Maestría en Bioestadística,Econometría y Estadística aplicada con Stata.Doble Titulación

Tweet

 profundizar el aprendizaje de conceptos y técnicas propias con el fin de afianzar aspectos prácticos y teóricos -con un enfoque directo a las aplicaciones estadísticas- se inicia con fundamentos de la teoría de probabilidad, analizando fenómenos aleatorios iniciales, desarrollando paulatinamente la complejidad de elementos y conceptos preliminares de la teoría de probabilidades, capacitando con herramientas matemáticas indispensables para la formulación de la problemática estadística.

El perfil corresponde a profesional o estudiante con un nivel académico apto sustentado con una base de conocimientos de métodos estadísticos modernos. Con una amplia capacidad de resolución estadística, se deben poseer profundos criterios profesionales para emitir juicios de valor y analizar problemas de naturaleza variable, fortalecidos por una permanente ejercitación en problemas y supuestos que hacen válida su aplicación.

1. INTRODUCCIÓN A LA ECONOMETRÍA.
1.1 Concepto de Econometría. Nota histórica.
1.2 Modelos económicos y modelos econométricos: sus componentes.
1.3 Estimación e Inferencia en Econometría.
1.4 Problemas de especificación y de
estimación. APÉNDICE: Conceptos
estadísticos básicos
Variables aleatorias. Distribuciones estocásticas.
Estimación y estimadores. Contrastación de hipótesis.
EL MODELO CLÁSICO DE REGRESIÓN
2. EL MODELO DE REGRESIÓN MÚLTIPLE I
2.1 Especificación del modelo. Hipótesis básicas.
2.2 Estimadores MCO: Estimación del vector de
parámetros y la matriz de covariancias. Teorema de
Gauss-Markov.
2.3 Estimadores máximoverosimiles.
2.4 Intervalos de confianza y contrastes de hipótesis. El estadístico-t.
2.5 Análisis de la varianza y bondad de ajuste: el coeficiente de
determinación corregido. El estadístico-F.
2.6 Predicción puntual y por intervalos. Error de predicción.

Matrices. Operaciones aritméticas con matrices.
Invertibilidad. Rango. Matrices particionadas. Modelo de
regresión múltiple y notación matricial
3. EL MODELO DE REGRESIÓN MÚLTIPLE II
3.1 Extensiones del modelo de regresión lineal. Modelos no-lineales.
3.2 Transformaciones lineales de los regresores: cambios de origen y
escala.
3.3 Normalidad y media nula de las perturbaciones. El
histograma y el contraste de normalidad de Jarque y Bera.
3.4 Regresores linealmente dependientes: Multicolinealidad exacta.
3.5 Causas, consecuencias, procedimientos de
detección y corrección de la multicolinealidad.
APÉNDICES: Mínimos cuadrados no-lineales.
El coeficiente de
correlación parcial.
Estimador de mínimos cuadrados no-lineales. Ilustración. Cómputo
del estimador MCN. Algoritmos de minimización. Matriz de
covariancias del estimador MCN. Propiedades estadísticas
(asintóticas) del estimador MCN. El coeficiente de correlación

INFERENCIA EN MODELOS DE REGRESIÓN
4. CONTRASTES DE HIPÓTESIS SOBRE PARÁMETROS Y
PREDICCIONES
4.1 Restricciones sobre los parámetros: Modelo restringido y no
restringido.
4.2 Test general de restricciones lineales.
4.3 Test de Wald de restricciones sobre los parámetros.
4.4 Test de Chow de estabilidad paramétrica.
4.5 Evaluación de la predicción. El coeficiente de desigualdad de Theil.
4.6 Predicción incondicional y selección de modelos.
MODELIZACIÓN CON REGRESORES BINARIOS
5. VARIABLES FICTICIAS Y REGRESORES BINARIOS
5.1 Variables ficticias y regresores binarios:definición.
5.2 Modelización con regresores binarios: efectos aditivos y
multiplicativos.
5.3 Modelización con regresores binarios: el efecto interacción.
5.4 Modelos estructurales con regresores binarios.
5.5 Variables ficticias y test de cambio estructural. Regresión lineal por
segmentos.
APÉNDICE: Modelos con variable endógena binaria: Modelo lineal de
probabilidad. Modelos Logit y Probit.
Máster en Bioestadística, Econometría y Estadística Aplicada con Stata
© 2014 EBES Escuela Business España
HETEROCEDASTICIDAD Y CORRELACIÓN SERIAL
6. HETEROCEDASTICIDAD
6.1 Datos de corte transversal y heterocedasticidad. Regresores fijos en
muestras repetidas.
6.2 Errores heterocedásticos: Consecuencias sobre los estimadores
MCO.
6.3 Contrastes de heterocedasticidad.
6.4 Estimador de mínimos cuadrados ponderados.
6.5 Estimador de la matriz de covariancias consistente ante
heterocedasticidad.
7. CORRELACIÓN SERIAL
7.1 Datos de series temporales: Correlación serial y
Autocorrelación. Regresores estocásticamente
independientes de los términos de error.
7.2 Errores autocorrelacionados: consecuencias sobre el estimador MCO.
7.3 Contraste de autocorrelación de primer orden: Los estadísticos de
Durbin- Watson.
7.4 Contraste del multiplicador de Lagrange para correlación serial de
Breush- Godfrey.
7.5 Estimador de mínimos cuadrados generalizados.
7.6 Estimador de la matriz de covariancias consistente ante
heterocedasticidad y autocorrelación.
ERRORES DE ESPECIFICACIÓN Y ERRORES EN LAS VARIABLES
8. ERRORES DE ESPECIFICACIÓN
8.1 Regresores incorrectos: consecuencias sobre el estimador MCO.
8.2 Variables omitidas y variables redundantes.
Test de la razón de verosimilitud.
8.3 Otros errores de especificación. Test RESET de Ramsey.
9. ERRORES EN LAS VARIABLES
9.1 Correlación entre variables independientes y
términos de error: Consecuencias sobre el
estimador MCO.
9.2 Errores de medición.
9.3 Estimación con variables instrumentales.
9.4 Observaciones influyentes.
APÉNDICE: Modelos dinámicos y modelos

Modelos autorregresivos. Modelos de regresión con
errores ARMA. Estimación e inferencia con modelos
dinámicos. Simulación y predicción con modelos
dinámicos. Modelos de ecuaciones simultáneas.
10. REPASO DE PRÁCTICAS
ECONOMETRÍCAS Y EXÁMENES TEÓRICOS

Práctica con aplicabilidad real. Al estudiante se le facilita los softwares necesarios para su estudio.

Maestria en Bioestadistica,Econometria y Estadistica con doble titulacion de EBES,Escuela de Negocios España, con Apostilla de la Haya.