Econometría I Álgebra Lineal

Este curso tiene como objetivo proporcionar al estudiante habilidades econométricas avanzadas utilizadas en la investigación microeconómica empírica. El curso hace especial hincapié en la implementación de estimaciones utilizando métodos computacionales modernos. Los estudiantes aprenderán sobre métodos clásicos y de última generación de ML con un enfoque en la alta dimensionalidad y la interpretabilidad. Se utilizan aplicaciones económicas para ilustrar las ventajas y limitaciones de cada metodología.

1. Estimación por Método de Momentos Generalizado. 2. Modelos para Datos de Panel. 3. Regresión Lineal en Altas Dimensiones. Selección de modelo, Ridge, Lasso, regresión por componentes principales y sus variantes. 4. Regresión No Lineal Moderna. Modelos aditivos, árboles, bosques aleatorios, bagging, boosting. 5. Deep Learning Perceptrón, Redes Neuronales, Redes Neuronales Convolucionales, Redes Neuronales Recurrentes, Memoria a Largo y Corto Plazo. 6. Máxima Verosimilitud para la Estimación del Efecto del Tratamiento CATE a través de LASSO, Árboles Honestos, Bosques Causales. 7. Aprendizaje Automático Doble Modelo Parcialmente Lineal, estimación e inferencia de ATE, Ortogonalidad de Neyman, Cross-Fitting, DML para IV, DML para LATE.

Magistrales. Visión general de conceptos y desarrollo de sus propiedades. Clases prácticas centradas en aplicaciones económicas implementadas en el lenguaje Python.