1. Introducción
  2. Especificación del modelo de regresión lineal múltiple
  3. Inferencia estadística del MRLM I
  4. - El modelo de estimación por mínimos cuadrados ordinarios (MCO)
  5. - Propiedades del estimado mínimo cuadrático ordinario
  6. - Distribución muestral del vector de residuos, e
  7. - El estimador de la varianza del término de perturbación
  8. Inferencia estadística del MRLM II
  9. - Contraste de hipótesis sobre un parámetro. Intervalo de confianza
  10. - Contraste de significación del modelo
  11. Sumas de cuadrados, análisis de la varianza y R2
  12. El proceso de predicción
  13. Estimación restringida
  14. - Introducción al método de mínimos cuadrados restringidos (MCR).Contrastes de hipótesis
  15. Contrastes de cambio estructural, linealidad y normalidad
  16. Errores de especificación

  1. Introducción
  2. Influencia potencial
  3. Influencia real
  4. Observaciones atípicas
  5. Multicolinealidad: definición, grados y consecuencias
  6. Principales criterios de detección para la multicolinealidad
  7. - El factor de inflación de la varianza (FIV)
  8. - El número de condición
  9. - Contradicción entre los tests individuales de la t y el test conjunto de la F
  10. - Descomposición de la varianza del estimador
  11. Posibles soluciones a la multicolinealidad
  12. - Incorporación de nueva información
  13. - Especificación de un nuevo modelo
  14. - Métodos alternativos de estimación

  1. Introducción
  2. El modelo de regresión con variables ficticias
  3. Una nueva versión del contraste de cambio estructural

  1. Introducción
  2. Consecuencias en la estimación por MCO
  3. Estimador Mínimo Cuadrático Generalizado (MCG)
  4. Comparación entre el estimador MCO y MCG
  5. Heteroscedasticidad
  6. - La naturaleza de la relación entre las variables
  7. - La transformación de variables
  8. - La omisión de variables relevantes
  9. Métodos de estimación en presencia de heteroscedasticidad
  10. - Matriz de varianzas y covarianzas de la perturbación conocida
  11. - Matriz de varianzas y covarianzas de la perturbación desconocida 154
  12. Contrastes de heteroscedasticidad
  13. - El contraste de Goldfeld-Quandt
  14. - El contraste de Breusch-Pagan
  15. - El contraste de White
  16. Autocorrelación
  17. - La existencia de ciclos y/o tendencias
  18. - Relaciones no lineales
  19. - La omisión de variables relevantes
  20. Esquemas lineales con comportamiento autocorrelacionado
  21. Métodos de estimación en presencia de autocorrelación
  22. - El método de Cochrane-Orcutt
  23. - El método de Prais-Winsten
  24. - El método de Durbin
  25. Contrastes de autocorrelación
  26. - El contraste de Durban-Watson
  27. - El contraste de Godfrey
  28. - Las funciones de autocorrelación simple (FAS) y parcial (FAP) de los residuos
  29. - Contrastes de Box-Pierce y Ljung-Box

  1. Introducción
  2. Modelos de elección discreta (variable dependiente dicotómica)
  3. - Modelo lineal de probabilidad
  4. Especificación e inferencia de los modelos Probit y Logit
  5. - Método de estimación por máxima verosimilitud
  6. - Residuos generalizados
  7. - Bondad de Ajuste
  8. - Efectos parciales de la variable explicativas sobre la probabilidad P(y = 1)
  9. Contrastes de hipótesis (Test de razón de verosimilitud), Test de Wald y de Multiplicadores de Lagrange)
  10. - El Contraste de Razón de Verosimilitud
  11. - El Contraste de Wald
  12. - Contraste de los multiplicadores de Lagrange o Test de “Score”
  13. - Comparación entre los Tests de RV, W, ML
  14. Modelos de respuesta múltiple: Modelos Logit Condicional (MLC) y Multinomial (MLM)
  15. - La hipótesis de la utilidad aleatoria
  16. - Modelo Logit Condicional (MLC)
  17. - Modelo mixto
  18. - El modelo Logit multinomial
  19. - Hipótesis de independencia de las alternativas irrelevantes

  1. Especificación e inferencia de Modelo de Regresión Censurado (Modelo Tobit)
  2. - Métodos de estimación en dos etapas y de la máxima verosimilitud
  3. - Errores de especificación. Residuos generalizados. Normalidad y Heteroscedasticidad
  4. Variaciones del Modelo Tobit Standard
  5. Generalización del Modelo Tobit: Modelos bivariantes
  6. - Modelo de “dos partes”
  7. - El modelo de “doble valla” (Cragg, 1791)
  8. - El Modelo de Selectividad (Heckman, 1979)
  9. - Modelos de Infrecuencia de compra
  10. Introducción a los modelos de recuento.

  1. Introducción
  2. Tipología de modelos con datos de panel
  3. Métodos de estimación para modelos en niveles o estáticos
  4. - Estimador MCO (Modelo sin efectos)
  5. - Estimadores entre-grupos
  6. - Estimador de covarianza (CV) o intragrupos para los efectos individuales
  7. - Estimación MCG para los efectos individuales
  8. - Estimador de covarianza o intragrupos (CV2) para los efectos individuales y temporales
  9. - Estimación de MCG para los efectos individuales y temporales
  10. Contrastes de especificación en el modelo estático
  11. - Contraste de homogeneidad del panel
  12. - Contraste de significación de los coeficientes en el modelo de efectos fijos
  13. - Estimación robusta
  14. - Contraste de nulidad de los efectos aleatorios
  15. - Contraste entre efectos fijos o aleatorios
  16. El modelo dinámico
  17. Contrastes de especificación en el modelo dinámico
  18. - Contraste para la autocorrelación de la perturbación
  19. - Contraste para la sobreidentificación de instrumentos