Introducción a modelos jerárquicos | 2019

Introducción a modelos jerárquicos | 2019

Descripción


El propósito de este curso es presentar modelos estadísticos de datos con jerarquías explícitamente definidas (e.g. votantes anidados en distritos electorales). Dichos modelos permiten incorporar información agregada a distintos niveles, evaluar efectos diferenciales (por grupo) de distintos predictores, y obtener estimados consistentes acerca de efectos grupales incluso cuando existen pocas observaciones en grupos dados. El curso inicia con intuiciones basadas en modelos lineales simples con una jerarquía anidada, para luego generalizar dichas intuiciones a modelos con estructuras no anidadas y modelos no lineales. El curso concluirá con aplicaciones especializadas, incluyendo modelos de postestratificación y regresión multilevel (o MRP por sus siglas en inglés). A cada paso, enfatizaremos los detalles prácticos de la estimación, evaluación e interpretación de estos modelos, utilizando interfaces amigables en R para la estimación de modelos Bayesianos.

Ver programa


Prerrequisitos


El curso requiere conocimiento previo de estimación por máxima verosimilitud, así como familiaridad con el lenguaje de programación R.


Texto requerido

Gelman, Andrew & Jennifer Hill (2007).  Data Analysis Using Regression and Multilevel/Hierarchical Models.  Cambridge: Cambridge University Press.

Texto recomendado

McElreath, Richard (2015). Statistical Rethinking: A Bayesian Course with examples in R and Stan. Boca Raton: CRC Press

Instructor  

Santiago Olivella
Profesor asistente
Universidad de Carolina del Norte-Chapel Hill
olivella@unc.edu
http://www.santiagoolivella.info/ruguay











Santiago Olivella es doctor en Ciencia Política por la Universidad de Washington en St. Louis, Estados Unidos, y es actualmente profesor asistente en la Universidad de Carolina del Norte en Chapel Hill.  Se especializa en métodos cuantitativos aplicados, particularmente en modelos Bayesianos de medición. Algunas de sus áreas específicas de investigación incluyen modelos de redes con comunidades latentes, detección de fraude electoral con modelos de machine learning, modelos Bayesianos de ideología partidaria y comportamiento legislativo en sistemas electorales mixtos.