Econometría (2008)

Descripción General de la Asignatura

Asignatura troncal de 9 créditos en la Licenciatura en Administración y Dirección de Empresas y la Licenciatura en Economía. Se imparten 90 horas de clase (60 de teoría y 30 de laboratorio) en dos cuatrimuestres de 15 semanas. Siguiendo un enfoque esencialmente práctico se introducen los fundamentos del análisis econométrico clásico y el arte de la construcción de modelos econométricos. En concreto, los contenidos de la asignatura son los siguientes:

1, El modelo lineal general: formulación, estimación, contraste de hipótesis, diagnosis y predicción.

2. Consecuencias, detección y tratamiento de autocorrelación, heterocedasticidad, multicolinealidad, endogeneidad y otros errores de especificación.

3. Construcción y uso de modelos ARIMA.

4. Modelos de ecuaciones simultáneas.

Objetivos:

I. Conocimientos

El estudiante aprenderá (1) métodos econométricos clásicos y modernos, (2) la utilidad y limitaciones de los mismos en la contrastación y reformulación de teorías económicas y (3) distintas metodologías econométricas en la construcción de modelos y en el análisis de datos económicos.

II. Capacidades

El alumno estará capacitado para (1) identificar y aplicar los métodos econométricos apropiados en la resolución de problemas económicos reales, (2) construir, interpretar, criticar y usar modelos econométricos, (3) analizar datos económicos y (4) manejar de programas econométricos y otras aplicaciones informáticas.

III. Actitudes

El estudiante desarrollará una actitud crítica como base para el aprendizaje científico derivado de la confontración de la teoría económica con los datos económicos reales.

Material docente

En el presente curso se incluyen apuntes detallados y completos sobre el programa presentado, así como bibliografía, ejercicios, prácticas con ordenador, exámenes de años anteriores ejercicios y enlaces a programas econométricos.

Programa

1. ¿Qué es la econometría? Definición. Relaciones entre variables. Tipos de datos. Modelos econométricos. Metodología econométrica. Formulación del modelo lineal general.

2. Mínimos cuadrados ordinarios. Ecuaciones normales en notación sumatoria y matricial. Propiedades numéricas del método de mínimos cuadrados. Bondad de ajuste. Regresión particionada. Datos centrados. Correlación simple, múltiple y parcial. Caso especial: regresión lineal simple.

3. El modelo clásico. Supuestos básicos. Estimación de la varianza de las perturbaciones. Propiedades estadísticas del estimador de mínimos cuadrados ordinarios y teorema de Gauss-Markov. Propiedades estadísticas del estimador de la varianza de las perturbaciones.

4. Inferencia estadística. Contraste de hipótesis: conceptos básicos; distribuciones muestrales; el constraste t; el contraste F; análisis de varianza; intervalos y regiones de confianza; intervalos de confianza. La hipótesis lineal general. Mínimos cuadrados restringidos. Predicción puntual y por intervalo de una observación. Predicción de varias observaciones. Medidas de acuracidad predictiva.

5. Errores de especificación. Introducción. Omisión de variables relevantes. Inclusión de variables irrelevantes. Error de especificación de la forma funcional. Contraste RESET de Ramsey.

6. Multicolinealidad. Introducción. Naturaleza de la multicolinealidad. Estimación en los casos de multicolinealidad perfecta e imperfecta. Consecuencias teóricas y prácticas de la multicolinealidad. Formas de detección. Remedios.

7. Regresores deterministas. Variables explicativas ficticias: test de cambio estructural, análisis de varianza, análisis de covarianza. Tendencia y estacionalidad.

8. Análisis de series temporales. Procesos estocásticos estacionarios. Funciones de autocorrelación simple y parcial. Proceso lineal general. Procesos autorregresivos. Procesos de medias móviles. Procesos no estacionarios. Predicción con modelos ARIMA.

9. Mínimos cuadrados generalizados. Perturbaciones no esféricas: autocorrelación y heterocedasticidad. Propiedades del estimador de Mínimos Cuadrados Ordinarios. El estimador de Mínimos Cuadrados Generalizados: propiedades. Bondad de ajuste. Contraste de la hipótesis lineal general. Predicción. Mínimos Cuadrados Generalizados Factibles. El estimador de Newey-West de la matriz de varianzas y covarianzas. El estimador de máxima verosimilitud.

10. Autocorrelación. Autocorrelación pura e impura. Detección de autocorrelación. Métodos gráficos: gráfico temporal, diagramas de dispersión, funciones de autocorrelación muestral simple y parcial. Contrastes formales: Durbin-Watson, Breusch-Godfrey y Ljung-Box. Tratamiento de la autocorrelación: autocorrelación conocida, perturbaciones AR(1); autocorrelación desconocida, procedimiento de Cochrane-Orcutt y estimación máximo verosímil. Predicción en modelos con perturbaciones autocorrelacionadas.

11. Heterocedasticidad. Heterocedasticidad pura e impura. Detección de heterocedasticidad: métodos gráficos: gráfico temporal y diagramas de dispersión; contrastes formales: Goldfeld y Quandt, Breush y Pagan/Godfrey, White, razón de verosimilitudes. Tratamiento de la heterocedasticidad: heterocedasticidad conocidada: mínimos cuadrados ponderados; heterocedasticidad desconocida: mínimos cuadrados ponderados factibles, estimador de White de la matriz de covarianzas del estimador de mínimos cuadrados ordinarios.

12. Regresores estocásticos. Exogeneidad y endogeneidad: propiedades estadísticas del estimador de mínimos cuadrados. Variables instrumentales. Aplicaciones del estimador de variables instrumentales: modelos con endogeneidad.

13. Ecuaciones simultáneas. Forma estructural y forma reducida. El problema de identificación. Condiciones de orden y condiciones de rango. Procedimientos de estimación con información limitada: mínimos cuadrados indirectos, mínimos cuadrados en dos etapas, máxima verosimilitud. Procedimientos de estimación con información completa: mínimos cuadrados en tres etapas, máxima verosimilitud con información completa. Sistemas de ecuaciones aparentemente no relacionadas. Sistemas recursivos.