Estadística para Economía y Empresa

Este curso tiene como objetivo familiarizar al alumnado con los modelos de regresión y lograr los siguientes objetivos de aprendizaje: - Aplicar la teoría de los mínimos cuadrados para resolver problemas de regresión lineal. - Utilizar técnicas diagnósticas para determinar si un modelo de regresión se ajusta adecuadamente a un conjunto de datos dado. - Implementar los modelos de regresión utilizando el software estadístico R. - Realizar un análisis de las propiedades temporales de una serie estadística.

1. Introducción 1.1. Modelos de regresión. 1.2. Regresión lineal simple. 1.2.1. Formulación del modelo. 1.2.2. Suposiciones del modelo. 1.2.3. Estimación de los parámetros. 1.2.4. El test F. 1.2.5. Predicción. 1.3. Software estadístico R. 2. Regresión lineal múltiple: estimación, regiones de confianza y contrastes de hipótesis. 2.1. El modelo lineal general. 2.1.1. Formulación del modelo. 2.1.2. El modelo de análisis de la varianza. 2.1.3. Suposiciones del modelo. 2.2. Estimación de los parámetros. 2.3. Inferencia sobre los parámetros. 2.4. Descomposición de la variabilidad. El test F. 2.5. Predicción. 3. Validación de un modelo de regresión. 3.1. El coeficiente de determinación. 3.2. Diagnosis del modelo. 3.3. Transformaciones en regresión. 4. Diagnosis de observaciones atípicas o influyentes. Construcción de modelos de regresión. 4.1. Técnicas de diagnosis. 4.1.1. Apalancamientos. 4.1.2. Detección de atípicos e influyentes. 4.1.3. Pautas de actuación ante datos atípicos o influyentes. 4.2. Construcción de modelos de regresión. 4.2.1. Regresión polinómica. 4.2.2. Interacciones. 4.2.3. Colinealidad. 4.2.4. Métodos de selección de variables. 5. Mínimos cuadrados generalizados. 5.1. Introducción. 5.2. Mínimos cuadrados generalizados. 5.3. Mínimos cuadrados ponderados. 5.4. Mínimos cuadrados reponderados iterativamente. 5.5. Mínimos cuadrados generalizados factibles. 6. Modelos de series temporales. 6.1 Modelos autorregresivos (AR) y de medias móviles (MA). 6.2 Modelos ARMA y ARIMA.

El curso se organiza en clases de teoría, cuyo materiales son transparencias, clases de ejercicios y clases de ordenador, en las que se usará el software estadístico R con el fin de ilustrar y consolidar los contenidos.