Microeconometría: Identificación y Causalidad en Modelos Empíricos 

  1. Profesor:   Stanislao Maldonado, PhD(c)  Universidad de California, Berkeley.   E‐mail: smaldonadoz@berkeley.edu     2. Asistente de docencia  Tania Lozano  Metis Gaia  E‐mail: tlozano@metisgaia.com       3. Objetivo general y descripción básica del curso.  El objetivo general del curso es contribuir a la formación de investigadores mediante el entrenamiento  en el uso intensivo de métodos estadísticos y econométricos modernos. En ese sentido, este curso es  esencialmente  metodológico  y  pondrá  especial  énfasis  en  el  diseño  de  investigación  y  el  uso  de  la  econometría como herramienta para testear hipótesis económicas de interés más que en la discusión de  las propiedades teóricas de estimadores. En esa dirección, los participantes del curso serán entrenados  en el uso de métodos econométricos avanzados para la identificación de efectos causales, aprenderán  como implementarlos mediante el uso de software especializado como STATA y R, y aprenderán como  relacionarlos con el diseño de una investigación especifica.        4. Duración y horario.  El  curso  se  dictará  los  días  sábados.  El  horario  de  clases  será  de  3:00  am  a  6:00  pm.  Las  sesiones  prácticas se dictaran de 6:00 a 7:00 pm.       5. Ubicación.  La que determine la FCE‐UNMSM.      6. Público objetivo.  El curso está dirigido prioritariamente a estudiantes de último año que hayan completado los cursos de  la secuencia de econometría y se encuentren trabajando en sus proyectos de tesis.      7. Libros de texto.  Los libros de texto sugeridos son los siguientes:    Textos introductorios:   Stock, James y Mark Watson (2007). Introduction to Econometrics. Pearson/Addison Wesley. (SW)   Scott  Long,  J.  (1997).  Regression  Models  for  Categorical  and  Limited  Dependent  Variables.  Sage  Publications. (SL)   Wooldridge, Jeffrey (2009). Introductory Econometrics: A Modern Approach. Cengage Learning. (JWI)    1   

Textos avanzados:   Cameron, A. Colin y Pravin Trivedi (2005). Microeconometrics. Cambridge University Press. (CT)   Wooldridge, Jeffrey (2010). Econometric Analysis of Cross‐section and Panel Data. 2nd Edition. MIT  Press. (JWII)   Lee,  Myoung‐Jae  (2005).  Micro‐Econometrics  for  Policy,  Program,  and  Treatment  Effects.  Oxford  University Press. (ML)   Rosenbaum, Paul (2010). The Design of Observational Studies. Springer. (PR)   Pagan,  Adrian  and  Aman  Ullah  (1999).  Nonparametric  Econometrics.  Cambridge  University  Press.  (PU)    Otros textos relevantes:   Angrist,  Joshua  and  Jorn‐Steffen  Pischke  (2009).  Mostly  Harmless  Econometrics:  An  Empiricist’s  Companion. Princeton University Press. (AP)   Morgan,  Stephen  and  Christopher  Winship  (2007).  Counterfactuals  and  Causal  Inference:  Methods  and Principles for Social Research. Cambridge University Press. (MW)   Shadish, William; Thomas Cook and Donald Campbell (2002). Experimental and Quasi‐Experimental  Designs for Generalized Causal Inference. Houghton Mifflin Company. (SCC)   Pearl, Judea (2000). Causality: Models, Reasoning, and Inference. Cambridge University Press. (JP)       Otras lecturas relevantes:   Angrist,  Joshua  and  Alan  Krueger  (1999).  “Empirical  Strategies  in  Labor  Economics”.  Handbook  of  Labor Economics, Vol. 3. Elsevier Science.    Reiss,  Peter  and  Frank  Wolak  (2007).  “Structural  Econometric  Modelling:  Rationales  and  Examples  from Industrial Organization”. Handbook of Econometrics, Volume 6A. Elservier Science.    Ravallion, Martin (2008). “Evaluating Anti‐poverty Programs”. Handbook of Development Economics,  Volume 4. Elservier Science.    Heckman,  James  and  Edward  Vytlacil  (2007).  “Econometric  Evaluation  of  Social  Programs,  Part  I:  Causal  Models,  Structural  Models  and  Econometric  Policy  Evaluation”.  Handbook  of  Econometrics,  Vol 6B. Elservier Science.    Imbens,  Guido  and  Jeffrey  Wooldridge  (2009).  “Recent  Developments  in  the  Econometrics  of  Program Evaluation”. Journal of Economic Literature, March 2009.     Textos para sesiones empíricas:   Baum, Cristopher (2006). An Introduction to Modern Econometrics using STATA. STATA Press.   Baum, Cristopher (2009). An Introduction to Programing in STATA. STATA Press.   Cameron, A. Colin and Pravin Trivedi (2009). Microeconometrics using STATA. STATA Press.    Kleiber, Christian and Achim Zeileis (2010). Applied Econometrics with R. Springer.   Sheater, Simon (2009). A Modern Approach to Regression with R. Springer.   Muenchen, Robert (2010). R for STATA users. Springer.    2   

8. Programa     Sesión 1: Introducción a la causalidad en econometría    Sumilla:  Introducción al curso. Introducción al diseño de investigación. Enfoques causales en economía. Modelos  estructurales versus modelos de enfoques potenciales. Epistemología. Ejemplos.    Bibliografía básica:   Holland,  P.  W.  (1986).  “Statistics  and  Causal  Inference”,  Journal  of  the  American  Statistical  Association, 81, 945‐970.   Heckman, James (2000). “Causal Parameters and Policy Analysis in Economics: A Twentieth Century  Perspective”, Quarterly Journal of Economics, 115, 45‐97.   Hoover,  Kevin  (2006).  “Causality  in  Economics  and  Econometrics”.  Paper  prepared  for  the  New  Palgrave Dictionary of Economics.    CT, Chapter 2.    Bibliografia suplementaria:   Heckman, James (2005). “A Scientific Model of Causality”, Sociological Methodology, 35, 1‐150.   JP, Chapter 5.    Holmes, Thomas (2009). “Structural, Experimentalist and Descriptive Approaches to Empirical Work  in Regional Economics”. Mimeo.     Sesión 2: Diseños experimentales    Sumilla:  Experimentos  y  el  enfoque  de  resultados  potenciales.  Problemas  con  experimentos.  Experimentos  y  regresión. Introducción a modelos de selección sobre observables.     Bibliografía básica:   Deaton,  Angus  (1997).  The  Analysis  of  Household  Surveys:  A  Microeconomic  Approach  to  Development Policy. The World Bank Publications.    Duflo,  Esther;  Rachel  Glannester  and  Micheal  Kremer  (2008).  “Using  Randomization  in  Economic  Development Research: A Toolkit”. Handbook of Development Economics, Vol. 4, Elservier Science.    Banerjee, Abhijit and Esther Duflo. “The Experimental Approach to Development Economics”. NBER  Working Paper 14467.     Freedman,  David  (2008).  “On  Regression  Adjustment  to  Experimental  Data”.  Advances  in  Applied  Mathematics, 40, 180‐193.   Freedman,  David  (2006).  “Statistical  Models  for  Causation.  What  inferential  leverage  do  they  provide?”. Evaluation Review, 30, 691‐713.  3   

     Bibliografia suplementaria:   LaLonde,  Robert  (1986).  “Evaluating  the  Econometric  Evaluations  of  Training  Programs  with  Experimental Data”, American Economic Review, 76, 604‐620.   Heckman,  James  (1995).  “Assessing  the  Case  for  Social  Experiments”,  Journal  of  Economic  Perspectives, 9, 85‐110.    SSC, Chapter 1.    Bruhn,  Miriam  and  David  McKenzie  (2009).  “In  Pursuit  of  Balance:  Randomization  in  Practice  in  Development Field Experiments." American Economic Journal: Applied Economics, 1, 200‐232. 

Cartwright, Nancy (2010). “What are randomized controlled trial good for?”. Philosophical Studies,  147, 59‐70.  SW, Chapter 13.  AP, Chapter 2 y 3.1‐3.2.  MW, Chapter 5.  

  Sesión 3 y 4: Revisión de econometría básica, selección sobre observables y métodos de regresión    Sumilla:  Revisión de MCO. Propiedades de estimadores MCO. Propiedades de muestra pequeña. Introducción a  la  teoría  de  muestras  grandes.  Consistencia  y  eficiencia  asintótica.  Problemas  con  MCO.  Función  de  expectativas condicionadas y regresión como herramienta estadística.    Bibliografía básica:   JWI, chapter 4.   SW, chapters 4 y 5.    CT, Sections 4.1‐4.4.    Sesión 5 y 6: Econometría no paramétrica y métodos de emparejamiento (matching)    Sumilla:  Introducción a la econometría no paramétrica. Estimación de densidades. Sesgo y varianza. Introducción  a  los  métodos  de  emparejamiento.  Métodos  basados  en  el  propensity  score.  Matching  genético.  Coarsened exact matching. Otros métodos de emparejamiento.    Bibliografía básica:   AP, Chapter 3.1‐3.2.   MW, Chapter 4.   PU, Chapter 2 and 3.   Imbens, Guido (2004). “Nonparametric Estimation of Average Treatment Effects Under Exogeneity:  A Review”, Review of Economics and Statistics, 86, 4‐29.  4   

   

Stuart, Elizabeth  (2010). “Matching  Methods for Causal Inference: A Review  and a Look Forward”.  Statistical Science, 25, 1‐21.  Abadie,  Alberto  and  Guido  Imbens  (2010).  “Bias‐Corrected  Matching  Estimators  for  Average  Treatment Effects”. Journal of Business and Economic Statistics, Forthcoming.  Dehejia,  Rajeev  and  Sadek  Whaba  (2002).  “Propensity  Score‐Matching  Methods  for  NonExperimental Causal Studies”. The Review of Economics and Statistics, 84, 151‐161.  Diamond,  Alexis  and  Jasjeet  Sekhon  (2010).  “Genetic  Matching  for  Estimating  Causal  Effects:  A  General  Multivariate  Matching  Method  for  Achieving  Balance  in  Observational  Studies”.  Mimeo,  Department of Political Science, UC Berkeley.  Iacus, Stefano; Gary King and Giuseppe Porro (2009). “Causal Inference Without Balance Checking:  Coarsened Exact Matching”. Mimeo. Harvard University. 

  Bibliografia suplementaria:   Dehejia, Rajeev and Sadek Wahba (1999). “Causal Effects in Non‐Experimental Studies: Reevaluating  the Evaluation of Training Programs”, Journal of the American Statistical Association, 94, 1053‐1062.   Smith,  Jeffrey  and  Petra  Todd  (2005).  “Does  Matching  Overcome  LaLonde’s  Critique  of  Non‐ experimental Methods?”, Journal of Econometrics, 125, 305‐353.   Arceneaux,  Kevin;  A.  S.  Gerber  and  D.  P.  Green  (2006).  “Comparing  Experimental  and  Matching  Methods Using a Large‐Scale Voter Mobilization Experiment”, Political Analysis, 14, 37 ‐ 62.    Sesión 7 y 8: Variables instrumentales y métodos de regresión discontinua    Sumilla:  Introducción a las variables instrumentales. Problemas con instrumentos débiles. Efectos heterogéneos  de  tratamiento.  Estimador  local  de  efectos  promedios  del  tratamiento  (LATE).  Introducción  a  los  métodos de regresión discontinua.  Regresiones discontinuas paramétricas y no paramétricas.     Bibliografía básica:   JW, Chapter 5.   AP, Chapter 4.    MW, Chapter 7.   Angrist,  Joshua;  Guido  Imbens  and  Donald  Rubin  (1996).  “Identification  of  Causal  Effects  Using  Instrumental Variables”, Journal of the American Statistical Association, 91, 444‐455.   Heckman, James (1997). “Instrumental Variables: A Study of Implicit Behavioral Assumptions in One  Widely Used Estimator”. Journal of Human Resources, 32, 441‐462.   CT, Section 25.6   AP, Chapter 6.   Hahn, J., P. Todd, and W. van der Klaauw (2001). “Estimation of Treatment Effects with a Regression‐ Discontinuity Design”, Econometrica, 69, 201‐209.   Imbens, Guido and Thomas Lemieux (2008). “Regression Discontinuity Designs: A Guide to Practice”,  Journal of Econometrics, 142, 615‐635.   5   

Bibliografía suplementaria:   Imbens,  Guido  W.  and  Joshua  Angrist  (1994).  “Identification  and  Estimation  of  Local  Average  Treatment Effects”, Econometrica, 62, 467‐475.   Angrist, Joshua (2004). “Treatment Effect Heterogeneity in Theory and Practice”, Economic Journal,  114, C52‐C83.    Bound,  J.,  D.  Jaeger,  and  R.  Baker  (1995).  “Problems  with  Instrumental  Variables  Estimation  when  the  Correlation  between  the  Instruments  and  the  Endogenous  Explanatory  Variables  is  Weak”,  Journal of the American Statistical Association, 90, 443–450.   Lee,  David  and  Thomas  Lemieux  (2009).  “Regression  Discontinuity  Design  in  Economics”.  NBER  Working Paper 14723.   Card,  David  (1993).  “Using  geographic  variation  in  college  proximity  to  estimate  the  return  to  schooling”. Working Paper 4483, National Bureau of Economic Research.    Sesión 9: Regresiones cuantilicas y efectos causales    Sumilla:  Introducción  a  las  regresiones  cuantilicas.  Efectos  de  tratamiento  por  cuantiles  bajo  exogeneidad.  Regresores endógenos y soluciones de variables instrumentales.       Bibliografía básica:   Abadie,  A.,  J.  Angrist,  and  G.  Imbens  (2002).  “Instrumental  Variables  Estimates  of  the  Effect  of  Subsidized Training on the Quantiles of Trainee Earnings’’, Econometrica, 70, 91‐117.   Koenker, Roger, and G. Bassett (1978). “Regression Quantiles’’, Econometrica, 46, 33‐50.   Koenker,  Roger  and  Hallock,  Kevin  F  (2001).  “Quantile  regression.”  The  Journal  of  Economic  Perspectives, 15, 143–156.   Firpo,  Sergio  (2007).  “Efficient  Semiparametric  Estimation  of  Quantile  Treatment  Effects”,  Econometrica, 75, 259‐276.   Chernozhukov,  Victor  and  Christian  Hansen  (2005).  “An  IV  model  of  quantile  treatment  effects”,  Econometrica, 73, 245–261.    Sesión 10 y 11: Métodos de diferencias en diferencias, modelos de efectos fijos y controles sintéticos    Sumilla:  Introducción a los métodos de selección sobre no observables. Experimentos “naturales”. Introducción a  los  datos  de  panel.  Efectos  fijos  y  efectos  aleatorios.  Introducción  a  paneles  dinámicos.  Métodos  de  diferencias en diferencias. Controles sintéticos. Extensiones: matching y diferencias en diferencias.    Bibliografía básica:   AP, Chapter 5.    CT, Chapter 21.    JW, Chapter 10.   6   

  

Meyer,  Bruce  (1995).  “Natural  and  Quasi‐Natural  Experiments  in  Economics”,  Journal  of  Business  and Economic Statistics, 13, 151‐161.  Abadie,  Alberto  (2005).  “Semiparametric  difference  in  difference  estimators”,  Review  of  Economic  Studies, 72, 1‐19.  Abadie,  Alberto;  Alexis  Diamond  and  Jens  Hainmueller  (2011).  “Synthetic  Control  Methods  for  Comparative Case Studies: Estimating the Effect of California's Tobacco Control Program”. Journal of  American Statistical Association, 105, 493‐505.  

  Bibliografia suplementaria:   ML, Sections 4.5‐4.6.   Rosenzweig,  Mark  and  Kenneth  Wolpin  (2000).  “Natural  "Natural  Experiments"  in  Economics”.  Journal of Economic Literature, 38, 827‐874.    Sesión 12 y 13: Modelos de variable dependiente limitada    Sumilla:  Revisión  de  aproximaciones  estándar  a  los  modelos  de  variable  dependiente  limitada.  Implicaciones  causales. Probit, logits. Censura y truncamiento.      Bibliografía básica:   Angrist, Joshua (2001). “Estimation of Limited Dependent Variable Models with Dummy Endogenous  Regressors:  Simple  Strategies  for  Empirical  Practice”,  Journal  of  Business  and  Economics  Statistics,  19, 2‐16.   Horowitz, Joel and N.E. Savin (2001). “Binary Response Models: Probit, Logits and Semiparametrics”,  Journal of Economic Perspectives, 15, 43‐56.   AP, Section 3.4.2.    JWII, Chapter 15.   SL, Chapters 3, 7 and 8.     Sesión 14: Errores estándar, clustering y bootstrap    Sumilla:  Corrección de los errores estándar. Cluster. Métodos de bootstrap.     Bibliografía básica:   AP, Chapter 8.    CT, Chapter 24.    Wooldridge, Jeffrey (2003), “Cluster‐Sample Methods in Applied Econometrics”, American Economic  Review, 93, 133‐139.   Moulton, B.R. (1990). “An Illustration of a Pitfall in Estimating the Effects of Aggregate Variables on  Micro Units”, Review of Economics and Statistics, 72, 334‐38.  7   

   

Cameron, Colin and Douglass Miller (2010). “Robust Inference with Clustered Data”, forthcoming in  the Handbook of Empirical Economics and Finance.   Cameron, Colin; Jonah B. Gelbach, and Douglas L. Miller (2008). “Bootstrap‐based improvements for  inference with clustered errors”. Review of Economics and Statistics, 90, 414–427.  Bertrand,  Marianne;  Esther  Duflo  and  Sendhil  Mullainathan  (2004).  “How  Much  Should  We  Trust  Differences‐in‐Differences Estimates?” Quarterly Journal of Economics, 119, 249‐275.   Deaton,  Angus  (1997).  The  Analysis  of  Household  Surveys:  A  Microeconomic  Approach  to  Development Policy. World Bank Publications. Chapter 1 and 2.  

Sesión 15: Controversias recientes    Sumilla:  Resultados  potenciales  versus  modelos  estructurales.  Criticas  estructuralistas  a  aproximaciones  de  forma reducida.      Bibliografía básica:   Keane,  Micheal  (2010).  “Structural  vs  atheoretic  Approaches  to  Econometrics”.  Journal  of  Econometrics, 156, 3‐20.    Deaton, Angus (2009). “Instruments of Development: Randomization in the Tropics, and the Search  for the Elusive Keys to Economic Development”. NBER Working Paper 14690.     Heckman,  James  and  Sergio  Urzua  (2010).  “Comparing  IV  With  Structural  Models:  What  Simple  IV  Can and Cannot Identify”. Journal of Econometrics, 156, 27‐37.    Imbens, Guido (2010). “Better LATE Than Nothing: Some Comments on Deaton (2009) and Heckman  and Urzua (2009)”. Journal of Economic Literature, 48, 399‐423.     9. Sesiones prácticas.  Las sesiones prácticas incluirán la discusión de aspectos teóricos complementarios y el trabajo con datos  empíricos  en  STATA  y  R.  Los  contenidos  se  definirán  en  función  al  progreso  mostrado  por  los  participantes en clase.      Adicionalmente,  cada  estudiante  deberá  presentar  un  artículo  durante  las  sesiones  prácticas.  Dichos  artículos  contienen  aplicaciones  de  los  métodos  cubiertos  en  clase.  Estos  podrán  ser  elegidos  del  siguiente listado.    Diseños experimentales   Schultz,  T.  Paul  (2004).  “School  Subsidies  for  the  Poor:  Evaluating  the  Mexican  Progresa  Poverty  Program”. Journal of Development Economics. June, 199‐250.   Olken, Ben (2007). “Monitoring Corruption: Evidence from a Field Experiment in Indonesia.” Journal  of Political Economy, 115, 200‐249.   Chattopadhyay, Raghabendra and Esther Duflo (2004). “Women as Policy Makers: Evidence from a  Randomized Policy Experiment in India.”Econometrica, 72, 1409‐1443. 

8   

 

Gerber, Alan S., and Donald P. Green (2000). “The Effects of Canvassing, Direct Mail, and Telephone  Contact on Voter Turnout: A Field Experiment”. American Political Science Review, 94, 653‐63.  Miguel, Edward and Micheal Kremer (2004). “Worms: Identifying Impacts on Education and Health  in the Presence of Treatment Externalities”, Econometrica, 72, 159‐217.  

Selección sobre observables, regresión y matching   Krueger,  Alan  (1993).  “How  Computers  Have  Changed  the  Wage  Structure:  Evidence  from  Microdata, 1984‐1989” Quarterly Journal of Economics, 108, 33‐60.   DiNardo,  John  E  and  Pischke,  Jorn‐Steffen  (1997).  "The  Returns  to  Computer  Use  Revisited:  Have  Pencils Changed the Wage Structure Too?" The Quarterly Journal of Economics, 112, 291‐303.   Jalan, Jyotsna and Martin Ravallion (2003). “Does Piped Water Reduce Diarrhea for Children in Rural  India?”. Journal of Econometrics. January, 153‐173.   Gilligan, Michael J. and Ernest J. Sergenti (2008) "Do UN Interventions Cause Peace? Using Matching  to Improve Causal Inference", Quarterly Journal of Political Science, 3, 89‐122.   Persson, Torsten and Tabellini, Guido (2007). “The Growth Effect of Democracy: Is It Heterogenous  and How Can it Be Estimated?”. NBER Working Paper 14723.   Almond,  Douglass;  Kenneth  Chay  and  David  Lee  (2005).  “The  Cost  of  Low  Birth  Weight”,  Quaterly  Journal of Economics, 120, 1031‐1083.  Variables instrumentales y regresiones discontinuas   Angrist, Joshua (1990). "Lifetime Earnings and the Vietnam Era Draft Lottery: Evidence from Social  Security Administrative Records," American Economic Review, 80, 313‐336.   Miguel,  Edward;  S.  Satyanath  and  E.  Sergenti  (2004).  “Economic  Shocks  and  Civil  Conflict:  An  Instrumental Variables Approach”, Journal of Political Economy, 112, 725‐753.   Acemoglu, Daron, Simon Johnson and James Robinson (2001). “The Colonial Origins of Comparative  Development: An Empirical Investigation”, American Economic Review, 91, 1369‐1401.   Chay,  Kenneth  and  Michael  Greenstone  (2005).  “Does  Air  Quality  Matter?  Evidence  from  the  Housing Market”, Journal of Political Economy, 133, 376‐424.   Manacorda,  Marco,  Edward  Miguel,  and  Andrea  Vigorito  (2011).  "Government  Transfers  and  Political Support." American Economic Journal: Applied Economics, 3(3): 1–28.   Angrist, Joshua and Victor Lavy (1999). “Using Maimonides' Rule to Estimate the Effect of Class Size  on Scholastic Achievement”, Quarterly Journal of Economics, 114, 533‐575.     Lee, David; Enrico Moretti and Matthew Butler (2004). "Do Voters Affect or Elect Policies? Evidence  from the U.S. House", Quarterly Journal of Economics, 119, 807–859.   Dell,  Melissa  (2010).  “The  Persistent  Effects  of  Peru's  Mining  Mita”,  Econometrica,  78  (6),  1863‐ 1903.    Pettersson‐Lidbom,  Per  and  Björn  Tyrefors  (2008).  “The  Policy  Consequences  of  Direct  versus  Representative Democracy: A Regression Discontinuity Approach”, Mimeo.    Angrist,  Joshua  D.  and  Alan  B.  Krueger  (1991).  “Does  compulsory  school  attendance  affects  schooling and earnings?” Quarterly Journal of Economics, 106, 979–1014.   Duflo, Esther and Rohini Pande (2007). “Dams”. Quarterly Journal of Economics, May, 601–646. 

9   

Diferencias en diferencias y experimentos naturales   Card, D. and A. Krueger (1994). “Minimum Wages and Employment: A Case Study of the Fast Food  Industry”, American Economic Review, 84, 772‐793.   Galiani, Sebastian, Gertler, Paul J. and Schargrodsky, Ernesto (2005). “Water for Life: The Impact of  the  Privatization  of  Water  Services  on  Child  Mortality”.  Journal  of  Political  Economy,  113,  pp.  83‐ 120.   Levitt,  Steven  (1994).  "Using  Repeat  Challengers  to  Estimate  the  Effect  of  Campaign  Spending  on  Election Outcomes in the U.S. House." Journal of Political Economy, 102, 777‐98.   Di  Tella,  Rafael,  and  Ernesto  Schargrodsky  (2004).  "Do  Police  Reduce  Crime?  Estimates  Using  the  Allocation of Police Forces after a Terrorist Attack." American Economic Review, 94, 115–133.   Di  Tella,  Rafael,  Sebastian  Galliani,  and  Ernesto  Schargrodsky  (2007).  “The  Formation  of  Beliefs:  Evidence from the Allocation of Land Titles to Squatters”. Quarterly Journal of Economics, 122, 209– 41.    10. Materiales.  Los materiales del curso serán distribuidos a través de correo electrónico a los alumnos matriculados y  en una página web diseñada para tal fin.     11. Evaluación.  El énfasis del curso es en el diseño de investigación empírica. Por tal razón, 50% de la nota final del curso  consistirá en una propuesta de investigación. El 50% restante será dividido en trabajos prácticos con uso  de datos (40%) y la presentación de un artículo académico con aplicaciones de las técnicas discutidas en  clase durante las sesiones prácticas.     Estudiantes  libres  son  bienvenidos  en  clase.  El  único  requisito  para  ello  será  la  presentación  de  un  artículo en las sesiones prácticas.                

10   

Sign up to vote on this title
UsefulNot useful