Métodos analíticos

Temario y referencias

Este es un curso de estadística bayesiana con énfasis en inferencia causal y flujos de trabajo robustos para análisis de datos. Está basado en el material de McElreath (2020).

Todas las notas y material del curso estarán en este repositorio.

• Modelos estadísticos e inferencia causal
• Básicos del flujo de trabajo para inferencia bayesiana
• Básicos de modelación
• Modelos gráficos (DAGS) y efectos causales
• Experimentos. Buenos y malos controles
• MCMC, Monte Carlo Hamiltoniano y Stan
• Flujo de trabajo bayesiano avanzado
• Modelos jerárquicos
• Error de medición y clasificación incorrecta
• Datos faltantes
• Otros métodos de inferencia causal

Evaluación

• Tareas semanales (20%)
• Examen parcial (40% teórico)
• Un examen final (40% práctico)

Material

Cada semestre las notas cambian, en algunas partes considerablemente. Las de este semestre están en este repositorio, incluyendo ejemplos, ejercicios y tareas.

Referencias principales

Este curso sigue aproximadamente la primera referencia (Statistical Rethinking).

• Statistical Rethinking
• Causal Inference in Statistics: a primer
• Counterfactuals and Causal Inference: Methods and Principles for Social Research
• Bayesian workflow]
• Towards a principled Bayesian workflow

Otras referencias

• The Book of Why
• Causal Inference: The Mixtape
• Data Analysis Using Regression and Multilevel/Hierarchical Models
• Pattern Recognition and Machine Learning

Software: R y Rstudio

Para hacer las tareas y exámenes pueden usar cualquier lenguaje de programación que les convenga (R o Python, por ejemplo) - el único requisito esté basado en código y no point-and-click. Adicionalmente usaremos Stan:

• Stan: a state-of-the-art platform for statistical modeling and high-performance statistical computation, que tiene interfaces en R, Python, Julia, etc.

McElreath, R. 2020. Statistical Rethinking: A Bayesian Course with Examples in R and Stan. A Chapman & Hall libro. CRC Press. https://books.google.com.mx/books?id=Ie2vxQEACAAJ.