Download PARTE I: FUNDAMENTOS DEL ANÁLISIS DE REGRESIÓN CON
Document related concepts
no text concepts found
Transcript
PARTE I: FUNDAMENTOS DEL ANÁLISIS DE REGRESIÓN CON DATOS DE CORTE TRANSVERSAL INTRODUCCIÓN: EL ENFOQUE ECONOMÉTRICO 1. ¿Qué es la econometría y para qué sirve? La naturaleza del enfoque econométrico 2. Modelos económicos comportamiento, modelos y econométricos: uniecuacionales, identidades modelos y relaciones multiecuacionales, endogeneidad y exogeneidad, modelos estáticos, modelos dinámicos 3. Los datos: corte transversal, series temporales, datos de panel 4. Fases y objetivos de un estudio econométrico BIBLIOGRAFÍA: BEYAERT, A. et al. , (1999), capítulo 1. WOOLDRIDGE, J., (2004), capítulo 1. NOVALES, A., (1993), Introducción STOCK, J. & WATSON, M., (2003), chapter 1. CAPITULO 1: EL MODELO BÁSICO DE REGRESIÓN LINEAL: ESTIMACIÓN 1. Hipótesis básicas del modelo lineal: linealidad en los parámetros, muestra aleatoria, regresores exógenos y no colineales, homoscedasticidad 2. Estimación minimocuadrática del modelo básico a) el estimador MCO de b) sus propiedades bajo los supuestos básicos; el teorema de Gauss-Markov 3. Normalidad de los errores: estimación máximo-verosímil a) el estimador; comparación con el estimador MCO b) sus propiedades 4. Bondad del ajuste e interpretación de los resultados BIBLIOGRAFÍA: BEYAERT et al. (1999), capítulo 2 GREENE, W.H., (1998), capítulo 6 JOHNSTON,J. y DINARDO,J. (2001), cap. 1 y 3 WOOLDRIDGE,J., (2004), capítulos 2, secciones 2.1, 2.2, 2.3, 2.5, capítulo 3. CAPITULO 2: EL MODELO BÁSICO DE REGRESIÓN LINEAL: INFERENCIA Y PREDICCIÓN 1. Normalidad de los errores: a) distribución muestral del estimador MCO b) contraste de Student relativo a un sólo parámetro c) contraste de Fisher relativo a combinaciones lineales de parámetros c) intervalos de confianza 2. Errores no normales: a) distribución muestral asintótica del estimador MCO b) contrastes e intervalos de confianza aproximados 3. Estimación bajo restricciones lineales y formas alternativas de contraste de restricciones 4. Predicción: por punto y por intervalo. BIBLIOGRAFÍA: BEYAERT et al. (1999), cap. 3 GREENE, W.H. (1998), cap. 7 JOHNSTON,J. Y DINARDO,J. (2001), cap.3 WOOLDRIDGE (2004), cap.. 4 Y 5 CAPÍTULO 3: MULTICOLINEALIDAD y ERRORES DE ESPECIFICACIÓN 1. Multicolinealidad a. Multicolinealidad perfecta b. Multicolinealidad fuerte: i. Detección y Efectos ii. Soluciones 2. Errores de especificación a. Variable irrelevante incluida: i. Efectos ii. Detección y solución b. Variable relevante omitida i. Efectos ii. Detección y solución c. Mala especificación funcional i. Efectos ii. Detección y corrección iii. Especificaciones no lineales sencillas d. Contraste para escoger entre modelos no anidados. e. Recomendaciones prácticas BIBLIOGRAFÍA : BEYAERT et al. (1999), cap. 3 y 4 JOHNSTON, J. y DINARDO, J. (2001), Cap. 4 GREENE, W.H. (1998), cap. 8 y 9 MADDALA, G.S. (2001), cap. 12 STOCK, J. y WATSON, M. (2003), cap. 6 WOOLDRIDGE, J. (2004), cap. 9 CAPÍTULO 4: VARIABLES CUALITATIVAS 1. Información cualitativa en los regresores a. Variables ficticias aditivas b. Variables ficticias multiplicativas c. Efectos de interacción d. Cambio de función de regresión entre grupos 2. Un modelo simple de variable dependiente binaria: el modelo lineal de probabilidad BIBLIOGRAFÍA: BEYAERT et al. (1999), cap. 5 JOHNSTON, J. y DINARDO, J. (2001), Cap. 4 WOOLDRIDGE, J. (2004), cap. 7 CAPÍTULO 5: HETEROSCEDASTICAD 1. Errores heteroscedásticos: consecuencia sobre las propiedades del estimador MCO 2. Contrastes de detección de la heteroscedasticidad : White y otros 3. ¿Qué hacer en presencia de heteroscedasticiad? a. Errores estándar y contrastes robustos a la heteroscedasticidad: resultados de White b. Estimación por Mínimos Cuadrados Generalizados i. Casos en los que se puede aplicar el estimador puro ii. Casos en los que se debe recurrir al estimador factible BIBLIOGRAFÍA: BEYAERT, A. et al. (1999), cap. 6 WOOLDRIDGE, J (2004), cap. 8 GREENE, W.H. (1998), cap. 12 JOHNSTON, J. y DINARDO, J. (2001), cap. 6 CAPÍTULO 6: REGRESORES ENDÓGENOS 1. Causas de endogeneidad: errores de medida, variables omitidas, simultaneidad 2. Estimación por Variables Instrumentales a. Tantos instrumentos como regresores b. Más instrumentos que regresores: el estimador por Mínimos Cuadrados en dos etapas 3. Contrastes en el marco de la estimación por variables instrumentales a. Contrastes de exogeneidad b. Contrastes sobre los instrumentos BIBLIOGRAFÍA: BEYAERT, A. et al. (2000), cap. 2 GREENE, W.H. (1998), cap. 9 JOHNSTON, J. y DINARDO, J. (2001), Cap.5 WOOLDRIDGE,J. (2004), cap. 15 PARTE II: FUNDAMENTOS DEL ANÁLISIS DE REGRESIÓN CON DATOS DE SERIE TEMPORAL CAPÍTULO 7: LOS PROCESOS ARIMA – INTRODUCCIÓN 1. Objetivo y ámbito del estudio de modelos ARIMA. 2. Proceso estocástico: concepto, estacionariedad, dependencia débil. 3. Procesos lineales ARMA. 4. Procesos ARIMA(p,d,q). BIBLIOGRAFÍA: NOVALES (1993), cap. 13. URIEL y PEIRÓ (2000), cap. 3. CAPÍTULO 8: LOS PROCESOS ARIMA – PREDICCIÓN 1. Introducción. 2. Predicción puntual con un modelo ARMA. 3. Predicción por intervalo con un modelo ARMA. 4. Predicción con un modelo ARIMA. BIBLIOGRAFÍA: NOVALES (1993), cap. 13. URIEL y PEIRÓ (2000), cap. 7. CAPÍTULO 9: LOS PROCESOS ARIMA – LA METODOLOGÍA DE BOX-JENKINS 1. Identificación de modelos ARIMA: 1.1. Objetivo de la identificación de los modelos ARIMA. 1.2. Identificación de p y q en modelos estacionarios. 1.3. Análisis de estacionariedad. 2. Estimación de modelos ARIMA. 3. Validación. BIBLIOGRAFÍA: NOVALES (1993), cap. 13. URIEL y PEIRÓ (2000), cap. 4, 5 y 6. CAPÍTULO 10: INTRODUCCIÓN A LOS MODELOS DE REGRESIÓN DINÁMICOS 1. El modelo lineal para datos de series temporales: especificación. 2. Interpretación de los coeficientes. Multiplicadores dinámicos. 3. Estimación de modelos de regresión dinámicos con regresores exógenos y perturbación no autocorrelacionada. 4. Estimación de modelos de regresión dinámicos con regresores exógenos y perturbación autocorrelacionada. Contrastes de autocorrelación. 5. Modelos con dinámica completa y la ausencia de autocorrelación. 6. La heteroscedasticidad en modelos de series temporales. BIBLIOGRAFÍA: GREENE, W.H. (1998), cap. 17. WOOLDRIDGE,J. (2006), caps. 10, 11 y 12. CAPÍTULO 11: ESPECIFICACIÓN Y SELECCIÓN DE MODELOS 1. Los peligros del ‘data mining’. 2. Criterios de aceptación de un modelo. 3. Los contrastes de la metodología de lo general a lo particular. 4. Selección entre modelos rivales. BIBLIOGRAFÍA: GUJARATI (1997) JOHNSTON Y DINARDO (2001), cap. 8.2 BIBLIOGRAFÍA: GREENE,W. (1999), Análisis Econométrico, tercera edición, Prentice Hall, Madrid. JOHNSTON, J. y DINARDO, J. (2001), Métodos de Econometría, Vicens Vives, Barcelona. MADDALA, G.S. (2001), Introduction to Econometrics, Chichester, UK. third edition, Wiley, NOVALES, A. (1993), Econometría, segunda edición, Mc Graw Hill, Madrid. STOCK, J.H. y WATSON, M.W. (2003), Introduction to Econometrics, AddisonWesley, Boston. URIEL, E. y PEIRÓ, A. (2000), Introducción al análisis de series temporales, Ed. AC. WOOLDRIDGE, J. (2006), Introducción a la Econometría: un Enfoque Moderno, 2e, Ed. Thomson, Madrid.