CURSO DE MICROECONOMETRÍA Y ANÁLISIS DE DATOS

Microeconometría y Modelos de Elección Discreta

• Introducción a la Microeconometría 

• Definición y aplicaciones de la microeconomía en ciencia de datos.
• Tipos de datos en microeconomía y su tratamiento.
• Revisión de software y herramientas estadísticas (Python, R, STATA) para el análisis microeconométrico.

• Modelos de Elección Discreta: Probit y Logit

• Introducción a los modelos de elección discreta y su utilidad en microeconomía.
• Modelos Probit y Logit: especificación, estimación e interpretación de coeficientes.
• Comparación y selección entre modelos Probit y Logit.
• Métricas de evaluación y análisis de bondad de ajuste en modelos de elección discreta.

Modelos Fraccionados

• Aplicación de modelos fraccionados en el análisis de datos proporcionales.
• Especificación y estimación de modelos de regresión fraccionados (como Logit fraccional).
• Ejemplos y casos de uso en mic

Modelos Multinomiales y Ordenados

• Modelos Logit y Probit multinomiales: especificación y aplicaciones.
• Modelos de elección ordenada (Logit y Probit ordenados): teoría y aplicaciones.
• Interpretación y comparación de resultados en modelos multinomiales y ordenados.
• Evaluación del ajuste de modelos y métricas de desempeño.

Modelos con Variables Censuradas y Truncadas

• Diferencia entre censura y truncamiento en microeconomía.
• Modelo Tobit para datos censurados: especificación, estimación e interpretación.
• Aplicación de modelos para datos truncados y su implementación en software estadístico.
• Métodos para lidiar con datos censurados en ciencia de datos.

Sesgo de Selección y Modelos de Corrección

• Introducción al sesgo de selección y su impacto en los modelos microeconométricos.
• Modelo de Heckman de dos etapas para corregir el sesgo de selección.
• Técnicas modernas para corregir el sesgo de selección en grandes conjuntos de datos.
• Implementación práctica en Python/R y ejemplos de aplicación.

Aplicaciones Prácticas y Proyectos en Microeconometría

• Casos prácticos y aplicaciones de modelos microeconométricos en ciencia de datos.
• Validación y evaluación de modelos: predicción y análisis de error.
• Proyecto final integrador utilizando datos microeconómicos.