1. TEMA 1. Temes en regressió I. Variables exògenes qualitatives i Pertorbacions no esfèriques.
1.1. Model de regressió múltiple. Especificació, estimació, diagnòstic i ús. Notació matricial.
1.2. Pertorbacions no esfèriques, concepte, causes i conseqüències sobre l’estimació per MQO.
1.3. Models amb variables exògenes qualitatives. Aplicacions: efectes estacionals i canvi estructural
2. TEMA 2. Temes en regressió II. Variables endògenes qualitatives. Models d’elecció binària.
2.1. Distribució de Bernouilli. Mètode d’estimació de màxima versemblança, i contrastos associats (Wald, multiplicadors de Lagrange i raó de versemblances).
2.2. El model lineal de probabilitat.
2.3. El model logit Especificació i estimació màxim versemblant.
2.4. Validació del model.
3. TEMA 3. Models univariats de sèries temporals.
3.1. Conceptes preliminars: processos estocàstics, estacionarietat, funcions d’autocorrelació.
3.2. Processos estocàstics estacionaris, autorregressius (AR), de mitjanes mòbils (MA), mixtos (ARMA) i integrats (ARIMA)
3.3. La metodologia Box-Jenkins.
3.4. Models estacionals (SARIMA).
3.5. Predicció puntual i per interval.
4. TEMA 4. Introducció a l’anàlisi multivariada
4.1. Repàs d’àlgebra matricial. Variables centrades i estandarditzades; matrius de covariàncies i correlacions.
4.2. Tècniques d’ interdependència.
4.3. Classificació i objectius de les tècniques.
5. TEMA 5. Anàlisi en components principals
5.1. Concepte. Objectiu. Reducció de la dimensionalitat.
5.2. Perspectiva geomètrica.
5.3. Anàlisi exploratòria de les dades. Dades mancants.
5.4. Algorisme de càlcul.
5.5. Interpretació dels valors propis. Matriu de residus. Nombre de components a retenir.
5.6. Interpretació de les components. Saturacions. Representació d’individus i variables. Rotació. Variables il·lustratives.
5.7. Variables no estandarditzades.
6. TEMA 6. Anàlisi de correspondències múltiple
6.1. Matriu que es sotmet a l’anàlisi.
6.2. Nombre d’eixos a retenir.
6.3. Interpretació dels eixos. Coordenades. Variables il·lustratives.
6.4. Tractament de dades mancants.
7. TEMA 7. Anàlisi de conglomerats o cluster analysis.
7.1. Introducció i objectiu.
7.2. Decisions prèvies sobre la matriu de dades.
7.3. Selecció de la mesura de similaritat o dissimilaritat.
7.4. Algorismes d’agregació jeràrquics. Dendrograma.
7.5. Algorismes de partició no jeràrquics.
7.6. Interpretació i Diagnòstic. Variables il·lustratives.