Syllabus

Presentación

De forma general, el curso consta de 3 partes, las cuales serán evaluadas al final del mismo:

1. Teoría econométrica. Que será enseñada en base al manual y la síntesis del profesor en clases.
2. Intro a la programación en $\mathit{R}$. Se enseñarán en clase los fundamentos y los exámenes se harán también en $\mathit{R}$.
3. Investigación aplicada. Combinará el andamiaje teórico con una pregunta de investigación y su resolución en $\mathit{R}$.

Evaluación

El esquema de evaluación será el siguiente:

Los exámenes parciales y el final se darán en R Markdown, el cual se introducirá en clases. También el trabajo final de investigacións será presentando en este formato.

Adicionalmente, se utiliza un sistema de reescalamiento lineal en los exámenes, otorgando $100$ puntos si y solo si la mejor nota es igual o mayor a $70$ puntos.

Finalmente, es buena práctica ir pensando en el trabajo de investigación final al inicio del curso. Se recomienda elegir un tema que luego pueda ser utilizado como tesis de licenciatura. De esa manera se aprovecha el trabajo realizado en el curso.

El lenguaje

El “software” que se utilizará en el curso es más bien un lenguaje de programación que se llama $\mathit{R}$ y se puede descargar aquí para Windows.

Una vez descargado el lenguaje, se debe descargar el interfaz gráfico, $\mathit{RStudio}$, desde el cual ejecutaremos los comandos (en inglés GUI o Graphical User Interface), llamado R Studio.

Una guía completa de instalación puede ser encontrada aquí.

Un lenguaje de programación de alto nivel como $\mathit{R}$ tiene la ventaja de que es flexible, general y relativamente sencillo de aprender. Adicionalmente, el lenguaje servirá no solo para econometría sino para todo lo relacionado al análisis de datos: manipulación de datos y transformación, estadística, modelación, visualización, etc. convirtiéndose en una herramienta de trabajo valiosa para aquellos que en su trabajo profesional necesitan analizar información.

R Markdown

Finalmente, como se mencionaba más arriba, una buena idea es aprender RMarkdown, que es un framework de escritura de código que combina la escritura de piezas documentales (párrafos, análisis, etc.) con la ejecución de código, ya sea para tareas, documentos de investigación, presentaciones, etc.

Algunas ventajas de usar esta herramienta (a la cual se accede desde $\mathit{RStudio}$) es que evita utilizar distintos programas para presentar lo trabajado y, adicionalmente, permite automatizar reportes reccurrentes. Más adelante en el curso se verán ejemplos específicos.

Textos

Existen muchísimos textos de econometría que se han desarrollado a lo largo de los años.

Los textos introductorios se enfocan, sobre todo, en el método y las propiedades teóricas de los estimadores, con algunas buenas excepciones.

El enfoque del curso es conceptual y está en la línea de la microecoeconometría moderna (véase The Credibility Revolution es decir, nos concentraremos en el diseño experimental (o research design) en orden a tener buenas respuestas y evaluaciones del impacto de ciertas medidas de interés.

Econometría

En este sentido, los manuales básicos que se utilizarán son:

1. Wooldridge, J. M. (2016). Introductory econometrics: A modern approach., que será la referencia obligatoria. Uno de los objetivos del curso es que el estudiante pueda entenderlo. (Advertencia: no es una lectura fácil, por tanto, requiere leerlo de forma continuada)
2. Stock, J. H., & Watson, M. W. (2020). Introduction to econometrics. Es ligeramente más complicado que Wooldridge, aunque quizás también, más realista en cuanto a los supuestos.
3. Angrist, J. D., & Pischke, J. S. (2009). Mostly harmless econometrics: An empiricist’s companion.: Este texto es más avanzando y es la referencia obligada para entender los métodos que se aplican en la microeconometría, en clase se seleccionarán algunas secciones del mismo.
4. Angrist, J. D., & Pischke, J. S. (2014). Mastering’metrics: The path from cause to effect. Es un libro enfocado en el diseño experimental y será un excelente complemento para la clase. Es la versión ligera de Mostly harmless.

Un libro “más moderno” es el de Scott Cunningham Causal Inference: The Mixtape el cual aborda algunos temas vistos en clase con aplicaciones en $\mathit{R}$.

Otro libro de consulta puede ser Gujarati, D. N. (2009). Basic econometrics que es más sencßillo que Wooldridge o Stock & Watson pero su enfoque no muestra las ventajas del diseño experimental, es decir, está orientado a los métodos y sus propiedades más que al razonamiento causal.

Aprender R

Aunque este no es un curso de programación, el estudiante se beneficiará grandemente si aprende a programar. Algunos libros (sencillos) para aprender lo básico son:

1. Davies, M.T. (2016), The Book of R. Sobre este texto avanzaremos en clase.
2. Wickham, Hadley & Golemund, Garret (2016), R for Data Science, que es una gran introducción a librerías para el análisis de datos. Se lo puede encontrar gratis en inglé aquí y en español aquí.

La comunidad $R$

Hay bastantes blogs donde el estudiante puede realizar consultas y otros usuarios (“la comunidad”), ayuda a resolverlos. Por ejemplo, RPubs, R-bloggers o, blogs más generales como StackOverflow.

Un arte que se desarrolla con el tiempo es que, cuando $\mathit{R}$ nos devuelva un error, se debe googlear sobre ésto y con alta probabilidad la respuesta estará contenida en alguna entrada en los blogs antes mencionados.

Cursos de R en línea

Hay distintos lugares donde se puede aprender $\mathit{R}$ en línea. Dos buenos lugares son las plataformas edX y Coursera.

Aún cuando no tienen nota per se es posible negociar incrementos de nota para los exámenes en base a la presentación de certificados (y un mini examen oral para comprobar los conocimientos) que acrediten cursos y/o especializaciones en $\mathit{R}$.

Algunos cursos que pueden ayudar son R Programming de Johns Hopkins Univeristy o Data Analysis with R, de IBM. Sin embargo, cualquier curso que implique aprender más sobre $\mathit{R}$ será bien recibido.

Temas propuestos

Se propone el siguiente programa para el curso introductorio de un semestre:

A&P: Angrist & Pischke (2009), Mostly harmless econometrics
S&W: Stock & Watson (2020), Introduction to econometrics