• Author / Uploaded
• Beto Vargas

• Categories
• Multicolinealidad
• Matriz (Matemáticas)
• Estimador
• Heterocedasticidad
• Análisis de regresión

Citation preview

UNIVERSIDAD DE CANTABRIA _________________ FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES

LICENCIATURA EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS

ECONOMETRÍA TERCER CURSO (TRONCAL - 9 CRÉDITOS)

Prof. D. JOSÉ LUIS GALLEGO GÓMEZ Prof. Dª CRISTINA MAZAS PEREZ-OLEAGA PROF. D. GONZALO SANCHEZ CRESPO

DEPARTAMENTO DE ECONOMÍA __________________ CURSO ACADÉMICO 2008-2009

ECONOMETRÍA Curso: Tercero Asignatura: Troncal (9 créditos) Departamento: Economía Profesor: Prof. José Luis Gallego Profesor Titular Despacho: E-158 [email protected] Prof. Cristina Mazas Profesora Asociada Despacho: E-135 [email protected] Prof. Gonzalo Sánchez Profesor Asociado Despacho: E-135 [email protected] OBJETIVO ASIGNATURA Introducir los fundamentos del análisis econométrico clásico y el arte de la construcción de modelos econométricos. El modelo lineal general: formulación, estimación, contraste de hipótesis, diagnosis y predicción. Consecuencias, detección y tratamiento de autocorrelación, heterocedasticidad, errores de especificación y multicolinealidad. Construcción y uso de modelos ARIMA. Sistemas de ecuaciones simultáneas. METODOLOGÍA DOCENTE Clases magistrales, prácticas aula, prácticas laboratorio. MÉTODO DE EVALUACIÓN El alumno podrá elegir entre:


evaluación tradicional: examen escrito en las convocatorias oficiales, o




evaluación continua: asistencia regular a clase, entrega de ejercicios teóricos y prácticas por ordenador, controles periódicos y realización de un proyecto econométrico (PE). Cada alumno analizará individualmente una serie temporal de periodicidad mensual o trimestral, que deberá recibir la conformidad del profesor. El alumno adaptará las prácticas propuestas a su serie, publicará los resultados en su página web personal y hará presentaciones regularmente en las clases prácticas. Cada práctica defendida en clase será evaluada de 0 a 10, así como los controles periódicos. Los alumnos que no superen la evaluación continua o quieran obtener una calificación más alta podrán presentarse en las convocatorias oficiales. La asistencia regular a clase y la entrega de ejercicios realizados en casa son obligatorias, pero no son evaluables.

TUTORÍAS Primer cuatrimestre: (a determinar) Segundo cuatrimestre: (a deteminar). PROGRAMA TEMA 1.-

INTRODUCCIÓN A LA ECONOMETRÍA

1.1. Definición 1.2. Relaciones entre variables 1.3. Tipos de datos 1.4. Modelos econométricos 1.5. Metodología econométrica 1.6. Formulación del modelo lineal general 1.7. Práctica: Definición de un proyecto econométrico

2

TEMA 2.-

ALGEBRA MATRICIAL

2.1. Matrices 2.2. Operaciones con matrices 2.3. Determinante y matriz inversa 2.4. Rango de una matriz 2.5. Sistemas de ecuaciones lineales 2.6. Matrices especiales 2.7. Valores y vectores propios de una matriz 2.8. Formas cuadráticas 2.9. Diagonalización de matrices 2.10.Derivada de un escalar con respecto a un vector. 2.11.Práctica: Calculadora matricial TEMA 3.-

PROBABILIDAD E INFERENCIA ESTADÍSTICA

3.1. Probabilidad 3.2. Variables aleatorias y funciones de distribución 3.3. Distribuciones especiales 3.4. Variables aleatorias multidimensionales 3.5. La distribución Normal multidimensional 3.6. Estadística descriptiva e inferencia estadística 3.7. Estimación de parámetros 3.8. Contraste de hipótesis 3.9. Teoría asintótica 3.10.Práctica: Población y muestra, generación y análisis descriptivo de datos pseudoaleatorios TEMA 4.-

MÍNIMOS CUADRADOS ORDINARIOS

4.1. Ecuaciones normales en notación sumatoria y matricial 4.2. Propiedades numéricas del método de mínimos cuadrados 4.3. Bondad de ajuste 4.4. Regresión particionada 4.5. Datos centrados 4.6. Correlación simple, múltiple y parcial 4.7. Caso especial: regresión lineal simple 4.8. Práctica: El álgebra del modelo lineal general TEMA 5.-

EL MODELO CLÁSICO

5.1. Supuestos ideales 5.2. Estimación de la varianza de las perturbaciones 5.3. Propiedades estadísticas del estimador de mínimos cuadrados ordinarios y teorema de GaussMarkov 5.4. Propiedades estadísticas del estimador de la varianza de las perturbaciones 5.5. Práctica: Un estudio Monte Carlo del modelo de regresión simple

3

TEMA 6.-

CONTRASTE DE HIPÓTESIS

6.1. Conceptos básicos 2 ˆy  ˆu 6.2. Distribuciones muestrales de


6.3. El constraste t 6.4. El estadístico F: análisis de varianza 6.5. Intervalos y regiones de confianza 2

ˆu 6.6. Intervalo de confianza para 

6.7. Práctica: Estimación de un modelo de regresión múltiple e interpretación de resultados. TEMA 7.

MÍNIMOS CUADRADOS RESTRINGIDOS

7.1. La hipótesis lineal general 7.2. Estimación sujeta a restricciones lineales 7.3. El contraste F de la hipótesis lineal general 7.4. Contrastes equivalentes de la hipótesis lineal general 7.5. Casos especiales 7.8. Práctica: El contraste de cambio estructural de Chow TEMA 8.

PREDICCIÓN

8.1. Predicción puntual y por intervalo de una observación 8.2. Predicción de varias observaciones 8.3. Medidas de acuracidad predictiva 8.4. Predicción de series temporales con regresores deterministas 8.5. Modelos con tendencia y estacionalidad deterministas 8.6. Práctica (PE): Ajuste de tendencia y estacionalidad deterministas a una serie mensual o trimestral. TEMA 9.-

ERRORES DE ESPECIFICACIÓN

9.1. Introducción 9.2. Error de especificación de los regresores: omisión de variables relevantes, inclusión de variables irrelevantes, error de especificación de la forma funcional 9.3. Contraste RESET de Ramsey 9.4. Práctica: Un estudio Monte Carlo de un modelo con dos variables explicativas TEMA 10.

ANALISIS DE SERIES TEMPORALES

10.1.Procesos estocásticos estacionarios 10.2.Funciones de autocorrelación simple y parcial 10.3.Proceso lineal general 10.4.Procesos autorregresivos 10.5.Procesos de medias móviles 10.6.Procesos no estacionarios 10.7.Predicción con modelos ARIMA 10.8.Práctica (PE): Elaboración y uso de modelos ARIMA

4

TEMA 11.

MÍNIMOS CUADRADOS GENERALIZADOS

11.1.Perturbaciones no esféricas: autocorrelación y heterocedasticidad. 11.2.Propiedades del estimador de Mínimos Cuadrados Ordinarios 11.3.El estimador de Mínimos Cuadrados Generalizados: propiedades. 11.4.Bondad de ajuste 11.5.Contraste de la hipótesis lineal general. 11.6.Predicción 11.7.Mínimos Cuadrados Generalizados Factibles 11.8.El estimador de Newey-West de la matriz de varianzas y covarianzas 11.9.El estimador de máxima verosimilitud TEMA 12.

AUTOCORRELACIÓN

12.1.Autocorrelación pura e impura 12.2.Detección de autocorrelación: 12.2.1. Métodos gráficos: gráfico temporal, diagramas de dispersión, funciones de autocorrelación muestral simple y parcial. 12.2..2. Contrastes formales: Durbin-Watson, Breusch-Godfrey y Ljung-Box. 12.3.Tratamiento de la autocorrelación 12.3.1. Autocorrelación conocida: perturbaciones AR(1) 12.3.2. Autocorrelación desconocida: procedimiento de Cochrane-Orcutt y estimación máximo verosímil 12.4.Predicción en modelos con perturbaciones autocorrelacionadas 12.5.Práctica (PE): Detección y tratamiento de autocorrelación en un modelo de regresión con tendencia y estacionalidad deterministas TEMA 13.- HETEROCEDASTICIDAD 13.1.Heterocedasticidad pura e impura 13.2.Detección de heterocedasticidad 13.2.1. Métodos gráficos: gráfico temporal y diagramas de dispersión. 13.2.2. Contrastes formales: Goldfeld y Quandt, Breush y Pagan/Godfrey, White, razón de verosimilitudes. 13.3.Tratamiento de la heterocedasticidad 13.3.1 Heterocedasticidad conocidada: mínimos cuadrados ponderados. 13.3.2 Heterocedasticidad desconocida: mínimos cuadrados ponderados factibles, estimador de White de la matriz de covarianzas del estimador de mínimos cuadrados ordinarios. 13.4.Práctica: Un estudio Monte Carlo en regresión simple con heterocedasticidad TEMA 14.- DIAGNOSIS ADICIONAL DEL MODELO DE REGRESION 14.1.Introducción 14.2.Análisis de residuos: contrastes de normalidad, residuos atípicos y análisis de intervención. 14.3.Contrastes de estabilidad paramétrica: Chow, Hansen, CUMSUM y CUMSUMQ. 14.4.Observaciones influyentes: distancia de Cook y otras medidas de influencia.

5

14.5.Selección de variables y criterios de información 14.6.Contraste de Haussman de error de especificación 14.7.Práctica (PE): Análisis de intervención y de influencia en el modelo de regresión con tendencia y estacionalidad deterministas TEMA 15.- VARIABLES CUALITATIVAS 15.1.Introducción 15.2.Variables explicativas ficticias 6.2.1. Test de cambio estructural 6.2.2. Análisis de varianza 6.2.3. Análisis de covarianza 15.3.El modelo de probabilidad lineal 15.4.Modelos probit y logit 15.5.Práctica: Participación laboral femenina (ejercicios 1, 2 y 3 de Berndt 1991) TEMA 16.- MULTICOLINEALIDAD 16.1.Introducción 16.2.Naturaleza de la multicolinealidad 16.3.Estimación en los casos de multicolinealidad perfecta e imperfecta 16.4.Consecuencias teóricas y prácticas de la multicolinealidad 16.5.Formas de detección 16.6.Remedios 16.7.Práctica: un estudio Monte Carlo en un modelo de regresión con multicolinealidad TEMA 17.- REGRESORES ESTOCÁSTICOS 17.1.Introducción 17.2.Algunos ejemplos de modelos donde los regresores son estocásticos: sistemas de ecuaciones simultáneas, modelos dinámicos, errores en variables 17.3.Consencuencias para el estimador de mínimos cuadrados ordinarios. 17.4.Método de Variables Instrumentales. Propiedades 17.5.Algunas aplicaciones del estimador de variables instrumentales 17.6.Variables no observables TEMA 18.- MODELOS LINEALES DE ECUACIONES SIMULTÁNEAS 18.1.Introducción 18.2.Forma estructural versus forma reducida 18.3.El problema de identificación 18.4.Condiciones de orden y condiciones de rango 18.5.Procedimientos de estimación con información limitada: mínimos cuadrados indirectos, mínimos cuadrados en dos etapas, máxima verosimilitud. 18.6.Procedimientos de estimación con información completa: mínimos cuadrados en tres etapas, máxima verosimilitud con información completa. 18.7.Sistemas de ecuaciones aparentemente no relacionadas

6

BIBLIOGRAFÍA BÁSICA Gallego, J.L. (2008) Apuntes de Econometría. Departamento de Economía. Universidad de Cantabria. http://ocw.unican.es/ Gujarati, D.N. (2003) Econometría (4 ed.). McGraw-Hill. Maddala, G.S. (2002) Introduction to Econometrics (3er ed.). John Wiley & Sons. Studenmund, A.H. (2005) Using Econometrics: A Practical Guide (5th ed.) Addison Wesley. Wooldridge, J. (2006) Introducción a la Econometría: un enfoque moderno (2ª ed). Thompson Paraninfo. BIBLIOGRAFÍA COMPLEMENTARIA Davidson, R. y Mackinnon, J. (2004) Econometric Theroy and Methods. Oxford University Press Dougherty, C. (2006) Introduction to Econometrics (3rd ed.). Oxford University Press Greene, W.H. (2007) Econometric Analysis (6th ed.). Prentice Hall Inc. Hill, R.C., Griffiths, W.W, Lim, G.C. (2008) Principles of Econometrics (3rd ed.) John Wiley & Sons. Johnston, J. Y Dinardo, J. (2001). Métodos de Econometría (3ª ed.). Vicens Universidad. Novales, A. (1993). Econometría. Segunda Edición. McGraw Hill. Stock, J.H. y Watson, M.W. (2006) Introduction to Econometrics (2nd ed.). Pearson Education Wooldridge (2008) Introductory Econometrics: A Modern Approach (4th ed.). South Western Educational Publishing EJERCICIOS DE ECONOMETRÍA Aznar, A., García-Ferrer, A., Martín, A. (1994). Ejercicios de Econometría I y II. Ed. Pirámide. Berndt, E.R. (1996) The practice of econometrics: classic and contemporary. Addison Wesley. Fernández, A.., Gonzalez, P., Regulez, M., Moral, P., Esteban, V,, y (2005). Ejercicios de Econometría. Schaum. Lott, W.F. and Ray, S.C. (1992). Applied econometrics. The Dryden Press. Pena, J.B., Estavillo, J.A., Galindo, M.E., Leceta, M.J. y Zamora, M.M. (1999). Cien ejercicios de econometría. Pirámide. Salvatore, D. y Reagle, D. (2001) Statistics and econometrics (2nd ed.) Schaum's Outlines SOFTWARE DE ECONOMETRÍA Cottrell, A. (2008) Gnu Regression, Econometrics and Time-series Library. Wake Forest University http://gretl.sourceforge.net Eaton, J.W. (2008) GNU Octave Manual. Department of Chemical Engineering. University of Wisconsin. http://www.gnu.org/software/octave Gallego, J.L. (2008) Econometric and time series análisis with wxEmpiricus, Departamento de Economía, Universidad de Cantabria. http://personales.unican.es/gallegoj/empiricus Gentleman, R., Ihaka, R et al (2008). The R project for statistical computing. Statistics Department, University of Auckland. http://www.r-project.org/

7