Regularización, inferencia causal con ML, texto como dato y métodos de alta dimensión
¿Qué aprenderás? Este curso te enseña a usar machine learning para hacer econometría válida. Comenzamos con regularización (Lasso, Ridge) para selección de variables cuando hay más predictores que observaciones. Luego aprendemos inferencia causal con ML: Post-Lasso, Double ML, Causal Forest. Después exploramos cómo analizar texto como dato (TF-IDF, embeddings, LDA) y terminamos con métodos de alta dimensión (FDR, knockoffs, debiased Lasso) y validación cruzada.
Requisitos: Conocimientos básicos de econometría (regresión OLS, inferencia). No se requiere experiencia previa en ML.
Evalúa tus conocimientos previos con un quiz cronometrado de 120 segundos. Conoce la estructura del curso.
Ridge, Lasso, Elastic Net. Coefficient paths, selección de λ vía CV, trade-off sesgo-varianza.
Inferencia válida después de selección con Lasso (BCH). Partialling out, esparsidad aproximada.
DML (Chernozhukov et al). Neyman orthogonality, cross-fitting, estimación de ATE con ML.
Athey-Imbens-Wager. Efectos heterogéneos (CATE), honest splitting, GRF, GATES/CLAN.
Bagging, RF, XGBoost, Gradient Boosting, PDP, variable importance, hiperparámetros.
Márgenes, kernel trick (RBF, polinomial), clasificación no lineal en econometría.
BoW, TF-IDF, análisis de sentimiento, stance detection, preprocesamiento y clasificación.
Word2Vec, GloVe, BERT contextual, LDA, STM, coherence y evaluación de tópicos.
p ≫ n, FDR, Bonferroni, knockoffs, debiased Lasso, desparsificación de van de Geer.
K-fold CV, LOOCV, nested CV, Grid/Random Search, AIC/BIC, Time Series CV.
Examen integral de 10 preguntas, insignia de graduación y certificado personalizado.