CURSO ECONOMETRÍA BÁSICA MULTISOFTWARE El objetivo de este curso es la presentación de las técnicas econométricas básicas, tanto clásicas como modernas, y su tratamiento con las herramientas más adecuadas de cálculo automatizado. Se utilizarán los paquetes de software más habituales, como son EVIEWS, STATA, SAS, SPSS, STATGRAPHICS y EXCEL, para abordar de modo sencillo el trabajo econométrico. En cuanto a la metodología, los capítulos se iniciarán con la exposición de los conceptos y notas teóricas adecuadas, para resolver a continuación una variedad de ejercicios que cubran los conceptos expuestos. No se trata, por tanto, de hacer una exposición teórica completa con demostraciones, sino de recopilar la mayor parte de los conceptos econométricos e ilustrarlos con la práctica a través de las herramientas de software adecuadas y más habituales en el trabajo econométrico práctico. El contenido comienza tratando en profundidad el modelo lineal de regresión múltiple (hipótesis, estimación, inferencia y predicción), así como el tratamiento de los problemas de autocorrelación, heteroscedasticidad, multicolinealidad, no linealidad, falta de normalidad y mala especificación del modelo. A continuación se profundiza en los modelos del análisis de la varianza, la covarianza y los modelos mixtos. El último bloque de contenido se ocupa del análisis univariante de series temporales incluyendo modelos deterministas, modelos ARIMA, modelos de intervención y modelos de la función de transferencia. El temario exhaustivo del curso se presenta a continuación: Capítulo 1. Modelo lineal de regresión múltiple. Hipótesis, Estimación, inferencia y predicción Modelo lineal de regresión múltiple Hipótesis en el modelo lineal Hipótesis relativas a la perturbación aleatoria Hipótesis relativas a los regresores Hipótesis relativas al vector de parámetros Hipótesis relativas a la forma funcional Estimación del modelo lineal por mínimos cuadrados ordinarios MCO Estimación del modelo lineal por máxima verosimilitud Inferencia en el modelo por mínimos cuadrados ordinarios MCO Predicciones Predicciones puntuales y en media Capacidad predictiva de un modelo
Selección de modelos de regresión Análisis de los residuos Modelo lineal con restricciones Regresión con variables cualitativas: variables ficticias Modelos de regresión con variables cualitativas Variables ficticias en el análisis estacional Variables ficticias en la regresión por tramos Capítulo 2. Modelo lineal de regresión múltiple. Herramientas de software EVIEWS y el trabajo básico con el modelo de regresión múltiple SPSS y el trabajo básico con el modelo de regresión múltiple STATGRAPHICS y el trabajo básico con el modelo de regresión múltiple SAS y el trabajo básico con el modelo de regresión múltiple EXCEL y el trabajo básico con el modelo de regresión múltiple STATA y el trabajo básico con el modelo de regresión múltiple Capítulo 3. Autocorrelación, heteroscedasticidad, multicolinealidad, no linealidad y normalidad Modelos con autocorrelación Detección de la autocorrelación Estadístico DW de Durbin-Watson Estadístico h de Durbin Estadístico D4 de Wallis (datos trimestrales) Razón de Von Neumann Prueba de Breusch-Godfrey Soluciones para la autocorrelación Método de mínimos cuadrados generalizados Método de Prais-Winsten Método iterativo de Cochrane-Orcutt Método de Durbin Modelos con heteroscedasticidad Detección de la heteroscedasticidad Contraste de Goldfeld-Quandt Contraste de Glesjer Contraste W de White Contraste RESET de Ramsey Contraste de Breush-Pagan Heteroscedasticidad condicional. Contrastes ARCH y GARCH Contraste de rangos Soluciones para la heteroscedasticidad Mínimos Cuadrados Generalizados y Mínimos Cuadrados Ponderados Ajuste de White Soluciones para la heteroscedasticidad condicional: modelos ARCH y GARCH Multicolinealidad Detección de la multicolinealidad Soluciones para la multicolinealidad Normalidad residual El problema de la falta de normalidad en los residuos Soluciones para la falta de normalidad en los residuos No linealidad y errores de especificación Error de especificación en la selección de las variables explicativas Error de especificación en la forma funcional
Exogeneidad y regresores estocásticos El método de las variables instrumentales El estimador de mínimos cuadrados en dos etapas MC2E El contraste de Hausman Análisis de la influencia Influencia a priori (Leverage) Distancia de Mhalanobis Criterio de los residuos eliminados Influencia a posteriori: estadísticos de Cook y DFFITS Capítulo 4. Herramientas para tratar autocorrelación, Heteroscedasticidad y otros problemas Tratamiento de la autocorrelación y la heteroscedasticidad con Eviews Eviews y los modelos ARCH Y GARCH Endogeneidad, variables instrumentales y mínimos cuadrados en dos etapas con Eviews SPSS y modelos con regresores estocásticos. Variables instrumentales y M.C. en dos fases SPSS y modelos con heteroscedasticidad y multicolinealidad. Mínimos cuadrados ponderados SPSS y modelos con autocorrelación. Métodos M.V., COCHRANE-ORCUTT y PRAIS- WINSTEN STATGRAPHICS, heteroscedasticidad, autocorrelación y multicolinealidad SAS y la multicolinealidad, autocorrelación y heteroscedasticidad SAS y los modelos ARCH Y GARCH STATA y la multicolinealidad, autocorrelación y heteroscedasticidad Capítulo 5. Modelos del análisis de la varianza y la covarianza, Modelo Lineal General y modelos mixtos Modelos del análisis de la varianza y la covarianza Modelo ANOVA con un solo factor. Efectos fijos y aleatorios Contrastes múltiples de igualdad de medias Contrastes múltiples de igualdad de varianzas Modelo ANOVA con dos factores. Efectos fijos, aleatorios y mixtos Modelo ANOVA con tres factores Modelo en cuadrado latino Modelos ANCOVA de la covarianza simple Modelo con un factor y un covariante Modelo con dos factores y un covariante Modelos con dos factores y dos covariantes Análisis multivariante de la varianza (MANOVA) Análisis multivariante de la varianza con un factor Análisis multivariante de la varianza con dos factores Análisis multivariante de la covarianza (MANCOVA) Modelo Lineal General (GLM) Modelos lineales mixtos Capítulo 6. Herramientas para los modelos del análisis de la varianza, la covarianza y los modelos mixtos SPSS y el modelo ANOVA de un factor SPSS y los modelos ANOVA y ANCOVA univariantes
de uno y varios factores SPSS y la estimación de las componentes de la varianza en modelos ANCOVA de efectos mixtos SPSS y los modelos MANOVA y MANCOVA multivariantes de uno y varios factores SPSS y los modelos del análisis de la varianza y la covarianza con medidas repetidas SPSS y los modelos lineales mixtos Análisis de la varianza simple y múltiple con SAS: Procedimiento ANOVA Análisis de la varianza y la covarianza con SAS: Procedimiento GLM Componentes de la varianza en SAS. Procedimiento VARCOMP Modelos jerárquicos (anidados) en SAS: Procedimiento NESTED Procedimiento GLM SAS y los modelos mixtos. PROC MIXED STATA y el análisis de la varianza-covarianza, el modelo GLM y los modelos mixtos STATGRAPHICS y los modelos del análisis de la varianza y la covarianza Capítulo 7. Análisis univariante de series temporales. Modelos ARIMA, intervención y función de transferencia Series temporales Descomposición clásica de una serie temporal Tendencia de una serie temporal: ajuste analítico, medias móviles y diferencias Variaciones estacionales: medias móviles, diferencias estacionales y variables ficticias Variaciones cíclicas Predicción y suavizado de series temporales. Métodos autoproyectivos Deterministas Suavizado por medias móviles Suavizado lineal de Holt Suavizado exponencial de Brown Suavizado estacional de Winters Predicciones incondicionales estocásticas Modelos ARIMA: Primeros conceptos... Series temporales y procesos estocásticos. Características Procesos estocásticos estacionarios. Funciones de autocorrelación y autocorrelación parcial Series temporales estacionarias. Detección de la estacionariedad Modelos autorregresivos AR(p) Modelos de medias móviles MA(q) Modelos ARMA(p,q) Modelos ARIMA(p,d,q) La metodología Box Jenkins en modelos ARIMA Identificación de modelos ARIMA Estimación de modelos ARIMA(p,d,q) Diagnóstico, validación o contraste de modelos ARIMA(p,d,q) Predicción en modelos ARIMA Series temporales estacionales. Detección de la estacionalidad Modelos estacionales puros Modelos autorregresivos estacionales AR(P)s Modelos de medias móviles estacionales MA(Q)s Modelos estacionales ARMA(P,Q)s Modelos ARIMA(P,D,Q)s estacionales puros
Identificación de modelos estacionales puros Modelos estacionales generales Modelos estacionales generales con parte regular autorregresiva. Identificación Modelos estacionales generales con parte regular de media móvil. Identificación Identificación de modelos estacionales ARIMA(p,d,q)(P,D,Q)s Estimación de modelos estacionales ARIMA(p,d,q)(P,D,Q)s Validación de modelos ARIMA(p,d,q)(P,D,Q)s y predicción Modelos de intervención Variables escalón e impulso Modelo de intervención general Identificación de modelos de intervención Valores atípicos (Otliers) Tipos de outliers Outliers aditivos (AO) Outliers innovacionales (IO) Outliers de cambio en nivel (LS) Outliers de cambio temporal (TC) Modelo univariante de la función de transferencia Identificación, estimación y validación del modelo de la función de transferencia Etapas de la identificación, estimación y validación del modelo de la función de transferencia Modelos de la función de transferencia estacionales... Capítulo 8. Herramientas para el análisis univariante de series temporales. Eviews y la identificación, estimación, validación y predicción de modelos ARIMA(p,d,q)(P,D,Q)s Eviews y los modelos ARIMA y de intervención Tramo/Seats X11 ARIMA X12 ARIMA Eviews y los métodos de medias móviles: Alisados exponenciales y de Holt Winters SAS y la identificación, estimación, validación y predicción de modelos ARIMA(p,d,q)(P,D,Q)s Procedimiento ARIMA Procedimiento X11 Procedimiento X12 SPSS y la identificación de modelos ARIMA(p,d,q)(P,D,Q)s SPSS y la estimación, validación y predicción de modelos ARIMA(p,d,q)(P,D,Q)s STATGRAPHICS y la identificación de modelos ARIMA(p,d,q)(P,D,Q)s STATGRAPHICS y la estimación, validación y predicción de modelos ARIMA(p,d,q)(P,D,Q)s STATGRAPHICS y la identificación y predicción automática de modelos ARIMA(p,d,q)(P,D,Q)s Suavizado y variaciones estacionales en SAS, SPSS y STATGRAPHICS Suavizado con SPSS Variaciones estacionales con SPSS Suavizado con STATGRAPHICS
Variaciones estacionales y componentes de una serie con STATGRAPHICS Suavizado con SAS SAS y los modelos de intervención y función de transferencia STATA y los modelos ARIMA(p,d,q)(P,D,Q)s Suavizado con STATA