Econometría I, Matemáticas

Este es un curso de posgrado en Econometría. La primera parte del curso discute inferencia sobre modelos lineales en condiciones estándar, prestando atención a los problemas de identificación en sistemas de ecuaciones simultáneas estructurales con restricciones lineales. La segunda parte del curso analiza modelos econométricos bajo dependencia serial y heterogeneidad no observada, que incluye modelos para series de tiempo y el análisis de causalidad en modelos dinámicos. La tercera parte del curso cubre inferencias asintóticas en modelos no lineales en parámetros, prestando especial atención al método generalizado de los momentos y la máxima verosimilitud. La última parte del curso discute herramientas de inferencia en regresión cuantílica, modelos no paramétricos, modelos semiparamétricos y contrastes de especificación.

1. Inferencia en modelos lineales de forma reducida. Causalidad e identificación. Estimadores de mínimos cuadrados. Inferencia asintótica. Estimación restringida. Errores de medida. Variables de control. Contraste de hipótesis. 2. Inferencia en ecuaciones lineales estructurales. Esetimadores de mínimos cuadrados en dos etapas. Contrastes de especificación: endogeneidad, restricciones de sobreidentificación, forma funcional, heterocedasticidad. 3. Inferencia en sistemas de ecuaciones de forma reducida. Inferencia en un sistema lineal multivariante basado en OLS; GLS y FGLS; Sistemas de ecuaciones aparentemente no relacionadas; El modelo lineal de datos de panel. El método generalizado de momentos: 2SLS, 3SLS. Constrastes de restricciones de sobreidentificación. Instrumentos óptimos. 4. Inferencia en sistemas lineales de ecuaciones estructurales. Identificación en un sistema lineal. Estimación después de la identificación. Identificación con restricciones entre ecuaciones y de covarianza. Modelos no lineales en variables endógenas. 5. Inferencia en presencia de heterogeneidad no observada. Métodos de efectos aleatorios. Métodos de efectos fijos. Métodos de primeras diferencias. Comparación de estimadores. 6. Inferencia con datos autocorrelacionados. Conceptos básicos: estacionariedad y dependencia débil. Modelos básicos: diferencias de martingala, procesos lineales, autoregresiones. Leyes de grandes números y teoremas centrales del límite. Autocorrelación e inferencia robusta a la heterocedasticidad. Contrastes de correlación serial. Estimadores GLS y IV. 7. Inferencia sobre en modelos no lineales en parámetros. Ejemplos: regresión no lineal, máxima verosimilitud, regresión cuantil, distancia mínima. Estimadores M y Z Propiedades asintóticas bajo supuestos clásicos. Métodos de optimización numérica: Newton-Raphson y Gauss-Newton. Estimadores GMM. Ejemplos: regresión binaria.

Actividades formativas Clase teórica Clases prácticas Listas de problemas Trabajo individual del estudiante Tutorías Metodologías docentes Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporciona la bibliografía para complementar el aprendizaje de los alumnos. Clases prácticas con resolución de ejercicios y problemas que ilustran la teoría y permiten estudiar casos particulares y pequeñas extensiones. Conjuntos de problemas para resolver en casa de forma individual que ayudan a sistematizar el estudio de la asignatura y repasar conceptos fundamentales.