Link de Inscripción
a) Tipo de actividad
Curso de Posgrado
b) Denominación
Introducción al uso de Modelos Mixtos en Ciencias Agropecuarias
c) Unidad académica responsable
Facultad de Ciencias Veterinarias. UNNE. Cátedra de Bioestadística.
Sargento Cabral 2139 CP. 3.400 Corrientes. Teléfono/Fax: (+54379) 4425753.
d) Destinatarios
Médicos Veterinarios, Ingenieros Agrónomos, Licenciados en Biología y profesionales de disciplinas biológicas afines.
Requisitos: Conocimientos introductorios de modelos lineales generales (i.e. regresión, análisis de varianza) y generalizados. Conocimientos básicos de SAS (adaptaciones en R disponibles).
e) Fecha de inicio y finalización
Inicio: 17 de julio de 2023.
Finalización: 21 de julio de 2023.
f) Modalidad del cursado
Presencial
g) Carga horaria
40 horas presenciales (8 horas diarias)
h) Cupo
Mínimo: 10 participantes.
Máximo: 30 participantes.
i) Certificaciones a otorgar
Certificado de aprobación
j) Condiciones a cumplir para la emisión del certificado
Se extenderán certificados de aprobación a los cursantes que hayan cumplido con las propuestas por el cuerpo docente, especialmente la presentación del trabajo final.
k) Docentes a cargo
Coordinador general: Dr. Sebastián Sánchez. Prof. Adjunto Bioestadística, FCV-UNNE.
Docente responsable: Dra. Nora Bello. Dept. of Animal Science, The Ohio State University.
l) Infraestructura y equipamiento necesarios
El curso será desarrollado bajo modalidad presencial en los salones de Posgrado de la Facultad de Ciencias Veterinarias, lo que permitirá llevar adelante procesos de comunicación e intercambio que sean de utilidad para docentes y cursantes. Se requiere buenas conexión a internet y equipo de proyección.
m)Fuente/s de financiamiento
El curso se autofinanciará por el ingreso de aranceles abonados por los estudiantes. Se espera que el total podrá ser cubierto con los ingresos correspondientes al cupo mínimo.
n) Becas
En caso de cubrirse los costos del Curso y existir excedente presupuestario al superarse el cupo mínimo de inscriptos, se considerará la posibilidad de otorgar Becas que cubran total o parcialmente el costo de inscripción, dando prioridad a estudiantes de posgrado y docentes de la Facultad.
Programación didáctica del curso
a) Fundamentación
El Curso de modelos mixtos provee una exposición intensiva de metodología estadística aplicada al análisis de datos correlacionados y determinaciones de poder estadístico y tamaño muestral comúnmente utilizadas en diseños experimentales en las ciencias agropecuarias. La estrategia es motivada por ejemplos y basada en procedimientos de análisis con modelos mixtos disponibles en el software SAS.
El Curso está estructurado en una combinación de presentaciones, prácticas de implementación, discusión de casos y trabajos en grupo, en los cuales los estudiantes podrán aplicar los conceptos en sus proyectos de investigación.
b) Objetivos
Ahondar en aspectos conceptuales y de implementación de modelos lineales mixtos, incluyendo modelos generales y generalizados. Especificación, parametrización y métodos de estimación, consideraciones inferenciales (correcciones y aproximaciones para grados de libertad, errores estándar). Diferencias entre especificaciones propias de modelos marginales y condicionales.
Adquirir capacidad para realizar cálculos de potencia y tamaño muestral en experimentos diseñados utilizando modelos lineales mixtos.
Comprender los alcances y limitaciones de los modelos mixtos. Demostración mediante ejemplos de la implementación de métodos estadísticos alternativos a los modelos mixtos.
c) Contenidos
1) Introducción, revisión de conceptos fundacionales. Articulación del proceso de generación de datos: conceptos críticos de diseño experimental, incluyendo replicación experimental, submuestreo, randomización y control de ruido. Herramientas: Comparaciones ANOVA, lineamientos de articulación, ejemplos. Especificación de modelos estadísticos con calibración de error apropiada. Introducción a modelos mixtos.
2) Modelos mixtos lineales generales: introducción. Variables cuantitativas y distribución normal. Especificación de modelos y diseño experimental (bloques, efectos anidados, split-plots). Ajuste de modelos y estimación de parámetros. Inferencia. Implementación con software. Interpretación de resultados estadísticos para toma de decisiones. Articulación de metodología estadística, resultados y conclusiones para preparación de artículos científicos para publicación.
3) Modelos mixtos lineales generales: continuación. Incorporación de diseños experimentales adicionales, incluyendo medidas repetidas, submuestreo y combinaciones. Implementación con software. Discusión de casos.
4) Modelos mixtos lineales generalizados (GLMM): introducción. Variables respuestas no-normales (ej. categóricas, de conteo). Especificación de modelos. Dificultades propias. Implementación con software. Discusión de casos.
5) Análisis de poder estadístico y cálculo de tamaño muestral utilizando modelos mixtos (dependiendo de la disponibilidad de tiempo). Implementación con software.
d) Metodología de enseñanza:
El curso será desarrollado bajo modalidad presencial en los salones de posgrado de la Facultad de Ciencias Veterinarias, lo que permitirá llevar adelante procesos de comunicación e intercambio que sean de utilidad para docentes y cursantes.
Con relación al aprendizaje, se facilitará al estudiante: el acceso a material didáctico referido a casos testigo, al tiempo que se solicitará que provean datos propios para enriquecer el análisis y discutir sobre la forma en que debe ser procesada la información a la luz de los contenidos brindados en el curso.
Se propondrá la realización de tareas de trabajo individual y en grupo que favorezcan el aprendizaje.
e) Materiales didácticos a utilizar
Se trabajará con datos provenientes de experimentos provistos por la Docente a cargo del curso como con datos propios de los estudiantes.
Adicionalmente se analizarán papers disponibles en revistas especializadas del área de las ciencias agropecuarias a efectos de discutir sobre los diseños experimentales utilizados así como de la metodología estadística empleada para analizar los resultados obtenidos.
f) Instancias de evaluación y aprobación
La evaluación de los aprendizajes, conocimientos y habilidades adquiridos en el desarrollo del curso, será realizada en tres momentos:
Inicial: revisión de los conocimientos previos.
Proceso: se tomarán en cuenta los avances en la comprensión de los contenidos del curso, tanto respecto de la resolución de soluciones problemáticas presentadas como de la adecuación a la metodología propuesta para aplicarla en sus propios trabajos experimentales.
Final: presentación de los contenidos aprendidos en el curso con datos propios.
La calificación se realizará conforme a la Escala de Calificaciones vigente de la
UNNE.
g) Modalidad de la evaluación final
La evaluación final será grupal, mediante la presentación de análisis estadísticos con datos propios de los estudiantes
h) Requisitos de aprobación del curso
Para la aprobación del curso, además de cumplir con la evaluación anteriormente mencionada, se deberá acreditar el 80% de asistencia y el pago del arancel.
i) Cronograma estimativo
| Día | Contenido a trabajar |
| 17/07/23 | 1) Introducción, revisión de conceptos fundacionales. |
| 18/07/23 | 2) Modelos mixtos lineales generales: introducción. |
| 19/07/23 | 3) Modelos mixtos lineales generales: continuación. |
| 20/07/23 | 4) Modelos mixtos lineales generalizados (GLMM): introducción. |
| 21/07/23 | 5) Análisis de poder estadístico y cálculo de tamaño muestral. Evaluación. |
j) Bibliografía básica
- Bello, N. M., & Renter, D. G. (2018). Invited review: Reproducible research from noisy data: Revisiting key statistical principles for the animal sciences. Journal of dairy science, 101(7), 5679-5701.
- Claassen, E. “A reduced bias method of estimating variance components in generalized linear mixed models” (2014). ETD collection for University of Nebraska – Lincoln. AAI3618588.
- Gbur, E. E., Stroup, W. W., McCarter, K. S., Durham, S., Young, L. J., Christman, M. & M. Kramer, M. (2012). Analysis of generalized linear mixed models in the agricultural and natural resources sciences. John Wiley & Sons.
- Littell R.C. et al. (2006) SAS for Mixed Models. SAS Institute.
- Stroup, W. W. (2012). Generalized linear mixed models, modern concepts, methods and applications. Chapman & Hall/CRC Texts in Statistical Science
- Stroup, W. W. (2015). Rethinking the analysis of non-normal data in plant and soil science. Agronomy Journal, 107(2), 811-827.
- Stroup, W.W. and E. Claassen (2020). Pseudo likelihood or quadrature? What we thought we knew, what we think we know and what we are still trying to figure out. Journal of Agricultural, Biological and Environmental Statistics 25(4): 639-656.
- Stroup, W. W., Milliken, G. A., Claassen, E. A., & Wolfinger, R. D. (2018). SAS for Mixed Models: Introduction and Basic Applications. SAS Institute.
Software: SAS® OnDemand for Academics: https://www.sas.com/en_us/software/on-demand-for-academics.html . Para ser descargado con anticipación de forma gratuita por los estudiantes (requiere dirección de correo electrónico institucional