Introducció a l'Econometria
Codi: 104874Crèdits: 6
| Titulació | Tipus | Curs |
|---|---|---|
| Estadística Aplicada | OB | 2 |
Professor/a de contacte
- Nom :
- Miriam Duran Martinez
- Correu electrònic :
- miriam.duran@uab.cat
Idiomes dels grups
Podeu consultar aquesta informació al final del document.
Prerequisits
Es recomanable que l'alumne hagi cursat les assignatures de matemàtiques, d'estadística i de models lineals que li hagin donat coneixements en àlgebra lineal, anàlisi matricial, teoria de la probabilitat i inferència estadística (estimació i contrastació d'hipòtesis).
Objectius
Aquesta assignatura introdueix l’estudiant en l’anàlisi empírica de les relacions entre variables econòmiques, proporcionant les eines fonamentals per interpretar i aplicar models economètrics en contextos reals.
El curs comença amb el model de regressió lineal simple, reprenent conceptes vistos a l’assignatura d’Estadística, i avança cap a la regressió múltiple, incorporant tant variables explicatives quantitatives com qualitatives. S’estudiaran en detall els supòsits del model de regressió lineal i s’exploraran estratègies per afrontar possibles violacions d’aquests. A més, s’introduirà l’ús de variables instrumentals i models de resposta binària, com els models logit i probit.
L’objectiu principal és que la persona estudiant desenvolupi la capacitat d’extreure informació rellevant de les dades mitjançant l’ús del model de regressió, tot comprenent-ne les fortaleses i limitacions amb rigor analític. Es posarà èmfasi en una comprensió intuïtiva dels fonaments teòrics de l’anàlisi economètrica, complementada amb una forta orientació pràctica. Al llarg del curs es treballarà amb dades reals i programari economètric, cosa que permetrà als estudiants aplicar els conceptes apresos a problemes concrets i desenvolupar habilitats analítiques aplicades.
Resultats d'aprenentatge
- CM14 (Proposar el model estadístic necessari per a analitzar conjunts de dades pertanyents a estudis reals.) Proposar el model estadístic necessari per a analitzar conjunts de dades pertanyents a estudis reals.
- KM17 (Reconèixer els models estadístics per a l'anàlisi de dades amb diferents estructures i complexitat que apareixen freqüentment en diferents àmbits d'aplicació.) Reconèixer els models estadístics per a l'anàlisi de dades amb diferents estructures i complexitat que apareixen freqüentment en diferents àmbits d'aplicació.
- KM18 (Reconèixer el llenguatge propi de les aplicacions d'economia i finances, ciències biomèdiques i enginyeria, aportat per la investigació i la innovació en l'àmbit de l'estadística.) Reconèixer el llenguatge propi de les aplicacions d'economia i finances, ciències biomèdiques i enginyeria, aportat per la investigació i la innovació en l'àmbit de l'estadística.
- SM16 (Seleccionar les fonts d'informació adequades per al treball estadístic.) Seleccionar les fonts d'informació adequades per al treball estadístic.
- SM18 (Depurar la informació disponible per al tractament estadístic posterior.) Depurar la informació disponible per al tractament estadístic posterior.
Continguts
(T: teoria, S: problemes o seminaris, PS: preparació de problemes o seminaris, L: laboratoris, PP: preparació pràctiques, E: estudi, AA: altres activitats; s'indica el nombre d'hores dedicades a cada activitat).
Tema 1: Introducció a l'econometria
- Què és l’economia?
- Les dues branques de l’economia.
- Models econòmics i models economètrics.
- Tipus d’estructures de dades: dades de tall transversal, dades de panell i sèries temporals.
- Dades experimentals, quasi-experimentals i observacionals.
- Causalitat vs. correlació.
Tema 2: El model de regressió lineal simple
- Especificació del model de regressió lineal: simple.
- Supòsits bàsics del model de regressió lineal.
- Estimació per Mínims Quadrats Ordinaris.
- Contrast d’hipòtesis: una única restricció.
Tema 3: El model de regressió lineal múltiple
- Especificació del model de regressió lineal múltiple.
- Extensió dels supòsits bàsics del model de regressió lineal.
- Estimació per Mínims Quadrats Ordinaris.
- Contrast d’hipòtesis: múltiples restriccions.
- Coeficient de determinació i bondat d’ajust.
- VIF (Factor d’inflació de la variància).
Tema 4: Errors d'especificació
- Errors d'especificació.
- Omissió de variables rellevants.
- Inclusió de variables irrellevants.
- Inestabilitat en els paràmetres.
- Tests de diagnòstic.
Tema 5: Violacions dels supòsits dels MQO
- Propietats dels estimadors MQO: mostres finites i asimptòtiques.
- Endogeneïtat.
- Heterocedasticitat.
- Autocorrelació.
- Multicol·linearitat perfecta i elevada.
Tema 6: Variables instrumentals i estimació en dues etapes
- Identificació causal i endogeneïtat.
- Variables instrumentals: què són i quines condicions han de complir.
- Mètodes d’estimació: de raó i en dues etapes.
- Temes avançats: instruments febles, inferència i precisió en IV.
Tema 7: Models amb variable dependent discreta
- Mètode de màxima versemblança.
- Model de probabilitat lineal (MPL)
- Models LOGIT.
- Models PROBIT.
- Efectes marginals: AME (efectes marginals mitjans), MEM (efectes marginals en la mitjana) i MER (efectes marginals en representants).
Activitats formatives i Metodologia
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Teoria | 30 | 1,2 | CM14, KM17, KM18 |
| Estudi | 45 | 1,8 | KM17, KM18 |
| Preparació de problemes | 30 | 1,2 | CM14, KM17, SM18 |
| Pràctiques i exercisi d'aplicació | 45 | 1,8 | CM14, KM17, KM18, SM16, SM18 |
Dues hores de classes teòriques a la setmana més dues de pràctiques amb software economètric, treball en grup per l'estudi d'aplicació guiat i resolució d'exercicis relacionats amb els continguts explicats a classe per tal d'afavorir l'assimilació d'aquests coneixements per part de l'alumne.
Per a aquesta assignatura, es permet l'ús de tecnologies d'Intel·ligència Artificial (IA) exclusivament en el treball d'investigació per tasques de suport, com la cerca bibliogràfica o d’informació, la correcció de texto o la compilació en de textos i codi en LaTex. L'estudiant haurà d'identificar clarament quines parts han estat generades amb aquesta tecnologia, especificar les eines emprades i incloure una reflexió crítica sobre com aquestes han influït en el procés i el resultat final de l’activitat.
La no transparència de l’ús de la IA en aquesta activitat avaluable es considerarà falta d'honestedat acadèmica i pot comportar una penalització parcial o total en la nota de l'activitat, o sancions majors en casos de gravetat.
L'assignatura combina classes magistrals amb metodologies actives orientades a l'aprenentatge aplicat. En particular, s'incorporen les següents estratègies docents:
- Aprenentatge Basat en Projectes (ABP / Project-Based Learning): els estudiants desenvolupen un projecte d'investigació en grup en què apliquen les tècniques economètriques estudiades a l'anàlisi d'un problema social, polític o econòmic utilitzant dades reals.
- Aprenentatge col·laboratiu: el projecte es desenvolupa en equips de treball, fomentant la cooperació, la presa de decisions compartida i la responsabilitat col·lectiva.
- Avaluació formativa i compartida: el procés d'avaluació incorpora mecanismes de coavaluació i autoavaluació, que promouen la reflexió crítica sobre el propi aprenentatge i el dels companys i comapanyes.
- Ús responsable de la Intel·ligència Artificial: l'assignatura promou un ús ètic i transparent de les eines d'IA com a suport a la cerca bibliogràfica, la revisió de textos i altres tasques auxiliars del projecte d'investigació, tot fomentant la reflexió crítica sobre el seu impacte en el procés d'aprenentatge.
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Examen final | 50% | 0 | 0 | KM17, KM18 |
| Lliurament d'Exercicis | 10% | 0 | 0 | KM17, KM18 |
| Treball d'aplicació en grup | 20% | 0 | 0 | CM14, KM17, KM18, SM16, SM18 |
| Examen parcial | 20% | 0 | 0 | CM14, KM17, KM18 |
Les activitats per avaluar l'assignatura seran:
- Examen parcial. Prova escrita que es realitzarà a l'aula de classe sobre la matèria explicada. Aquesta prova NO allibera matèria i representa el 20% de la nota final.
- Treball d’aplicació en grup. Té com a objectiu aplicar les tècniques economètriques treballades a classe a l’anàlisi d’un fenomen social, polític o econòmic d’interès. El treball es realitzarà en grups de 4 a 6 estudiants i serà avaluat conjuntament pel professorat i pels propis companys del grup.Els detalls del projecte i els criteris d’avaluació es publicaran la Setmana 4. Aquest treball és obligatori per poder fer l’examen final. Representa el 20 % de la nota final i s’avaluarà de la següent manera:
70 % avaluació de la professora + 30 % avaluació del grup (companys i auto-avaluació)
4.Un examen final sobre tota la matèria de curs. Inclourà continguts teòrics i pràctics corresponents a tota la matèria del curs. Perquè es pugui calcular la nota final de l’assignatura, cal obtenir una qualificació mínima de 4,0 sobre 10 en aquest examen. Els estudiants que no assoleixin aquesta nota mínima no podran fer mitjana amb la resta d’activitats d’avaluació, independentment de les qualificacions obtingudes en aquestes.
5.Lliurament d'exercicis de laboratori. Durant el curs els alumnes hauran de lliurar llistes de problemes elaborats durant els laboratoris, a més d'una breu presentació d'un article acadèmic. Les activitats representaran el 10% de la nota final.
Un estudiant que no hagi participat en cap de les activitats d'avaluació descrites rebrà la qualificació de \"No presentat\". Si un estudiant realitza alguna de les activitats d'avaluació, encara que només en sigui una, ja no pot optar a un \"No presentat\".
Recuperació
Els estudiants que obtinguin una nota final inferior a 5 podran presentar-se a l’examen de recuperació.
També s’hi podran presentar els estudiants que, tot i haver obtingut una nota mitjana igual o superior a 5 gràcies a la resta d’activitats, no hagin assolit la nota mínima de 4,0 a l’examen final, atès que aquesta nota mínima és un requisit per poder fer mitjana.
La nota final després de la recuperació serà la més alta entre aquestes dues opcions:
- 80 % examen de recuperació + 20 % treball final
- 100 % examen de recuperació
Bibliografia
- Wooldridge, J.M. \"lntroducción a la Econometría: Un Enfoque Moderno\" -Thomson Learning. (available online, UAB library)
- Stock, J.H. y Watson, M.M., \\textit{Introducción a la Econometría}, Pearson.
- Angrist, J.D., Pischke, J.S., Mostly Harmless Econometrics, Princeton University Press. (Opcional)
Programari
Les classes pràctiques es realitzaran amb R Studio.
Es recomana tenir nocions bàsiques de LaTeX per a la redacció del treball de recerca en grup.
Grups i idiomes de l'assignatura
La informació proporcionada és provisional fins al 30 de novembre. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d'aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura
| Tipus de docència | Grup | Idioma | Semestre | Torn |
|---|---|---|---|---|
| (TE) Teoria | 1 | Espanyol | segon quadrimestre | tarda |
| (PLAB) Pràctiques de laboratori | 1 | Espanyol | segon quadrimestre | tarda |