Econometría y Software e-views

La metodología de EBES en este Postgrado consta de 9 temas docentes más resolución de problemas teóricos prácticos con el software Eviews, y un tema final donde se evaluarán los conceptos teóricos mediante exámenes.

Elmodulo con los temas teóricos se impartirá en el campus virtual mediante el estudio por parte del alumno de los contenidos y el modulo de prácticas se realizará mediante la descarga de los ejercicios y realización de los mismos según el dictamen de las prácticas.

Aunque las clases teóricas y prácticas se diferencian claramente en cuanto a los medios utilizados (clases magistrales/prácticas con su portátil, tablet o herramienta que utilice), se pretende que sean plenamente complementarias en cuanto a los objetivos. Así, los elementos teóricos fundamentales presentados en las clases teóricas serán objeto de aplicación sistemática en las clases prácticas, siendo el objetivo último el adiestramiento en el uso de los métodos de la Econometría en la computación, modelización e interpretación de datos económicos a través de las prácticas realizadas mediante el programa Eviews.

Nuestros alumnos serán calificados durante el programa, cuyo resultado final será la suma de las calificaciones de la realización de los ejerciciosen durante el programa.

Nuestro postgrado en Econometria + Eviews de EBES Escuela Business España es una excelente formación virtual donde podrá adquirir la enseñanza necesaria para manejar los casos prácticos propuesto con ayuda de nuestro método y de nuestros tutores.

Estudios superiores o experiencia profesional en el área.

Estructura Especialización Econometría y modelos econométricos

1. INTRODUCCIÓN A LA ECONOMETRÍA.

1.1 Concepto de Econometría. Nota histórica.
1.2 Modelos económicos y modelos econométricos: sus componentes.
1.3 Estimación e Inferencia en Econometría.
1.4 Problemas de especificación y de estimación. APÉNDICE: Conceptos estadísticos básicos
Variables aleatorias. Distribuciones estocásticas. Estimación y estimadores. Contrastación de hipótesis.

EL MODELO CLÁSICO DE REGRESIÓN

2. EL MODELO DE REGRESIÓN MÚLTIPLE I

2.1 Especificación del modelo. Hipótesis básicas.
2.2 Estimadores MCO: Estimación del vector de parámetros y la matriz de covariancias. Teorema de Gauss-Markov.
2.3 Estimadores máximoverosimiles.
2.4 Intervalos de confianza y contrastes de hipótesis. El estadístico-t.
2.5 Análisis de la varianza y bondad de ajuste: el coeficiente de determinación corregido. El estadístico-F.
2.6 Predicción puntual y por intervalos. Error de predicción.

APÉNDICE: Álgebra matricial

Matrices. Operaciones aritméticas con matrices. Invertibilidad. Rango. Matrices particionadas. Modelo de regresión múltiple y notación matricial

3. EL MODELO DE REGRESIÓN MÚLTIPLE II

3.1 Extensiones del modelo de regresión lineal. Modelos no-lineales.
3.2 Transformaciones lineales de los regresores: cambios de origen y escala.
3.3 Normalidad y media nula de las perturbaciones. El histograma y el contraste de normalidad de Jarque y Bera.
3.4 Regresores linealmente dependientes: Multicolinealidad exacta.
3.5 Causas, consecuencias, procedimientos de detección y corrección de la multicolinealidad.

APÉNDICES: Mínimos cuadrados no-lineales.
El coeficiente de correlación parcial.

Estimador de mínimos cuadrados no-lineales. Ilustración. Cómputo del estimador MCN. Algoritmos de minimización. Matriz de covariancias del estimador MCN. Propiedades estadísticas (asintóticas) del estimador MCN. El coeficiente de correlación parcial.
INFERENCIA EN MODELOS DE REGRESIÓN

4. CONTRASTES DE HIPÓTESIS SOBRE PARÁMETROS Y PREDICCIONES

4.1 Restricciones sobre los parámetros: Modelo restringido y no restringido.
4.2 Test general de restricciones lineales.
4.3 Test de Wald de restricciones sobre los parámetros.

4.4 Test de Chow de estabilidad paramétrica.
4.5 Evaluación de la predicción. El coeficiente de desigualdad de Theil.
4.6 Predicción incondicional y selección de modelos.

MODELIZACIÓN CON REGRESORES BINARIOS

5. VARIABLES FICTICIAS Y REGRESORES BINARIOS

5.1 Variables ficticias y regresores binarios:definición.
5.2 Modelización con regresores binarios: efectos aditivos y multiplicativos.
5.3 Modelización con regresores binarios: el efecto interacción.
5.4 Modelos estructurales con regresores binarios.
5.5 Variables ficticias y test de cambio estructural. Regresión lineal por segmentos.
APÉNDICE: Modelos con variable endógena binaria: Modelo lineal de probabilidad. Modelos
Logit y Probit.

HETEROCEDASTICIDAD Y CORRELACIÓN SERIAL

6. HETEROCEDASTICIDAD

6.1 Datos de corte transversal y heterocedasticidad. Regresores fijos en muestras repetidas.
6.2 Errores heterocedásticos: Consecuencias sobre los estimadores MCO.
6.3 Contrastes de heterocedasticidad.
6.4 Estimador de mínimos cuadrados ponderados.
6.5 Estimador de la matriz de covariancias consistente ante heterocedasticidad.

7. CORRELACIÓN SERIAL

7.1 Datos de series temporales: Correlación serial y Autocorrelación. Regresores estocásticamente independientes de los términos de error.
7.2 Errores autocorrelacionados: consecuencias sobre el estimador MCO.
7.3 Contraste de autocorrelación de primer orden: Los estadísticos de Durbin- Watson.
7.4 Contraste del multiplicador de Lagrange para correlación serial de Breush- Godfrey.
7.5 Estimador de mínimos cuadrados generalizados.
7.6 Estimador de la matriz de covariancias consistente ante heterocedasticidad y autocorrelación.

ERRORES DE ESPECIFICACIÓN Y ERRORES EN LAS VARIABLES

8. ERRORES DE ESPECIFICACIÓN

8.1 Regresores incorrectos: consecuencias sobre el estimador MCO.
8.2 Variables omitidas y variables redundantes. Test de la razón de verosimilitud.
8.3 Otros errores de especificación. Test RESET de Ramsey.

9. ERRORES EN LAS VARIABLES

9.1 Correlación entre variables independientes y términos de error: Consecuencias sobre el estimador MCO.
9.2 Errores de medición.

9.3 Estimación con variables instrumentales.
9.4 Observaciones influyentes.

APÉNDICE: Modelos dinámicos y modelos multiecuacionales

Modelos autorregresivos. Modelos de regresión con errores ARMA. Estimación e inferencia con modelos dinámicos. Simulación y predicción con modelos dinámicos. Modelos de ecuaciones simultáneas.

10. REPASO DE PRÁCTICAS ECONOMETRÍCAS Y EXÁMENES TEÓRICOS