CONTENIDO

Introducción. Aprendizaje automático y análisis de datos

Capítulo 1. Modelos no lineales
1.1 Modelos no lineales
1.2 Modelos no lineales sencillos
1.3 Mínimos cuadrados no lineales. Algoritmos de Newton y Marquardt
1.4 Regresión por tramos o segmentada
1.5 SPSS y la estimación no lineal y segmentada
1.6 SAS y la estimación no lineal. Procedimiento NLIN
1.7 SAS y la estimación no lineal y segmentada. Procedimiento MODEL
1.8 SAS y los modelos de ecuaciones simultáneas no lineales: procedimiento MODEL
1.9 EVIEWS y los modelos de ecuaciones no lineales
1.10 Stata y los modelos de ecuaciones no lineales

Capítulo 2. Modelos lineales generalizados. Tratamiento con R, SAS, SPSS y STATGRAPHICS
2.1 Modelo lineal generalizado
2.1.1 Componentes de un modelo lineal generalizado
2.2 Funciones de enlace para modelos Logit, Probit, Poisson y Binomial Negativa
2.3 Familia exponencial de distribuciones
2.4 Modelos lineales generalizados con SAS
2.5 Modelos lineales generalizados con SPSS
2.5.1 Tipos de modelos
2.5.2 Funciones de enlace
2.6 Modelos lineales generalizados con R
2.7 Modelos lineales generalizados en R a través de menús
2.8 Modelos lineales generalizados a través de STATGRAPHICS Centurion

Capítulo 3. Modelos de variable dependiente limitada, elección discreta, recuento, censurados, truncados y selección muestral. Tratamiento con STATA
3.1 Modelos de variable dependiente limitada
3.2 Modelos de elección discreta
3.3 Modelos de elección discreta binaria
3.4 Modelos de elección múltiple
3.5 Modelos Logit y Probit ordenados
3.6 Modelos de datos de recuento
3.7 Modelos censurados: el modelo Tobit
3.8 Selección muestral: modelos truncados
3.9 Corrección de la selección muestral: estimación bietápica de Heckman o Heckit
3.10 Modelos de variable dependiente limitada con STATA: Logit y Probit
3.11 Modelos Tobit censurado y truncado con STATA. Método de Heckman y ratio de mills
3.12 Modelo de Poisson con STATA

Capítulo 4. Modelos Logit, Probit, Tobit, truncados, recuento, censurados y de selección muestral. Tratamiento con EVIEWS
4.1 Modelos de variable dependiente limitada con EVIEWS: MLP, Logit y Probit
4.2 Modelos de recuento con EVIEWS: Poisson, Binomial Negativa y Exponencial
4.3 Modelos Tobit Censurado y Truncado con EVIEWS. Método de Heckman y Ratio de Mills

Capítulo 5. Modelos generalizados con datos de panel. Modelos de panel no lineales
5.1 Introducción a los datos de panel: estructuras de datos
5.2 Paneles puros y paneles expandidos
5.3 Comparación entre muestras anuales, combinaciones de cortes transversales (pool de datos) y paneles
5.4 Modelos econométricos con datos de panel
5.5 Modelos de panel con coeficientes constantes
5.6 Modelos de panel de efectos fijos
5.7 Modelos de panel de efectos aleatorios
5.8 Modelos dinámicos con datos de panel
5.9 Modelos Logit y Probit con datos de panel
5.10 Raíces unitarias y cointegración con datos de panel
5.11 Stata y los modelos con datos de panel

Capítulo 6. Modelos de redes neuronales
6.1 Descripción de una red neuronal
6.1.1 Definición
6.1.2 Función de salida y funciones de transferencia o activación
6.2 Redes neuronales y ajuste de modelos de regresión
6.3 Aprendizaje en las redes neuronales
6.4 Funcionamiento de una red neuronal
6.5 El algoritmo de aprendizaje retropropagación (back- propagation)
6.6 Análisis discriminante a través del perceptrón
6.7 Análisis de series temporales mediante redes neuronales
6.8 Análisis de componentes principales con redes neuronales
6.9 Clustering mediante redes neuronales
6.10 SPSS y las redes neuronales
6.11 Redes neuronales a través de R