El objetivo de este libro es la presentación de lastécnicas econométricas avanzadas y su tratamientocon las herramientas más adecuadas de cálculoautomatizado. Se utilizan los paquetes de softwareEVIEWS, STATA, SAS y SPSS para abordar de modosencillo el trabajo econométrico.
El primer bloque de contenido incluye los modelos dinámicosy el estudio de la estabilidad de los modeloseconométricos a través de los contrastes de cambio estructural,raíces unitarias, cointegración y modelos decorrección del error. Un segundo bloque profundiza enlos modelos lineales multiecuacionales y en los modelosmultivariantes de series temporales, tratando especialmentelos modelos VAR y VARMA, así como la teoríade la cointegración en el contexto multivariante. En untercer bloque se aborda la econometría de los datos depanel, incluyendo los modelos dinámicos y los modeloslogit, probit y de Poisson en el contexto de panel.Asimismo, se aborda la problemática de los contrastesde raíces unitarias y cointegración en el ámbito de lospaneles. Un cuarto bloque se ocupa de los modelos nolineales uniecuacionales y multiecuacionales, así comode la regresión particionada y segmentada.
En cuanto a los temas más novedosos, el quinto bloqueestudia los modelos predictivos de clasificación ysegmentación, así como el tratamiento moderno de losmodelos econométricos con herramientas de minería dedatos y en especial la utilización de redes neuronalespara ajustar modelos. El último bloque aborda los modeloseconométricos con ecuaciones estructurales.
Los diferentes capítulos se inician con la exposición delos conceptos y notas teóricas adecuadas, para resolvera continuación una variedad de ejercicios que cubran losconceptos expuestos.
César Pérez López es licenciado en Ciencias Matemáticas yen Ciencias Económicas y trabaja actualmente como Vocal Asesoren el Instituto de Estudios Fiscales (IEF). Pertenece al CuerpoSuperior de Estadísticos del Estado y al Cuerpo Superior deSistemas y Tecnologías de la Información de la Administracióndel Estado. Asimismo, es profesor asociado en el Departamentode Estadística e Investigación Operativa III de la UniversidadComplutense de Madrid.
CONTENIDO
Introducción
Capítulo 1. Modelos dinámicos
Modelos dinámicos
Modelos dinámicos con retardos en la variable endógena
Modelos dinámicos con retardos en la variable endógena y en lasvariables exógenas simutáneamente
Tipos especiales de modelos dinámicos
Modelos con retardos distribuidos finitos
Modelos con retardos distribuidos infinitos
EVIEWS y los modelos dinámicos específicos
SPSS y los modelos dinámicos
SPSS y los modelos dinámicos con regresores estocásticos.Variables instrumentales
EVIEWS y los modelos dinámicos con regresores estocásticos.SAS y los modelos dinámicos
Capítulo 2. Estabilidad de modelos. Cambio estructural
Estabilidad estructural en modelos econométricos
Parámetros constantes en el tiempo y contraste de predicción de Chow
Cambio estructural y contraste de Chow
Residuos recursivos: contrastes basados en estimación recursiva
Contrastes CUSUM y CUSUMQ
Modelos inestables: regresiones espúrias
Series temporales estacionarias. Detección de la estacionariedad
Series temporales estacionales. Detección de la estacionalidad
Test de raíces unitarias
Tests de Dickey-Fuller de las raíces unitarias
Test de Phillips-Perron de las raíces unitarias
Modelos estables en el largo plazo: análisis de la cointegración
Test de Phillips-Oularis para la cointegración
Modelos de corrección por el error MCE
Raíces unitarias y cointegración en series estacionales
Raíces unitarias y cointegración en series con cambio estructural
Estacionariedad y estacionalidad con EVIEWS
Raíces unitarias, cointegración y cambio estructural con EVIEWS
Raíces unitarias, cointegración y cambio estructural con SAS
Raíces unitarias con STATA
Estacionariedad y estacionalidad con SPSSS
Capítulo 3. Modelos lineales multiecuacionales.Ecuaciones simultáneas
Modelos lineales multiecuacionales. Forma estructural yecuaciones simultáneas
Modelo multiecuacional en forma reducida
Identificación de modelos lineales de ecuaciones simultáneas.Estimación MCI
Estimación de modelos lineales de ecuaciones simultáneas
Mínimos cuadrados indirectos
Variables instrumentales
Mínimos cuadrados bietápicos
Modelos recursivos
Máxima verosimilitud con información limitada
Máxima verosimilitud con información completa
Estimadores de clase k y mínimos cuadrados trietápicos
Método RANR o SUR
Métodos robustos a la heteroscedasticidad: White y HAC
Modelos de ecuaciones simultáneas con series temporales
Eviews y los sistemas de ecuaciones simultáneas
SAS y los sistemas de ecuaciones simultáneas lineales:Procedimientos SYSLYN y MODEL
STATA y los modelos de ecuaciones lineales simultáneas
Capítulo 4. Modelos multivariantes de series temporales: VAR, VARX,VARMA y BVAR. Cointegración
Modelos de vectores autorregresivos (VAR)
Identificación en modelos VAR
Estimación de un modelo VAR
Modelos VARMA
Cointegración en modelos VAR. Test de Johansen
Eviews y los modelos VAR. Test de Johansen
Estimación de modelos VAR en Eviews a través de menús
Cointegración en modelos VAR en Eviews a través de menús
Modelo de vector de corrección del error en modelos VARcon Eviews
SAS Y los modelos VAR. Contrastes de causalidad y cointegración.Test de Johansen
Contraste de Johansen en modelos VAR con SAS
Modelo de vector de corrección del error en modelos VAR con SAS
Modelos VAR con variables exógenas (VARX) en SAS
STATA y los modelos VAR y VEC. Contrastes de causalidad ycointegración. Test de Johansen
Capítulo 5. Econometría de los datos de panel.Raíces unitarias y cointegración en paneles
Introducción a los datos de panel. Estructuras de datos
Datos de corte transversal o sección cruzada
Datos de series temporales
Estructuras de datos. Combinaciones de cortes transversales
Estructuras de datos. Datos de panel o longitudinales
Paneles puros y paneles expandidos
Comparación entre muestras anuales, combinaciones de cortes transversales (pool de datos) y paneles
Modelos econométricos con datos de panel
Modelos de panel con coeficientes constantes
Modelos de panel de efectos fijos .
Modelos de panel de efectos aleatorios
Modelos dinámicos con datos de panel
Modelos logit y probit con datos de panel
Raíces unitarias y cointegración con datos de panel
Eviews y los modelos con datos de panel
SPSS y los modelos con datos de panel
SAS y los modelos con datos de panel
EVIEWS y los modelos dinámicos con datos de panel.Metodología de Arellano y Bond
EVIEWS y los contrastes de raíces unitarias con datos de panel.SAS y los contrastes de raíces unitarias con datos de panel.
STATA y los modelos con datos de panel
Modelos logit, probit y de Poisson con datos de panel
Estimación de paneles dinámicos mediante la metodologíaArellano-Bond
Capítulo 6. Modelos y sistemas no lineales. Regresión particionaday segmentada
Modelos no lineales
Mínimos cuadrados no lineales. Algoritmos de Newton y Marquardt
Regresión particionada
Regresión por tramos o segmentada
SPSS y la estimación no lineal y segmentada
SAS y la estimación no lineal. Procedimiento NLIN
SAS y los modelos de ecuaciones simultáneas no lineales. Procedimiento MODEL
Eviews y los modelos de ecuaciones no lineales
STATA y los modelos de ecuaciones no lineales
Capítulo 7. Modelos predictivos de clasificación y segmentación
Modelos predictivos
El análisis discriminante como técnica de clasificación y segmentación
Hipótesis en el modelo discriminante
Estimación del modelo discriminante.
Contrastes de significación en el modelo discriminante
Selección de variables discriminantes
Interpretación de la función discriminante
Clasificación de los individuos
Análisis discriminante canónico
Los árboles de decisión como técnica predictiva de clasificación
Características de los árboles de decisión
Herramientas para el trabajo con árboles de decisión
??rboles CHAID
??rboles CART
??rboles QUEST
El análisis cluster como técnica de clasificación y segmentación
Medidas de similitud
Técnicas en el análisis cluster
Clusters jerárquicos, secuenciales, aglomerativos y exclusivos (S.A.H.N.)
El dendograma en el análisis cluster jerárquico
Análisis cluster no jerárquico
SPSS y el análisis discriminante
??rboles de decisión (o clasificación) con SPSS
Creación de un árbol de decisión: Método CHAID
Métodos CRT y QUEST. Poda de árboles
SPSS y el análisis cluster jerárquico
SPSS y el análisis cluster no jerárquico
SAS y el análisis cluster jerárquico
Procedimiento ACECLUS
Procedimiento CLUSTER
Procedimiento TREE
SAS y el análisis cluster no jerárquico
SAS y el análisis discriminante: Procedimiento DISCRIM
Ejemplo de análisis discriminante
SAS y el análisis discriminante canónico: Procedimiento CANDISC
Ejemplo de análisis discriminante canónico
SAS y el análisis discriminante paso a paso. Procedimiento STEPDISCy ejemplo práctico
Capítulo 8. Modelos econométricos con herramientas de minería de datos
Técnicas de minería de datos
Técnicas predictivas para la modelización econométrica
Técnicas predictivas de modelización con SAS Enterprise Miner
El nodo Regression: Modelo de regresión múltiple
El nodo Regression: Modelo lineal general GLM
El nodo Regression: Modelo de elección discreta Logit y Probit
Técnicas predictivas de modelización con SPSS Clementine
El nodo Regresión Lineal: Modelo de regresión múltiple
El nodo Regresión Logística: Modelos de elección discreta
Análisis cluster con Enterprise Miner. El nodo Clustering
??rboles de decisión con Enterprise Miner. El nodo Tree
Entrenamiento interactivo (Interactive Training)
Análisis cluster con SPSS Clementine
El nodo Entrenar K-medias: Cluster no jerárquico
El nodo Cluster Bietápico: Cluster jerárquico
??rboles de decisión con SPSS Clementine
El nodo Crear C5.0
El nodo ??rbol C&R
Capítulo 9. Modelos econométricos con redes neuronales
Descripción de una red neuronal
Definición
Función de salida y funciones de transferencia o activación
Redes neuronales y ajuste de modelos de regresión
Aprendizaje en las redes neuronales
Funcionamiento de una red neuronal
El algoritmo de aprendizaje Retropropagación (Back-Propagation)
Análisis discriminante a través del Perceptrón
Análisis de series temporales mediante redes neuronales
Análisis de componentes principales con redes neuronales
Clustering mediante redes neuronales
Redes neuronales con SAS Enterprise Miner
Optimización y ajuste de modelos con redes: Nodo Neural Network
Predicción y análisis discriminante a través de redes neuronales:Nodo Two Stage Model
Análisis cluster con redes neuronales: Nodo SOM/Kohonen
Redes neuronales con SPSS Clementine
Nodo Entrenar red
Nodo Entrenar Kohonen
Nodo Entrenar K-medias
Definición de las variables en un modelo de estructura de la covarianza
Capítulo 10. Modelos econométricos con ecuaciones estructurales
Modelización con ecuaciones estructurales
Definición de las variables en un modelo de estructura de la covarianza
Tipología de modelos de estructura de la covarianza
LISREL y el modelo de ecuaciones estructurales
Modelo de análisis factorial confirmatorio. Identificación, estimación ydiagnosis
Identificación del modelo
Estimación del modelo
Diagnosis o ajuste del modelo
Especificación del modelo
Modelo de estructura de la covarianza
Especificación del modelo de medida
Especificación del modelo estructural
Modelo general de estructura de la covarianza
Etapas de la modelización
Especificación del modelo
Identificación del modelo
Estimación de los parámetros
Diagnosis o ajuste del modelo
Interpretación del modelo
Reespecificación del modelo
Modelos estructurales con SAS. PROC CALIS
Continuar con Google
Continuar con Facebook
