1. Introducción a los modelos lineales generalizados y ejemplos. Repaso de la teoría de verosimilitud.

2. Modelos lineales para datos continuos, como casos particulares de los Modelos Lineales Generalizados. Estimadores mínimos cuadrados. Tests estadísticos usados en pruebas de hipótesis. Regresión lineal simple y múltiple. Coeficiente de correlación parcial y múltiple. Modelos de análisis de varianza y covarianza. Interpretación de los coeficientes. Diagnósticos para evaluar la bondad de ajuste del modelo.

3. Modelos lineales generalizados. Familia exponencial. Estimadores de máxima verosimilitud. Pruebas de la razón de verosimilitud y el estadístico “deviance”.

4. Modelos lineales generalizados. Familia exponencial. Estimadores de máxima verosimilitud. Pruebas de la razón de verosimilitud y el estadístico “deviance”.

5. Respuestas binarias. Distribución binomial. Datos agrupados y no agrupados. Odds y log-Odds. Transformación “logit”. Estimadores de máxima verosimilitud. Modelos de regresión logística. Estimación y prueba de hipótesis. Comparación de dos grupos. Comparación de varios grupos. Modelos con dos predictores. Modelos con múltiples factores. Otras funciones de enlace. Diagnóstico para los modelos de regresión de datos binarios.

6. Introducción a los modelos de regresión Poisson: Estimación y Pruebas de hipótesis.

7. Modelos log-lineales para tablas de contingencia. Modelos de tablas bidimensionales. Modelos de tablas tridimensionales.

8. Introducción a los modelos multinomiales. El modelo multinomial logit. El modelo multinomial condicional Logit. El modelo jerárquico Logit. Modelos para respuestas ordinales.