Problemas de incumplimientos de las hipótesis básicas del modelo y cómo solucionarlos. Perturbaciones no esféricas. El modelo lineal general. Regresores estocásticos. Estimación no lineal.
Estos contenidos se desarrollan en los siguientes temas:

LECCIÓN 0. SÍNTESIS DE LOS PRINCIPALES CONTENIDOS DE LA ECONOMETRÍA BÁSICA I (SEGUNDO CURSO, CUATRIMESTRE 2)

LECCIÓN 1. ESPECIFICACIÓN DE LA ECUACIÓN DE REGRESIÓN. ERRORES Y CONTRASTES DE ESPECIFICACIÓN
1. Errores de especificación. Concepto y tipos. Efectos sobre los estimadores y sus propiedades.
2. Caso particular 1: Inclusión de variables irrelevantes.
3. Caso particular 2: Omisión de variables relevantes.
4. Caso particular 3: Especificación incorrecta de la forma funcional del modelo.
5. Contrastes de especificación incorrecta y contrastes de especificación.
6. Contrastes anidados de especificación. Principios generales de contrastación estadística.
7. Procedimientos automáticos de selección de variables en el modelo de regresión lineal. Utilidad y problemática. Programas informáticos: los métodos de selección automática de variables

LECCIÓN 2. PERTURBACIONES NO ESFÉRICAS. EL MODELO LINEAL CON MATRIZ DE COVARIANZAS DE LOS ERRORES GENERAL.
1. Fuentes de perturbaciones no esféricas. Autocorrelación y heterocedasticidad.
2. Estimadores de mínimos cuadrados generalizados (MCG) y de máxima verosimilitud (MV). Propiedades.
3. Propiedades de los estimadores MCO en presencia de perturbaciones no esféricas.
4. El estimador de Mínimos Cuadrados Generalizados Factible o Estimado (MCGF o MCGE)

LECCIÓN 3. HETEROCEDASTICIDAD
1. Causas muestrales y estructurales.
2. Esquemas de dependencia funcional de la varianza de la perturbación.
3. Contrastes de heterocedasticidad y criterios para su uso.
4. Consecuencias de la estimación MCO.
5. Utilización de deflactores, transformación de variables y agrupación de datos como medios de evitar la heterocedasticidad.
6. Estimación de un modelo heterocedástico
7. Heterocedasticidad condicional autorregresiva

LECCIÓN 4. PERTURBACIONES AUTOCORRELACIONADAS
1. Introducción. Causas de la autocorrelación entre los errores.
2. Procesos de la perturbación. Estudio en particular del proceso AR(1)
3. Contrastes
4. Métodos de estimación de un modelo con perturbaciones autocorrelacionadas. Propiedades de los estimadores MCO. Métodos eficientes de estimación. Estudio del casos particular AR(1)
5. Predicción en presencia de autocorrelación.

LECCIÓN 5. NO NORMALIDAD DE LAS PERTURBACIONES. MÉTODOS ROBUSTOS DE ESTIMACIÓN
1. No normalidad, estimación máximo-verosímil y validez de los contrastes de los parámetros del modelo.
2. Contrastes de normalidad: Shapiro-Wilk, Jarque-Bera, Kolmogorov-Smirnov
3. Los métodos robustos de estimación. El estimador de desviación absoluta mínima
4. Transformaciones de los datos y búsqueda de normalidad. La transformación de Box-Cox

LECCIÓN 6. ERRORES DE MEDIDA Y REGRESORES ESTOCÁSTICOS. ESTIMACIÓN POR VARIABLES INSTRUMENTALES.
1. Variables latentes, simultaneidad y endógenas retardadas como motivos de la aleatoriedad de los regresores.
2. Propiedades de los estimadores mínimo-cuadráticos y dependencia entre regresores y
perturbación.
3. Los errores de medida y su tratamiento. Errores de medición versus errores de omisión.
4. El método de las variables instrumentales. Limitaciones y usos. Introducción a la especificación y estimación de un modelo de dos ecuaciones simultáneas.

LECCIÓN 7. MODELOS DE REGRESIÓN NO LINEALES. OPTIMIZACIÓN. EL ESTIMADOR DEL MÉTODO GENERALIZADO DE LOS MOMENTOS
1. Modelos de regresión no lineal. La regresión generalizada. El estimador de mínimos cuadrados no lineales. El estimador de variables instrumentales no lineales.
2. Transformaciones de la variable dependiente y de las variables independientes
3. Contraste de hipótesis y restricciones paramétricas
4. Algoritmos de optimización
5. El estimador del método generalizado de los momentos

LECCIÓN 8. LA PRÁCTICA DE LOS MODELOS UNIECUACIONALES.
1. Fases de un trabajo de modelización.
2. Elección del tema de análisis, antecedentes y búsqueda de datos.
3. Decisiones sobre unidades de medida de las variables, forma funcional, transformaciones
previas, deflactores y retardos.
4. Algunos consejos sobre el proceso de estimación-diagnóstico.
5. Cómo escribir el informe final.