de regresión (SPSS).
Práctica 3. Análisis multivariado. La regresión penalizada en R.
Práctica 4. Análisis multivariado y subrogrado. Los modelos GAM, modelos de "caja negra" y otras técnicas de análisis en R.
Bibliografía
Bibliografía fundamental
Bibliografía básica
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: With applications in R (2nd ed.). Springer. https://doi.org/10.1007/978-1-0716-1418-1
Montgomery, D. C. (2017). Design and analysis of experiments (9th ed.). Wiley.
Wood, S.N. (2017) Generalized Additive Models: An Introduction with R, Second Edition. Chapman & Hall/CRC
Modelos lineales, regresión y diseño experimental
Kutner, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2005). Applied linear statistical models (5th ed.). McGraw-Hill.
Peña, D. (2002). Regresión y diseño de experimentos. Alianza Editorial.
McCullagh, P., & Nelder, J. A. (1989). Generalized linear models (2nd ed.). Chapman and Hall.
Regresión penalizada y aprendizaje estadístico (R)
Hastie, T., Tibshirani, R., & Friedman, J. (2017). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer.
Modelos multivariados
Johnson, R. A., & Wichern, D. W. (2019). Applied multivariate statistical analysis (7th ed.). Pearson.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.
GAM, modelos no lineales y “black box”
Hastie, T., & Tibshirani, R. (1990). Generalized additive models. Chapman and Hall.
Wood, S.N. (2017) Generalized Additive Models: An Introduction with R, Second Edition. Chapman & Hall/CRC
Recursos en R y metodológicos modernos
Wickham, H., & Grolemund, G. (2017). R for data science. O’Reilly Media.
Wood, S. N. (2020). Inference and computation with generalized additive models and their extensions. TEST, 29(2), 307–339. https://doi.org/10.1007/s11749-020-00711-5
Simpson, G. L. (2024). Gratia: An R package for exploring generalized additive models. arXiv. https://arxiv.org/abs/2406.19082
Bibliografía complementaria en español
Catena, A., Ramos, M. M., & Trujillo, H. (2003). Análisis multivariado: Un manual para investigadores. Biblioteca Nueva.
Manly, B. F. J. (2007). Métodos de remuestreo: Bootstrap y Monte Carlo. Universidad de Barcelona.
Bibliografía complementaria
Chambers, J. M. (2017). Extending the linear model with R: Generalized linear, mixed effects and nonparametric regression models. Chapman and Hall/CRC.
Morley, M., & Urai, A. (2011). The general linear model (GLM) for dummies. FIL Methods & Development Archive.
https://www.fil.ion.ucl.ac.uk/mfd_archive/2011/page1/mfd2011_GLM.pdf
https://psych.colorado.edu/~carey/qmin/qminchapters/qmin09-glmintro.pdf
(Este es un material docente muy accesible que explica el GLM de forma intuitiva. Estupendo como introducción conceptual.)
Jenkinson, M., & Chappell, M. (2018). Introduction to neuroimaging analysis. Oxford University Press.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2023). An introduction to statistical learning with applications in Python. Springer.
Wood, S. N. (2020). Inference and computation with generalized additive models and their extensions. TEST, 29(2), 307–339.
Kuhn, M. (2024). tidymodels: A tidy unified modeling framework in R.
Enlaces recomendados
Diseño experimental y modelo lineal general:
https://www.fil.ion.ucl.ac.uk/mfd_archive/2011/page1/mfd2011_GLM.pdf. (Explicación intuitiva del modelo lineal general. Muy didáctico)
https://www.ats.ucla.edu/stat/spss/topics/anova.htm. (Tutorial de ANOVA en SPSS, muy claro y aplicado)
https://stats.oarc.ucla.edu/spss/ (Repositorio de tutoriales en SPSS: regresión, ANOVA, GLM)
https://stattrek.com/experiments/experimental-design.aspx (Introducción al diseño experimental clásico)
Regresión penalizada (Ridge, LASSO, Elastic Net):
http://www.sthda.com/english/articles/
http://www.sthda.com/english/articles/36-classification-methods-essentials/149-penalized-logistic-regression-essentials-in-r-ridge-lasso-and-elastic-net/
https://glmnet.stanford.edu/articles/glmnet.html (Referencia fundamental del paquete glmnet)
https://web.stanford.edu/~hastie/glmnet/glmnet_alpha.html (Explicación técnica de regularización en modelos GLM)
https://rviews.rstudio.com/2017/05/18/penalized-regression-in-r/ (Introducción a la regresión penalizada en R)
GAM (Modelos aditivos generalizados)
https://noamross.github.io/gams-in-r-course/. (Curso completo online magnífico de GAM en R, muy didáctico)
https://m-clark.github.io/generalized-additive-models/preface.html. (Introducción muy clara a GAM)
https://fromthebottomoftheheap.net/2017/03/07/an-introduction-to-gam/ (Blog técnico sobre GAM con mgcv)
https://cran.r-project.org/web/packages/mgcv/vignettes/mgcv.pdf. (Web oficial del paquete mgcv en R)
https://people.maths.bris.ac.uk/~sw15190/mgcv/. (Material del propio Simon Wood, autor del libro de GAM)
Modelos multivariados y machine learning (“black box”)
https://www.statlearning.com/. (Recursos online de Introduction to Statistical Learning con vídeos, slides y código en R y Python)
https://www.tmwr.org/. (Tidy Modeling with R — enfoque moderno de machine learning)
https://mlr3.mlr-org.com/. (Framework moderno de ML en R: validación, tuning, pipelines)
https://r4ds.hadley.nz/. (R for Data Science actualizado — flujo de trabajo moderno)
https://www.kaggle.com/learn. (Cursos prácticos de machine learning y análisis de datos)
Multivariante clásico (PCA, clustering, etc.)
https://online.stat.psu.edu/stat505/. (Curso completo de análisis multivariante de Penn State)
https://cran.r-project.org/web/views/Multivariate.html. (Task View oficial de CRAN para análisis multivariante en R)
https://www.statmethods.net/. (Quick-R: referencia rápida muy útil para análisis multivariante)
Recursos generales de estadística aplicada
https://stats.oarc.ucla.edu/. (De los mejores repositorios de estadística aplicada)
https://www.openintro.org/book/os/. (OpenIntro Statistics — libro abierto didáctico)
https://seeing-theory.brown.edu/ (Visualizaciones de estadística y probabilidad)
Metodología docente
- MD01 Lección magistral/expositiva
- MD02 Sesiones de discusión y debate
- MD07 Análisis de fuentes y documentos
- MD11 Exposiciones orales por parte del alumno (seguimiento, asesoramiento y feedback)
- MD12 Elaboración de síntesis de contenidos y preguntas de evaluación
Evaluación (instrumentos de evaluación, criterios de evaluación y porcentaje sobre la calificación final.)
Evaluación Ordinaria
El artículo 18 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que la convocatoria ordinaria estará basada preferentemente en la evaluación continua del estudiante, excepto para quienes se les haya reconocido el derecho a la evaluación única final.
Por tanto, la evaluación consistirá en:
Evaluación de la identificación de los diseños, de su análisis e interpretación. Consistirá en pruebas presenciales orales (15), escritas (30) y memorias (25).
Aportaciones del alumno durante las clases presenciales, como resolución de tópicos y cuestiones de la asignatura (35).
En todos los casos los ejercicios se realizarán de manera presencial.
Evaluación Extraordinaria
El artículo 19 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que los estudiantes que no hayan superado la asignatura en la convocatoria ordinaria dispondrán de una convocatoria extraordinaria. A ella podrán concurrir todos los estudiantes, con independencia de haber seguido o no un proceso de evaluación continua. De esta forma, el estudiante que no haya realizado la evaluación continua tendrá la posibilidad de obtener el 100% de la calificación mediante la realización de una prueba y/o trabajo.
Examen presencial escrito: identificar el diseño, analizar los datos e interpretarlos (75%).
Trabajo presencial sobre problemas de diseño experimental (25%).
Los dos trabajos podrán realizarse en el mismo día y se realizarán de manera presencial.
Evaluación única final
El artículo 8 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que podrán acogerse a la evaluación única final, el estudiante que no pueda cumplir con el método de evaluación continua por causas justificadas.
Para acogerse a la evaluación única final, el estudiante, en las dos primeras semanas de impartición de la asignatura o en las dos semanas siguientes a su matriculación si ésta se ha producido con posterioridad al inicio de las clases o por causa sobrevenidas. Lo solicitará, a través del procedimiento electrónico, a la Coordinación del Máster, quien dará traslado al profesorado correspondiente, alegando y acreditando las razones que le asisten para no poder seguir el sistema de evaluación continua.
Examen presencial, que incluye tanto los desarrollos teóricos como prácticos impartidos durante las clases de la asignatura (100% de la calificación).
Información adicional
La metodología docente y la evaluación serán adaptadas a los estudiantes con necesidades específicas (NEAE), conforme al Artículo 11 de la Normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada. También se procurará, en la medida de lo posible, destacar el papel y las aportaciones de la mujer y otros colectivos especiales al desarrollo científico y tecnológico implicado en esta asignatura.
La metodología docente consistirá en lección magistral, discusión y debate de los temas por parte del alumnado junto con análisis de fuentes y documentos (1/2 hora por sesión de clase) y exposiciones del alumnado (1/2 hora de clase a contar desde la tercera clase) y elaboración de síntesis de contenidos y preguntas.
Las actividades formativas consistirán en: Clases teóricas (32 h), trabajos tutorizados(9 h) y tutorías (5 h), trabajo autónomo-supervisado del estudiante )50 h), presentación de trabajos en publico (2 h) y evaluación (2 h.).
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).
Software Libre