Econometría. Hoja de ruta

/ Economy / Por

Este es un plan de estudio sólido y ambicioso. Cubrir estos temas en 6 meses requiere disciplina, ya que pasas de la econometría clásica (Mínimos Cuadrados Ordinarios) a la econometría avanzada (Máxima Verosimilitud y Variables Instrumentales).

    \[ \]

software (recomiendo R o Stata para este nivel).

Fundamentos y «Limpieza» del Modelo Lineal

El objetivo es dominar el modelo clásico para entender por qué falla y cómo arreglarlo.

  • Repaso Profundo de MCO (OLS).
    • Supuestos de Gauss-Markov (revisión crítica).
    • Interpretación de coeficientes.
    • Pruebas de hipótesis (t, F).
  • Variaciones del Modelo de Regresión.
    • Formas funcionales: Log-Log, Lin-Log, Log-Lin. ¿Cuándo usar logaritmos?
    • Polinomios y términos de interacción (efectos moderadores).
    • Variables dummy (ficticias) y trampa de la dummy.
  • Ruptura de Supuestos I (MGM).
    • Heterocedasticidad: Detección (Breusch-Pagan, White) y corrección (Errores estándar robustos, Mínimos Cuadrados Generalizados – GLS).
    • Autocorrelación (si usas series de tiempo).
  • Laboratorio de Software 1.
    • Importación y limpieza de datos.
    • Regresiones básicas y diagnóstico gráfico de residuales.

El Problema de la Endogeneidad (Causalidad)

El corazón de la econometría moderna. Aquí aprendes a distinguir correlación de causalidad.

  • Exogeneidad vs. Endogeneidad.
    • Definición formal: Cov(X, u) \neq 0.
    • Causas: Sesgo por variable omitida, error de medición, simultaneidad.
    • El sesgo asintótico de MCO.
  • Soluciones Parciales.
    • Variables Proxy: Uso y supuestos para sustituir variables inobservables (ej. usar IQ como proxy de «habilidad»).
    • Variables rezagadas (Lagged variables).
  • Variables Instrumentales (IV) – Teoría.
    • Lógica de la identificación.
    • Condiciones del instrumento: Relevancia (Cov(Z, X) \neq 0) y Exogeneidad (Cov(Z, u) = 0).
  • Variables Instrumentales – Práctica.
    • Mínimos Cuadrados en Dos Etapas (2SLS/MC2E).
    • Test de Hausman (para endogeneidad).
    • Test de Sargan/Hansen (para sobreidentificación).
    • Instrumentos débiles.

Cambio de Paradigma – Máxima Verosimilitud (MLE)

Dejamos atrás los mínimos cuadrados. Aquí entra la probabilidad pura.

  • Introducción a Máxima Verosimilitud.
    • Intuición: ¿Qué parámetros hacen más probable observar mis datos?
    • Función de Verosimilitud (L) y Log-Verosimilitud (\ln L).
    • Propiedades de los estimadores MLE (Consistencia, Eficiencia asintótica).
  • Modelos de Elección Binaria I.
    • El Modelo de Probabilidad Lineal (LPM): Ventajas, fallas (probabilidades <0 o >1) y heterocedasticidad inherente.
  • Logit y Probit.
    • Variable latente (Y^*).
    • Función de distribución acumulada: Logística vs. Normal.
    • ¿Por qué los coeficientes \beta no se interpretan directamente?
  • Interpretación y Bondad de Ajuste.
    • Efectos Marginales (en la media vs. promedio de efectos marginales).
    • Pseudo R^2 (McFadden).
    • Prueba de Razón de Verosimilitud (Likelihood Ratio Test).

Modelos de Información Cualitativa Multivariados

Cuando la decisión no es «Sí/No», sino elegir entre varias opciones.

  • Modelos de Respuesta Ordenada.
    • Ordered Logit / Ordered Probit.
    • Aplicación: Encuestas de satisfacción (Malo, Regular, Bueno), calificaciones crediticias.
    • Interpretación de los «puntos de corte» (thresholds).
  • Semana 14: Modelos Multinomiales (No ordenados).
    • Multinomial Logit (MNL).
    • Aplicación: Elegir medio de transporte (Bus, Auto, Tren).
    • El supuesto de IIA (Independencia de Alternativas Irrelevantes).
  • Variaciones del Multinomial.
    • Logit Condicional (cuando importan las características de la opción, no solo del individuo).
  • Laboratorio de Software 2.
    • Estimación de efectos marginales y predicción de probabilidades en modelos no lineales.

Temas Avanzados y Selección Muestral

Refinando los modelos de variable dependiente limitada.

  • Datos Censurados y Truncados.
    • Diferencia entre censura y truncamiento.
    • Modelo Tobit: Aplicación (ej. gasto en bienes de lujo, horas trabajadas).
  • Sesgo de Selección.
    • El problema de la muestra no aleatoria.
    • Modelo de Selección de Heckman (Heckit): Ecuación de selección vs. ecuación de resultado.
  • Modelos de Conteo (Opcional pero recomendado).
    • Poisson y Binomial Negativa.
    • Para variables que son números enteros no negativos (ej. número de visitas al médico).
  • Repaso e Integración.
    • Mapa mental: ¿Cuándo usar qué modelo?

Proyecto Aplicado (Capstone)

La econometría se aprende «ensuciándose las manos» con datos.

  • Replicación.
    • Tomar un paper académico famoso (y accesible) que use estas técnicas.
    • Intentar replicar sus tablas usando el mismo dataset (muchos papers tienen datos públicos).
  • Proyecto Propio.
    • Buscar una base de datos real (Banco Mundial, INDEC, Kaggle).
    • Plantear una hipótesis.
    • Estimar modelos, diagnosticar errores y escribir un reporte interpretando los resultados.

Herramientas de Software (Recomendaciones)

Para este temario, Excel no sirve. Necesitas uno de estos dos:

  1. Stata:
    • Pros: Es el estándar en microeconometría. Muy fácil para modelos de panel, probit, logit y Heckman. La sintaxis es sencilla (reg y x, probit y x, ivregress).
    • Contras: Es de pago (caro).
  2. R (con RStudio):
    • Pros: Gratuito, gráficos hermosos (ggplot2), infinitas librerías (plm, AER, mfx).
    • Contras: Curva de aprendizaje más empinada si no sabes programar.

Bibliografía Clave

  • Wooldridge, J. M. – Introducción a la Econometría. (Capítulos 7, 8, 15 y 17 son tu biblia para estos meses).
  • Stock & Watson – Introduction to Econometrics (Excelente para la intuición de IV).

Novedades