Anal is is Multi Vara Vanz a Do 2015

7/24/2019 Anal is is Multi Vara Vanz a Do 2015

1/9

Departamento de Sociologa IVFacultad de Ciencias Polticas y SociologaUniversidad Complutense de Madrid

en Metodolog a de la Investigaci nen Ciencias Sociales: Innovaciones y Aplicaciones

f: (+34) 91 394 2671 (Secretara del Departamento)ax: (+34) 91 394 2673mail: [email protected] www.ucm.eswww.ucm.es/info/mmccss

PROGRAMA DE LA ASIGNATURA

ANLISIS MULTIVARIABLE AVANZADO

Curso 2015-2016

(Optativa - Segundo semestre)

Profesores: M ngeles Cea DAnconaJavier lvarez Glvez


2/9




DESCRIPTOR

Conocimiento y dominio de tcnicas analticas multivariables complejas,conjugando la teora con la prctica en investigaciones sociales reales.

OBJETIVOS FORMATIVOS

1- Conocimiento y uso de tcnicas de anlisis multivariable a nivel avanzado,

mostrando su adecuacin a objetivos concretos de investigacin.2- Manejo de software para el anlisis de datos (Excel, SPSS, Amos)

3- Profundizar de manera terica y prctica en las diferentes fases queconvergen en la aplicacin de tcnicas multivariables (desde los preliminaresdel anlisis hasta la presentacin de los resultados).

4- Avanzar en los criterios de calidad en la ejecucin de las diferentes tcnicasanalticas.

5- Conseguir que los alumnos sean capaces de planificar y aplicar la estrategiaanaltica que ms se adece a una investigacin concreta.

COMPETENCIAS A DESARROLLAR

En consonancia con la Memoria modificada del Mster, esta asignatura optativaest especialmente relacionada con la adquisicin de las siguientes competencias:bsicas (CB), generales (CG), transversales (CT) y especficas (CE)1:

BSICA:

CB6 - Poseer y comprender conocimientos que aporten una base u oportunidadde ser originales en el desarrollo y/o aplicacin de ideas en un contexto deinvestigacin

CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y sucapacidad de resolucin de problemas en entornos nuevos o poco conocidos

1Vase una relacin ms completa de stas en: http://pendientedemigracion.ucm.es/info/mmccss/plan.html.

Tngase en cuenta que dichas competencias se comparten a su vez con otras asignaturas.
http://pendientedemigracion.ucm.es/info/mmccss/plan.htmlhttp://pendientedemigracion.ucm.es/info/mmccss/plan.htmlhttp://pendientedemigracion.ucm.es/info/mmccss/plan.html


3/9




dentro de contextos ms amplios (o multidisciplinares) relacionados con su reade estudio

CB10 - Que los estudiantes posean las habilidades de aprendizaje que lespermitan continuar estudiando de un modo que habr de ser en gran medidaautodirigido o autnomo.

GENERALES:

CG3 - Demostrar capacidad de iniciativa e invencin para elegir o idear mtodosde investigacin segn las demandas de estudio social.

TRANSVERSALES:

CT1 - Capacidad de aplicar los conocimientos adquiridos en metodologa de lainvestigacin al anlisis de fenmenos, situaciones o problemas sociales.

CT5 - Capacidad de auto-aprendizaje y de bsqueda autnoma de lainformacin, que permita abordar el estudio de tcnicas novedosas o reas deaplicaciones nuevas, as como avanzar hacia la consecucin de una tesis doctoralen los casos que se busque ese objetivo.

ESPECFICAS:

CE3 - Conocimiento y uso de tcnicas estadsticas de anlisis multivariable.

METODOLOGIA DOCENTE

De acuerdo con los crditos que el plan de estudios asigna a esta asignatura, eltemario programado se desarrollar tanto de forma terica como prctica,poniendo especial nfasis en el componente prctico:

Teora: exposicin terica acompaada de ejemplos ilustrativos de anlisiscon datos reales, para facilitar la comprensin de los contenidos tericos. Sepondr especial nfasis en las condiciones de aplicacin de los diferentes


4/9




modelos estadsticos, la adecuacin de su uso y la interpretacin de losresultados (ms que sus derivaciones matemticas).

Prctica: analizar una encuesta real (elegida por el alumno) aplicando latotalidad de las tcnicas estadsticas explicadas. Esta prctica de mayorrelieve se suma a otras parciales: 1) interpretacin pormenorizada dediferentes salidas de ordenador (a la par que se explican los contenidostericos de cada tcnica analtica); 2) bsqueda y explicacin (por parte delalumno) de investigaciones reales que hayan aplicado cada una de lastcnicas analticas multivariables y su exposicin en clase.

De modo que la distribucin de las actividades docentes se ajustar a lossiguientes apartados que marca la Memoria del Mster:

Sesiones tericas, de carcter magistral o similar (acompaadas deejemplos y debate, con participacin de estudiantes a partir de ladocumentacin bibliogrfica u otros materiales propuestos).

Sesiones prcticas (de discusiones y exposiciones sobre supuestosprcticos; de ejercicios en aula, salas informticas o laboratorio, etc.).

Tutorizacin de trabajos individuales o en equipo que precisan actividadformativa no-presencial.

Aprovechamiento del campus virtualpara difusin de materiales de apoyo ala docencia, entrega de ejercicios y correccin de los mismos.

Seminarios, conferencias o similares, con invitados externos o expertos.

TEMARIO

1. Regresin logstica y su aplicacin a la investigacin social

Relacin con otras tcnicas analticas multivariables Supuestos bsicos para su correcta realizacin Fases principales en su aplicacin Preliminares del anlisis: la preparacin de los datos Obtencin del modelo y su interpretacin Ajuste y eficacia predictiva del modelo de regresin logstica


5/9




2. Anlisis discriminante y su complementariedad con otras tcnicasmultivariables

Distintividad y fundamentos del anlisis discriminanteRequisitos para su correcta aplicacinFases principales en su realizacin

Preliminares del anlisis: decisiones clave y anlisis previos de lasdiferencias grupales

Estimacin e interpretacin de las funciones discriminantes cannicas Evaluacin de la capacidad predictiva de las funciones discriminantes Interpretacin de los resultados: tablas y representaciones grficas Validez de los modelos discriminantes Aplicacin conjunta con otras tcnicas analticas multivariables:

Modelos con una sola funcin discriminante versus regresinlogstica

Modelos con ms de una funcin discriminante comocomplemento al anlisis de conglomerados

3. El anlisis multinivel

La lgica del anlisis multinivel Regresin lineal vs. multinivel

Estimacin del modelo nulo o lnea de base La estimacin de modelos de efectos fijos y ajuste general La estimacin de modelos de efectos aleatorios La introduccin de interacciones entre niveles Evaluacin de los modelos

4. Modelos de Ecuaciones Estructurales

Orgenes del modelado de ecuaciones estructurales y su relacin conotras tcnicas multivariables

Supuestos bsicos del modelado de ecuaciones estructurales Fases principales en la obtencin de un modelo de ecuaciones

estructurales Especificacin del modelo causal y su identificacin: los modelos

estructural, de medicin, su articulacin y especificacin del modeloglobal

Preparacin de los datos para el anlisis: tratamiento de los casos sinrespuesta y matrices de datos

Estimacin del modelo: mtodos alternativos de estimacin deparmetros

Evaluacin de los modelos estructural y de medicin: estimacioneserrneas, atpicos y el ajuste del modelo global

Mejora del modelo: su modificacin o reespecificacin


6/9




Modelos complejos (multinivel, multi-grupo, no-recursivos,bootstrapping) Presentacin del modelo final

5. La especificidad del anlisis factorial confirmatorio

Del anlisis factorial exploratorio al confirmatorio: supuestos bsicos Preparacin de los datos para el anlisis Especificacin y estimacin de los parmetros del modelo Evaluacin del modelo y su reespecificacin

BIBLIOGRAFA BASICA

Cea D'Ancona, M A. (2002/2008) Anlisis multivariable. Teora y prctica en lainvestigacin social.Madrid. Sntesis.

IBM SPSS 19. (Manuales)

Hair, J. F. et al. (1999/2005) Anlisis multivariante.Madrid. Prentice Hall.

Lvy Mangin, J.P. y Varela Mallou, J. (eds.) (2003/2008)Anlisis multivariables paralas ciencias sociales. Madrid. Pearson-Prentice Hall.

Pardo Merino, A. y Ruiz Daz, M. A. (2005) Anlisis de datos con SPSS 13 Base.Madrid. McGraw Hill.

Prez, C. (2004) Tcnicas de anlisis multivariante de datos. Madrid. Prentice Hall.

Tacq, J. (1997) Multivariate analysis techniques in social science research. Fromproblem to analysis, London, Sage.

BIBLIOGRAFA COMPLEMENTARIA

Albright, J.J & Marinova, M.D. (2010). Estimating Multilevel Models using SPSS,Stata, SAS, and R. Stat/Math Center, University of Indiana

Batista Foget, J. y Coenders Gallart, G. (2012) Modelos de ecuacionesestructurales: modelos para el anlisis de relaciones causales. Madrid. La MurallaD.L.

Bollen, K. A. (1989) Structural equations with latent variables. New York. JohnWiley & Sons.


7/9




Bollen, K. A. y Long, J .S. (eds.) (1993) Testing structural equation models.Newbury Park. Sage.

Brown, T. A. (2006) Confirmatory factor analysis for applied research. New York.The Guilford Press

Byrne, B. M. (2001) Structural equation modeling with AMOS: basic concepts,applications, and programming. Mahwah, New Jersey. Lawrence ErlbaumAssociates.

Carey, K. (2000). A multilevel modeling approach to analysis of patient costs undermanaged care. Health Economics, 9, 435-446

Cebolla Boado, Hctor (2013) Introduccin al anlisis multinivel. CuadernosMetodolgicos. CIS: Madrid.

Courgeau, D. & Baccaini, B. (1998). Multilevel Analysis in the Social Sciences.Population: An English Selection, special issue New Methological Approaches inthe Social Sciences, 1998, 39-71.

Garson, D. (2012) Discriminant Function Analysis (Statistical Associates Blue BookSeries). Kindle Edition.

Gil Flores, J., Garca Jimnez, E. y Rodrguez Gmez, G. (2001) Anlisisdiscriminante. Madrid. La Muralla.

Goldstein, H. (1998). Multilevel Models for Analyzing Social Data. Encyclopaedia ofSocial research Methods.

Goldstein, H. (1995). Multilevel Statistical Models, (2nd Edition). London, EdwardArnold.

Goldstein, H., Browne, W.J. & Rasbash, J. (2002). Multilevel modeling in MedicalData. Statistics in Medicine, 21, 3291-3315.

Goldstein, H. & Rasbash, J. (1992). Efficient computational procedures for theestimation of parameters in multilevel models based on iterative generalizedleast squares. Computational Statistics and Data Analysis, 13, 63-71.

Goldstein, H., Rasbash, J., Yang, M., Woodhouse, G., Pan, H., Nuttall, D. & Thomas,

S. (1993). A Multilevel Analysis of School Examination Results. Oxford Review ofEducation, 19, 425-433.

Goldstein, M. y Dillon, W. R. (1978) Discrete discriminant analysis.New York. JohnWiley and sons.

Hand, D. J. (1996) Discrimination and classification. Chichester. Wiley.

Hox, J.J. (2010). Multilevel Analysis: Techniques and Applications, (2nd Edition).New York, Routledge Academic.

Hox, J.J. (1995). Applied Multilevel Analysis. Amsterdam, TT-Publikaties.


8/9




Hox, J.J. (1994). Hierarchical Regression Models for Interviewer and RespondentEffects. Sociological Methods and Research, 22, 300-318

Hoyle, R. H. (1995) Structural equation modelling: concepts, issues andapplications. Thousand Oaks, California. Sage.

Huberty, C. J. (1994)Applied Discriminant Analysis. Chichester. Wiley.

Huberty, C. J. y Olejnik, S. (2006) Applied manova and discriminant analysis.Hoboken, N.J. Wiley Series in Probability and Statistics.

Jaime Castillo, A.M., Marqus Perales, I. y lvarez-Glvez, J. (2015) The Impact ofSocial Expenditure on Attitudes Towards Immigration in Europe. Social Indicators

Research. Online version.Klecka, W. R. (1980) Discriminant analysis.Beverly Hills. Sage.

Kline, R. B. (2007) Principles and practice of structural equation modeling. NewYork. Guilford Press

Long, J. S. (1983/1991) Confirmatory factor analysis.Newbury Park. Sage.

McLachlan, G. J. (2004) Discriminant analysis and statistical pattern recognition.New York. John Wiley.

Rice, N., Carr-Hill, R., Dixon, P. & Sutton, M. (1998). The influence of householdson drinking behaviour: A multilevel analysis. Social Science & Medicine, 46, 8,

971-979.Rice, N. & Jones, A. (1997). Multilevel models and health economics. Health

Economics, 6, 561-575.

Ruiz, M. A., Pardo, A. y San Martn, R. (2010) Modelos de ecuacionesestructurales. Papeles del Psiclogo, 31(1):34-45.

Uriel, E. C. (1995) Anlisis de datos. Series temporales y anlisis multivariante,Madrid, Editorial AC.

METODO DE EVALUACION

Se adoptar un sistema combinado de evaluacin continua y calificacinprogramada de actividades formativas relacionadas con las competencias previstas,basado en los criterios y aspectos siguientes. En todo caso, para ser evaluado ysuperar la asignatura (que tiene un carcter presencial), se requiere la asistencia al80% de las sesiones, como mnimo. La calificacin final se compondr y ponderardel modo siguiente:


9/9




Asistencia y participacin en clase (10%). Exposicin de lecturas y de prcticas concretas (10%).

Aplicacin de las diferentes tcnicas analticas multivariables explicadas enuna encuesta real (50%).

Evaluacin continua que se complementar con un examen terico-prcticode los contenidos del programa exigidos para superar la asignatura (30%).

INFORMACION DE CONTACTO

Departamento de Sociologa IVFacultad de Ciencias Polticas y SociologaUniversidad Complutense de MadridCampus de Somosaguas, s/n28223 - Pozuelo de AlarcnMadrid (Espaa)

http://www.ucm.es/info/mmccss

M ngeles Cea DAncona

Tlf: (+34) 91 394-2672

[email protected]

Horario de tutoras: (lunes de 13:00 a 15:00 hs.), despacho 3315

Javier lvarez Glvez

Tlf: (+34) 91 394-2669

[email protected]

Horario de tutoras: (lunes de 13:00 a 15:00 hs.), despacho 3311
http://www.ucm.es/info/mmccsshttp://www.ucm.es/info/mmccssmailto:[email protected]:[email protected]:[email protected]:[email protected]:[email protected]:[email protected]://www.ucm.es/info/mmccss

Anal is is Multi Vara Vanz a Do 2015

Documents

Transcript of Anal is is Multi Vara Vanz a Do 2015