Centro de Investigación en Ciencias de Información Geoespacial

Módulo 0. Introducción a R

• Empezando con R.
• Operadores y estructuras de datos.
• Control de flujo, condicionales y funciones especiales.
• El tidyverse.

Módulo 1. Introducción a la Geomática con R

• Introducción a los datos espaciales.
• Orígenes y formatos de datos espaciales.
• Transformación y conversión de proyecciones.
• Visualización de datos espaciales.
• Manipulación de datos espaciales.

Módulo 2. Estadística descriptiva e inferencial

• Estadística Descriptiva.
• Probabilidad y Significancia Estadística.
• Pruebas de Hipótesis I: Pruebas de Diferencias.
• Pruebas de Hipótesis II: Pruebas correlacionales.
• Regresión lineal simple y múltiple.

Módulo 3. Análisis de la dependencia espacial y conglomerados espaciales

• Autocorrelación Global: Univariada y Multivariada.
• Autocorrelación Local: Univariada y Multivariada.
• El problema de los números pequeños en el cálculo de tasas. Bayes Empírico espacial.
• Análisis de Clusters Espaciales.

Módulo 4. Modelos de Dependencia Espacial

• Regresión Espacial I: SAR y SEM.
• Regresión Espacial II: SAR/2SLS y SAC.
• Regresión Espacial III: SLX y Durbin.
• Fundamentos I: Regresión Logística.
• Regresión Espacial IV: Regresión Logística con efectos espaciales.
• Regresión Espacial V: Regresión Aditiva Generalizada (GAM) con efectos espaciales.
• Fundamentos II: Regresión para Datos de Panel.
• Regresión Espacial VI: SAR y SEM para Datos de Panel.

Módulo 5. Modelos de heterogeneidad espacial

• Introducción a los abordajes complementarios del análisis desde la dependencia y la heterogeneidad espacial.
• Regímenes Espaciales.
• Análisis de tendencia espacial.
• Regresión Geográfica ponderada.
• Regresión Multinivel.

*Temario sujeto a cambios.

Módulo 0

• Comprender el uso del lenguaje R en la ciencia de datos geoespaciales, con la finalidad de familiarizarse con su entorno de trabajo y sus aplicaciones más comunes.
• Comprender los aspectos fundamentales de la sintaxis del lenguaje R para realizar operaciones básicas con variables, estructuras y conjuntos de datos.
• Utilizar los elementos de programación básicos del lenguaje R para la manipulación, la transformación y el procesamiento de diferentes tipos de datos y estructuras.
• Utilizar las funciones del paquete tidyverse para la lectura, escritura, manipulación, transformación y visualización de datos.

Módulo 1

• Comprender los conceptos fundamentales relacionados a la representación de datos geoespaciales y el software y los paquetes de R que se utilizan comúnmente para la manipulación de este tipo de datos.
• Comprender diferentes orígenes y fuentes de datos espaciales, así como su importación y exportación.
• Comprender el concepto de proyección cartográfica y las transformaciones de datos geoespaciales.
• Construir mapas para la visualización de datos geoespaciales usando tres diferentes paquetes de R, y comparar las características y ventajas de cada uno.
• Emplear los paquetes de R más comunes para la manipulación de datos geoespaciales vectoriales y de tipo ráster.

Módulo 2

• Aplicar los conceptos y herramientas fundamentales de estadística descriptiva para interpretar y representar conjuntos de datos de manera clara y efectiva.
• Comprender las bases teóricas de la probabilidad y las distribuciones de probabilidad, el Teorema del Límite Central y los elementos clave de las pruebas de hipótesis.
• Desarrollar la capacidad de aplicar y seleccionar adecuadamente pruebas estadísticas para su uso entre diferentes grupos o variables, distinguiendo las diferencias entre pruebas paramétricas y no paramétricas, así como los supuestos y condiciones para su uso.
• Desarrollar la capacidad de aplicar y seleccionar adecuadamente pruebas estadísticas (paramétricas y no paramétricas) para establecer relaciones entre variables en contextos correlacionales.
• Aplicar los conceptos de regresión lineal simple y múltiple, así como sus técnicas asociadas, utilizando los estadísticos de bondad de ajuste, pruebas de hipótesis sobre los parámetros del modelo, e implementando análisis de interacción y diagnósticos de los supuestos para determinar la validez del modelo.

Módulo 3

• Utilizar los estadísticos globales de autocorrelación espacial, tanto univariados como multivariados, para modelar patrones de dependencia espacial en datos geográficos y calcular la significancia de estos patrones en diferentes contextos.
• Caracterizar las regiones que presentan patrones significativos de asociación y co-localización en sus atributos, utilizando estadísticos locales de autocorrelación espacial para examinar las correlaciones y asociaciones espaciales.
• Aplicar el concepto del problema de inestabilidad en las tasas y los outliers espurios, utilizando el método Bayesiano empírico espacial para corregir estas dificultades en el cálculo de tasas.
• Hacer uso de los métodos de conglomerados, tanto no espaciales como espaciales, para realizar la regionalización de patrones espaciales en datos geoespaciales.

Módulo 4

• Aplicar conceptos y técnicas estadísticas de econometría espacial en la construcción y uso de modelos que apoyen la toma de decisiones informadas en contextos espaciales complejos.
• Hacer uso del modelo SAR/2SLS para resolver problemas de endogeneidad y el modelo SAC para modelar ambos tipos de Dependencia Espacial.
• Hacer uso de modelos de derrama espacial en variables dependientes e independientes, interpretar efectos directos, indirectos y totales, y seleccionar correctamente el modelo más adecuado.
• Aplicar modelos de regresión logística y probit para modelar variables dependientes binarias y conocer la interpretación práctica de los coeficientes en términos de efectos marginales y la evaluación del ajuste del modelo.
• Aplicar modelos probit espaciales al modelado de datos, interpretando los coeficientes en términos de impactos directos e indirectos, y parámetros espaciales relacionados con la autocorrelación en la variable dependiente y los términos residuales.
• Aplicar la regresión GAM para modelar relaciones no lineales y estructuras espaciales mediante el uso de términos suavizados y efectos espaciales, junto con la interpretación de los resultados y gráficos de funciones suavizadas.
• Aplicar modelos de regresión para datos de panel, identificando las ventajas de combinar información transversal y temporal, los efectos fijos y aleatorios, y detectar heterogeneidad no observada.
• Aplicar modelos con datos de panel que integren componentes espaciales, aprendiendo a descomponer e interpretar efectos directos e indirectos en especificaciones SAR y SEM.

 Módulo 5

• Entender las diferencias entre el abordaje de la dependencia y la heterogeneidad espacial con sus variantes, desde la discreta hasta la extrema.
• Aplicar métodos estadísticos y de regresión dummy espacial para detectar la heterogeneidad espacial discreta y las rupturas estructurales en una regionalización dicotómica.
• Implementar modelos de regresión polinomial y expansión de Casetti para modelar y ajustar tendencias espaciales en datos geográficos, incorporando información sobre la localización que demuestre una tendencia espacial.
• Aplicar la regresión geográfica ponderada para modelar la heterogeneidad espacial extrema y explorar sus implicaciones en la distribución espacial de los fenómenos estudiados.
• Aplicar modelos de regresión multinivel con lme4 para procesar datos jerárquicos implementando interceptos y pendientes aleatorias, explorando patrones de correlación entre efectos aleatorios y utilizando técnicas de encogimiento para mejorar la estimación de los efectos.

De admisión

• Contar con nivel mínimo de Licenciatura o equivalente.
• Iniciativa para el estudio independiente.
• Lectura y comprensión de textos en inglés.
• Disponibilidad para asistir a las Sesiones Síncronas los martes y jueves de 18:00 a 20:00 horas (hora del Centro de México).

Técnicos

• Equipo de cómputo con mínimo 4GB en RAM.
• Conexión a Internet.
• Software: Paquetería Office, WinRar, Geoda y R.