Diplomado en Métodos Estadísticos para Ciencias Sociales, Políticas y de la Salud, versión en línea

Módulo 1: Fundamentos de Estadística

Objetivo:

En este módulo se estudian los principios fundamentales de la estadística necesarios para analizar, describir e inferir conclusiones a partir de conjuntos de datos. Se revisan los procedimientos de análisis exploratorio,
probabilidad, variables aleatorias y métodos de estimación e inferencia estadística, incluyendo intervalos de confianza y pruebas de hipótesis.

Temario:
1. Introducción a la estadística, poblaciones y muestras.
2. Análisis exploratorio de datos: variables, escalas de medición, representaciones gráficas y medidas
descriptivas.
3. Fundamentos de probabilidad y distribuciones (binomial, Poisson, normal).
4. Inferencia estadística, distribuciones de muestreo y Teorema Central del Límite.
5. Estimación puntual, propiedades de estimadores y métodos de estimación.
6. Intervalos de confianza para media, varianza y proporción.
7. Pruebas de hipótesis: medias, proporciones, varianzas, coeficiente de correlación y bondad de ajuste.

Módulo 2: Modelo de Regresión Lineal

Objetivo:

Este módulo introduce las técnicas de regresión lineal para modelar relaciones entre variables, evaluar hipótesis,
analizar supuestos y realizar predicciones. Se estudian modelos simples y múltiples, formas funcionales

Temario:
1. Modelo de regresión lineal simple y múltiple.
2. Estimadores de mínimos cuadrados y propiedades (Teorema de Gauss–Markov).
3. Coeficientes de correlación, determinación y correlación parcial.
4. Pruebas de hipótesis y análisis de varianza.
5. Predicción del valor esperado e individual.
6. Formas funcionales.
7. Uso de variables explicativas de tipo cualitativo.
8. Diagnóstico de supuestos: normalidad, homocedasticidad, independencia y multicolinealidad.

Módulo 3: Transformación y Procesamiento de Bases de Datos

Objetivo:

El módulo desarrolla habilidades prácticas para obtener, limpiar, transformar y validar datos utilizando Python.
Incluye manejo de datos tabulares, textuales y geoespaciales, así como técnicas de preprocesamiento, limpieza,
normalización y manejo de datos faltantes.

Temario:
1. Extracción, preparación y transformación de datos.
2. Lectura y escritura de datos en formatos CSV, JSON, HTML y Excel.
3. Limpieza de datos: valores faltantes, duplicados y outliers.
4. Normalización, escalado y transformación avanzada de datos.
5. Manejo de datos categóricos y agrupaciones.
6. Validación y exportación de datos.
7. Introducción al procesamiento de texto y web scraping.
8. Manejo y visualización de datos georreferenciados.

Módulo 4: Modelos para Respuesta Cualitativa

Objetivo:

Se estudian modelos estadísticos para variables dependientes cualitativas, como logit, probit y multinomial. El participante aprenderá a estimar, interpretar y evaluar estos modelos tanto en datos individuales como
agrupados.

Temario:
1. Naturaleza de los modelos de respuesta cualitativa.
2. Modelo lineal de probabilidad.
3. Modelos logit: estimación, inferencia y aplicaciones.
4. Modelos probit: estimación, inferencia y aplicaciones.
5. Modelo multinomial: definición, estimación e interpretación.

Módulo 5: Modelos para Datos Experimentales

Objetivo:

Este módulo presenta metodologías de diseño experimental para evaluar el efecto de factores sobre variables de interés. Incluye diseños completamente al azar, modelos de efectos fijos y aleatorios, diseños factoriales y análisis de covarianza.

Temario:
1. Principios del diseño experimental.
2. Diseño completamente al azar con un factor.
3. ANOVA, comparaciones múltiples y contrastes.
4. Modelos de efectos fijos y aleatorios: análisis y verificación de supuestos

5. Diseños factoriales de dos factores y factorial general.
6. Modelos en bloques al azar: análisis.
7. Análisis de covarianza y diseños para ajustar superficies de respuesta.

Módulo 6: Análisis Estadístico para Datos Panel

Objetivo:

En este módulo se estudian modelos que combinan información de corte transversal y series de tiempo. El participante aprenderá a estimar y analizar modelos de efectos fijos y aleatorios, evaluar supuestos, realizar
predicciones y aplicar pruebas de especificación.

Temario:
1. Naturaleza de los datos panel: ventajas y limitaciones.
2. Modelos balanceados y no balanceados.
3. Modelo de efectos fijos: estimación, inferencia, especificación y diagnóstico.
4. Modelo con efectos aleatorios: estimación e inferencia.
5. Predicción del componente aleatorio y de error: especificación y criterios.
6. Pruebas de especificación: Haussman, heterogeneidad, autocorrelación.

Módulo 7 (21 horas): Modelos para Datos Espaciales

Objetivo:

Este módulo aborda técnicas para analizar datos cuya estructura depende de la localización geográfica. Se estudian conceptos clave como métodos exploratorios, autocorrelación espacial, matrices de pesos y modelos
autorregresivos espaciales.

Temario:
1. Naturaleza y tipos de datos espaciales.
2. Análisis exploratorio espacial (ESDA).
3. Medidas descriptivas espaciales.
4. Análisis de patrones de área, autocorrelación y matrices de pesos espaciales.
5. Introducción a la regresión espacial y modelos autorregresivos