Introducción a la Econometría
Código: 104874Créditos: 6
| Titulación | Tipo | Curso |
|---|---|---|
| Estadística Aplicada | OB | 2 |
Profesor/a de contacto
- Nombre :
- Miriam Duran Martinez
- Correo electrónico :
- miriam.duran@uab.cat
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
Es recomendable que el alumno haya cursado las asignaturas de matemáticas, de estadística y de modelos lineales que le hayan dado conocimientos en álgebra lineal, análisis matricial, teoría de la probabilidad e inferencia estadística (estimación y contraste de hipótesis).
Objetivos
Esta asignatura introduce al estudiante en el análisis empírico de las relaciones entre variables económicas, proporcionando las herramientas fundamentales para interpretar y aplicar modelos econométricos en contextos reales.
El curso inicia con el modelo de regresión lineal simple, retomando conceptos vistos en la asignatura de Estadística, y avanza hacia la regresión múltiple, incorporando tanto variables explicativas cuantitativas como cualitativas. Se estudiarán en detalle los supuestos del modelo de regresión lineal y se explorarán estrategias para abordar posibles violaciones de estos. Además, se introducirá el uso de variables instrumentales, y modelos de respuesta binaria, como los modelos logit y probit.
El objetivo principal es que el o la estudiante desarrolle la capacidad de extraer información relevante de los datos mediante el uso del modelo de regresión, comprendiendo sus fortalezas y limitaciones con rigor analítico. Se enfatizará una comprensión intuitiva de los fundamentos teóricos del análisis econométrico, complementada con una fuerte orientación práctica. Para ello, a lo largo del curso se trabajará con datos reales y software econométrico, permitiendo a los estudiantes aplicar los conceptos aprendidos a problemas concretos y desarrollar habilidades analíticas aplicadas.
Resultados de aprendizaje
- CM14 (Proponer el modelo estadístico necesario para analizar conjuntos de datos pertenecientes a estudios reales.) Proponer el modelo estadístico necesario para analizar conjuntos de datos pertenecientes a estudios reales.
- KM17 (Reconocer los modelos estadísticos para el análisis de datos con distintas estructuras y complejidad que aparecen frecuentemente en distintos ámbitos de aplicación.) Reconocer los modelos estadísticos para el análisis de datos con distintas estructuras y complejidad que aparecen frecuentemente en distintos ámbitos de aplicación.
- KM18 (Reconocer el lenguaje propio de las aplicaciones de economía y finanzas, ciencias biomédicas e ingeniería, aportado por la investigación y la innovación en el ámbito de la estadística.) Reconocer el lenguaje propio de las aplicaciones de economía y finanzas, ciencias biomédicas e ingeniería, aportado por la investigación y la innovación en el ámbito de la estadística.
- SM16 (Seleccionar las fuentes de información adecuadas para el trabajo estadístico) Seleccionar las fuentes de información adecuadas para el trabajo estadístico
- SM18 (Depurar la información disponible para su posterior tratamiento estadístico.) Depurar la información disponible para su posterior tratamiento estadístico.
Contenidos
(T: teoría, S: problemas o seminarios, PS: preparación de problemas o seminarios, L: laboratorios, PP: preparación prácticas, E: estudio, AA: otras actividades; se indica el número de horas dedicadas a cada actividad)
Tema 1: Introducción a la econometría
- ¿Qué es la economía?
- Las dos ramas de la ecomomía.
- Modelos económicos y modelos econométricos.
- Tipos de estructuras de datos: de corte transversalm datos de panel y series temporales.
- Datos experimentales, cuasiexperimentales y observacionales.
- Causalidad vs. Correlación.
Tema 2: El modelo de regresión lineal simple
- Especificación del modelo de regresión lineal: simple.
- Supuestos básicos del modelo de regresión lineal.
- Estimación por Mínimos Cuadrados Ordinarios.
- Contraste de hipótesis: una única restricción.
Tema 3: El modelo de regresión lineal múltiple
- Especificación del modelo de regresión lineal múltiple.
- Extensión de los supuestos básicos del modelo de regresión lineal.
- Estimación por Mínimos Cuadrados Ordinarios.
- Contraste de hipótesis: múltiples restricciones.
- Coeficiente de determinación y bondad de ajuste.
- VIF (Factor de inflación de la varianza).
Tema 4: Problemas de especificación
- Errores de especificación.
- Omisión de variables relevantes.
- Inclusión de variables irrelevantes.
- Forma funcional incorrecta.
- Inestabilidad en los parámetros.
- Tests de diagnóstico.
Tema 5: Violaciones de los supuestos de MCO
- Propiedades de los estimadores MCO: muestras finitas y asintóticas.
- Endogeneidad
- Heterocedasticidad
- Autocorrelación
- Multicolinelidad perfecta y elevada
Tema 6: Variables instrumentales y estimación en dos etapas
- Identificación causal y endogeneidad.
- Variables instrumentales: qué son y qué condiciones deben satisfacer.
- Métodos de estimación: de razón y en dos etapas.
- Temas avanzados: instrumentos débiles, inferencia y precisión en IV.
Tema 7: Modelos con variable dependiente discreta
- Método de máxima verosimilitud
- Modelo de Probabilidad lineal
- Modelos LOGIT
- Modelos PROBIT
- Efectos marginales: AME (Average Marginal Effects), MEM (Marginal effects at means) y MER (Marginal effects at Representatives)
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Teoría | 30 | 1,2 | CM14, KM17, KM18 |
| Estudio | 45 | 1,8 | KM17, KM18 |
| Preparación de problemas | 30 | 1,2 | CM14, KM17, SM18 |
| Prácticas y ejercicios | 45 | 1,8 | CM14, KM17, KM18, SM16, SM18 |
Dos horas de clases teóricas a la semana más dos de prácticas y preparación del trabajo en grupo de forma dirigida (con software econométrico) y resolución de ejercicios relacionados con los contenidos explicados en clase para favorecer la asimilación de estos conocimientos por parte del alumno.
En esta asignatura se permite el uso de tecnologías de Inteligencia Artificial (IA) únicamente en el trabajo de investigación y exclusivamente para tareas de apoyo, como la búsqueda bibliográfica o de información, la corrección de textos o la compilación de textos y código en LaTeX. El estudiante deberá identificar claramente qué partes han sido generadas con estas tecnologías, especificar las herramientas utilizadas e incluir una reflexión crítica sobre cómo estas han influido en el proceso y en el resultado final de la actividad.
La falta de transparencia en el uso de la IA en esta actividad evaluable se considerará una falta de honestidad académica y podrá conllevar una penalización parcial o total de la calificación de la actividad, así como sanciones adicionales en los casos de mayor gravedad.
La asignatura combina clases magistrales con metodologías activas orientadas al aprendizaje aplicado. En particular, incorpora las siguientes estrategias docentes:
- Aprendizaje Basado en Proyectos (ABP / Project-Based Learning): los estudiantes desarrollan un proyecto de investigación en grupo en el que aplican las técnicas econométricas estudiadas al análisis de un problema social, político o económico utilizando datos reales.
- Aprendizaje colaborativo: el proyecto se desarrolla en equipos de trabajo, fomentando la cooperación, la toma de decisiones compartida y la responsabilidad colectiva.
- Evaluación formativa y compartida: el proceso de evaluación incorpora mecanismos de coevaluación y autoevaluación que promueven la reflexión crítica sobre el propio aprendizaje y el de los compañeros y compañeras.
- Uso responsable de la Inteligencia Artificial: la asignatura promueve un uso ético y transparente de las herramientas de IA como apoyo para la búsqueda bibliográfica, la revisión de textos y otras tareas auxiliares del proyecto de investigación, fomentando al mismo tiempo una reflexión crítica sobre su impacto en el proceso de aprendizaje.
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Examen final | 50% | 0 | 0 | KM17, KM18 |
| Entrega de Ejercicios | 10% | 0 | 0 | KM17, KM18 |
| Trabajo de aplicación en grupo | 20% | 0 | 0 | CM14, KM17, KM18, SM16, SM18 |
| Examen parcial | 20% | 0 | 0 | CM14, KM17, KM18 |
Las actividades para evaluar la asignatura serán:
- Examen parcial. Prueba escrita que se realizará en el aula de clase sobre la materia explicada. Esta prueba NO libera materia y representa el 20% de la nota final.
- Trabajo de aplicación en grupo. El objetivo de este proyecto será la aplicación de las técnicas econométricas trabajadas en clase a un fenómeno social, político o económico de interés. El proyecto de investigación se realizará en grupos de 4-6 alumnos y se evaluará de forma conjunta por el profesor y los compañeros participantes en el proyecto. Los detalles del proyecto de investigación y los criterios de evaluación se publicarán en la Semana 4. Este trabajo es obligatorio para poder realizar el examen final. La nota de este trabajo será el 20% de la asignatura. Se calificará del siguiente modo:(70% Evaluación profesora) + (30% Evaluación resto del grupo y autoevaluación propia)
- Examen final. Un examen final sobre toda la materia de curso. Esta prueba contendrá aspectos teóricos y prácticos correspondientes a toda la asignatura. Para que pueda calcularse la calificación final de la asignatura, será necesario obtener una nota mínima de 4,0 sobre 10 en este examen. Los estudiantes que no alcancen esta nota mínima no podrán hacer media con el resto de las actividades de evaluación, con independencia de las calificaciones obtenidas en estas. El examen final representa el 50 % de la calificación final.
- Entrega de ejercicios. Durante el curso, los estudiantes deberán entregar listas de problemas elaboradas durante las sesiones de laboratorio, además de una breve presentación de un artículo académico. Estas actividades representarán el 10% de la calificación final.
Un estudiante que no haya participado en ninguna de las actividades de evaluación descritas recibirá la calificación de \"No presentado\". Si un estudiante realiza alguna de las actividades de evaluación, aunque sólo sea una, ya no puede optar a un \"No presentado\".
Recuperación
Los estudiantes que obtengan una nota final inferior a 5 podrán presentarse al examen de recuperación.
También podrán presentarse aquellos estudiantes que, aun habiendo obtenido una calificación media igual o superior a 5 gracias al resto de las actividades de evaluación, no hayan alcanzado la nota mínima de 4,0 en el examen final, ya que esta constituye un requisito para poder hacer media para la calificación final.
Para poder hacerlo, es imprescindible haber realizado el examen parcial y haber entregado el trabajo práctico.
La nota definitiva tras la recuperación será la más alta entre estas dos opciones:
- 80 % examen de recuperación + 20 % trabajo final.
- 100 % examen de recuperación.
Bibliografía
- 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)
Software
Las clases prácticas se realizarán con R studio.
Se recomienda manejo básico de LaTeX para la redacción del trabajo de investigación grupal.
Grupos e idiomas de la asignatura
La información proporcionada es provisional hasta el 30 de noviembre. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura
| Tipo de docencia | Grupo | Idioma | Semestre | Turno |
|---|---|---|---|---|
| (TE) Teoría | 1 | Español | segundo cuatrimestre | tarde |
| (PLAB) Prácticas de laboratorio | 1 | Español | segundo cuatrimestre | tarde |