Curso de Modelos Jerárquicos Bayesianos

Modelos Jerárquicos Bayesianos

Presentation:

El objetivo de este curso es dar una visión actualizada de la Estadística Bayesiana, en particular de cómo esta aproximación a la Estadística nos puede ayudar con modelos de gran complejidad. En este contexto, el curso pretende presentar herramientas computacionales para acercar los investigadores a modelos de gran 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 usan debido a su complejidad. En esta línea se explicará el paquete INLA de R que permite hacer inferencia estadística con los modelos aditivos estructurales usando la aproximación anidada integrada de Laplace (INLA de las siglas en inglés). En el curso se describen 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 aporta los datos.

Course program:

  • Introducción a la Estadística Bayesiana. Probabilidad y teorema de Bayes, proceso de aprendizaje Bayesiano, inferencia y predicción, modelos uniparamétricos.
  • Modelización Bayesiana. Inferencia y predicción en modelos con más de un parámetro. Modelos basados en normalidad (LM). Aproximaciones numéricas para realizar la inferencia y la predicción. Markov Chain Monte Carlo como primera opción.
  • Modelo Lineal Generalizado (GLM) como primer caso de modelos aditivos.
  • Modelo Lineal Generalizado (GLM) como primer caso de modelos aditivos estructurados. Introducción a los modelos latentes Gaussianos. Aproximación INLA para los modelos latentes Gaussianos.
  • Incorporación de efectos aleatorios sin estructura o con estructura temporal. Modelos autoregresivos, modelos GAM desde la perspectiva de modelos latentes, y su aproximación con INLA.
  • Incorporación de efectos aleatorios con estructura espacial. Modelos de geoestadística (aplicaciones en Modelos de distribución de especies) y modelos de autocorrelación espacial (como los mapas de enfermedades, más conocidos como disease mapping) usando la aproximación SPDE (Stochastic Partial Differential Equation approach).

Bibliografy:

  • Lindgren, F., Rue, H., and Lindstrom, J. (2011). An explicit link between Gaussian fields and Gaussian Markov random fields: the SPDE approach (with discussion). Journal of the Royal Statistical Society, Series B, 73: 423–498.
  • Rue H., Martino S. and Chopin N. (2009). Approximate Bayesian Inference for Latent Gaussian Models Using Integrated Nested Laplace Approximations. Journal of the Royal Statistical Society, Series B, 71: 319–392.

Professors:

David V. Conesa Guillen - Profesor Titular de Universitat del Departamento de Estadística i Investigació Operativa de la Universitat de València. Miembro de VABAR (Valencia Bayesian Research Group). Docente habitual de Estadística Matemática, Modelización Estadística, y Diseño de Experimentos, en los grados de Matemáticas y Biología. Es editor asociado de las revistes SORT y TEST, y vicepresident de la Sociedad Española de Biometria. Colabora habitualment con el Área de Epidemiologia de la Direcció General de Salut Pública de la Generalitat Valenciana y con el Instituto Español de Oceanografía.

Joaquín Martínez Minaya - Becario del Departament de Estadística e Investigación Operativa de la Universitat de València. Miembro de VABAR (Valencian Bayesian Research group).

Audience:

El curso Modelos Jerárquicos Bayesianos está dirigido a estadísticos profesionales o académicos que deseen profundizar en las aplicaciones de esta técnica, así cómo a investigadores de cualquier ámbito de conocimiento que deseen introducirse en la metodologia estadística de este tipo de análisis.
Para aprovechar las sesiones prácticas es necesario que los participantes tengan conocimientos básicos del software R.

Organization details:

The course Modelos Jerárquicos Bayesianos will be held on November 2016, 14, 15 from 9:00 to 13:00 and from 15:00 to 18:00, and November 16, from 9:00 to 13:00.

The course duration is 15 hours.

The maximum number of participants is 20.

Pre-registration will be formalized via the Servei d'Estadística Aplicada filling out the registration form that you will find on the web. Once we received your form we will send an email to confirm that either you have an assigned place or you are on the waiting list.

Registration fees (2016):

Concept Quantity Import
    External Esfera UAB
Registration
(before October 30th)
1 asist 380,00 €  380,00 €  230,00 €
Registration
(after October 30th)
1 asist 530,00 €  530,00 €  380,00 €

UAB rate: People belonging to the UAB university community may benefit from this rate (PAS, teachers, students) as well as students from other universities as long as they send a copy of the current course registration. In case an invoice is required they will have to be registered with another fee.

(*) Special discounts for unemployed people. Featuring copy of the certificate of occupancy issued by the Oficina de trabajo of the Generalitat de Catalunya.

(*) Special discounts for groups of people from the same company / institution.

(*) All students of any degree in statistics can apply to the Last Minute fee if places are available one week before the course starts (Last Minute fee: No invoice; Price Course 100 €). The request of this fee does not guarantee to take the course until the week before the start.

Payment details:

Once the pre-registration is completed you will receive an email informing of the details for the registration payment.

People interested in applying for an invoice in the name of a company must state in the payment proof the name of their organization and NOT of the attendant of the course himself. Once the payment of the course has been made there will be no refund unless there are circumstances beyond one’s control.

Do wait for our confirmation of the reservation for the course before payment.

Campus d'excel·lència internacional U A B