CURSO DE ANÁLISIS MULTIVARIANTE EN R: APLICACIÓN EN ECOLOGÍA

CURSO

ANÁLISIS MULTIVARIANTE EN R: APLICACIÓN EN ECOLOGÍA

Introducción

Los análisis multivariantes nos permiten estudiar, analizar, representar e interpretar los datos que resultan de un conjunto de variables sobre una muestra de casos (o individuos). En los últimos años se han popularizado con el nombre de minería de datos, nombre que indica la capacidad de estas técnicas para extraer información a partir de una gran cantidad de datos como materia prima. En este curso se presentarán los principales método de análisis multivariante con su aplicación en R, y utilizando ejemplos aplicados en Ecología.

Requisitos previos

Para realizar este curso es necesario tener conocimientos de estadística básica y de su aplicación computacional en R.

Objetivos del curso

1. Conocer los objetivos y fundamentos teóricos imprescindibles (modelos, hipótesis, supuestos) de las técnicas estadísticas multivariantes más importantes (Análisis de Componentes Principales,Análisis Discriminante, Análisis Cluster; Análisis de Correspondencias, etc.).
2. Obtener una destreza fluida en su aplicación en R.
3. Resolver casos reales, detectando la/s técnica/s multivariante/s más adecuada/s; validando los supuestos del/de los modelos; y la interpretación/discusión de los resultados obtenidos.

Programa

1. Día 1 (7:30 horas)
   • Introducción al análisis multivariante y estadística descriptiva multivariante.
   • Análisis de conglomerados (Cluster) y árboles de regresión multivariada (MRT).
   • Análisis Discriminante (DA).
2. Día 2 (7:30 horas)
   • Análisis de Correspondencias: Simple y múltiple (CA), sin tendencia (DCA), parcial (pCA) y canónico (CCA).
   • Análisis de Componentes Principales (PCA) y Análisis de redundancia (RDA)
3. DÍA 3 (5 horas)
   • Pruebas para diferencias multivariadas entre grupos (MANOVA, MRPP, ANOSIM, NPMANOVA, MANTEL)
   • Escalamiento multidimensional métrico (PCoA) y no métrico (NMDS)
   • Discusión de otras técnicas multivariantes.

Bibliografía

Básica

• Zuur, A. F., Ieno, E. N., & Smith, G. M. (2007). Analysing ecological data (Vol. 680). New York: Springer.
• Borcard, D., Gillet, F., & Legendre, P. (2011). Numerical ecology with R. Springer.
• McGarigal, K., Cushman, S., & Stafford, S. G. (2000). Multivariate statistics for wildlife and ecology research. Springer.
• Oksanen, J. (2011). Multivariate analysis of ecological communities in R: vegan tutorial. R package version, 2-0.

Complementaria

• Everitt, B., & Hothorn, T. (2011). An introduction to applied multivariate analysis with R. Springer.
• Everitt, B. S. (2006). An R and S-PLUS® companion to multivariate analysis. Springer.
• Husson, F., Pagès, J., & Lê, S. (2010). Exploratory multivariate analysis by example using R. AMC, 10, 12.
• Härdle, W., & Simar, L. (2007). Applied multivariate statistical analysis (Vol. 22007). Berlin: Springer.
• Lepš, J., & Šmilauer, P. (2003). Multivariate analysis of ecological data using CANOCO. Cambridge university press.
• Hair, Jr., William C. Black. Barry J. Babin, Rolph E. Anderson. (2010). Multivariate Data Analysis (7th Edition). Pearson Prentice Hall.
• Peña, D. (2002). Análisis de datos multivariantes. McGraw Hill.

Para el curso se ha creado la wiki: http://statisticalecology.wikispaces.com. 

(Necesitas estar invitado para formar parte de ella)