Microeconometría:
1. Modelos lineales para datos de panel
Introducción y motivación. Revisión de modelos estáticos y control de heterogeneidad no observada: dentro de los grupos, entre grupos y métodos de efectos aleatorios.
Modelos dinámicos Modelos con variables estrictamente exógenas y predeterminadas. El sesgo del estimador dentro de los grupos. Estimación GMM de modelos de datos de panel dinámico. Pruebas de especificación.
Ejemplos de aplicaciones de estos métodos:
- I.O .: identificación y estimación de funciones de producción (por ejemplo, productividad en la industria de equipos de telecomunicaciones). Olley y Pakes (1996); Ackerberg, Caves y Fraser (2006); y su comparación con Arellano y Bover (1995) y Blundell y Bond (1998, 2000).
- Economía laboral y educativa: estimaciones del retorno a la escolaridad. Ashenfelter y Krueger (1994) - Economía laboral y de la salud: ¿Puede pagar la regulación matar? Evidencia de datos del panel sobre el efecto de los mercados laborales en el desempeño hospitalario¿ Propper y van Reenen (2010)
2. Modelos de elección discreta
Introducción y motivación. Revisión de modelos de elección binaria para datos de sección transversal: modelos de probabilidad lineal, modelos probit y logit. Estimación de máxima verosimilitud, semiparamétrica y no paramétrica. Interpretación.
Modelos de opción múltiple: probit multinomial y logit multinomial. Método simulado de estimación de momentos. Probit ordenado.
Modelos de elección binaria para datos de panel. Soluciones de T fija: modelos estáticos y dinámicos, efectos aleatorios y enfoques de efectos fijos para dar cuenta de la heterogeneidad no observada, problemas de identificación y establecer parámetros de interés identificados. Soluciones generales para la estimación de efectos fijos (T no es fijo). Limitaciones de la especificación del índice lineal.
Modelos de elección discreta dinámica estructural y juegos discretos dinámicos: modelos, métodos de estimación y ejemplos tales como el estudio de decisiones de jubilación, elecciones ocupacionales y decisiones de carrera, deserción escolar, renovación de patentes, estimación de curvas de demanda y oferta, efecto del número de empresas en La decisión de entrada de una nueva empresa, Subastas.
Ejemplos de trabajos aplicados que utilizan estos métodos:
- Economía de la salud: ¿dependencia del estado y heterogeneidad en salud mediante un estimador de efectos fijos corregido por sesgo¿. J. Carro y A. Traferri (2014).
- Economía laboral: "Dependencia del Estado, correlación serial y heterogeneidad en la participación laboral intertemporal de las mujeres casadas", D. Hyslop (1999)
- I.O .: ¿Estimación del excedente del consumidor y ganancias de bienestar a partir de la introducción de minivans¿ A. Petrin (2002).
- Política pública: ¿Estimación de los efectos de un subsidio de ganancias por tiempo limitado para los que abandonan el bienestar¿, D. Card y D. Hyslop (2005).
- I.O .: ¿Patentes como opciones: algunas estimaciones del valor de mantener existencias de patentes europeas¿ A. Pakes (1986)
- Economía laboral y educativa: ¿Por qué los jóvenes abandonan la escuela secundaria: el impacto de las preferencias, oportunidades y habilidades¿, Z. Eckstein y K. Wolpin (1989)
3. Modelos de selección de muestra
Aplicaciones. Modelos de regresión truncada. Tobit: Modelos de regresión censurados. Modelos de selección de muestra: estimación de máxima verosimilitud y estimación en dos etapas. Paneles desequilibrados. Cambio de modelos de regresión.
Ejemplo de un documento aplicado que utiliza estos métodos:
- La sensibilidad de un modelo empírico de las horas de trabajo de las mujeres casadas a los supuestos económicos y estadísticos, Mroz (1987)
Macroeconometría:
ESQUEMA DEL CURSO
PARTE I: INTRODUCCIÓN
1. CONCEPTOS BÁSICOS DE PROCESOS ESTOCÁSTICOS
Definiciones y ejemplos de procesos estocásticos y series temporales. Estacionariedad y ergodicidad. El significado. La función de autocovarianza y autocorrelación. Uno de los objetivos del análisis de series de tiempo: pronósticos basados ¿¿en expectativas condicionales y pronósticos basados ¿¿en proyección lineal (mínimos cuadrados).
PARTE II: MODELOS BASADOS EN INFORMACIÓN UNIVARIADA
2. MODELOS LINEALES ESTACIONARIOS I: CARACTERIZACIÓN Y PROPIEDADES
La descomposición de Wold. Procesos causales e invertibles de ARMA. La función de autocorrelación parcial. La función generadora de autocovarianza. Identificación de procesos ARMA.
3. MODELOS LINEALES ESTACIONARIOS I ': ANÁLISIS ESPECTRAL
Densidades espectrales. El periodograma. Filtros lineales invariantes en el tiempo. La densidad espectral de un proceso ARMA.
4. MODELOS LINEALES ESTACIONARIOS II: ESTIMACIÓN E INFERENCIA
Estimación: El método de máxima verosimilitud (la función de verosimilitud para un AR gaussiano (1) y un MA gaussiano (1)) y mínimos cuadrados. Comportamiento asintótico de la muestra media y función de autocovarianza. Estimación de la varianza a largo plazo. Inferencia sobre los parámetros de los modelos ARMA.
Apéndice: Asintóticos para procesos lineales (LLN y CLT). Teoría de la martingala.
5. SELECCIÓN DE MODELO
Metodología Box-Jenkins. Criterios de información: AIC, BIC, HQ y LCIC. Consistencia de la IC. Inferencia en modelos seleccionados por el IC. Prueba versus IC.
6. PRONÓSTICO
Pronósticos de los modelos ARMA y ARIMA. La función de predicción y su interpretación económica. Combinación de pronósticos. Evaluación de pronósticos. Comparaciones de pronósticos de procesos de tendencia estacionaria y raíz unitaria.
7. MODELOS LINEALES NO ESTACIONARIOS: EL CASO DE UN AR CON UNA RAÍZ DE UNIDAD
Tendencias deterministas versus tendencias estocásticas. Procesos con raíces unitarias: Pruebas y Estimación. Descomposiciones en tendencia y ciclo: descomposición de Beveridge-Nelson y descomposiciones ortogonales.
Apéndice: El teorema del límite central funcional y el teorema del mapeo continuo.
8. MODELOS NO ESTACIONARIOS: EL CASO DE DESCANSOS ESTRUCTURALES
Prueba de un solo descanso. Prueba de saltos múltiples. Raíces de unidad versus rupturas.
PARTE III: MODELOS BASADOS EN INFORMACIÓN MULTIVARIADA
9. MODELOS LINEALES MULTIVARIADOS ESTACIONARIOS: VAR
Modelos estructurales VAR. Identificación de choques: condiciones de corto plazo; Condiciones de largo plazo (ejemplo: Blanchard y Quah); A través de restricciones de signo; Vía Heterocedasticidad. Estabilidad, estimación e inferencia en modelos VAR. Selección de retraso. Funciones de transferencia derivadas de modelos VAR. Pruebas de causalidad bivariadas de Granger. Función impulso-respuesta. Descomposición de la varianza. Errores estándar para funciones impulso-respuesta.
10. MODELOS LINEALES MULTIVARIADOS NO ESTACIONARIOS I: MODELOS VAR CON RAÍCES UNIDADES - COINTEGRACIÓN
Regresión espuria. Cointegración. Implicaciones de la cointegración para la representación VAR: el modelo de corrección de errores (teorema de representación de Granger). Prueba de cointegración y estimación del vector de cointegración: un enfoque de ecuación única (OLS y DOLS). Prueba para el rango de cointegración y estimación de los vectores de cointegración: un enfoque de ecuación simultánea (Regresión de rango reducida). Consecuencias de la especificación errónea de los componentes de tendencia en las pruebas de cointegración.
Apéndice: Resultados asintóticos para procesos vectoriales no estacionarios.
11. MODELOS LINEALES MULTIVARIADOS NO ESTACIONARIOS II: MODELOS VAR CON RAÍCES UNIDADES - COINTEGRACIÓN
Representaciones de tendencias comunes. Descomposiciones permanentes y transitorias: representaciones de Stock-Watson y Gonzalo-Granger. Identificación de los choques de un VAR cointegrado: enfoque de Gonzalo-Ng.
12. SELECCIÓN DE MODELO
Consecuencias del retraso y / y la especificación errónea de rango en VAR. Enfoque de criterios de información para seleccionar el número de rezagos y el rango de cointegración. Consistencia de la CI; Prueba versus IC.
PARTE IV: MÁS TEMAS
13. LARGA MEMORIA
Definición. Cuánto tiempo aparece la memoria en la economía. Modelado. Estimación e inferencia. Prueba I (1) versus I (d). Prueba de I (d) versus I (0) + Saltos.
14. MODELOS DE UMBRAL
Umbral de modelos autorregresivos. Condiciones de estacionariedad. Estimación, inferencia e identificación del modelo. Prueba de linealidad. El caso de la raíz de la unidad de umbral (modelos TARUR y TARSUR).
15. MODELOS DE FACTORES DINÁMICOS
Modelos de factor estándar. Determinación del número de factores. Teoría inferencial para modelos factoriales.
Los textos principales son Brockwell y Davis (1991), Hamilton (1994) y Hayashi (2000). Los otros textos proporcionan tratamientos de varios subtemas.