Todas las asignaturas troncales de Matemáticas, Estadística y Econometría de los años anteriores.

Adquirir conocimientos y comprensión de los siguientes temas. 1.- Las principales características que se presentan en las series temporales: tendencia, estacionalidad, dependencia temporal estacionaria e innovaciones. 2.- Modelos que se pueden formular sobre tales series : a) univariantes deterministas y ARIMA, b) uniecuacionales dinámicos con variables explicativas exógenas, c) multiecuacionles (VAR)sobre transformaciones estacionarias de las series y d) uniecuacionales y multiecuacionales sobre series con relaciones de cointegración entre sí. 3.- Metodología para la construcción de los modelos anteriores. Aprender la aplicación de todo lo anterior sobre series reales de la Comunidad de Madrid, españolas y europeas, principalmente referidas a sectores productivos, utilizando software específico. Resolución de problemas utilizando datos. Conocimiento de software econométrico e incorporación del mismo en el trabajo profesional de un licenciado en Contabilidad y Finanzas. Aprendizaje del seguimiento de la realidad económica tal como va surgiendo en el tiempo y de la utilización de modelos econométricos para comprenderla. Familiarización con las principales características actuales de los sectores productivos y de la economía global de la Comunidad de Madrid, España y la Unión Europea

Tema 1. LA ECONOMETRÍA DE SERIES TEMPORALES EN LA EMPRESA. PROPIEDADES DE LAS SERIES TEMPORALES Y CONTEXTO ESTADÍSTICO PARA SU ESTUDIO 1.1 La econometría en la profesión económica. Los métodos cuantitativos en la empresa 1.2 Muestras aleatorias y características de las series temporales 1.3 La descomposición clásica de una serie temporal: tendencia, estacionalidad, oscilaciones cíclicas y perturbaciones 1.4 Tendencia y estacionalidad en series temporales. Transformaciones de estacionariedad 1.7.1 El modelo de tendencia lineal y estacionalidad deterministas 1.7.2 Tendencias segmentadas 1.7.3 Tendencia y estacionalidad estocásticas Tema 2. MODELOS UNIVARIANTES LINEALES: MODELOS ARIMA 2.1 Procesos estocásticos estacionarios 2.2 La función de autocorrelación y su estimación 2.3 El proceso ruido blanco 2.4 El modelo autorregresivo de primer orden AR (1) 2.5 Generalización a los modelos AR (p) 2.6 Modelos integrados: ARI (l, p) 2.7 Los modelos ARMA y ARIMA Tema 3. ESPECIFICACIÓN, ESTIMACIÓN Y VALIDACIÓN DE MODELOS ARIMA 3.1 La metodología Box-Jenkins 3.2 La especificación inicial 3.2.1 Contrastes de raíces unitarias 3.2.2 Análisis de los correlogramas y correlogramas parciales de la serie original y sus transformaciones 3.2.3 Los criterios de información para determinar la dependencia temporal 3.3 Estimación: contraste de hipótesis 3.4 Validación de modelos ARIMA: a) Análisis de residuos b) Contrastes respecto a modelos alternativos Tema 4. MODELOS MULTIVARIANTES ESTACIONARIOS 4.1 El modelo VAR(p) estacionario. Formulación. Dependencia temporal. 4.2 Causalidad en el sentido de Granger. Dependencia contemporánea. 4.3 Estimación de los modelos VAR 4.4 Modelos VAR con variables exógenas. Modelos VAR recursivos 4.5 Modelos uniecuacionales dinámicos: los modelos de retardos autorregresivos distribuidos (ADL) 4.6 Multiplicadores de impacto y de largo plazo Tema 5. MODELOS MULTIVARIANTES NO ESTACIONARIOS 5.1 Modelos con variables integradas. Regresiones espurías. 5.2 Cointegración 5.3 Modelos vectoriales con mecanismos de corrección del equilibrio (VEqCM)

Clases teóricas con material de apoyo en la web. Clases prácticas de resolución de problemas, con problemas adicionales en la web y sus resoluciones. Clases prácticas en las aulas informáticas.