ECONOMETRICS
Syllabus
EN
IT
Obiettivi Formativi
OBIETTIVI FORMATIVI: Il corso di Econometria si propone di fornire agli studenti una solida preparazione teorica e pratica per l’analisi quantitativa dei fenomeni economici. Il programma si concentra in particolare sul modello di regressione lineare, sull’inferenza statistica robusta, sull’analisi dei principali problemi di specificazione (come eteroschedasticità ed endogeneità) e sull’impiego di tecniche avanzate, tra cui gli stimatori a variabili strumentali e il metodo dei momenti generalizzati. Un’attenzione particolare è dedicata all’applicazione empirica dei metodi trattati, attraverso l’utilizzo del software statistico Stata per l’analisi di dati economici reali e simulati. Il corso contribuisce a costruire le basi per il proseguimento degli studi nell’area quantitativa del Corso di Laurea in Economia e supporta gli studenti nello sviluppo di un approccio empirico e critico all’interpretazione dei problemi economici.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Comprendere i fondamenti dell’econometria, in particolare il modello di regressione lineare e le sue proprietà (metodo dei minimi quadrati, inferenza, diagnostica del modello). Conoscere le problematiche più comuni nella modellazione empirica (es. eteroschedasticità, endogeneità) e le soluzioni econometriche appropriate (es. GLS, IV, GMM). Comprendere i limiti e le ipotesi sottostanti alle diverse tecniche trattate.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Stimare e interpretare modelli di regressione in ambiente Stata, identificando la tecnica più adatta al problema empirico. Condurre test di ipotesi, valutare la bontà di adattamento del modello e applicare procedure robuste o correttive dove necessario.
AUTONOMIA DI GIUDIZIO: Saper scegliere in autonomia il metodo di stima più appropriato all’obiettivo dell’analisi. Valutare criticamente la validità dei risultati empirici ottenuti, considerando eventuali violazioni delle ipotesi alla base degli stimatori utilizzati e, quando necessario, proporre soluzioni basate su strumenti appropriati.
ABILITÀ COMUNICATIVE: Presentare in modo chiaro e rigoroso i risultati di un’analisi econometrica, sia oralmente sia per iscritto. Redigere report con tabelle prodotte in Stata, illustrando sinteticamente le principali implicazioni economiche dei risultati.
CAPACITÀ DI APPRENDIMENTO: Sviluppare un metodo di studio autonomo per approfondire temi di econometria più avanzati (es. dati panel, modelli non lineari, inferenza causale). Riconoscere l’importanza della padronanza degli strumenti econometrici per la lettura critica della letteratura empirica e per eventuali studi successivi (es. tesi, dottorato, ricerca applicata).
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Comprendere i fondamenti dell’econometria, in particolare il modello di regressione lineare e le sue proprietà (metodo dei minimi quadrati, inferenza, diagnostica del modello). Conoscere le problematiche più comuni nella modellazione empirica (es. eteroschedasticità, endogeneità) e le soluzioni econometriche appropriate (es. GLS, IV, GMM). Comprendere i limiti e le ipotesi sottostanti alle diverse tecniche trattate.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Stimare e interpretare modelli di regressione in ambiente Stata, identificando la tecnica più adatta al problema empirico. Condurre test di ipotesi, valutare la bontà di adattamento del modello e applicare procedure robuste o correttive dove necessario.
AUTONOMIA DI GIUDIZIO: Saper scegliere in autonomia il metodo di stima più appropriato all’obiettivo dell’analisi. Valutare criticamente la validità dei risultati empirici ottenuti, considerando eventuali violazioni delle ipotesi alla base degli stimatori utilizzati e, quando necessario, proporre soluzioni basate su strumenti appropriati.
ABILITÀ COMUNICATIVE: Presentare in modo chiaro e rigoroso i risultati di un’analisi econometrica, sia oralmente sia per iscritto. Redigere report con tabelle prodotte in Stata, illustrando sinteticamente le principali implicazioni economiche dei risultati.
CAPACITÀ DI APPRENDIMENTO: Sviluppare un metodo di studio autonomo per approfondire temi di econometria più avanzati (es. dati panel, modelli non lineari, inferenza causale). Riconoscere l’importanza della padronanza degli strumenti econometrici per la lettura critica della letteratura empirica e per eventuali studi successivi (es. tesi, dottorato, ricerca applicata).
Learning Objectives
LEARNING OUTCOMES: The Econometrics course aims to provide students with a solid theoretical and practical foundation for the quantitative analysis of economic phenomena. The program focuses on the linear regression model, robust statistical inference, the analysis of key specification problems (such as heteroskedasticity and endogeneity), and the use of advanced techniques including instrumental variables (IV) estimators and the generalized method of moments (GMM). Special emphasis is placed on the empirical application of the methods covered, through the use of the statistical software Stata for the analysis of real and simulated economic data. The course lays the groundwork for further studies in the quantitative area of the Economics degree and supports students in developing an empirical and critical approach to interpreting economic issues.
KNOWLEDGE AND UNDERSTANDING: Understand the core concepts of econometrics, especially the linear regression model and its properties (least squares, inference, model diagnostics). Identify common empirical modelling issues (e.g., heteroskedasticity, endogeneity) and appropriate econometric solutions (e.g., IV, GMM). Recognize the assumptions and limitations behind the estimation techniques.
APPLYING KNOWLEDGE AND UNDERSTANDING: Estimate and interpret regression models using Stata, selecting the most suitable technique for the empirical problem. Conduct hypothesis testing, assess model fit, and apply robust or corrective procedures when needed.
MAKING JUDGEMENTS: Choose independently the most appropriate estimation method for a given research question. Critically evaluate empirical results, considering potential violations of estimator assumptions, and propose suitable remedies where necessary.
COMMUNICATION SKILLS: Clearly and rigorously present the results of an econometric analysis, both orally and in writing. Produce concise reports including Stata-generated tables, highlighting key economic implications of the results.
LEARNING SKILLS: Develop an autonomous study method for advanced econometric topics (e.g., panel data, nonlinear models, causal inference). Understand the importance of mastering econometric tools for critically reading empirical literature and preparing for further studies (e.g., thesis, Ph.D., applied research).
KNOWLEDGE AND UNDERSTANDING: Understand the core concepts of econometrics, especially the linear regression model and its properties (least squares, inference, model diagnostics). Identify common empirical modelling issues (e.g., heteroskedasticity, endogeneity) and appropriate econometric solutions (e.g., IV, GMM). Recognize the assumptions and limitations behind the estimation techniques.
APPLYING KNOWLEDGE AND UNDERSTANDING: Estimate and interpret regression models using Stata, selecting the most suitable technique for the empirical problem. Conduct hypothesis testing, assess model fit, and apply robust or corrective procedures when needed.
MAKING JUDGEMENTS: Choose independently the most appropriate estimation method for a given research question. Critically evaluate empirical results, considering potential violations of estimator assumptions, and propose suitable remedies where necessary.
COMMUNICATION SKILLS: Clearly and rigorously present the results of an econometric analysis, both orally and in writing. Produce concise reports including Stata-generated tables, highlighting key economic implications of the results.
LEARNING SKILLS: Develop an autonomous study method for advanced econometric topics (e.g., panel data, nonlinear models, causal inference). Understand the importance of mastering econometric tools for critically reading empirical literature and preparing for further studies (e.g., thesis, Ph.D., applied research).
Prerequisiti
Conoscenza acquisita precedentemente dagli insegnamenti di Matematica (8011190) e Statistica (8010848). È richiesta una conoscenza di base del software statistico Stata.
Prerequisites
Students are expected to have prior knowledge from the courses in Mathematics (8011190) and Statistics (8010848). A basic familiarity with Stata is also required.
Programma
- Introduzione (lezioni dalla 1 alla 3)
Modellazione econometrica e struttura dei dati economici
Minimi quadrati ordinari e modello di regressione lineare semplice
- Analisi di regressione multipla (lezioni dalla 4 alla 12)
Stima, interpretazione e aspetti algebrici dei minimi quadrati
Proprietà statistiche dei minimi quadrati (campioni finiti).
Informazioni qualitative
Il modello lineare gaussiano e l'inferenza statistica esatta
Proprietà asintotiche e inferenza approssimata
Inferenza robusta
Test di eteroschedasticità e minimi quadrati generalizzati
- Endogeneità e approccio delle variabili strumentali (lezioni dalla 13 alla 18)
Ipotesi principali
Stimatore IV e lo stimatore di Wald
Metodo dei momenti generalizzati e minimi quadrati a due stadi
Test di endogeneità, rilevanza degli strumenti e sovraidentificazione delle restrizioni
Modellazione econometrica e struttura dei dati economici
Minimi quadrati ordinari e modello di regressione lineare semplice
- Analisi di regressione multipla (lezioni dalla 4 alla 12)
Stima, interpretazione e aspetti algebrici dei minimi quadrati
Proprietà statistiche dei minimi quadrati (campioni finiti).
Informazioni qualitative
Il modello lineare gaussiano e l'inferenza statistica esatta
Proprietà asintotiche e inferenza approssimata
Inferenza robusta
Test di eteroschedasticità e minimi quadrati generalizzati
- Endogeneità e approccio delle variabili strumentali (lezioni dalla 13 alla 18)
Ipotesi principali
Stimatore IV e lo stimatore di Wald
Metodo dei momenti generalizzati e minimi quadrati a due stadi
Test di endogeneità, rilevanza degli strumenti e sovraidentificazione delle restrizioni
Program
- Introduction (Lectures 1-3)
Econometric modelling and data structures
Ordinary least squares and the simple linear regression model
- Multiple Regression Analysis (Lectures 4-12)
Estimation, interpretation, and algebraic aspects of OLS
Finite sample properties of OLS
Qualitative information
The Gaussian linear model and exact statistical inference
Asymptotic properties and approximate inference
Robust inference
Heteroskedasticity tests and generalized least squares
- Endogeneity and the Instrumental Variables Approach (Lectures 13-18)
Key assumptions
IV and Wald estimators
Generalized Method of Moments and Two-Stage Least Squares
Tests for endogeneity, instrument relevance, and overidentifying restrictions
Econometric modelling and data structures
Ordinary least squares and the simple linear regression model
- Multiple Regression Analysis (Lectures 4-12)
Estimation, interpretation, and algebraic aspects of OLS
Finite sample properties of OLS
Qualitative information
The Gaussian linear model and exact statistical inference
Asymptotic properties and approximate inference
Robust inference
Heteroskedasticity tests and generalized least squares
- Endogeneity and the Instrumental Variables Approach (Lectures 13-18)
Key assumptions
IV and Wald estimators
Generalized Method of Moments and Two-Stage Least Squares
Tests for endogeneity, instrument relevance, and overidentifying restrictions
Testi Adottati
Il testo adottato è Wooldridge J.M., (2016), Introductory Econometrics: A Modern Approach, 6th ed., Cengage Learning.
Per alcuni argomenti, Wooldridge (2016) sarà integrato da articoli selezionati che saranno resi disponibili nella sezione materiali del sito web del corso e da alcuni capitoli tratti da:
Greene W.H., Econometric Analysis, 8th ed., Pearson.
Per alcuni argomenti, Wooldridge (2016) sarà integrato da articoli selezionati che saranno resi disponibili nella sezione materiali del sito web del corso e da alcuni capitoli tratti da:
Greene W.H., Econometric Analysis, 8th ed., Pearson.
Books
The main reference is Wooldridge J.M., (2016), Introductory Econometrics: A Modern Approach, 6th ed., Cengage Learning.
For some topics, Wooldridge (2016) will be complemented by selected articles which will be made available on the material section of the course website and by some chapters from:
Greene W.H., Econometric Analysis, 8th ed., Pearson.
For some topics, Wooldridge (2016) will be complemented by selected articles which will be made available on the material section of the course website and by some chapters from:
Greene W.H., Econometric Analysis, 8th ed., Pearson.
Bibliografia
Per un approfondimento possono essere consultati:
Peracchi F. (2001), Econometrics, Wiley, Chichester (UK).
Wooldridge J.M., (2010), Econometric Analysis of Cross-Section and Panel Data, 2nd ed., MIT Press, Cambridge (MA).
Davidson R. and MacKinnon J.G., Econometric Theory and Methods, New York, Oxford University Press, 2004.
Peracchi F. (2001), Econometrics, Wiley, Chichester (UK).
Wooldridge J.M., (2010), Econometric Analysis of Cross-Section and Panel Data, 2nd ed., MIT Press, Cambridge (MA).
Davidson R. and MacKinnon J.G., Econometric Theory and Methods, New York, Oxford University Press, 2004.
Bibliography
For further study in econometrics, I suggest Peracchi (2001), Wooldridge (2010), Davidson and MacKinnon (2004) and references therein:
Peracchi F. (2001), Econometrics, Wiley, Chichester (UK).
Wooldridge J.M., (2010), Econometric Analysis of Cross-Section and Panel Data, 2nd ed., MIT Press, Cambridge (MA).
Davidson R. and MacKinnon J.G., Econometric Theory and Methods, New York, Oxford University Press, 2004.
Peracchi F. (2001), Econometrics, Wiley, Chichester (UK).
Wooldridge J.M., (2010), Econometric Analysis of Cross-Section and Panel Data, 2nd ed., MIT Press, Cambridge (MA).
Davidson R. and MacKinnon J.G., Econometric Theory and Methods, New York, Oxford University Press, 2004.
Modalità di svolgimento
L'attività didattica, in coerenza con gli obiettivi formativi del corso, adotta un approccio teorico-pratico che integra lezioni frontali, esercitazioni empiriche guidate con l'uso del software Stata, e momenti di discussione collettiva di risultati e problematiche legate all'analisi economica quantitativa. Il corso prevede un totale di 48 ore di didattica, secondo il calendario pubblicato prima dell'inizio del semestre sul sito web del corso.
Le lezioni frontali sono dedicate all'introduzione e alla spiegazione dei fondamenti teorici e metodologici dell'econometria, con particolare riferimento alla regressione lineare, all'inferenza statistica e all'identificazione di problemi empirici come l'eteroschedasticità o l'endogeneità. Tali concetti vengono costantemente collegati alla pratica applicativa tramite esempi empirici, simulazioni e interpretazione di output di Stata, con l'obiettivo di rafforzare la capacità degli studenti di applicare strumenti analitici alla soluzione di problemi reali.
Durante le lezioni e le esercitazioni, gli studenti sono attivamente incoraggiati a porre domande, esprimere dubbi, sviluppare osservazioni critiche, motivando le proprie argomentazioni con gli strumenti concettuali e tecnici appresi. Questo approccio interattivo consente di sviluppare competenze trasversali, quali la capacità di ragionamento critico, il problem solving quantitativo, l'interpretazione strutturata di evidenza empirica, e il supporto alle decisioni.
Considerata la natura fortemente applicata e interattiva del corso, la frequenza è vivamente raccomandata.
Le lezioni frontali sono dedicate all'introduzione e alla spiegazione dei fondamenti teorici e metodologici dell'econometria, con particolare riferimento alla regressione lineare, all'inferenza statistica e all'identificazione di problemi empirici come l'eteroschedasticità o l'endogeneità. Tali concetti vengono costantemente collegati alla pratica applicativa tramite esempi empirici, simulazioni e interpretazione di output di Stata, con l'obiettivo di rafforzare la capacità degli studenti di applicare strumenti analitici alla soluzione di problemi reali.
Durante le lezioni e le esercitazioni, gli studenti sono attivamente incoraggiati a porre domande, esprimere dubbi, sviluppare osservazioni critiche, motivando le proprie argomentazioni con gli strumenti concettuali e tecnici appresi. Questo approccio interattivo consente di sviluppare competenze trasversali, quali la capacità di ragionamento critico, il problem solving quantitativo, l'interpretazione strutturata di evidenza empirica, e il supporto alle decisioni.
Considerata la natura fortemente applicata e interattiva del corso, la frequenza è vivamente raccomandata.
Teaching methods
The course is delivered through face-to-face lectures and guided empirical exercises, using a blended theoretical and practical approach. It includes 48 hours of instruction, according to the schedule published on the course website before the beginning of the semester.
Lectures cover the theoretical and methodological foundations of econometrics, with a focus on regression models, statistical inference, and the identification of empirical issues such as heteroskedasticity and endogeneity. Theory is constantly integrated with practice through empirical examples, simulations, and interpretation of Stata output, helping students develop analytical skills and apply tools to real-world problems.
Students are actively encouraged to ask questions, express doubts, and formulate critical insights during lectures and exercises, drawing on the concepts and techniques acquired. This interactive approach supports the development of cross-disciplinary skills such as critical reasoning, quantitative problem solving, empirical interpretation, and evidence-based decision-making.
Given the applied and interactive nature of the course, regular and active attendance is strongly recommended.
Lectures cover the theoretical and methodological foundations of econometrics, with a focus on regression models, statistical inference, and the identification of empirical issues such as heteroskedasticity and endogeneity. Theory is constantly integrated with practice through empirical examples, simulations, and interpretation of Stata output, helping students develop analytical skills and apply tools to real-world problems.
Students are actively encouraged to ask questions, express doubts, and formulate critical insights during lectures and exercises, drawing on the concepts and techniques acquired. This interactive approach supports the development of cross-disciplinary skills such as critical reasoning, quantitative problem solving, empirical interpretation, and evidence-based decision-making.
Given the applied and interactive nature of the course, regular and active attendance is strongly recommended.
Regolamento Esame
L'esame finale consiste in una prova scritta della durata di un'ora e mezza, articolata in tre esercizi. La prova mira a verificare la padronanza degli argomenti trattati durante il corso, sia dal punto di vista teorico che pratico.
Due esercizi avranno un'impostazione più teorica, richiedendo ad esempio la discussione e la dimostrazione di risultati e/o teoremi trattati durante il corso, nonché l'analisi delle ipotesi e delle proprietà statistiche alla base degli stimatori studiati. Il terzo esercizio avrà un'impostazione più applicata e richiederà l'interpretazione di output prodotti tramite il software Stata, con riferimento a stime ed elaborazioni econometriche.
Per superare l'esame, lo studente dovrà ottenere un punteggio minimo di 18 in almeno due esercizi. Il voto finale sarà comunque calcolato come media aritmetica dei tre punteggi ottenuti.
Ciascun esercizio potrà essere valutato con un punteggio compreso tra 0 e 33: ciò consentirà di raggiungere un voto finale pari a 30 anche senza ottenere il massimo punteggio in tutti gli esercizi.
Gli studenti devono prenotarsi all'esame attraverso il portale: https://delphi.uniroma2.it. Chi non supera o decide di ritirarsi dalla prova potrà ripeterla nella stessa sessione d'esami.
Criteri per la formulazione del giudizio espresso in trentesimi
Non idoneo: gravi lacune e/o imprecisioni nella conoscenza dei concetti econometrici di base (es. specificazione del modello, ipotesi per la stima); scarsa comprensione dei metodi di stima e inferenza; limitate capacità di interpretare i risultati empirici; argomentazioni generiche e prive di rigore.
18-20: conoscenza appena sufficiente dei principali argomenti trattati; comprensione debole dei presupposti metodologici; capacità di analisi e sintesi basilari, ma con incertezze; autonomia di giudizio sufficiente.
21-23: conoscenza operativa dei metodi di stima trattati; capacità di applicare e discutere modelli econometrici semplici; analisi corretta e argomentazioni logicamente coerenti, anche se non particolarmente approfondite.
24-26: buona padronanza dei contenuti teorici e applicativi; capacità di effettuare interpretazioni statisticamente corrette e coerenti; argomentazioni espresse con rigore metodologico.
27-29: conoscenza completa e sicura degli strumenti econometrici trattati nel corso, inclusi casi avanzati (es. minimi quadrati generalizzati, metodo dei momenti generalizzati, inferenza robusta); ottima capacità di analisi critica, sintesi e autonomia nella valutazione dei risultati empirici.
30-30L (con lode): eccellente padronanza dei metodi econometrici trattati, anche in contesti complessi; spiccate capacità analitiche e argomentative; originalità nell’approccio ai problemi; elevata autonomia di giudizio e capacità di collegare teoria ed evidenza empirica.
Due esercizi avranno un'impostazione più teorica, richiedendo ad esempio la discussione e la dimostrazione di risultati e/o teoremi trattati durante il corso, nonché l'analisi delle ipotesi e delle proprietà statistiche alla base degli stimatori studiati. Il terzo esercizio avrà un'impostazione più applicata e richiederà l'interpretazione di output prodotti tramite il software Stata, con riferimento a stime ed elaborazioni econometriche.
Per superare l'esame, lo studente dovrà ottenere un punteggio minimo di 18 in almeno due esercizi. Il voto finale sarà comunque calcolato come media aritmetica dei tre punteggi ottenuti.
Ciascun esercizio potrà essere valutato con un punteggio compreso tra 0 e 33: ciò consentirà di raggiungere un voto finale pari a 30 anche senza ottenere il massimo punteggio in tutti gli esercizi.
Gli studenti devono prenotarsi all'esame attraverso il portale: https://delphi.uniroma2.it. Chi non supera o decide di ritirarsi dalla prova potrà ripeterla nella stessa sessione d'esami.
Criteri per la formulazione del giudizio espresso in trentesimi
Non idoneo: gravi lacune e/o imprecisioni nella conoscenza dei concetti econometrici di base (es. specificazione del modello, ipotesi per la stima); scarsa comprensione dei metodi di stima e inferenza; limitate capacità di interpretare i risultati empirici; argomentazioni generiche e prive di rigore.
18-20: conoscenza appena sufficiente dei principali argomenti trattati; comprensione debole dei presupposti metodologici; capacità di analisi e sintesi basilari, ma con incertezze; autonomia di giudizio sufficiente.
21-23: conoscenza operativa dei metodi di stima trattati; capacità di applicare e discutere modelli econometrici semplici; analisi corretta e argomentazioni logicamente coerenti, anche se non particolarmente approfondite.
24-26: buona padronanza dei contenuti teorici e applicativi; capacità di effettuare interpretazioni statisticamente corrette e coerenti; argomentazioni espresse con rigore metodologico.
27-29: conoscenza completa e sicura degli strumenti econometrici trattati nel corso, inclusi casi avanzati (es. minimi quadrati generalizzati, metodo dei momenti generalizzati, inferenza robusta); ottima capacità di analisi critica, sintesi e autonomia nella valutazione dei risultati empirici.
30-30L (con lode): eccellente padronanza dei metodi econometrici trattati, anche in contesti complessi; spiccate capacità analitiche e argomentative; originalità nell’approccio ai problemi; elevata autonomia di giudizio e capacità di collegare teoria ed evidenza empirica.
Exam Rules
The final exam consists of a written test lasting 90 minutes, made up of three exercises. Two exercises are more theoretical in nature, requiring discussion and proof of results and/or theorems covered in class, as well as analysis of the assumptions and statistical properties of the discussed estimation approaches. The third exercise is more applied and involves interpreting output produced using Stata, reporting estimation results and hypothesis testing evidence.
To pass the exam, students must score at least 18 on at least two of the exercises. The final grade is calculated as the arithmetic mean of the three scores. Each exercise is graded on a 0–33 scale, allowing a final mark of 30 to be achieved even without scoring 30 on all three exercises.
Students must register for the final exam through the portal: https://delphi.uniroma2.it. Those who fail or withdraw may retake the exam during the same session.
Grading Scale
Fail: Major gaps and/or inaccuracies in the understanding of basic econometric concepts (e.g., model specification, estimation assumptions); weak grasp of inference methods; limited ability to interpret empirical results; vague or unfounded arguments.
18-20: Barely sufficient knowledge of key topics; weak understanding of assumptions; basic analytical and reasoning skills with some uncertainty; sufficient autonomy of judgment.
21-23: Operational knowledge of estimation methods; able to apply and discuss basic models; correct analysis and logically coherent arguments, though not in depth.
24-26: Good understanding of theoretical and applied content; statistically sound interpretations; rigorous methodological reasoning.
27-29: Full and confident knowledge of tools, including advanced topics (e.g., GLS, GMM, robust inference); strong analytical and critical thinking; independent evaluation of results.
30-30L (cum laude): Excellent command of econometric methods, even in complex contexts; outstanding analytical and reasoning skills; original problem-solving ability; strong autonomy and capacity to connect theory with empirical evidence.
To pass the exam, students must score at least 18 on at least two of the exercises. The final grade is calculated as the arithmetic mean of the three scores. Each exercise is graded on a 0–33 scale, allowing a final mark of 30 to be achieved even without scoring 30 on all three exercises.
Students must register for the final exam through the portal: https://delphi.uniroma2.it. Those who fail or withdraw may retake the exam during the same session.
Grading Scale
Fail: Major gaps and/or inaccuracies in the understanding of basic econometric concepts (e.g., model specification, estimation assumptions); weak grasp of inference methods; limited ability to interpret empirical results; vague or unfounded arguments.
18-20: Barely sufficient knowledge of key topics; weak understanding of assumptions; basic analytical and reasoning skills with some uncertainty; sufficient autonomy of judgment.
21-23: Operational knowledge of estimation methods; able to apply and discuss basic models; correct analysis and logically coherent arguments, though not in depth.
24-26: Good understanding of theoretical and applied content; statistically sound interpretations; rigorous methodological reasoning.
27-29: Full and confident knowledge of tools, including advanced topics (e.g., GLS, GMM, robust inference); strong analytical and critical thinking; independent evaluation of results.
30-30L (cum laude): Excellent command of econometric methods, even in complex contexts; outstanding analytical and reasoning skills; original problem-solving ability; strong autonomy and capacity to connect theory with empirical evidence.
EN
IT
Obiettivi Formativi
Obiettivi formativi: L'obiettivo del corso è quello di fornire agli studenti le basi dei principali
metodi econometrici.
Conoscenza e capacità di comprensione: Al termine del corso, gli studenti saranno in grado
di comprendere gli strumenti econometrici di base. Nello specifico, studieremo l'analisi di
regressione cross-sezionale in presenza di variabili dipendenti continue. L'accento sarà
posto sull'inferenza statistica robusta e su come affrontare i problemi di endogeneità
utilizzando lo stimatore delle variabili strumentali.
Capacità di applicare conoscenza e comprensione: Al completamento con successo del
corso, gli studenti saranno in grado di padroneggiare i formati comuni dei dati economici e
di condurre un'analisi di regressione utilizzando il software statistico Stata.
Autonomia di giudizio: Al termine del corso, gli studenti saranno in grado di orientarsi tra
diverse tecniche e scegliere la migliore per il caso in questione.
Abilità comunicative: Lo studente dovrà saper presentare, anche con l'ausilio degli
opportuni strumenti informatici, i risultati delle proprie elaborazioni e analisi.
metodi econometrici.
Conoscenza e capacità di comprensione: Al termine del corso, gli studenti saranno in grado
di comprendere gli strumenti econometrici di base. Nello specifico, studieremo l'analisi di
regressione cross-sezionale in presenza di variabili dipendenti continue. L'accento sarà
posto sull'inferenza statistica robusta e su come affrontare i problemi di endogeneità
utilizzando lo stimatore delle variabili strumentali.
Capacità di applicare conoscenza e comprensione: Al completamento con successo del
corso, gli studenti saranno in grado di padroneggiare i formati comuni dei dati economici e
di condurre un'analisi di regressione utilizzando il software statistico Stata.
Autonomia di giudizio: Al termine del corso, gli studenti saranno in grado di orientarsi tra
diverse tecniche e scegliere la migliore per il caso in questione.
Abilità comunicative: Lo studente dovrà saper presentare, anche con l'ausilio degli
opportuni strumenti informatici, i risultati delle proprie elaborazioni e analisi.
Learning Objectives
Learning outcomes: The aim of this course is to provide students with the core methods in Econometrics.
Knowledge and understanding: On successful completion of the course, students will be able to understand standard econometric tools. Specifically, we will study linear cross-sectional regression analysis in presence of continuous and limited dependent variables. Emphasis will be placed on robust inference and how to address endogeneity issues using instrumental variables estimation.
Applying knowledge and understanding: On successful completion of the course, students will be able to master the common formats of economic data and implement a regression analysis using the Stata statistical software.
Making judgements: On successful completion of the course, students will be able to orient themselves between different techniques and choose the best for the case at hand.
Communication skills: Students will be able to effectively communicate the results of their own elaborations and analyses.
Knowledge and understanding: On successful completion of the course, students will be able to understand standard econometric tools. Specifically, we will study linear cross-sectional regression analysis in presence of continuous and limited dependent variables. Emphasis will be placed on robust inference and how to address endogeneity issues using instrumental variables estimation.
Applying knowledge and understanding: On successful completion of the course, students will be able to master the common formats of economic data and implement a regression analysis using the Stata statistical software.
Making judgements: On successful completion of the course, students will be able to orient themselves between different techniques and choose the best for the case at hand.
Communication skills: Students will be able to effectively communicate the results of their own elaborations and analyses.
Prerequisiti
Gli studenti dovrebbero aver superato con successo gli esami di Matematica (8011190) e
Statistica (8010848). È richiesta una conoscenza di base del software statistico Stata.
Statistica (8010848). È richiesta una conoscenza di base del software statistico Stata.
Prerequisites
Students should have completed Mathematics (8011190) and Statistics (8010848). A basic
knowledge of the Stata statistical software is required.
knowledge of the Stata statistical software is required.
Programma
- Introduzione
Modellazione econometrica e struttura dei dati economici
Minimi quadrati ordinari e modello di regressione lineare semplice
- Analisi di regressione multipla
Stima, interpretazione e aspetti algebrici dei minimi quadrati
Proprietà statistiche dei minimi quadrati (campioni finiti).
Informazioni qualitative
Il modello lineare gaussiano e l'inferenza statistica esatta
Minimi quadrati asintotici e inferenza approssimata
Inferenza robusta
Test di eteroschedasticità e minimi quadrati generalizzati
- Endogeneità e approccio delle variabili strumentali (IV):
Ipotesi principali
Stimatore IV e lo stimatore di Wald
Metodo dei momenti generalizzati e minimi quadrati a due stadi
Test di endogeneità, rilevanza degli strumenti e sovraidentificazione delle restrizioni
Modellazione econometrica e struttura dei dati economici
Minimi quadrati ordinari e modello di regressione lineare semplice
- Analisi di regressione multipla
Stima, interpretazione e aspetti algebrici dei minimi quadrati
Proprietà statistiche dei minimi quadrati (campioni finiti).
Informazioni qualitative
Il modello lineare gaussiano e l'inferenza statistica esatta
Minimi quadrati asintotici e inferenza approssimata
Inferenza robusta
Test di eteroschedasticità e minimi quadrati generalizzati
- Endogeneità e approccio delle variabili strumentali (IV):
Ipotesi principali
Stimatore IV e lo stimatore di Wald
Metodo dei momenti generalizzati e minimi quadrati a due stadi
Test di endogeneità, rilevanza degli strumenti e sovraidentificazione delle restrizioni
Program
- Intro:
Econometric modeling and the structure of economic data
Ordinary Least-squares and the simple linear regression model
- Multiple Regression Analysis:
Algebraic aspects of least squares
Least squares statistical (finite samples) properties
Qualitative information
The Gaussian linear model and exact statistical inference
Least-squares asymptotic and approximate inference
Robust inference
Testing for heteroskedasticity and Generalized Least Squares (GLS)
- Endogeneity and the Instrumental Variables (IV) approach:
Main assumptions
Simple IV and the Wald estimator
Generalized Method of Moments (GMM) and Two Stage Least Squares
Testing for endogeneity, instruments' relevance, and overidentifying restrictions
Econometric modeling and the structure of economic data
Ordinary Least-squares and the simple linear regression model
- Multiple Regression Analysis:
Algebraic aspects of least squares
Least squares statistical (finite samples) properties
Qualitative information
The Gaussian linear model and exact statistical inference
Least-squares asymptotic and approximate inference
Robust inference
Testing for heteroskedasticity and Generalized Least Squares (GLS)
- Endogeneity and the Instrumental Variables (IV) approach:
Main assumptions
Simple IV and the Wald estimator
Generalized Method of Moments (GMM) and Two Stage Least Squares
Testing for endogeneity, instruments' relevance, and overidentifying restrictions
Testi Adottati
Il testo adottato è Wooldridge J.M., (2016), Introductory Econometrics: A Modern Approach,
6th ed., Cengage Learning.
Per alcuni argomenti, Wooldridge (2016) sarà integrato da articoli selezionati che saranno
resi disponibili nella sezione materiali del sito web del corso e da alcuni capitoli tratti da:
Greene W.H., Econometric Analysis, 8th ed., Pearson.
6th ed., Cengage Learning.
Per alcuni argomenti, Wooldridge (2016) sarà integrato da articoli selezionati che saranno
resi disponibili nella sezione materiali del sito web del corso e da alcuni capitoli tratti da:
Greene W.H., Econometric Analysis, 8th ed., Pearson.
Books
The main reference is Wooldridge J.M., (2016), Introductory Econometrics: A Modern
Approach, 6th ed., Cengage Learning.
For some topics, Wooldridge (2016) will be complemented by selected articles which will be
made available on the material section of the course website and by some chapters from:
Greene W.H., Econometric Analysis, 8th ed., Pearson.
Approach, 6th ed., Cengage Learning.
For some topics, Wooldridge (2016) will be complemented by selected articles which will be
made available on the material section of the course website and by some chapters from:
Greene W.H., Econometric Analysis, 8th ed., Pearson.
Bibliografia
Per un approfondimento possono essere consultati:
Peracchi F. (2001), Econometrics, Wiley, Chichester (UK).
Wooldridge J.M., (2010), Econometric Analysis of Cross-Section and Panel Data, 2nd ed.,
MIT Press, Cambridge (MA).
Davidson R. and MacKinnon J.G., Econometric Theory and Methods, New York, Oxford
University Press, 2004.
Peracchi F. (2001), Econometrics, Wiley, Chichester (UK).
Wooldridge J.M., (2010), Econometric Analysis of Cross-Section and Panel Data, 2nd ed.,
MIT Press, Cambridge (MA).
Davidson R. and MacKinnon J.G., Econometric Theory and Methods, New York, Oxford
University Press, 2004.
Bibliography
For further study in econometrics, I suggest Peracchi (2001), Wooldridge (2010), Davidson
and MacKinnon (2004) and references therein:
Peracchi F. (2001), Econometrics, Wiley, Chichester (UK).
Wooldridge J.M., (2010), Econometric Analysis of Cross-Section and Panel Data, 2nd ed.,
MIT Press, Cambridge (MA).
Davidson R. and MacKinnon J.G., Econometric Theory and Methods, New York, Oxford
University Press, 2004.
and MacKinnon (2004) and references therein:
Peracchi F. (2001), Econometrics, Wiley, Chichester (UK).
Wooldridge J.M., (2010), Econometric Analysis of Cross-Section and Panel Data, 2nd ed.,
MIT Press, Cambridge (MA).
Davidson R. and MacKinnon J.G., Econometric Theory and Methods, New York, Oxford
University Press, 2004.
Modalità di svolgimento
Il corso è strutturato in 18 lezioni frontali e 6 esercitazioni pratiche.
Teaching methods
The course consists of eighteen theoretical lectures, with applications based on simulated
and real micro-data, and six practices.
and real micro-data, and six practices.
Regolamento Esame
L'esame finale consiste in una prova scritta di un'ora e mezza composta da tre esercizi.
Alcuni esercizi riporteranno il risultato di elaborazioni ottenute attraverso il software Stata e
ne richiederanno l'interpretazione. Per superare l'esame lo studente dovrà ottenere 18 in
almeno due esercizi. Il voto finale sarà calcolato come media aritmetica dei tre esercizi. Per
ogni esercizio il voto potrà variare tra 0 e 33; questo consentirà di ottenere un voto finale
pari a 30 anche senza ottenere un 30 a tutti gli esercizi. L'esame finale è volto a valutare se
lo studente avrà acquisito una solida conoscenza degli argomenti trattati durante il corso,
sia dal punto di vista teorico che pratico.
Gli studenti devono prenotarsi all'esame finale su https://delphi.uniroma2.it. Gli studenti che
falliscono o rinunciano all'esame possono sostenerlo nuovamente nella stessa sessione di
esami.
Alcuni esercizi riporteranno il risultato di elaborazioni ottenute attraverso il software Stata e
ne richiederanno l'interpretazione. Per superare l'esame lo studente dovrà ottenere 18 in
almeno due esercizi. Il voto finale sarà calcolato come media aritmetica dei tre esercizi. Per
ogni esercizio il voto potrà variare tra 0 e 33; questo consentirà di ottenere un voto finale
pari a 30 anche senza ottenere un 30 a tutti gli esercizi. L'esame finale è volto a valutare se
lo studente avrà acquisito una solida conoscenza degli argomenti trattati durante il corso,
sia dal punto di vista teorico che pratico.
Gli studenti devono prenotarsi all'esame finale su https://delphi.uniroma2.it. Gli studenti che
falliscono o rinunciano all'esame possono sostenerlo nuovamente nella stessa sessione di
esami.
Exam Rules
The final exam is designed to assess the student's understanding of both theoretical and practical aspects covered in the course. It is a written test consisting of three exercises, lasting one and a half hours. Some exercises will include Stata output that students must interpret. To pass the exam, a student needs to score at least 18 on two exercises. The final grade will be the average of the three exercise scores. Each exercise can be scored between 0 and 33, so it is possible to achieve a final mark of 30 without scoring 30 on every exercise.
Students must book for the final exam on https://delphi.uniroma2.it. Students who fail or withdraw from the exam may take it again in the same exam session.
Students must book for the final exam on https://delphi.uniroma2.it. Students who fail or withdraw from the exam may take it again in the same exam session.
EN
IT
Obiettivi Formativi
Obiettivi formativi: L'obiettivo del corso è quello di fornire agli studenti le basi dei principali metodi econometrici.
Conoscenza e capacità di comprensione: Al termine del corso, gli studenti saranno in grado di comprendere gli strumenti econometrici di base. Nello specifico, studieremo l'analisi di regressione cross-sezionale in presenza di variabili dipendenti continue o limitate. L'accento sarà posto sull'inferenza statistica robusta e su come affrontare i problemi di endogeneità utilizzando lo stimatore delle variabili strumentali.
Capacità di applicare conoscenza e comprensione: Al completamento con successo del corso, gli studenti saranno in grado di padroneggiare i formati comuni dei dati economici e di condurre un'analisi di regressione utilizzando il software statistico Stata.
Autonomia di giudizio: Al termine del corso, gli studenti saranno in grado di orientarsi tra diverse tecniche e scegliere la migliore per il caso in questione.
Abilità comunicative: Lo studente dovrà saper presentare, anche con l'ausilio degli opportuni strumenti informatici, i risultati delle proprie elaborazioni e analisi.
Conoscenza e capacità di comprensione: Al termine del corso, gli studenti saranno in grado di comprendere gli strumenti econometrici di base. Nello specifico, studieremo l'analisi di regressione cross-sezionale in presenza di variabili dipendenti continue o limitate. L'accento sarà posto sull'inferenza statistica robusta e su come affrontare i problemi di endogeneità utilizzando lo stimatore delle variabili strumentali.
Capacità di applicare conoscenza e comprensione: Al completamento con successo del corso, gli studenti saranno in grado di padroneggiare i formati comuni dei dati economici e di condurre un'analisi di regressione utilizzando il software statistico Stata.
Autonomia di giudizio: Al termine del corso, gli studenti saranno in grado di orientarsi tra diverse tecniche e scegliere la migliore per il caso in questione.
Abilità comunicative: Lo studente dovrà saper presentare, anche con l'ausilio degli opportuni strumenti informatici, i risultati delle proprie elaborazioni e analisi.
Learning Objectives
Learning outcomes: The aim of this course is to provide students with the core methods in Econometrics.
Knowledge and understanding: On successful completion of the course, students will be able to understand standard econometric tools. Specifically, we will study cross-sectional regression analysis in presence of continuous or limited dependent variables. Emphasis will be placed on robust inference and how to address endogeneity issues using instrumental variables estimation.
Applying knowledge and understanding: On successful completion of the course, students will be able to master the common formats of economic data and implement a regression analysis using the Stata statistical software.
Making judgements: On successful completion of the course, students will be able to orient themselves between different techniques and choose the best for the case at hand.
Communication skills: Students will be able to effectively communicate the results of their own elaborations and analyses.
Knowledge and understanding: On successful completion of the course, students will be able to understand standard econometric tools. Specifically, we will study cross-sectional regression analysis in presence of continuous or limited dependent variables. Emphasis will be placed on robust inference and how to address endogeneity issues using instrumental variables estimation.
Applying knowledge and understanding: On successful completion of the course, students will be able to master the common formats of economic data and implement a regression analysis using the Stata statistical software.
Making judgements: On successful completion of the course, students will be able to orient themselves between different techniques and choose the best for the case at hand.
Communication skills: Students will be able to effectively communicate the results of their own elaborations and analyses.
Prerequisiti
Gli studenti dovrebbero aver superato con successo gli esami di Matematica (8011190) e Statistica (8010848). È richiesta una conoscenza base del software statistico Stata.
Prerequisites
Students should have completed Mathematics (8011190) and Statistics (8010848). A basic knowledge of the Stata statistical software is required.
Programma
- Introduzione:
Modellazione econometrica e struttura dei dati economici
Minimi quadrati ordinari e modello di regressione lineare semplice
- Analisi di regressione multipla:
Stima, interpretazione e aspetti algebrici dei minimi quadrati
Proprietà statistiche dei minimi quadrati (campioni finiti).
Informazioni qualitative
Il modello lineare gaussiano e l'inferenza statistica esatta
Minimi quadrati asintotici e inferenza approssimata
Inferenza robusta
Test di eteroschedasticità e minimi quadrati generalizzati
- Endogeneità e approccio delle variabili strumentali (IV):
Ipotesi principali
Stimatore IV e lo stimatore di Wald
Minimi quadrati a due stadi
Test di endogeneità, rilevanza degli strumenti e sovraidentificazione delle restrizioni
- Modelli per variabili dipendenti limitate:
Variabili dipendenti binarie
Variabili dipendenti multinomiali
Variabili dipendenti di conteggio
Troncamento e selezione del campione
Modellazione econometrica e struttura dei dati economici
Minimi quadrati ordinari e modello di regressione lineare semplice
- Analisi di regressione multipla:
Stima, interpretazione e aspetti algebrici dei minimi quadrati
Proprietà statistiche dei minimi quadrati (campioni finiti).
Informazioni qualitative
Il modello lineare gaussiano e l'inferenza statistica esatta
Minimi quadrati asintotici e inferenza approssimata
Inferenza robusta
Test di eteroschedasticità e minimi quadrati generalizzati
- Endogeneità e approccio delle variabili strumentali (IV):
Ipotesi principali
Stimatore IV e lo stimatore di Wald
Minimi quadrati a due stadi
Test di endogeneità, rilevanza degli strumenti e sovraidentificazione delle restrizioni
- Modelli per variabili dipendenti limitate:
Variabili dipendenti binarie
Variabili dipendenti multinomiali
Variabili dipendenti di conteggio
Troncamento e selezione del campione
Program
- Intro:
Econometric modeling and the structure of economic data
Ordinary Least-squares and the simple linear regression model
- Multiple Regression Analysis:
Algebraic aspects of least squares
Least squares statistical (finite samples) properties
Qualitative information
The Gaussian linear model and exact statistical inference
Least-squares asymptotic and approximate inference
Robust inference
Testing for heteroskedasticity and Generalized Least Squares
- Endogeneity and the Instrumental Variables (IV) approach:
Main assumptions
Simple IV and the Wald estimator
Two Stage Least Squares
Testing for endogeneity, instruments' relevance, and overidentifying restrictions
- Models for limited dependent variables:
Binary outcomes
Multinomial outcomes
Count outcomes
Truncation and sample selection
Econometric modeling and the structure of economic data
Ordinary Least-squares and the simple linear regression model
- Multiple Regression Analysis:
Algebraic aspects of least squares
Least squares statistical (finite samples) properties
Qualitative information
The Gaussian linear model and exact statistical inference
Least-squares asymptotic and approximate inference
Robust inference
Testing for heteroskedasticity and Generalized Least Squares
- Endogeneity and the Instrumental Variables (IV) approach:
Main assumptions
Simple IV and the Wald estimator
Two Stage Least Squares
Testing for endogeneity, instruments' relevance, and overidentifying restrictions
- Models for limited dependent variables:
Binary outcomes
Multinomial outcomes
Count outcomes
Truncation and sample selection
Testi Adottati
Il testo adottato è Wooldridge J.M., (2016), Introductory Econometrics: A Modern Approach, 6th ed., Cengage Learning.
Per alcuni argomenti, Wooldridge (2016) sarà integrato da articoli selezionati che saranno resi disponibili nella sezione materiali del sito web del corso e da alcuni capitoli tratti da:
Greene W.H., Econometric Analysis, 8th ed., Pearson.
Per alcuni argomenti, Wooldridge (2016) sarà integrato da articoli selezionati che saranno resi disponibili nella sezione materiali del sito web del corso e da alcuni capitoli tratti da:
Greene W.H., Econometric Analysis, 8th ed., Pearson.
Books
The main reference is Wooldridge J.M., (2016), Introductory Econometrics: A Modern Approach, 6th ed., Cengage Learning.
For some topics, Wooldridge (2016) will be complemented by selected articles which will be made available on the material section of the course website and by some chapters from:
Greene W.H., Econometric Analysis, 8th ed., Pearson.
For some topics, Wooldridge (2016) will be complemented by selected articles which will be made available on the material section of the course website and by some chapters from:
Greene W.H., Econometric Analysis, 8th ed., Pearson.
Bibliografia
Per un approfondimento possono essere consultati:
Peracchi F. (2001), Econometrics, Wiley, Chichester (UK).
Wooldridge J.M., (2010), Econometric Analysis of Cross-Section and Panel Data, 2nd ed., MIT Press, Cambridge (MA).
Peracchi F. (2001), Econometrics, Wiley, Chichester (UK).
Wooldridge J.M., (2010), Econometric Analysis of Cross-Section and Panel Data, 2nd ed., MIT Press, Cambridge (MA).
Bibliography
For further study in econometrics, I suggest Peracchi (2001), Wooldridge (2010) and references therein:
Peracchi F. (2001), Econometrics, Wiley, Chichester (UK).
Wooldridge J.M., (2010), Econometric Analysis of Cross-Section and Panel Data, 2nd ed., MIT Press, Cambridge (MA).
Peracchi F. (2001), Econometrics, Wiley, Chichester (UK).
Wooldridge J.M., (2010), Econometric Analysis of Cross-Section and Panel Data, 2nd ed., MIT Press, Cambridge (MA).
Modalità di svolgimento
Le lezioni saranno svolte in presenza.
Teaching methods
Lectures will be held in class.
Regolamento Esame
L'esame finale consiste in una prova scritta di un'ora e mezza composta da tre esercizi. Alcuni esercizi riporteranno il risultato di elaborazioni ottenute attraverso il software Stata e ne richiederanno l'interpretazione. Per superare l'esame lo studente dovrà ottenere 18 in almeno due esercizi. Il voto finale sarà calcolato come media aritmetica dei tre esercizi. Per ogni esercizio il voto potrà variare tra 0 e 33; questo consentirà di ottenere un voto finale pari a 30 anche senza ottenere un 30 a tutti gli esercizi. L'esame finale è volto a valutare se lo studente avrà acquisito una solida conoscenza degli argomenti trattati durante il corso, sia dal punto di vista teorico che pratico.
Gli studenti devono prenotarsi all'esame finale su https://delphi.uniroma2.it. Gli studenti che falliscono o rinunciano all'esame possono sostenerlo nuovamente nello stesso appello.
Gli studenti devono prenotarsi all'esame finale su https://delphi.uniroma2.it. Gli studenti che falliscono o rinunciano all'esame possono sostenerlo nuovamente nello stesso appello.
Exam Rules
The final exam is a one and a half hours written test consisting of three exercises. Some exercises will report Stata’s output and will require their interpretation. To pass the exam, the student must get a mark of 18 in at least two exercises. The final mark will be computed as the average of the three exercises. For each exercise, the mark can range from 0 to 33, so students can obtain a final mark of 30 even without getting a mark of 30 to all exercises. The exam is aimed at assessing whether the student has acquired a solid knowledge of the topics covered during the course, both from a theoretical and a practical point of view. Students must book for the final exam on https://delphi.uniroma2.it. Students who fail or withdraw from the exam may take it again in the same session.
EN
IT
Obiettivi Formativi
OBIETTIVI FORMATIVI: In linea con gli obiettivi formativi del corso di laurea magistrale in Economia, l’insegnamento si propone di introdurre lo studente alle tecniche econometriche essenziali per condurre analisi empiriche in campo economico.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Sulla base di una comprensione sistematica e consapevole delle tecniche econometriche trattate, lo studente dovrà saper elaborare idee originali per rispondere a domande di interesse nell'ambito della letteratura economica.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Sulla base degli strumenti analitici e delle conoscenze acquisiti attraverso lezioni teoriche ed esercitazioni guidate, lo studente apprenderà le nozioni necessarie per condurre analisi empiriche attraverso il software statistico Stata.
AUTONOMIA DI GIUDIZIO: Lo studente dovrà avere la capacità di integrare autonomamente le conoscenze acquisite per gestire analisi empiriche anche complesse, definendone gli obiettivi, formulando ipotesi, ricercando autonomamente le informazioni ed i dati necessari per lo svolgimento dell'analisi, motivando la scelta della metodologia più appropriata e interpretando i risultati ottenuti al fine di ricavarne indicazioni e implicazioni utili per il problema analizzato. Inoltre, lo studente dovrà saper leggere e commentare criticamente articoli in campo economico/statistico.
ABILITÀ COMUNICATIVE: Lo studente dovrà saper presentare, anche con l'ausilio degli opportuni strumenti informatici, i risultati delle proprie elaborazioni e analisi sia ad un pubblico di interlocutori esperti che non esperti.
CAPACITÀ DI APPRENDIMENTO: Lo studente dovrà saper studiare autonomamente, sviluppando le capacità di apprendimento necessarie per affrontare corsi di econometria più avanzati o per intraprendere le analisi quantitative richieste in altri corsi o per la tesi di laurea.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Sulla base di una comprensione sistematica e consapevole delle tecniche econometriche trattate, lo studente dovrà saper elaborare idee originali per rispondere a domande di interesse nell'ambito della letteratura economica.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Sulla base degli strumenti analitici e delle conoscenze acquisiti attraverso lezioni teoriche ed esercitazioni guidate, lo studente apprenderà le nozioni necessarie per condurre analisi empiriche attraverso il software statistico Stata.
AUTONOMIA DI GIUDIZIO: Lo studente dovrà avere la capacità di integrare autonomamente le conoscenze acquisite per gestire analisi empiriche anche complesse, definendone gli obiettivi, formulando ipotesi, ricercando autonomamente le informazioni ed i dati necessari per lo svolgimento dell'analisi, motivando la scelta della metodologia più appropriata e interpretando i risultati ottenuti al fine di ricavarne indicazioni e implicazioni utili per il problema analizzato. Inoltre, lo studente dovrà saper leggere e commentare criticamente articoli in campo economico/statistico.
ABILITÀ COMUNICATIVE: Lo studente dovrà saper presentare, anche con l'ausilio degli opportuni strumenti informatici, i risultati delle proprie elaborazioni e analisi sia ad un pubblico di interlocutori esperti che non esperti.
CAPACITÀ DI APPRENDIMENTO: Lo studente dovrà saper studiare autonomamente, sviluppando le capacità di apprendimento necessarie per affrontare corsi di econometria più avanzati o per intraprendere le analisi quantitative richieste in altri corsi o per la tesi di laurea.
Learning Objectives
LEARNING OUTCOMES: This course contributes to the program outcomes of the M.Sc. in Economics by providing students with the main econometric tools essential for conducting applied economic analyses.
KNOWLEDGE AND UNDERSTANDING: Based on a systematic and conscious understanding of the discussed techniques, students should be able to conduct meaningful and creative empirical work.
APPLYING KNOWLEDGE AND UNDERSTANDING: Based on the analytical tools and the knowledge acquired through theoretical and applied sessions, students will learn the basics of the Stata statistical software and how to use it for implementing empirical analyses.
MAKING JUDGEMENTS: Students should be able to autonomously integrate the acquired knowledge in order to manage complex empirical analyses, by appropriately defining the objectives, formulating hypotheses, autonomously searching for the information and data necessary for carrying out the analysis, motivating the choice of the most appropriate methodology and extracting useful strategic indications and/or policy implications based on the empirical results. Students will also become familiar with reading and critiquing empirical work from others.
COMMUNICATION SKILLS: Students should be able to present the results of their own elaborations and analyses both to an expert and non-experts audience.
LEARNING SKILLS: Student should be able to study independently, developing the learning skills needed to tackle more advanced econometrics courses or to undertake the quantitative analyses required in other courses or for the final dissertation.
KNOWLEDGE AND UNDERSTANDING: Based on a systematic and conscious understanding of the discussed techniques, students should be able to conduct meaningful and creative empirical work.
APPLYING KNOWLEDGE AND UNDERSTANDING: Based on the analytical tools and the knowledge acquired through theoretical and applied sessions, students will learn the basics of the Stata statistical software and how to use it for implementing empirical analyses.
MAKING JUDGEMENTS: Students should be able to autonomously integrate the acquired knowledge in order to manage complex empirical analyses, by appropriately defining the objectives, formulating hypotheses, autonomously searching for the information and data necessary for carrying out the analysis, motivating the choice of the most appropriate methodology and extracting useful strategic indications and/or policy implications based on the empirical results. Students will also become familiar with reading and critiquing empirical work from others.
COMMUNICATION SKILLS: Students should be able to present the results of their own elaborations and analyses both to an expert and non-experts audience.
LEARNING SKILLS: Student should be able to study independently, developing the learning skills needed to tackle more advanced econometrics courses or to undertake the quantitative analyses required in other courses or for the final dissertation.
Prerequisiti
Gli studenti dovrebbero aver superato con successo gli esami di Matematica (8011190) e Statistica (8010848). È richiesta una conoscenza base del software statistico Stata.
Prerequisites
Students should have completed Mathematics (8011190) and Statistics (8010848). A basic knowledge of the Stata statistical software is required.
Programma
Introduzione:
Econometria, dati e concetto di causalita'
Aspettative condizionata, varianza e modello di regressione lineare
I minimi quadrati ordinari e il modello di regressione lineare semplice
Analisi di regressione multipla:
Stima e interpretazione
Proprietà statistiche dei minimi quadrati (campioni finiti).
Informazioni qualitative
Il modello lineare gaussiano e l'inferenza statistica esatta
Proprieta' asintotiche dei minimi quadrati e inferenza approssimata
Test di eteroschedasticita' e minimi quadrati generalizzati
Endogeneita' e approccio delle variabili strumentali:
Assunzioni principali
Stimatore IV e lo stimatore di Wald
Minimi quadrati a due stadi
Outcomes potenziali:
Modelli ad effetti di trattamento omogenei ed eterogenei
Effetti medi locali di trattamento (LATE)
Endogeneità e approccio control function
Verifica di ipotesi:
Rilevanza degli strumenti
Test di endogeneità
Test delle restrizioni di sovraidentificazione
Econometria, dati e concetto di causalita'
Aspettative condizionata, varianza e modello di regressione lineare
I minimi quadrati ordinari e il modello di regressione lineare semplice
Analisi di regressione multipla:
Stima e interpretazione
Proprietà statistiche dei minimi quadrati (campioni finiti).
Informazioni qualitative
Il modello lineare gaussiano e l'inferenza statistica esatta
Proprieta' asintotiche dei minimi quadrati e inferenza approssimata
Test di eteroschedasticita' e minimi quadrati generalizzati
Endogeneita' e approccio delle variabili strumentali:
Assunzioni principali
Stimatore IV e lo stimatore di Wald
Minimi quadrati a due stadi
Outcomes potenziali:
Modelli ad effetti di trattamento omogenei ed eterogenei
Effetti medi locali di trattamento (LATE)
Endogeneità e approccio control function
Verifica di ipotesi:
Rilevanza degli strumenti
Test di endogeneità
Test delle restrizioni di sovraidentificazione
Program
- Intro
Econometrics, data structures, and the concept of causality
Conditional expectations, variances, and the linear regression model
Ordinary Least-squares and the simple linear regression model
- Multiple Regression Analysis
Estimation and interpretation
Least-squares statistical (finite samples) properties
Qualitative information
The Gaussian linear model and exact statistical inference
Least-squares asymptotics and approximate inference
Testing for heteroskedasticity and Generalized Least Squares
- Endogeneity and the Instrumental Variables (IV) approach:
Main assumptions
Simple IV and the Wald estimator
Two Stage Least Squares
Control Function approaches to endogeneity
Testing for endogeneity, instruments' relevance, and overidentifying restrictions
- Potential outcomes framework:
Homogeneous vs Heterogeneous treatment effects model
Local Average Treatment Effects (LATE)
Econometrics, data structures, and the concept of causality
Conditional expectations, variances, and the linear regression model
Ordinary Least-squares and the simple linear regression model
- Multiple Regression Analysis
Estimation and interpretation
Least-squares statistical (finite samples) properties
Qualitative information
The Gaussian linear model and exact statistical inference
Least-squares asymptotics and approximate inference
Testing for heteroskedasticity and Generalized Least Squares
- Endogeneity and the Instrumental Variables (IV) approach:
Main assumptions
Simple IV and the Wald estimator
Two Stage Least Squares
Control Function approaches to endogeneity
Testing for endogeneity, instruments' relevance, and overidentifying restrictions
- Potential outcomes framework:
Homogeneous vs Heterogeneous treatment effects model
Local Average Treatment Effects (LATE)
Testi Adottati
Il testo adottato è Wooldridge J.M., (2016), Introductory Econometrics: A Modern Approach, 6th ed., Cengage Learning.
Per alcuni argomenti, Wooldridge (2016) sarà integrato da articoli selezionati che saranno resi disponibili nella sezione materiali del sito web del corso e da alcuni capitoli tratti da:
Cunningham S., (2021) Causal Inference: The Mixtape. Yale University Press;
Wooldridge J.M., (2010), Econometric Analysis of Cross-Section and Panel Data, 2nd ed., MIT Press, Cambridge (MA).
Angrist J.D., and Pischke J.-S., (2009), Mostly Harmless Econometrics: An Empiricists’ Companion, Princeton University Press, Princeton.
Per alcuni argomenti, Wooldridge (2016) sarà integrato da articoli selezionati che saranno resi disponibili nella sezione materiali del sito web del corso e da alcuni capitoli tratti da:
Cunningham S., (2021) Causal Inference: The Mixtape. Yale University Press;
Wooldridge J.M., (2010), Econometric Analysis of Cross-Section and Panel Data, 2nd ed., MIT Press, Cambridge (MA).
Angrist J.D., and Pischke J.-S., (2009), Mostly Harmless Econometrics: An Empiricists’ Companion, Princeton University Press, Princeton.
Books
The main reference is Wooldridge J.M., (2016), Introductory Econometrics: A Modern Approach, 6th ed., Cengage Learning.
For some topics, Wooldridge (2016) will be complemented by selected articles which will be made available on the material section of the course website and by some chapters from:
Cunningham S., (2021) Causal Inference: The Mixtape. Yale University Press;
Wooldridge J.M., (2010), Econometric Analysis of Cross-Section and Panel Data, 2nd ed., MIT Press, Cambridge (MA).
Angrist J.D., and Pischke J.-S., (2009), Mostly Harmless Econometrics: An Empiricists’ Companion, Princeton University Press, Princeton.
For some topics, Wooldridge (2016) will be complemented by selected articles which will be made available on the material section of the course website and by some chapters from:
Cunningham S., (2021) Causal Inference: The Mixtape. Yale University Press;
Wooldridge J.M., (2010), Econometric Analysis of Cross-Section and Panel Data, 2nd ed., MIT Press, Cambridge (MA).
Angrist J.D., and Pischke J.-S., (2009), Mostly Harmless Econometrics: An Empiricists’ Companion, Princeton University Press, Princeton.
Bibliografia
Per un approfondimento possono essere consultati Peracchi (2001), Hansen (2021) e tutti gli articoli in essi citati:
Peracchi F. (2001), Econometrics, Wiley, Chichester (UK).
Hansen B.E., (2021), Econometrics. Mimeo
Peracchi F. (2001), Econometrics, Wiley, Chichester (UK).
Hansen B.E., (2021), Econometrics. Mimeo
Bibliography
For further study in econometrics, I suggest Peracchi (2001), Hansen (2021) and references therein:
Peracchi F. (2001), Econometrics, Wiley, Chichester (UK).
Hansen B.E., (2021), Econometrics. Mimeo
Peracchi F. (2001), Econometrics, Wiley, Chichester (UK).
Hansen B.E., (2021), Econometrics. Mimeo
Modalità di svolgimento
Salvo indicazioni contrarie, legate all'emergenza COVID19, le lezioni saranno svolte in presenza.
Teaching methods
Unless otherwise stated, according to the evolution of the COVID19 emergency, lectures will be held in class.
Regolamento Esame
La valutazione dello studente prevede tre prove in itinere e una prova scritta finale. Il voto finale sarà dato da una media ponderata dei voti in due esercitazioni pratiche da svolgere a casa (10% + 10% + 10%), e un esame finale scritto (70%). Ciascuno dei problem sets da svolgere a casa nonchè l'esame finale conterranno due esercizi; il primo sarà più teorico (derivare/dimostrare uno specifico risultato/proprietà), e il secondo più pratico (interpretare risultati empirici o fare dei calcoli). Con tale valutazione, lo studente dovrà dimostrare di: i) essere in grado di specificare un modello di regressione lineare, anche utilizzando forme funzionali flessibili, ed in presenza di informazioni qualitative; ii) padroneggiare i metodi di stima dei minimi quadrati (OLS) e delle variabili strumentali (IV); iii) comprendere ed essere in grado di applicare test statistici e diagnostici; iv) saper interpretare un output di stima/test di Stata.
Exam Rules
The evaluation of the student includes three intermediate tests and a final written exam. The final grade will be given by a weighted average of the grades in three take-home problem sets (10% + 10% + 10%), and a final written closed book exam (70%). Each of the take-home problem sets and the final exam will contain two exercises; the first will be more theoretical (derive/prove a specific result/property), and the second more practical (interpret empirical results or make some calculations). With this evaluation, the student will be asked to demonstrate that she: i) can specify a linear regression model, even using flexible functional forms, and in the presence of qualitative information; ii) masters the least squares (OLS) and the instrumental variables (IV) estimation methods; iii) understands and can apply conventional statistical and diagnostic tests; iv) can interpret a Stata estimation/testing output.
Updated A.Y. 2021-2022
Updated A.Y. 2021-2022
OVERVIEW AND PREREQUISITIES
This course provides an introduction to multiple regression techniques focusing on economic applications. The course consists of eighteen theoretical lectures (1 hour and 30 minutes each) and six practice classes with both theoretical and applied exercises. It is intended for students who have taken and passed Mathematics (8011190) and Statistics (8010848).
OUTLINE
- Conditional expectation and projection
- Potential outcomes and average treatment effects
- Regression
OLS estimation
Fundamentals and mechanics
Inference and interpretation
- Instrumental Variables
IV Designs
Homogeneous treatment effects
Weak instruments
Heterogeneous treatment effects and LATE
- Limited dependent variables
Binary and Multinomial outcomes
Count outcomes
TEXTBOOKS AND MATERIAL
The main references are Wooldridge (2016) and Cunningham (2021). For further study in econometrics I sugest: Hansen (2021), Peracchi (2001) and Train (2009), the latter for limiteded dependent variable models. Angrist and Pischke (2009) for applied issues. Lecture notes, slides and Stata codes will be posted in the material section. Suggestions for further reading and a reading list will be provided in class.
Wooldridge J.M., (2016), Introductory Econometrics: A Modern Approach, 6th ed., Cengage Learning.
Hansen B.E., (2020), Econometrics. Mimeo
Peracchi F. (2001), Econometrics, Wiley, Chichester (UK).
Train, K. E., (2009), Discrete Choice Methods with Simulation, 2nd ed. New York: Cambridge University Press.
For a focus on applied issues see:
Cunningham S., (2021) Causal Inference: The Mixtape. Yale University Press.
Angrist J.D., and Pischke J.-S., (2009), Mostly Harmless Econometrics: An Empiricists’s Companion, Princeton University Press, Princeton.
Updated A.Y. 2020-2021
Updated A.Y. 2020-2021
OVERVIEW AND PREREQUISITIES
This course contributes to the program outcomes of the M.Sc. in Economics by providing students with the main econometric tools essential for conducting applied economic analyses. For each topic, course time will be split evenly between theory and practice.
The course consists of eighteen theoretical lectures (1 hour and 45 minutes each) and six practice classes with both theoretical and applied exercises. Students should have completed Mathematics (8011190) and Statistics (8010848). In particular, they need to be able to work with linear algebra and basic asymptotic theory.
OUTLINE
Regression
- Conditional Expectation and Projection
- Algebra of Least Squares
- LS and Gaussian regressions
- Hypothesis testing
- Resampling methods
Instrumental Variables
- Endogenous regressors and instruments
- IV and Two Stages Least Squares estimators
- Control functions
- Endogeneity and over-identification tests
- Linear Generalized Method of Moments estimation
- Local Average Treatment Effects
Limited dependent variables
- Binary choice models
- Multiple choice models
- Truncation and sample selection models (optional)
TEXTBOOK AND MATERIAL
Wooldridge J.M., (2016), Introductory Econometrics: A Modern Approach, 6th ed., Cengage Learning.
Wooldridge J.M., (2010), Econometric Analysis of Cross-Section and Panel Data, 2nd ed., MIT Press, Cambridge (MA).
Hansen B.E., (2020), Econometrics, download the book here.
Peracchi F. (2001), Econometrics, Wiley, Chichester (UK).
The main references are Wooldridge (2016) and Wooldridge (2010). They can be complemented by some chapters from Hansen (2020) and Peracchi (2001). Lecture slides and R/Stata codes will be posted on the course’s website. Suggestions for further reading will be provided in class.
Updated A.Y. 2019-2020
Updated A.Y. 2019-2020
OVERVIEW AND PREREQUISITIES
In line with the educational objectives of the programme, the aim of this course is to introduce students to the main econometric tools essential for conducting quantitative analyses in the economic field. To this aim, several empirical applications, mostly implemented in Stata, will be discussed. The course consists of eighteen theoretical lectures (1 hour and 45 minutes each) and six practice classes, three of which will be given in the lab. Students should have completed Mathematics (8011190) and Statistics (8010848). In particular, they will need to be able to work with linear algebra and basic asymptotic theory (Law of large numbers and central limit theory for independent and identically distributed observations).
OUTLINE
The structure of economic data
Linear regression model with cross-sectional data:
- Ordinary Least Squares (OLS) estimation
- Mechanics, model specification and interpretation
- OLS Sampling Properties
- Violation of the ideal conditions for OLS
- Hypothesis testing and model selection
- Instrumental Variables (IV) estimation
- Generalized Method of Moments (GMM) estimation
- Control function approach to endogeneity
Linear (static) unobserved-effects regression model with panel data:
- Pooled OLS
- Fixed-effects and first-difference estimation
- Random-effects estimation
- Comparison of estimators
TEXTBOOK AND MATERIAL
Wooldridge J.M., (2016), Introductory Econometrics: A Modern Approach, 6th ed., Cengage Learning.
Wooldridge J.M., (2010), Econometric Analysis of Cross-Section and Panel Data, 2nd ed., MIT Press, Cambridge (MA).
The main references are Wooldridge (2016) and Wooldridge (2010). They will be complemented by some chapters from Peracchi (2001). Lecture slides and Stata files will be posted on the course web site.
READING LIST
Angrist J., and Krueger A., (2001), "Instrumental variables and the search for identification: From supply and demand to natural experiment", Journal of Economic Perspectives, 15: 69–85.
Wooldridge J.M., (2001), "Applications of generalized method of moments estimation", Journal of Economic Perspectives, 15: 87–100.
Wooldridge J.M., (2015), "Control Function Methods in Applied Econometrics", Journal of Human Resources, 50(2): 420–445.
USEFUL REFERENCES
Angrist J.D., and Pischke J.-S., (2009), Mostly Harmless Econometrics: An Empiricists’s Companion, Princeton University Press, Princeton.
Cameron A.C., and Trivedi P.K., (2005), Microeconometrics. Methods and Applications, Cambridge University Press, New York.
Cook R.D., and Weisberg S., (1982), Residuals and Influence in Regression, Chapman and Hall, New York.
Hall A.H., (2005), Generalized Method of Moments, Oxford University Press, Oxford.
Hansen, B.E., (2019), Econometrics, mimeo (downloadable at https://www.ssc.wisc.edu/~bhansen/econometrics/Econometrics.pdf).
Peracchi F., (2001), Econometrics, Wiley, Chichester (UK).
Stock J.H., and Watson M.W., (2015), Introduction to Econometrics (updated 3rd ed.), Pearson, Hoboken (NJ).
White H., (2001), Asymptotic Theory for Econometricians (2nd ed.), Academic Press, San Diego (CA).
Petersen K.B., and Pedersen M.S., (2012), The Matrix Cookbook, mimeo (downloadable at https://www.math.uwaterloo.ca/~hwolkowi/matrixcookbook.pdf).
Suggestions for further reading will be provided in class.
KNOWLEDGE AND UNDERSTANDING
Based on a systematic and conscious understanding of the discussed techniques, students should be able to elaborate original ideas to answer economic questions of interest.
APPLYING KNOWLEDGE AND UNDERSTANDING
Based on the analytical tools and the knowledge acquired through theoretical and practice sessions, students should be able to apply appropriately the discussed techniques using statistical software such as Stata and/or R. In particular, they will need to be able to correctly specify a linear regression model, choose the most appropriate estimation approach and correctly interpret the empirical results.
MAKING JUDGEMENTS
Students should be able to autonomously integrate the acquired knowledge in order to manage complex empirical analyses, by appropriately defining the objectives, by formulating hypotheses, by autonomously searching for the information and data necessary for carrying out the analysis, by motivating the choice of the most appropriate methodology and by extracting useful strategic indications and/or policy implications based on the empirical results.
COMMUNICATION SKILLS
Students should to be able to present the results of their own elaborations and analyses both to an expert and non-experts audience.
Updated A.Y. 2018-2019
Updated A.Y. 2018-2019
Overview
The main aim of this course is to provide students with the necessary analytical tools to apply microeconometric methods to the analysis of economic data. The course is organized in three modules. The first module (Single-equation linear models) will familiarize students with the workhorse in empirical economics, namely the estimation of the linear regression model by Ordinary Least Squares (OLS) and Instrumental Variables (IV) estimators. The second module (Systems of linear equations) will introduce students to the estimation of linear system of equations, emphasizing the modern approach to system instrumental variables estimation based on the Generalized Method of Moments (GMM). Finally, the third module (Linear Unobserved-Effects Panel Data Models) will cover the econometric analysis of static linear panel data models. At the end of the course students should be able to specify the appropriate econometric model for investigating the problem under study and draw proper conclusions based on the results.
This course is taught at a level assuming comfort with the course content in Mathematics (8011190) and Statistics (8010848).
Outline
Intro: The Structure of Economic Data
Single-Equation Linear Models:
- Ordinary Least Squares (OLS) Estimation
- The OLS Method
- Mechanics and Interpretation of OLS
- Sampling Properties
- Hypothesis Testing
- Issues: Omitted Variables and Measurement error
- Instrumental Variables (IV) Estimation
- The IV Method
- Multiple Instruments and Over-identified Models
- Asymptotics
- Pitfalls of IV: Weak Instruments
- Testing: Endogeneity and Over-identifying Restrictions
- Control Function Approach to Endogeneity
- Estimation and Inference by Generalized Method of Moments
Systems of Linear Equations (optional):
- Estimation and Inference by OLS
- Estimation and Inference by Generalized Least Squares
- The System IV estimator
Linear Unobserved-Effects Panel Data Models:
- Assumptions: Covariates vs Unobserved-Effects and Idiosyncratic Errors
- Estimation and Inference:
- Pooled OLS
- Fixed-Effects Estimation
- First-Differencing Estimation
- Random-Effects Estimation
- Comparison of estimators
References and material
- Wooldridge J.M. (2010), Econometric Analysis of Cross-Section and Panel Data, 2nd ed., MIT Press, Cambridge (MA).
- Wooldridge J.M. (2016), Introductory Econometrics: A Modern Approach, 6th ed., Cengage Learning.
- Peracchi F. (2001), Econometrics, Wiley, Chichester (UK).
The main references are Wooldridge (2016) and Wooldridge (2010). They will be complemented by some chapters from Peracchi (2001). Lecture slides will be posted on the course web site. Suggestions for further reading will be provided in class.
Updated A.Y. 2017-2018
Updated A.Y. 2017-2018
Overview
The course is organized in two modules of equal length. The first module (Static Regression) will familiarize students with the workhorses of empirical work in economics, namely the linear regression model and the ordinary least squares (OLS) estimator, and with the problems that arise when the model assumptions are violated, in particular when the regressors cannot be regarded as exogenous, that is, uncorrelated with the regression errors. The second module (IV & GMM) will pay special attention to the method of instrumental variables as a way of solving the endogeneity problem and the specific issues that arise with the use of this method.
Outline
Static Regression:
- Conditional expectations and best linear predictors
- The classical linear model and the OLS estimator
- Sampling properties of OLS
- Generalized least squares (GLS) and feasible GLS
- Diagnostic procedures
- Hypothesis testing and model selection
IV & GMM:
- Estimation of causal effects
- The instrumental variables (IV) method
- Properties of conventional IV estimators under weak instruments
- Robust inference under weak instruments
- The generalized method of moments (GMM)
References and material
- Angrist J.D., and Pischke J.-S. (2010), Mostly Harmless Econometrics: An Empiricist’s Companion, Princeton University Press, Princeton.
- Angrist J., and Krueger A. (2001) “Instrumental variables and the search for identification: From supply and demand to natural experiment”, Journal of Economic Perspectives, 15: 69-85.
- Bowden R.J., and Turkington D.A. (1984) Instrumental Variables, Cambridge University Press, Cambridge (UK).
- Cameron A.C. and Trivedi P.K. (2005), Microeconometrics, Cambridge University Press, New York.
- Cook R.D., and Weisberg S. (1982), Residuals and Influence in Regression, Chapman and Hall, New York.
- Hansen B.E. (2017), Econometrics, mimeo.
- Peracchi F. (2001), Econometrics, Wiley, Chichester (UK).
- Stachurski J. (2016), A Primer in Econometric Theory. MIT Press, Cambridge, MA.
- Stock J.H., and Watson M.W. (2015) Introduction to Econometrics (updated 3rd ed.), Pearson, Hoboken (NJ).
- White H. (2001), Asymptotic Theory for Econometricians (2nd ed.), Academic Press, San Diego (CA).
- Wooldridge J.M. (2010), Econometric Analysis of Cross-Section and Panel Data, 2nd ed., MIT Press, Cambridge (MA).
- Wooldridge J.M. (2001) “Applications of generalized method of moments estimation”, Journal of Economic Perspectives, 15: 87-100.
The material, including lecture notes, will be posted on the course web site. Suggestions for further reading will be provided in class.