19 Otros tópicos en econometría
Al final del curso, es útil abrir espacio para métodos que amplían de manera importante la caja de herramientas econométrica más allá del modelo lineal clásico. Este bloque introduce dos enfoques que, aunque muy distintos entre sí, comparten una idea central: flexibilizar la forma en que aprendemos de los datos y formulamos inferencia.
Por un lado, la econometría no paramétrica relaja la imposición de una forma funcional rígida y permite estimar relaciones económicas de manera más flexible, dejando que la información local en los datos determine la forma de la función. Por otro lado, la econometría bayesiana propone un cambio de perspectiva respecto del enfoque frecuentista tradicional: los parámetros se tratan como objetos inciertos sobre los cuales se actualiza información a medida que se observa la muestra.
\[ p(\theta \mid y) \propto p(y \mid \theta)\, p(\theta) \]
En el primer caso, el énfasis está en la flexibilidad funcional y en el uso de herramientas como kernels, estimadores locales y suavizamiento. En el segundo, el foco está en la combinación entre información previa y evidencia muestral para construir una distribución posterior. Ambos enfoques son hoy relevantes en investigación aplicada y en áreas donde la estructura del problema exige mayor flexibilidad o una interpretación probabilística más rica.
19.1 Secciones
- Econometría no paramétrica — motivación, intuición de los estimadores locales, regresión kernel y principales desafíos prácticos.
- Econometría bayesiana — regla de Bayes, diferencia entre enfoques frecuentista y bayesiano, priors, likelihood y posterior.
19.2 Referencias
Li, Q. and Racine, J. S. (2007). Nonparametric Econometrics: Theory and Practice. Princeton University Press.
Koop, G. (2003). Bayesian Econometrics. Wiley.
Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. and Rubin, D. B. (2013). Bayesian Data Analysis. CRC Press.