Los modelos lineales generales (MLG), aplicados con el programa R, ayudan a resolver problemas agronómicos y ambientales en contextos inciertos. El texto enseña desde la exploración de datos hasta la toma de decisiones y predicciones.
Cover
Title page
Índice
Prefacio
Capítulo 1. Introducción al lenguaje R
1.1. R y R studio
1.1.1. Descarga e instalación de R
1.1.2. Scripts
1.1.3. R Studio
1.2. Lo básico para trabajar con R (y R Studio)
1.2.1. Codificación
1.2.2. Ejecución de comandos
1.2.3. Directorio de trabajo
1.2.4. Carga de datos
1.2.5. Objetos
1.2.6. Tipos y estructuras de datos
1.2.7. Funciones y operaciones
1.2.8. Operaciones con matrices
1.2.9. Datos faltantes
1.2.10. Indexación y filtros
1.2.11 Paquetes (librerías)
1.2.12 Gráficos
1.2.13. La ayuda en R
1.3. Resumen de R en tablas
Capítulo 2. Regresión lineal simple
2.1. Introducción
2.2. Problema
2.3. Datos
2.4. Modelo y ajuste
2. 4. 1. Ajuste del modelo
2. 4. 2 Incertidumbre sobre los parámetros estimados
2.5. Bondad de ajuste
2.5.1. Cuadrado medio del error
2.5.2. Error estándar residual
2.5.3. Coeficiente de determinación (R)
2.5.4. Gráfico de observados vs. predichos
2.6. Validación de supuestos
2.6.1. Homocedasticidad, linealidad e independencia
2.6.2. Normalidad
2.6.3. Los supuestos y el muestreo
2.7. Predicciones
2.8. Hipótesis sobre los parámetros
2.9. Transformaciones
2.10. Valores extremos
Capítulo 3. Modelo unifactorial
3.1. Introducción
3.2. Problema
3.3. Datos
3.4. Modelo y ajuste
3.5. Anova
3.6. Parametrización y contrastes
3.6.1. Parametrización de un modelo factorial
3.6.2. Codificación por desviación
3.6.3. Codificación Helmert
3.6. 4. Modelo de medias
3.6.5. Contraste definido por el usuario
3. 6. 6. Comparación de contrastes
3.7. Comparaciones a posteriori y pruebas múltiples
3.7.1. Test de Fisher
3.7.2. Corrección de Bonferroni
3.7.3. Test de Tukey
3.7.4. Número de repeticiones necesarias
3. 7. 5. Sobre los contrastes (a priori) y las comparaciones múltiples (a posteriori)
3.8. Bondad de ajuste
3.9. Validación de supuestos
Capítulo 4. Modelos multifactoriales
4.1. Introducción
4.2. Problema
4.3. Datos
4.4. Diseño en bloques completos aleatorizados (DBCA)
4.4.1. Muestreo
4.4.2. Exploración de datos
4.4.3. Modelo y ajuste
4.4.4. ANOVA y comparaciones múltiples
4.4.5. Bondad de ajuste y eficiencia del bloqueo
4.4.6. Validación de supuesto
4.5. Diseño factorial
4.5.1. Exploración de datos
4.5.2. Modelo y ajuste
4.5.3. ANOVA y comparaciones múltiples
4.5.4. Bondad de ajuste
4.5.5. Validación de supuestos
Capítulo 5. Regresión lineal múltiple
5.1. Introducción
5.2. Problema
5.3. Datos
5.4. Modelo y ajuste
5. 4. 1. Ajuste del modelo
5.5. ANOVA secuencial y marginal
5. 5. 1. ANOVA secuencial o Tipo I
5. 5. 2. ANOVA marginal o Tipo III
5.6. Multicolinealidad
5. 6. 1. Cambio en el orden de predictores
5. 6. 2. Correlación entre predictores
5. 6. 3. Factor de inflación de varianza
5.7. Intervalos de confianza y de predicción
5.8. Bondad de ajuste
5.9. Validación de supuestos
5.10. Modelos polinómicos
5.11. Bondad de ajuste y capacidad predictiva
5.11.1. Sobreajuste y capacidad predictiva
5.11. 2. Preparación de datos
5.11. 3. Ajuste
5. 11. 4. Validación y capacidad predictiva
Capítulo 6. Regresión con variables categóricas
6.1. Introducción
6.2. Problema
6.3. Datos
6.4. Modelo y ajuste
6.4.1. Ajuste del modelo
6.5. ANOVA
6.6. Intervalos de confianza y de predicción
6.7. Bondad de ajuste
6.8. Validación de supuestos
Capítulo 7. Modelo lineal general
7.1. Introducción
7.2. Problema
7.3. Datos
7.4. Modelo y ajuste
7. 4. 1. Otra forma de escribir el modelo
7. 4. 2. Notación matricial
7. 4. 3. El método de MCO y lm()
7.5. ANOVA
7. 6. Comparaciones múltiples a posteriori
7.7. Selección de variables
7. 7. 1. Criterios de información
7. 7. 2. Selección de variables por criterios de información
Text
Audio
Adobe DRM
Login to your account