BOCM

LUNES 19 DE MAYO DE 2025

B.O.C.M. Núm. 118

51. Simulaciones. Simulaciones Monte Carlo. Generación de números pseudoaleatorios. Simulación de otras variables aleatorias. Integración Monte Carlo. Métodos avanzados de simulación.
IV. Producción Estadística, Inferencia y modelización
52. Estimación insesgada en diseños muestrales por conglomerados II. Muestreo de
conglomerados con submuestreo: definición, estimadores, varianza y estimador de la varianza.
53. Introducción a problemas de estimación complejos. El efecto del sesgo en intervalos de confianza de las estimaciones. Consistencia e insesgadez asintótica. La técnica de
linealización de Taylor para la estimación de la varianza. Estimador de una razón: varianza y sesgo.
54. El estimador lineal de regresión generalizado. Variables auxiliares. Estimador
diferencia. Introducción al estimador lineal de regresión generalizado (GREG). Expresiones alternativas para el estimador lineal de regresión generalizado. Varianza y sus estimaciones. El papel del modelo.
55. Muestreo Bifásico. Muestreo bifásico. Definición. Elección de estimador. El estimador π*. Muestreo bifásico para la estratificación. Variables auxiliares para la selección
de la muestra en dos fases.
56. Muestreo en dos ocasiones. Estimación del total en cada ocasión. Estimación del
cambio absoluto. Estimación de la suma de totales.
57. Métodos indirectos de estimación de la varianza. Método de los grupos aleatorios. Método de las semimuestras equilibradas. Método Jackknife. Método Bootstrap.
58. Estimación en dominios. Los métodos básicos de estimación en dominios. Condicionamiento sobre el tamaño muestral del dominio. Dominios pequeños: estimadores sintéticos.
59. Reponderación de datos en presencia de falta de respuesta. Tratamientos tradicionales de la falta de respuesta. Vectores auxiliares e información auxiliar. El enfoque de
calibrado. Estimación puntual bajo calibrado.
60. Estimación basada en modelos estadísticos. Aspectos generales de la estimación
basados en modelos. Teoría de la predicción. Comparación con la teoría del muestreo probabilístico en poblaciones finitas.
61. Métodos para el desarrollo, testeo y evaluación de instrumentos de recogida de
datos. Un marco para el desarrollo, testeo y evaluación. Evaluación de preguntas y cuestionarios. Desarrollo, testeo y evaluación de instrumentos de recogida electrónica de datos.
Enfoques multimétodo para el desarrollo, testeo y evaluación. Organización y logística.
62. Modelos lineales generalizados: ajuste de modelo e inferencia. Distribuciones de
la familia de dispersión exponencial para el GLM. Verosimilitud y distribuciones asintóticas
para GLM. Métodos de razón de verosimilitudes/Wald/“score” de inferencia para parámetros
GLM. Desviación de un GLM, comparación de modelos y verificación de modelos. Ajuste
de modelos lineales generalizados. Selección de variables explicativas para un GLM.
63. Modelos de datos binarios. Funciones de enlace para datos binarios. Regresión
logística: propiedades e interpretaciones. Inferencia sobre los parámetros de los modelos de
regresión logística. Ajuste del modelo de regresión logística. Desviación y bondad de ajuste para GMLs binarios. Probit y modelos complementarios Log-Log.
64. Modelos de respuesta multinomial. Respuestas nominales: modelos logit de categoría base (baseline-category logit models). Respuestas ordinales: modelos logit acumulativo y modelos probit.
65. Modelos para datos de recuento. GLMs de Poisson para recuentos y tasas. Modelos de Poisson/Multinomial para tablas de contingencia. GLMs de binomial negativa.
Modelos para datos cero-inflados (zero-inflated).
66. Métodos cuasi-verosimilitud. Inflación de la varianza para GLMs Poisson y Binomial sobredispersas. Modelos Beta-binomial y alternativas quasi-verosimilitud. Cuasiverosimilitud y mala especificación del modelo.
67. Modelos de respuestas correladas. Modelos marginales y modelos con efectos
aleatorios. Modelos mixtos lineales normales. Ajuste y predicción para modelos mixtos lineales normales. MLMG binomial y de Poisson. Ajuste MLMG, inferencia y predicción.
Modelización marginal y ecuaciones de estimación generalizadas.
68. Modelos lineal y lineal generalizado de Bayes. El enfoque bayesiano a la inferencia estadística. Los modelos lineales bayesianos. Los modelos lineales generalizados bayesianos. Modelización empírica bayesiana y jerárquica bayesiana.

BOCM-20250519-1

Pág. 26

BOLETÍN OFICIAL DE LA COMUNIDAD DE MADRID