Introducción:

1. Una introducción general al tema: Modelo de probabilidad lineal, Modelo Logit y Modelo Probit; Modelo Tobit y Heckit.

 

Bloque I

2. Modelos aleatorios de utilidad (Radom Utility Models)

3. Generalized Extreme Value (GEV) Models

4. Modelo Probit

5. Modelo Logit Mixto

6. Otros modelos (Stated-Preferences, Logit mixto anidado, Probit mixto)

7. Procedimientos de estimación y simulación.

8. Estudios de casos.

 

Bloque II

9. Modelo Tobit y modelos de selección de muestra.

 

Bloque III

10. Modelos de datos de recuento

 

    

El primer punto es una panorámica general de los principales modelos, que son los usualmente presentados en los textos introductorios de econometría. Permiten una primera aproximación a los temas económicos que requieren esta modelización y a los problemas esenciales a que debe enfrentarse ésta.

Los siguientes puntos van generalizando los modelos presentados en el punto anterior, de manera que los modelos aleatorios de utilidad (RUM) están comprendido dentro de los modelos generalizados de valores extremos (GeV), y el Probit es una versión más general de los GeV, el Logit Mixto más general que el Probit, y así sucesivamente. Por tanto, lo que en la introducción (primer punto) se presentaba como una catalogación de modelos, en los puntos siguientes se presenta como una sucesión de modelos, cada uno más general que el anterior (en el sentido de asumir menos supuestos esenciales, a cambio de una mayor exigencia de cálculo). 

 

Los puntos 6 y 7 tratan, respectivamente, otros modelos, no tanto más generales como especiales, y el problema de simulación que afecta a casi todos los estudiados.

 

En el punto 8, con bibliografía diversa, se pueden tocar muy diversos temas, como los problemas de organización óptima del transporte, o la elección entre ocio y trabajo, o problemas de elección entre alternativas por parte del consumidor, por mencionar sólo algunas de las posibilidades. Cada uno de estos temas tiene asociada su propia problemática en lo relativo a la búsqueda de información y tratamiento de la misma. La naturaleza de cada problema, y de los datos disponibles, requerirán una forma de estimación específica.

 

El tema 9 compone en solitario el Bloque II. Este es un tema aislado que amplía el temario visto en el Bloque I, incorporando la consideración de variables dependientes limitadas con formas no discretas, pero sí truncadas. Muchas variables económicas objeto de modelización tienen precisamente esta forma, y hay que saber tratarlas (explicarlas). La variable en cuestión es continua hasta cierto valor, mínimo o máximo, que trunca la distribución. Por ejemplo, las soluciones de esquina. Cuando trabajamos con microdatos, observamos que muchas familias y empresas optan por un valor cero para una determinada variable, mientras que otros agentes optan por valores positivos, según la distribución que sea. Veremos también en este bloque los problemas de selección de muestra, que se dan cuando tenemos datos de una muestra de la población, siendo dicha muestra no aleatoria.

 

El Bloque III está compuesto también por un solo tema, el número 10. En realidad este tema puede estudiarse como parte del Bloque I, entre los modelos multinomiales, pero no está de más repasarlos separadamente, atendiendo ahora a al tratamiento práctico de la bibliografía recomendada para este bloque. Las variables de recuento son otro tipo más de variables dependientes limitadas. Son limitadas en el sentido de adoptar valores enteros y no negativos (y = 0, 1, 2, …). Veremos aquí sobre todo el llamado modelo de regresión de Poisson. Un ejemplo sería el número de veces que un individuo acude al cine durante un mes. Podemos disponer de variables explicativas para tratar de explicar esa variable dependiente, lo que requiere métodos especiales que estudiaremos en este bloque.

El Bloque IV está dedicado a los modelos de variables instrumentales, que pertenecen al último tema, el 11. Los modelos de datos de panel, como los de variables instrumentales, tratan con el problema de las variables omitidas. Cuando disponemos de un panel de datos y la variable omitida no varía con el tiempo, hay distintas formas de eliminar su influencia y sus efectos sobre las estimaciones. Sin embargo, si la variable varía en el tiempo o si no disponemos de un panel de datos, el problema no admite ese tratamiento. El problema es pues el de ausencia de una variable que, estando ausente (no la observamos, no tenemos datos sobre ella), ejerce una influencia a través de su correlación con las demás variables, que sí están en el modelo. Veremos este problema en el contexto de datos de sección cruzada, estudiando los llamados modelos con variables instrumentales.