Un curs de nivell avançat centrat en tècniques estadístiques i d'aprenentatge automàtic modernes per a la investigació econòmica. Els estudiants aplicaran eines com ARIMA, regressió logística, PCA, boscos aleatoris i SHAP a dades del món real, desenvolupant les habilitats per analitzar conjunts de dades dependents del temps i d'alta dimensionalitat mitjançant Python.
Aquest curs es basa en coneixements bàsics d'estadística, incloent-hi conceptes clau com la probabilitat, les distribucions, el mostreig, les proves d'hipòtesis, l'anàlisi de la variància i l'anàlisi de regressió. Està dissenyat per a estudiants que ja han adquirit experiència en l'aplicació d'aquestes tècniques bàsiques a problemes econòmics. En aquest curs de segon nivell, els estudiants avancen en els mètodes analítics contemporanis utilitzats en la investigació econòmica moderna i la ciència de dades, centrant-se en dades més complexes, d'alta dimensió i dependents del temps.
El curs està dissenyat per dotar els estudiants d'experiència pràctica en Python alhora que aprofundeixen la seva comprensió del raonament estadístic i l'aprenentatge automàtic. Els estudiants treballaran amb conjunts de dades reals per construir models de sèries temporals (per exemple, ARIMA), realitzaran regressions logístiques i models lineals generalitzats amb regularització (lasso, ridge), aplicaran tècniques de reducció de dimensionalitat com ara PCA i anàlisi factorial, i experimentaran amb models de clústering i aprenentatge supervisat com ara boscos aleatoris i augment de gradients.
En lloc de separar la teoria de la pràctica, totes les sessions segueixen un format integrat on els estudiants apliquen immediatament els conceptes mitjançant la codificació i l'anàlisi en grup. L'objectiu és capacitar els estudiants per realitzar anàlisis econòmiques independents, robustes i comunicables que compleixin els estàndards acadèmics i de recerca aplicada.
Al final del curs, l'aprenent podrà:
• Aplicar i interpretar models de sèries temporals per a la previsió de dades econòmiques
• Construir i avaluar models de classificació mitjançant regressió logística i regularització
• Realitzar la reducció de la dimensionalitat mitjançant PCA i anàlisi factorial
• Utilitzar tècniques d'agrupació en clústers i aprenentatge no supervisat per al descobriment de patrons
• Implementar i comparar algoritmes d'aprenentatge automàtic supervisat (per exemple, random forest, SVM)
• Interpretar els resultats del model i comunicar les troballes de manera eficaç
Els estudiants haurien d'haver completat un curs introductori d'estadística o tenir coneixements previs equivalents. Les competències requerides inclouen la comprensió dels principis estadístics bàsics (per exemple, mitjana, variància), teoria de la probabilitat, distribucions, mostreig i estimació, proves d'hipòtesis, anàlisi de la variància (ANOVA) i regressió lineal. Els estudiants també haurien de sentir-se còmodes interpretant resultats estadístics i raonant amb dades econòmiques del món real. No es pressuposa experiència prèvia en programació, però és essencial tenir ganes d'aprendre i utilitzar Python.
Obligatori
• James et al. (2023). Introducció a l'aprenentatge estadístic amb aplicacions en Python.
• Kenett et al. (2022). Estadística moderna: un enfocament basat en ordinador amb Python.
• McClave et al. (2017). Estadística per a l'empresa i l'economia
Recomanat
• Müller i Guido (2016). Introducció a l'aprenentatge automàtic amb Python
• Hyndman i Athanasopoulos (2021). Previsió: principis i pràctica
• Xiao (2022). Programació d'intel·ligència artificial amb Python
• Conferències
• Tasques en grup
• Projecte de treball de curs
• Exercicis basats en Python
• Consultes setmanals
Transcripció de registres