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.

Curso impartido en el Museo Nacional de Ciencias Naturales

Madrid, Febrero de 2024

Luis M. Carrascal

Dept. Ecología Evolutiva

Museo Nacional de Ciencias Naturales - CSIC

C/ José Gutiérrez Abascal, 2. 28006 Madrid. SPAIN

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.

MATERIALES DEL CURSO

Presentación del profesor [documento pdf]

Scripts comentados

Modelos generalizados lineales flexibles mediante glmmTMB