DOMINANDO LOS MODELOS glmmTMB: FLEXIBILIDAD Y PODER EN ANÁLISIS ESTADÍSTICOS AVANZADOS. Abordando modelos mixtos, distribuciones diversas, relaciones no lineales y el control de efectos espacio-temporales.

Profesor:

Luis M. Carrascal

    Profesor de Investigación - CSIC

    Museo Nacional de Ciencias Naturales – Madrid, CSIC

Resumen:

Este curso intensivo se centra en el uso del paquete glmmTMB en RStudio, una herramienta estadística versátil para el análisis complejo de datos. Presentaremos su amplia gama de aplicaciones, desde modelos de efectos fijos y aleatorios (mixtos o jerárquicos) hasta la gestión de auto-correlaciones espaciales y temporales. Descubriremos cómo glmmTMB maneja diversas asunciones para la distribución de la variable respuesta, y exploraremos relaciones no lineales mediante el uso de splines. Ideal para investigadores y técnicos que necesiten amplias competencias para análisis estadísticos complejos y versátiles, utilizando un mismo esquema y entorno de trabajo, este curso proporcionará habilidades prácticas en múltiples campos.

Temario

1. Características de los modelos glmmTMB. Convergencia con modelos (g)lm y (g)lmer.
2. Modelos para variables continuas con familias gaussianas, gamma y tweedie.
3. Modelos para variables discretas con familias poisson, poisson generalizado y binomial negativa.
4. Modelos para variables infladas de ceros (modelos zero-inflated y hurdle).
5. Modelos para variables binomiales con familias, binomial, betabinomial y beta.
6. Establecimiento de modelos mixtos de efectos aleatorios (random intercept – fixed slopes, correlated random intercept and slopes, uncorrelated random intercept and slopes, varios efectos aleatorios anidados).
7. Estima de efectos no lineales mediante el uso de natural splines, basis splines y términos polinomiales.
8. Resolviendo la incertidumbre al seleccionar el modelo usando diferentes distribuciones de la respuesta, términos aleatorios y efectos no lineales.
9. Examen de los supuestos del buen modelo: normalidad residual, homocedasticidad residual, existencia de puntos influyentes y perdidos, sobredispersión, multi-colinealidad y valores VIF, existencia de autocorrelación residual espacial y temporal.
10. Resultados 1: ómnibus test del modelo, variabilidad explicada por el modelo (partes condicional y marginal), tablas de bondad de ajuste y AUC para las respuestas binomiales.
11. Resultados 2: coeficientes del modelo, efectos parciales estandarizados, intervalos de confianza, tablas “anova”.
12. Resultados 3: medias marginales, visualización de efectos parciales.
13. Resultados 4: simplificación del modelo mediante el criterio AICc de Akaike.
14. Incertidumbre de las estimas asociadas a datos influyentes y perdidos; bootstraps del modelo.
15. Análisis permulatcional del modelo ante violaciones de los supuestos del buen modelo.
16. Control de la sobredispersión residual.
17. Control de la autocorrelación temporal.
18. Control de la autocorrelación espacial.