CG1 Comunicar y transmitir la información a un público tanto especializado como no especializado
CG2 Habilidad para expresarse claramente y de presentar oralmente o por escrito, mediante un informe de carácter profesional, los resultados de sus análisis
CG13 Capacidad de expresar y aplicar rigurosamente los conocimientos adquiridos en la resolución de problemas
CG17 Demostrar haber adquirido de forma sólida los conocimientos desarrollados en el grado y ser capaz de aplicarlos en cada contexto de forma adecuada

CE1 Conocer, identificar y seleccionar las fuentes de información adecuadas para el trabajo estadístico
CE12 Resolver un problema real mediante los distintos pasos de: identificar la información, diseñar el estudio, analizar datos y construir el modelo adecuado e interpretar los resultados
CE25 Identificar la utilidad y la potencialidad de sus conocimientos estadísticos en las distintas áreas de utilización y saber aplicarlos adecuadamente para extraer conclusiones relevantes
CE26 Valorar la importancia de la estadística y de su correcta utilización en problemas concretos de ámbitos como las CC. Sociales, CC. de la Salud o Ingeniería

50%

50%

100

2,4

3,6

8

Desarrollar análisis y estudios empíricos en economía para explicar, diagnosticar y hacer pronósticos sobre la situación de las principales variables económicas y financieras
El curso se ha planteado desde un punto de vista eminentemente práctico: revisión de las principales fuentes de información estadística en economía a través de internet; identificación de la técnica econométrica más adecuada para el estudio cuantitativo de la economía; y el uso aplicado y práctico de software específico R para el análisis econométrico.

Modelos de regresión lineal
Modelos de series temporales

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. Partiendo de mínimos cuadrados ordinarios para estimar el modelo lineal general se irá avanzando en otros métodos a medida que se vayan relajando supuestos como el de las perturbaciones no esféricas, la endogeneidad, las correlaciones a largo plazo, los datos de panel o los sesgos de selección. Entre otras aplicaciones, se estudiará el contraste de hipótesis sobre la relación teórica entre distintas variables y parámetros económicos; evaluación de los resultados de diferentes decisiones por parte de los agentes económicos; realización de predicciones económicas y financieras; cuantificación de elasticidades y precios hedónicos con los que realizar valoraciones en ausencia de datos de mercado; detección de comportamientos discriminatorios entre distintos agentes económicos; cuantificación y detección de riesgos de mercado en la operativa con carteras de inversión financiera; y la evaluación de impacto de los programas y políticas públicas
- Especificación, estimación y diagnosis del modelo lineal general.
- Contrastes de cambio estructural y mínimos cuadrados recursivos.
- Problemas de mala especificación, errores de medida, datos incompletos, muestras no aleatorias y observaciones atípicas.
- Métodos de regresión ante heteroscedasticidad, autocorrelación, y multicolinealidad.
- Endogeneidad e Inconsistencia de MCO.
- Raíces unitarias, cointegración y modelos de corrección de error.
- Modelos de variables dependientes limitadas y correcciones en la selección muestral.
- Modelos con datos de panel.
- Inferencia Causal y evaluación de impacto de programas
- Regresión cuantílica.
- Técnicas econométricas para el análisis de datos espaciales.

Capítulo 1 INTRODUCCIÓN
- Naturaleza y contenido de la Econometría
- La modelización económica
- Planteamiento del curso

Capítulo 2 REGRESIÓN LINEAL
- El Modelo Lineal General (MLG)
- Hipótesis del modelo
- Estimación por Mínimos Cuadrados Ordinarios (MCO)
- Inferencia y predicción en el MLG
- Contrastes de cambio estructural
- Multicolinealidad y errores de medida

Capítulo 3 MODELOS CON DATOS DE SECCIÓN CRUZADA (HETEROCEDASTICIDAD)
- Causas de la heterocedasticidad
- Contrastes de heterocedasticidad
- El Estimador de Mínimos Cuadrados Generalizados
- El Estimador de Minimos Cuadrados ponderados factible

Capítulo 4 MODELOS CON DATOS DE SERIES TEMPORALES: ESTACIONARIEDAD, COINTEGRACION Y AUTOCORRELACION 
- Magia “potagia” o las regresiones espurias 
- Estacionariedad y Raíces Unitarias
- No estacionariedad y Cointegración
- Cointegración y Mecanismos de Corrección del Error (MCE) 
- Modelos de regresión con series temporales estacionarias: autocorrelación
- El estimador de Mínimos Cuadrados Generalizados (MCG)
- Indicadores adelantados: Causalidad en sentido de Granger y correlación contemporánea
- Modelos dinámicos estacionarios: ARIMA y ARIMAX
- Estimación, Diagnosis de modelos ARIMA

Capítulo 5 ENDOGENEIDAD, VARIABLES INSTRUMENTALES y MC2E 
- ¿En qué consiste el problema de la Endogeneidad?, ¿qué problemas origina?
- Orígenes de la endogenidad: Omisión de alguna variable relevante (porque no es observable) que está correlacionada con alguna otra variable explicativa
- Orígenes de la endogenidad: Errores en la medida
- Orígenes de la endogenidad: Modelo de regresión con retardos y autocorrelación en los errores
- Estimador de variables instrumentales y mínimos cuadrados en dos etapas (MC2E)
- Contrastes de endogeneidad y restricciones de sobreestimación

Capítulo 6 MODELOS DE REGRESIÓN CON DATOS DE PANEL
- Especificación de modelos con datos de panel
- Estimación de modelos con efectos fijos
- Estimación de modelos con efectos aleatorios
- Sistema de ecuaciones aparentemente no relacionadas

Capítulo 7 MODELOS DE ECONOMETRÍA ESPACIAL
- Introducción a la estadística y a las medidas de asociación espacial
- La construcción de la matriz de distancias para la medición de dependencias espaciales
- Especificaciones del modelo con dependencia espacial: modelo de error con retardos espaciales y el modelo con errores espaciales autoregresivos
- Problemas de mínimos cuadrados ordinarios para la estimación de modelos con retardo espacial y el estimador de mínimos cuadrados en dos etapas

Capítulo 8 MODELOS DE REGRESIÓN CUANTÍLICA 
- Regresión en media y regresión por cuantiles 
- Estimación de la regresión intercuantílica 
- Representación gráfica de la solución 

Los alumnos tienen la posibilidad de superar la asignatura por evaluación continua. La calificación de la evaluación continua se determinará en función de la resolución de ejercicios, la realización de pruebas de conocimiento, y la participación activa del alumnado en las clases y en las actividades formativas propuestas por el profesorado.

La nota final tendrá en cuenta tanto la evaluación continua como la prueba final. Se calculará como el máximo entre:
a) La calificación de la prueba final.
b) La media ponderada de la evaluación continua y la prueba final, siendo el peso de la evaluación continua de al menos el 35%.

En todo caso, todo el alumnado tendrá derecho a realizar la prueba final, cuya calificación podrá constituir la nota final de la asignatura.

- Wooldridge, J. (2019): Introductory Econometrics: A Modern Approach, 7th Edition. Cengage Learning
- Hansen, B. (2018): Econometrics https://www.ssc.wisc.edu/~bhansen/econometrics/
- Kleibel, C. & Zeileis, A. (2008): Applied Econometrics with R. Springer.

Bibliografía Complementaria
- Angrist, J. D. & Pischke, J.-S. (2009): Mostly Harmless Econometrics: An Empiricist's Companion. Princeton University Press
- Anselin, L. & Rey, S.J. (2014): Modern Spatial Econometrics. GeoDa Press
- Anselin, L. (2007): Spatial Regression Analysis in R: A Workbook
- Baltagi, B. H. (2013): Econometric Analysis of Panel Data. 5th Edition, Wiley
- Brockwell, P.J. & Davis, R. A. (2016). Introduction to Time Series and Forecasting. 3rd Edition, Springer
- Cameron, A. C. & Trivedi, P. K. (2005): Microeconometrics: Methods and Applications. Cambridge University Press
- Dalgaard, P. (2008): Introductory statistics with R. Springer Science & Business Media Hamilton, J.D. (1994): Time Series Analysis. Princeton University Press
- Heiss, F. (2016): Using R for Introductory Econometrics. Create Space. Hsiao, C. (2014): Analysis of Panel Data. Cambridge University Press
- LeSage, J. & Kelley Pace, J. (2009): Introduction to spatial econometrics, Chapman & Hall
- Peña, D. (2010): Análisis de Series Temporales, 2.ª Edición, Alianza editorial
- Pfaff, B. (2008): Analysis of Integrated and Cointegrated Time Series with R. Springer-Verlag.
- Shumway, R. H. & Stoffer, D. S. (2017): Time Series Analysis and Its Applications: With R Examples. 4th Edition, Springer
- Wei, W. W. S. (2006): Time Series Analysis: Univariate and Multivariate Methods. 2nd Edition, Pearson Addison Wesley
- Wooldridge, J. M. (2010): Econometrics of cross-section and panel data. 2nd Edition, MIT Press
- Zuur, A., Ieno, E. N. & Meesters, E. (2009): A Beginner's Guide to R. Springer Science & Business Media.