Tema 1: Teoría del Modelo Lineal Generalizado (MLG):
Introducción. Definición MLG. La familia exponencial de distribuciones. Función de Enlace.
Estimación por Máxima verosimilitud. Contrastes de hipótesis: Test de Wald, Test de razón de
verosimilitud y deviance.Enlaces Logit, probit y log para modelos Binomial y Poisson.
Tema 2: MLG para Datos Binarios:
Regresión Logística. Definición de posibilidad (Odds ratio). Estimación y contraste de hipótesis.
Medidas de bondad de ajustes. Comparación entre dos y más grupos. Modelos multifactoriales.
Métodos para seleccionar modelos. Diagnósticos de regresión para datos binarios.
Tema 3: Modelo Poisson:
Introducción. Modelo log lineal. Estimación por máxima verosimilitud.
Test de hipótesis. Medidas de bondad de ajustes. Técnicas para analizar datos agrupados.
Tema 4: Análisis de Datos Categóricos usando SAS:
Uso de los procedimientos: LOGISTIC, CATMOD y GENMOD para analizar datos binarios,
multinomiales, poisson e exponenciales.
Falta de convergencia en la estimación por el método máximo verosímil y el uso de métodos
exactos de estimación y test de hipótesis. Solución de problemas de sub y sobre dispersión.
Ecuaciones de estimaciones generalizadas (GEE). Métodos de diagnósticos de regresión por
residuos de Pearson y por Deviance.