Detalle del libro
Ver Índice
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
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.
