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

1. Naturaleza y objetivos de la modelización económica
2. Estructura de los datos económicos y fuentes de información

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

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

2. Heterocedasticidad en el Modelo Lineal General

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

3. Diagnosis Avanzada: Cambio Estructural y Deficiencias Muestrales

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

4. Endogeneidad y Variables Instrumentales

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

5. Econometría de Series Temporales y Autocorrelación

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

6. Modelos de Variable Dependiente Limitada y Selección Muestral

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

7. Modelos con Datos de Panel

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

8. Inferencia Causal y Evaluación de Impacto

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

9. Regresión Cuantílica

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