Modelos Jerárquicos Bayesianos

Desde el lunes, 19 de junio de 2017 hasta el miércoles, 21 de junio de 2017

Organiza: Grupo de Investigación en Estadística, Econometría y Salud (GRECS), de la Universidad de Girona - Grupo 51 del CIBERESP (IP: Marc Saez)

Impartido por: David V. Conesa y por Joaquín Martínez-Minaya, de la Universidad de Valencia.

El curso pretende proporcionar una visión actualizada de la Estadística Bayesiana. En particular de como esta aproximación a la Estadística nos puede ayudar en modelos de gran complejidad. En este contexto se presentan instrumentos computacionales con el fin de aproximar a los investigadores a modelos de enorme utilidad práctica como son los modelos lineales generalizados, los modelos mixtos, los modelos GAM, los modelos espacio-temporales, etc., y que a menudo no se utilizan debido, precisamente, a esa complejidad. En esta línea se explicará el paquete INLA de R que permite hacer inferencia estadística con los modelos aditivos estructurales (los cuales se explicarán dentro del contexto más amplio de modelos jerárquicos Bayesianos) utilizando la aproximación anidada integrada de Laplace (INLA de sus siglas en inglés). En el curso se describirán las funciones más relevantes del paquete R INLA para la estimación de este tipo de modelos mediante esta aproximación, pero también se dará una visión amplia de las bases de la Estadística Bayesiana y sus capacidades para integrar la información relevante previa de los investigadores, con la que aportan los datos. 

Más información

Contacto: Marc Sáez (marc.saez@udg.edu)