Desarrollar análisis y estudios empíricos para explicar, diagnosticar y pronosticar variables económicas y financieras. El curso se plantea desde un punto de vista eminentemente práctico: revisión de fuentes estadísticas oficiales en economía a través de internet, uso aplicado del software R e identificación de la técnica econométrica más adecuada para el estudio de fenómenos económicos, abarcando desde modelos lineales y temporales hasta metodologías de inferencia causal y regresión cuantílica.

Proporcionar al alumno las herramientas  fundamentales  para desarrollar análisis y estudios empíricos en economía que permitan explicar, diagnosticar y hacer pronósticos sobre la situación económica y evaluar las recomendaciones de política con las que solucionar o mejorar la realidad económica cuando ésta se considere insatisfactoria.

El objetivo último es adquirir las competencias para utilizar los métodos de regresión para la modelización económica y financiera, revisando la adecuación de cada método al conjunto de datos disponibles y a los objetivos a alcanzar en cada aplicación. 

0. Introducción a la Econometría Aplicada

• Naturaleza y objetivos de la modelización económica
• Estructura de los datos económicos y fuentes de información

1. El Modelo Lineal General: Especificación, Estimación y Diagnosis

• Hipótesis clásicas y propiedades de Mínimos Cuadrados Ordinarios (MCO)
• Inferencia estadística, predicción puntual y por intervalos
• Detección de errores de especificación y test RESET de Ramsey

2. Heterocedasticidad en el Modelo Lineal General

• Causas y consecuencias de la varianza no constante
• Contrastes estadísticos de Breusch-Pagan y White
• Matriz de varianzas-covarianzas robusta de White
• Mínimos Cuadrados Ponderados (MCP) y Generalizados Factibles (MCGF)

3. Diagnosis Avanzada: Cambio Estructural y Deficiencias Muestrales

• Contrastes de cambio estructural y mínimos cuadrados recursivos
• Tratamiento de observaciones atípicas y datos incompletos
• Multicolinealidad (VIF) y técnicas de regularización (Ridge y Lasso)

4. Endogeneidad y Variables Instrumentales

• Sesgo e inconsistencia por correlación con el error
• Fuentes de endogeneidad: variables omitidas, errores de medida y simultaneidad
• Estimador de Variables Instrumentales (VI) y Mínimos Cuadrados en Dos Etapas (MC2E)
• Contrastes de diagnóstico de Hausman y Sargan

5. Econometría de Series Temporales y Autocorrelación

• Detección (Durbin-Watson y Breusch-Godfrey) y corrección de la autocorrelación
• Raíces unitarias, procesos integrados y regresión espuria
• Cointegración y Modelo de Corrección del Error (MCE)
• Test de causalidad de Granger y análisis de rezagos dinámicos
• Identificación (ACF/PACF) y estimación de modelos ARIMA y ARIMAX

6. Modelos de Variable Dependiente Limitada y Selección Muestral

• Modelos de elección binaria (Logit y Probit)
• Modelos para datos censurados y truncados (Tobit)
• Correcciones de la selección muestral y muestras no aleatorias

7. Modelos con Datos de Panel

• Estructura de datos longitudinales y error compuesto
• Estimadores de Efectos Fijos (Within y Primeras Diferencias)
• Estimador de Efectos Aleatorios (MCG) y enfoque de Mundlak
• Modelos multinivel y de frontera con efectos aleatorios
• Selección de estimadores: Test F, Breusch-Pagan y Hausman

8. Inferencia Causal y Evaluación de Impacto

• Sesgo de autoselección y el enfoque del contrafactual
• Experimentos aleatorios controlados (EAC)
• Emparejamiento por Índice de Propensión (Propensity Score Matching)
• Estimador de Diferencias en Diferencias (DiD)

9. Regresión Cuantílica

• Cuantiles condicionales frente a la media condicional
• Función de pérdida asimétrica (Check Function)
• Optimización mediante programación lineal (Simplex y Punto Interior)
• Estimación de efectos heterogéneos e inferencia mediante Bootstrap
• Tests de Wald y ANOVA de cuantiles