Regresión lineal y sus aplicaciones

 

 

 
Facultad de Ciencias Humanas

Escuela de Invierno en Métodos

Regresión lineal y sus aplicaciones

Descripción

Este curso se concentra la comprensión del modelo de regresión lineal y su utilidad para la realización de inferencias causales, así como sus limitaciones. El curso comienza revisando los problemas que enfrenta el investigador para realizar inferencias sobre la base de datos observacionales. Luego introduce la teoría estadística básica y la estimación por medio de regresión lineal como una herramienta adecuada para la inferencia bajo determinadas circunstancias. Los participantes van a adquirir el conocimiento de los supuestos que sustentan la estimación mediante mínimos cuadrados, las consecuencias de sus violaciones y las soluciones existentes a esos problemas. Asimismo, los participantes ganarán un fuerte entrenamiento práctico en programar y estimar sus resultados utilizando el paquete de código abierto R (http://www.r-project.org/). Participantes interesados en trabajar en STATA también son bienvenidos. Las clases de laboratorio constan de una serie de ejercicios prácticos replicando resultados publicados en revistas científicas y analizando alternativas de especificación de esos mismos modelos.

Objetivos

Luego del curso los estudiantes habrán cumplido con los siguientes objetivos:

-Comprender los fundamentos de la regresión lineal, sus supuestos, y los contextos en los cuales es útil para la realización de inferencias.
-Utilizar R (o STATA) para generar y presentar sus resultados de regresión.
-Interpretar resultados de regresiones, tales como coeficientes, insignificancia estadística, incertidumbre y calidad del modelo.
-Analizar y corregir por potenciales violaciones a los supuestos de la regresión lineal.


Prerrequisitos

Los participantes deben tener conocimientos básicos de estadística descriptiva y sentirse confortables con álgebra lineal. Aunque resulte de utilidad, previo conocimiento en R o STATA no es estrictamente necesario.

Bibliografía

Teórica 

Joshua D. Angrist and Jörn-Steffen Pischke. (2009). Mostly Harmless Econometrics: An Empiricist's Companion. Princeton University Press, Princeton.
Andrew Gelman and Jennifer Hill. (2007). Data Analysis Using Regression and Multilevel/Hierarchical Models. Cambridge University Press.
Charles F. Manski. (2007).  Identification for Prediction and Decision. Harvard University Press, Cambridge, MA.
Jeffrey Wooldridge M. (2009).  Introductory Econometrics. A Modern Approach. South-Western

Libros de R y STATA

Cristopher F. Baum. (2006). An introduction to modern econometrics using Stata. Stata Press.
John Fox and Sanford Weisberg (2011). An R companion to applied regression. Sage.
Christian Kleiber and Achim Zeileis (2008). Applied econometrics with R. Springer.

Ver el programa del curso

Instructor

Santiago López Cariboni 
Profesor asistente
Director de la Escuela de Invierno en Métodos y Análisis de Datos
Departamento de Ciencias Sociales y Políticas
Universidad Católica del Uruguay
santiago.lopez@ucu.edu.uy

Santiago López Cariboni es Ph.D. en Ciencia Política desde 2014 por la Universidad de Essex, Reino Unido. Actualmente es Profesor asistente y Director de la Escuela de Invierno en Métodos y Análisis de Datos en el Departamento de Ciencias Sociales y Políticas, Universidad Católica del Uruguay. Enseña estadística y métodos cuantitativos a nivel de grado y posgrado. Sus intereses metodológicos son el análisis de datos de panel, la econometría espacial, y los experimentos naturales. Sus intereses de investigación sustantiva en economía política abarcan la relación entre el comercio internacional y distintas políticas domésticas como la formación de capital humano, políticas de seguridad social, y regulaciones en el mercado de trabajo. 

Bookmark and Share