Econometría Básica Aplicaciones con EVIEWS, STATA, SAS y SPSS El objetivo de este libro es la presentación de las técnicas econométricas básicas y su tratamiento con las herramientas más adecuadas de cálculo automatizado. Se utilizan los paquetes de software EVIEWS, STATA, SAS y SPSS para abordar de modo sencillo el trabajo econométrico. El primer bloque de contenido se ocupa del modelo lineal de regresión múltiple y de toda su problemática, incluyendo herramientas para la detección y tratamiento de la autocorrelación, heteroscedasticidad, multicolinealidad, normalidad residual, linealidad, observaciones influyentes, errores de especificación, exogeneidad y regresores estocásticos. Un segundo bloque trata los modelos de elección discreta, recuento, censurados, truncados y de selección muestral, haciendo hincapié en los modelos Logit, Probit, Tobit, Poisson, binomial negativa y corrección del sesgo de selección mediante la estimación de Heckman. El tercer bloque aborda el análisis univariante de series temporales a través de la metodología Box Jenkins para modelos ARIMA, el tratamiento de los modelos de intervención y los modelos univariantes de la función de transferencia. El último bloque se ocupa de los modelos del análisis de la varianza y la covarianza, el modelo lineal general y los modelos mixtos. Los capítulos se inician con la exposición de los conceptos y notas teóricas adecuadas, para resolver a continuación una variedad de ejercicios que cubran los conceptos expuestos. Se trata de recopilar la mayor parte de los conceptos econométricos e ilustrarlos con la práctica a través de las herramientas de software adecuadas.
CONTENIDO Capítulo 1. Modelo lineal de regresión múltiple. Hipótesis, Estimación, inferencia y predicción ° Modelo lineal de regresión múltiple ° Hipótesis en el modelo lineal ° Estimación del modelo lineal por mínimos cuadrados ordinarios MCO ° Estimación del modelo lineal por máxima verosimilitud ° Inferencia en el modelo por mínimos cuadrados ordinarios MCO ° Predicciones ° Selección de modelos de regresión ° Análisis de los residuos ° Modelo lineal con restricciones ° Regresión con variables cualitativas: variables ficticias Capítulo 2. Modelo lineal de regresión múltiple. Herramientas de software ° ° ° ° °
EVIEWS y el trabajo básico con le modelo de regresión múltiple SPSS y el trabajo básico con el modelo de regresión múltiple SAS y el trabajo básico con el modelo de regresión múltiple STATA y el trabajo básico con el modelo de regresión múltiple STATA y el trabajo básico con el modelo de regresión múltiple a través de menús
Capítulo 3. Autocorrelación, heteroscedasticidad, multicolinealidad, no linealidad y normalidad ° Modelos con autocorrelación ° Detección de la autocorrelación ° Soluciones para la autocorrelación ° Modelos con heteroscedasticidad ° Detección de la heteroscedasticidad ° Soluciones para la heteroscedasticidad ° Multicolinealidad ° Normalidad residual ° No linealidad y errores de especificación ° Exogeneidad y regresores estocásticos ° Análisis de la influencia Capítulo 4. Herramientas para tratar autocorrelación, Heteroscedasticidad y otros problemas ° Tratamiento de la autocorrelación y heteroscedasticidad con Eviews ° Eviews y los modelos ARCH Y GARCH ° Endogeneidad, variables instrumentales y mínimos cuadrados en dos etapas con Eviews ° Errores de especificación con Eviews. Variables omitidas y redundantes ° Errores de especificación en la forma funcional con Eviews ° SPSS y modelos con regresores estocásticos. Variables instrumentales y M.C. en dos fases ° SPSS y modelos con heteroscedasticidad y multicolinealidad. Mínimos cuadrados ponderados ° SAS y la multicolinealidad, autocorrelación, heteroscedasticidad, valores influyentes y errores de especificación ° SAS y los modelos ARCH Y GARCH ° STATA y la multicolinealidad, autocorrelación, heteroscedasticidad, errores de especificación y observaciones influyentes ° STATA y la multicolinealidad, autocorrelación, heteroscedasticidad, errores de especificación y observaciones influyentes a través de menús Capítulo 5. Modelos Logit, Probit, Tobit, truncados, recuento, censurados y de selección muestral. Herramientas ° Modelos variable dependiente limitada ° Modelos de elección discreta ° Modelos de elección discreta binaria ° Modelos de elección múltiple ° Modelos Logit y Probit otdenados ° Modelo de datos de recuento ° Modelos censurados. El modelo Tobit ° Selección muestral. Modelos truncados ° Corrección de la selección muestral. Estimación bietápica de Heckman o Heckit ° SPSS y la regresión logística binaria ° SPSS y el modelo Probit ° SPSS y el modelo Logit multinomial ° SAS y la regresión logística. Proc LOGISTIC ° SAS y el modelo Probit. Procedimiento PROBIT ° SAS y el modelo Tobit de regresión censurada. Procedimiento LIFEREG ° Modelos de variable dependiente limitada con Eviews: MLP, Logit y Probit ° Modelos de recuento con Eviews: Poisson, binomial negativa y exponencial ° Modelos Tobit censurado y truncado con Eviews. Método de Heckman y Ratio de Mills ° Modelos de variable dependiente limitada con STATA: Logit y Probit ° Modelos Tobit censurado y truncado con STATA. ° Modelo de Poisson con STATA
Capítulo 6. Análisis univariante de series temporales. Modelos ARIMA, intervención y función de transferencia ° Series temporales ° Descomposición clásica de una serie temporal ° Predicción y suavizado de series temporales, métodos autoproyectivos deterministas ° Predicciones incondicionales estocásticas ° Modelos ARIMA: Primeros conceptos ° Modelos autorregresivos AR(p) ° Modelos de medias móviles MA(q) ° Modelos ARMA(p,q) ° Modelos ARIMA(p,d,q) ° La metodología de Box Jenkins en modelos ARIMA ° Series temporales estacionales. Detección de la estacionalidad ° Modelos estacionales puros ° Modelos estacionales generales ° Modelos de intervención ° Identificación de modelos de intervención ° Valores atípicos (Outliers) ° Modelo univariante de la función de transferencia ° Identificación, estimación y validación del modelo de la función de transferencia ° Etapas de la identificación, estimación y validación del modelo de la función de transferencia ° Modelos de la función de transferencia estacionales Capítulo 7. Herramientas para el análisis univariante de series temporales ° Eviews y la identificación, estimación, validación y predicción de modelos ARIMA(p,d,q)(P,D,Q)s ° Eviews y los modelos ARIMA y de intervención ° Eviews y los métodos autoproyectivos deterministas: alisados exponenciales y de Holt_Winters ° SPSS y la identificación, estimación, diagnosis y predicción de modelos ARIMA(p,d,q)(P,D,Q)s ° Predicciones incondicionales deterministas con el modelizador de SPSS. Suavizado ° SPSS y los modelos ARIMA con intervención ° SAS y la identificación, estimación, validación y predicción de modelos ARIMA(p,d,q)(P,D,Q)s ° SAS y los modelos ARIMA de intervención y de función de transferencia ° STATA y los modelos ARIMA(p,d,q)(P,D,Q)s Capítulo 8. Modelos del análisis de la varianza y la covarianza. Modelo Lineal General y modelos mixtos ° Modelos del análisis de la varianza y la covarianza ° Modelos ANOVA de la varianza simple ° Modelos ANCOVA de la covarianza simple ° Análisis multivariante de la varianza (MANOVA) ° Análisis multivariante de la covarianza (MANCOVA) ° Modelo Lineal General (GLM) ° Modelos lineales mixtos ° SPSS y los modelos ANOVA y ANCOVA univariantes de uno y varios factores ° SPSS y la estimación de las componentes de la varianza en modelos ANCOVA de efectos mixtos ° SPSS y los modelos MANOVA y MANCOVA multivariantes de uno y varios factores ° SPSS y los modelos lineales mixtos ° Análisis de la varianza y la covarianza con SAS. Procedimiento GLM ° Componentes de la varianza en SAS. Procedimiento VARCOMP ° SAS y los modelos mixtos. PROC MIXED ° STATA y el análisis de la varianza-covarianza. El modelo GLM y los modelos mixtos