Universitat Internacional de Catalunya
Tècniques Economètriques Directives
Altres llengües d'impartició: anglès, castellà
En cas què l'alumne estigui matriculat en la línia anglesa s'impartirà la docència d'aquesta assignatura en aquest idioma.
Professorat
Dilluns de 12.00 h a 13.00 h o Dimecres de 12.00 h a 13.00 h. Ubicació: Beta3, despatx IRAPP. Important: cal enviar un missatge electrònic amb anterioritat per confirmar la reunió amb l’instructor (tmora@uic.es).
Presentació
Aquest és un curs introductori d’econometria per a estudiants de grau. L’objectiu principal és introduir el model de regressió lineal múltiple (MRLM), que és el mètode quantitatiu més utilitzat per a l’anàlisi empírica en economia, administració d’empreses i altres ciències socials. El MRLM es pot fer servir per estimar relacions econòmiques, provar teories econòmiques i avaluar i implementar polítiques governamentals i empresarials. L’èmfasi en aquest curs rau en comprendre i interpretar els supòsits del MRLM mitjançant aplicacions empíriques reals. El curs inclou sessions regulars d’exercicis en els quals es planteja la resolució de problemes teòrics i pràctics utilitzant, per a aquests últims, el programari economètric Stata. Els conjunts de problemes s’enfocaran en aplicacions en diversos camps, inclosos l’economia de la salut, l’economia laboral i l’economia empresarial.
A partir del curs 2026-27, la mecànica de l'anàlisi (estimació i càlcul) es delega a eines d'intel·ligència artificial, amb Stata com a referència, i l'objectiu central de les sessions pràctiques passa a ser que l'alumne aprengui a valorar críticament si l'output economètric és correcte —unitats, supòsits, biaix de variable omesa, forma funcional, especificació— i a detectar-hi i corregir-hi els errors.
Requisits previs
Es requereixen coneixements bàsics d’estadística, probabilitat i àlgebra matricial, per a la qual cosa es recomana consultar els apèndixs A-D en el llibre de text Introducció a l’econometria, de Wooldridge.
Objectius
L’objectiu principal és introduir l’estudiant a la terminologia i els conceptes bàsics (especificació del model inicial, cerca de dades, aplicació de tècniques d’estimació i inferència estadística, interpretació de resultats i perfeccionament del model). Alhora, es pretén capacitar-lo per interpretar, comprendre i valorar de manera crítica els resultats economètrics, així com proporcionar-li la base adequada per, posteriorment, ampliar coneixements teòrics i aplicats, així com capacitar-lo per realitzar futures prediccions i contrastacions.
Addicionals:
Conèixer quins són els problemes més habituals del MRLM (omissió de variables rellevants i altres problemes d’especificació).
Aplicar eines informàtiques per obtenir contrastos i solucions dels problemes plantejats.
Competències/Resultats d’aprenentatge de la titulació
- 19 - Analitzar variables quantificables de l'entorn econòmic i incorporar-les en la presa de decisions.
- 41 - Ser capaç de sintetitzar descriptivament la informació.
- 42 - Ser capaç d'analitzar fenòmens econòmics de forma empírica.
- 43 - Adquirir habilitat en l'ús de programari estadístic.
- 44 - Ser capaç de seleccionar el mètode economètric adequat.
- 45 - Ser capaç de treballar amb textos acadèmics.
- 47 - Adquirir habilitats en l'ús de programari economètric.
- 50 - Adquirir capacitat de relacionar conceptes i fer exercicis d'anàlisi i de síntesi.
- 51 - Desenvolupar aptituds en la presa de decisions.
- 52 - Ser capaç de desenvolupar aptituds en les relacions interpersonals i de treball en equip.
- 53 - Adquirir habilitats per a l'aprenentatge autònom.
- 54 - Ser capaç d'expressar idees i arguments de manera ordenada i coherent tant oralment com de forma escrita.
- 64 - Capacitat de planificació i organització del treball.
- 65 - Adquirir la capacitat de posar en pràctica els coneixements.
- 66 - Capacitat de recuperar i tractar informació.
Resultats d’aprenentatge de l’assignatura
En acabar el curs els / les alumnes tindran un domini bàsic de l'anàlisi de regressió lineal i del programari economètric STATA que els permeti dissenyar un model economètric, estimar i interpretar els seus resultats d'estimació.
Els / les alumnes seran capaços d'entendre treballs empírics que utilitzin les tècniques economètriques estudiades.
Els / les alumnes seran capaços de recolzar-se en dades reals i en la seva anàlisi mitjançant models de regressió lineal per a realitzar recomanacions de política econòmica o empresarial, així com per a la presa de decisions econòmiques i empresarials.
A més, l'alumnat serà capaç de valorar críticament resultats economètrics generats per eines d'intel·ligència artificial, identificar-ne els errors més habituals (unitats, biaix de variable omesa, sobre-control, forma funcional, significació enfront de magnitud) i corregir-los.
Continguts
Lliçó 1. Introducció
1.1. Concepte d’econometria.
1.2. Models econòmics i economètrics.
1.3. Elements del model: relacions, variables i paràmetres.
1.4. Limitacions de l’econometria.
Lliçó 2. El model clàssic de regressió lineal múltiple: estimació
2.1. Especificació.
2.2. Hipòtesis bàsiques del model de regressió lineal múltiple estàndard.
2.3. Estimació per mínims quadrats ordinaris (MQO). Propietats estadístiques.
2.4. Anàlisi dels residus i estimació de la variància del terme de pertorbació.
2.5. Mesures de bondat de l’ajust i validació del model.
2.6 Regressió parcial i teorema de Frisch–Waugh–Lovell.
Lliçó 3. El model clàssic de regressió lineal múltiple: contrastació d’hipòtesi i predicció
3.1. Formulació d’hipòtesis.
3.2. Contrastació de restriccions lineals.
3.3. Estimació restringida per mínims quadrats (MQR).
3.4. Contrastació de significació individual i conjunta.
3.5. Predicció puntual i per interval.
Lliçó 4. Models de regressió amb la inclusió de variables qualitatives
4.1. Variables qualitatives i variables fictícies.
4.2. Especificació de les variables fictícies.
4.3. Introducció de variables fictícies al MRLM i aplicacions.
4.4 Interaccions i efectes específics per grup: lectura del coeficient del grup de referència.
4.5 Diferències entre grups i canvi estructural mitjançant interaccions de variables fictícies.
Lliçó 5. Errors d’especificació i forma funcional
5.1. Errors en l’especificació de les variables explicatives.
5.2. Problemes associats amb l’omissió de variables rellevants.
5.3. Efectes de la inclusió de variables supèrflues.
5.4. Errors en l’especificació de la forma funcional i la pertorbació aleatòria.
5.5. Conseqüències de l’estimació per MQO: estimadors alternatius.
5.6 Controls bons i controls dolents: confusors enfront de mediadors (bad controls).
5.7 Selecció de model: R² ajustat, criteris d'informació (AIC/BIC) i comparació sobre la mateixa mostra.
Lliçó 6. Multicol·linealitat, diagnòstic i anàlisi aplicada.
6.1 Multicol·linealitat: detecció (VIF) i conseqüències.
6.2 Observacions influents i valors atípics (leverage, distància de Cook).
6.3 Error de mesura i atenuació.
6.4 Cas aplicat integrador: judici crític sobre output economètric generat per IA.
Metodologia i activitats formatives
Modalitat totalment presencial a l'aula
Les sessions teòriques presenten cada tècnica i s'alternen amb laboratoris de judici. En aquests laboratoris, la mecànica de l'anàlisi (estimació i càlcul) la fa una eina d'intel·ligència artificial —amb Stata com a referència— i la tasca de l'alumne és jutjar si l'output economètric és correcte: unitats, supòsits, biaix de variable omesa, forma funcional, significació enfront de magnitud i especificació. Cada laboratori combina un breu simulador de conseqüències (escalfament), un debat en grup i un ticket de sortida individual. A mig curs es fa una auditoria de grup amb IA a l'aula (l'equip fa servir una IA en viu i n'ha de jutjar l'output, amb el registre dels prompts utilitzats) i un examen parcial. Els casos treballen sobre dades reals (WAGE1, sabi05) i una base sintètica d'empreses (PIMEs) de model conegut.
Sistemes i criteris d'avaluació
Modalitat totalment presencial a l'aula
Modalitat totalment presencial a l'aula. L'avaluació combina quatre components (70% individual):
- Tickets de sortida (20%): un per cada laboratori de judici; individual, mitjançant Google Form amb grup i número. Cal anomenar el parany i donar-ne la lectura correcta. L'absència compta com a 0.
- Auditoria de grup amb IA, a l'aula (30%): en equips de 4-5, en una sessió presencial on fan servir una IA en viu sobre un cas amb paranys; entreguen un veredicte raonat més el registre de prompts abans de sortir. S'avalua el judici, no la destinació. Els dos grups treballen casos diferents (i en llengües diferents) per evitar filtracions.
- Examen parcial / midterm (20%): control individual a mig curs; NO allibera matèria.
- Examen final de juny (30%): auditoria individual amb 10 paranys sobre dades reals; cobreix TOTES les classes.
Per aprovar l'assignatura cal obtenir almenys un 5 sobre 10 a l'examen final de juny.
Examen de segona convocatòria:
- En cas que no s’aprovi l’examen final, hi haurà una segona convocatòria al juny. En aquest cas, la qualificació final de l’assignatura dependrà únicament de l’examen de segona convocatòria, és a dir, l’avaluació contínua NO es tindrà en compte.
- D’acord amb la normativa acadèmica de la Facultat, la nota màxima que es pot obtenir en l’examen de segona convocatòria és d’un 7 sobre 10.
Observacions:
* Per aprovar l’assignatura és indispensable treure almenys un 5 en l’examen final de l’assignatura; si no, cal anar directament a segona convocatòria. Si la nota de l’examen de la primera convocatòria és inferior a 5, la nota final de la primera convocatòria serà com a màxim de 4,5 (independentment de la nota d’avaluació contínua).
** ASSISTÈNCIA OBLIGATÒRIA: per poder realitzar qualsevol examen (final o segona convocatòria) s’ha d’assistir necessàriament a més d’un 75 % de les classes. En el cas de faltar (de manera justificada o injustificada) a més de 4 classes, no es podrà realitzar l’examen. Per tant, només es permet faltar a un màxim de 4 classes al llarg del curs acadèmic. En aquesta assignatura el professorat no necessita saber els motius que justifiquen (o no) la falta d’assistència a les classes. Aquesta regla no s’aplica als estudiants-esportistes professionals. En aquest cas, cal posar-se en contacte directament amb el professorat.
Bibliografia i recursos
Angrist, J. D. & Pischke, J.-S. (2009). Mostly Harmless Econometrics. Princeton University Press.
Artís, M. et al. (1999). Introducción a la econometría. UOC.
Greene, W. H. (1997). Análisis econométrico. 3ª ed. Prentice-Hall.
Gujarati, D. N. (1997). Econometría. 3ª ed. McGraw-Hill.
Johnston, J. & DiNardo, J. (2001). Métodos de econometría. Vicens-Vives.
Newbold, P., Carlson, W. & Thorne, B. (2012). Statistics for Business and Economics. Pearson.
Wooldridge, J. M. (2010). Introducción a la econometría: Un enfoque moderno. CENGAGE Learning, 4ª ed.