Bienvenidos a Econometría con Simulaciones#
La econometría, como disciplina que combina teoría económica, estadística y matemáticas, puede resultar desafiante. Los conceptos abstractos y las demostraciones matemáticas, aunque fundamentales, a veces dificultan la comprensión intuitiva de los principios econométricos. Este libro nace de la convicción de que una buena manera de entender la econometría es experimentando con ella.
A través de simulaciones interactivas, este libro permite visualizar y experimentar con los conceptos econométricos en tiempo real. La propuesta consiste en modificar parámetros y supuestos, observando cómo cambian los resultados para desarrollar una comprensión más profunda y práctica de los métodos econométricos. Cada capítulo incluye simulaciones que permiten «jugar» con los conceptos, haciendo el aprendizaje más dinámico y memorable. El libro está diseñado como un recurso tanto para estudiantes como para profesionales en ejercicio. Buscamos que sea útil como complemento para los estudiantes, pero también como una herramienta de consulta para quienes diseñan estrategias de análisis y experimentos, permitiéndoles tomar decisiones fundamentadas sobre distintos aspectos metodológicos, como el tamaño de muestra o la incorporación de variables.
📝 Nota sobre esta edición preliminar#
Este documento representa una versión preliminar de «Econometría con Simulaciones». Los capítulos y tableros enlazados (marcados con hipervínculos) están disponibles como preview y demuestran la aproximación interactiva que buscamos en este proyecto. El contenido de este proyecto se encuentra en desarrollo activo, con actualizaciones regulares. Invitamos a los lectores a explorar las simulaciones disponibles y a seguir el progreso del proyecto.
Última actualización: Abril 2025
Estado: Versión preliminar 0.1
Índice de Tableros Interactivos#
Ilustra las propiedades estadísticas de los estimadores MCO, incluyendo la insesgadez y los determinantes de la varianza de los estimadores.
1.2 Inferencia: Test T en Regresión
Explora la sensibilidad del Test T al supuesto de normalidad en los errores.
1.3 Potencia y Tamaño de Muestra Óptimo para el Coeficiente de Regresión
Explora el concepto de potencia estadística en pruebas de hipótesis para un coeficiente de regresión. También permite establecer el tamaño de muestra mínimo necesario para detectar un efecto deseado en una investigación.
Análisis de Regresión Múltiple
2.1 Colinealidad
Muestra el impacto de la multicolinealidad en las estimaciones de los coeficientes, errores estándar e interpretación general del modelo.
2.2 Sesgo por Variable Omitida
Muestra los sesgos generados por la omisión de una variable relevante.
Asintótica y Propiedades de Grandes Muestras de MCO
Muestra cómo los estimadores MCO convergen en probabilidad a los valores verdaderos de los parámetros y cómo su distribución se aproxima a la normalidad cuando aumenta el tamaño de la muestra.
Heteroscedasticidad
Ilustra cómo la heteroscedasticidad afecta la eficiencia de las estimaciones MCO, tests de heterocedasticidad y correcciones.
Autocorrelación
Muestra el impacto de la autocorrelación en las estimaciones MCO e ilustrar pruebas como la de Durbin-Watson.
Endogeneidad y Variables Instrumentales
Explica el sesgo introducido por variables endógenas y demostrar cómo las variables instrumentales (VI) pueden usarse para obtener estimaciones consistentes.
Modelos de Variable Dependiente Limitada
Muestra la diferencia entre modelos de probabilidad lineal y modelos no lineales como Probit y Logit, enfocándose en la interpretación de coeficientes y predicción.
Métodos de Inferencia Causal#
Experimentos Controlados Aleatorizados (RCTs)
Muestra la estimación insesgada de efectos causales cuando el tratamiento es aleatorizado. Variar el tamaño de la muestra y la proporción de tratamiento. Permitir estimar el tamaño de muestra requerido.
8.1 Estimación de Efectos de Interacción/Moderación
Muestra los requisitos de tamaño de muestra para efectos de interacción.
Compara diferentes métodos de estimación de efectos causales que son válidos bajo el supuesto de Independencia Condicional (CIA, por sus siglas en inglés). Muestra en qué casos un estimador de Regresión y en qué casos un estimador de ML como Random Forests puede mejorar la precisión de la estimación.
Emparejamiento (Matching) y Emparejamiento por Score de Propensión (PSM)
Muestra cómo el emparejamiento por covariables o puntajes de propensión estimados puede reducir el sesgo de selección. Mostrar sesgos remanentes en PSM.
Diferencias en Diferencias (DiD)
Explora cómo DiD identifica efectos causales bajo el supuesto de tendencias paralelas. Visualizar violaciones.
Modelos de Datos de Panel
Compara estimadores de efectos fijos y aleatorios, mostrando cómo cada uno maneja la heterogeneidad específica individual.
Diseño de Regresión Discontinua (RDD)
Muestra cómo la comparación local alrededor del umbral puede estimar efectos causales. Variar el ancho de banda y probar manipulación.
Métodos de Control Sintético
Construye un control sintético y comparar resultados post-tratamiento. Mostrar cómo la elección del grupo de donantes afecta los resultados.
Inferencia Causal en la Práctica (Tecnología/Industria)#
Pruebas A/B con Covariables
Muestra cómo el control por covariables puede mejorar la potencia y precisión. Comparar diferencias ajustadas por regresión vs. diferencias brutas.
Efectos de Tratamiento Heterogéneos
Muestra métodos que proponen la estimación de efectos del tratamiento condicionales.
Selección sobre Observables con Covariables de Alta Dimensión
Muestra métodos que incorporan regularización adaptados a inferencia causal.
Apéndice#
A.1 Distribuciones de Muestreo
Muestra cómo la distribución de muestreo de la media muestral se aproxima a una distribución normal cuando aumenta el tamaño de la muestra, independientemente de la distribución poblacional.
Autores#
Autor Principal#
Contribuidores#
Instituciones que nos apoyan#
