Curso de nivel avanzado centrado en técnicas modernas de estadística y aprendizaje automático para la investigación económica. Los alumnos aplicarán herramientas como ARIMA, la regresión logística, el análisis de componentes principales (PCA), los bosques aleatorios y SHAP a datos del mundo real, desarrollando las habilidades necesarias para analizar conjuntos de datos dependientes del tiempo y de alta dimensión utilizando Python.
Este curso se basa en los conocimientos fundamentales de estadística, incluyendo conceptos clave como la probabilidad, las distribuciones, el muestreo, las pruebas de hipótesis, el análisis de varianza y el análisis de regresión. Está diseñado para estudiantes que ya cuentan con experiencia en la aplicación de estas técnicas básicas a problemas económicos. En este curso de segundo nivel, los alumnos avanzan hacia los métodos analíticos contemporáneos utilizados en la investigación económica moderna y la ciencia de datos, centrándose en datos más complejos, de alta dimensión y dependientes del tiempo.
El curso está diseñado para dotar a los estudiantes de experiencia práctica en Python, al tiempo que profundizan en su comprensión del razonamiento estadístico y el aprendizaje automático. Los estudiantes trabajarán con conjuntos de datos reales para construir modelos de series temporales (p. ej., ARIMA), realizar regresión logística y modelización lineal generalizada con regularización (lasso, ridge), aplicar técnicas de reducción de dimensionalidad como el PCA y el análisis factorial, y experimentar con modelos de agrupamiento y aprendizaje supervisado, tales como bosques aleatorios y gradient boosting.
En lugar de separar la teoría de la práctica, todas las sesiones siguen un formato integrado en el que los estudiantes aplican inmediatamente los conceptos mediante la programación y el análisis en grupo. El objetivo es capacitar a los estudiantes para que realicen análisis económicos independientes, sólidos y comunicables que cumplan tanto con los estándares académicos como con los de la investigación aplicada.
Al finalizar el curso, el alumno será capaz de:
• Aplicar e interpretar modelos de series temporales para la previsión de datos económicos
• Crear y evaluar modelos de clasificación utilizando regresión logística y regularización
• Llevar a cabo la reducción de dimensionalidad mediante el análisis de componentes principales (PCA) y el análisis factorial
• Utilizar técnicas de agrupamiento y de aprendizaje no supervisado para el descubrimiento de patrones
• Implementar y comparar algoritmos de aprendizaje automático supervisado (por ejemplo, bosque aleatorio, SVM)
• Interpretar los resultados de los modelos y comunicar las conclusiones de forma eficaz
Los alumnos deben haber cursado una asignatura de introducción a la estadística o poseer conocimientos previos equivalentes. Las competencias requeridas incluyen la comprensión de los principios estadísticos básicos (por ejemplo, media, varianza), la teoría de la probabilidad, las distribuciones, el muestreo y la estimación, la comprobación de hipótesis, el análisis de varianza (ANOVA) y la regresión lineal. Los alumnos también deben sentirse cómodos interpretando resultados estadísticos y razonando a partir de datos económicos del mundo real. No se presupone experiencia previa en programación, pero es imprescindible estar dispuesto a aprender y utilizar Python.
Obligatorias
• James et al. (2023). Introducción al aprendizaje estadístico con aplicaciones en Python
• Kenett et al. (2022). Estadística moderna: un enfoque basado en la informática con Python
• McClave et al. (2017). Estadística para los negocios y la economía
Recomendado
• Müller y Guido (2016). Introducción al aprendizaje automático con Python
• Hyndman y Athanasopoulos (2021). Previsión: principios y práctica
• Xiao (2022). Programación de inteligencia artificial con Python
• Clases magistrales
• Trabajos en grupo
• Proyecto de fin de curso
• Ejercicios con Python
• Horas de tutoría semanales
Extracto académico