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