Applied Macroeconometrics with Python
First edition, in progress
A graduate textbook on the models used to read and forecast an economy: vector autoregressions, structural identification, Bayesian methods, state space, time-varying volatility and machine learning. Each model is introduced as the answer to an empirical question, with the derivation, the algorithm, the code and the application on the same page.
It is written for master’s and early PhD students, and for economists at central banks and policy institutions who need reproducible results rather than software output. Every figure and every table is regenerated by running the book, and the empirical results are checked against published numbers whenever a replication dataset exists.
The text is in Spanish. A preliminary chapter reviews the Python, linear algebra and probability the rest of the book relies on; six more chapters are complete, and the others are published as skeletons so the scope of the book is visible from the start.
Contents
Chapters are published as they are finished. Everything here is a draft under active revision.
Macroeconometría aplicada con Python
The book is written in Spanish. Read it online, with searchable text and copyable code, or download the typeset PDF.
Python, linear algebra and probability
NumPy, pandas, matplotlib · Eigenvalues, Cholesky, Kronecker · Distributions · Monte Carlo and bootstrap
Macroeconomic data
Shapes of a macro series · Time-series decomposition · Seasonal adjustment · Logs and growth rates
Vector autoregressions
Representations · Stability and Wold form · OLS · Out-of-sample evaluation
Structural VARs
Identification · Cholesky and sign restrictions · FEVD and historical decomposition · Local projections
Forecasting and evaluation
Accuracy and evaluation
State space models
Unobserved components
Trends and cycles
Output gap and its uncertainty
Time-varying volatility
Time-varying shock size
Time-varying parameters
Structural change
Machine learning
Ridge and lasso as priors · Factors · Trees and forests · Time-ordered validation
Macroeconometría aplicada con Python
Primera edición, en progreso
Un libro de posgrado sobre los modelos que se usan para leer y pronosticar una economía: vectores autorregresivos, identificación estructural, métodos bayesianos, espacio de estados, volatilidad cambiante y aprendizaje automático. Cada modelo se presenta como la respuesta a una pregunta empírica, con la derivación, el algoritmo, el código y la aplicación en la misma página.
Está escrito para estudiantes de maestría y de primeros años de doctorado, y para economistas de bancos centrales e instituciones de política que necesitan resultados reproducibles y no solo salidas de software. Cada figura y cada tabla se regeneran al compilar el libro, y los resultados empíricos se contrastan con cifras publicadas siempre que existe una base de replicación.
El texto está en español. Un capítulo preliminar repasa el Python, el álgebra lineal y la probabilidad que usa el resto del libro; otros seis capítulos están completos, y los demás se publican como esquemas para que el alcance del libro sea visible desde el inicio.
Contenidos
Los capítulos se publican a medida que se terminan. Todo es un borrador en revisión.
Macroeconometría aplicada con Python
El libro está escrito en español. Léelo en línea, con texto buscable y código copiable, o descarga el PDF.
Python, álgebra y probabilidad
NumPy, pandas, matplotlib · Autovalores, Cholesky, Kronecker · Distribuciones · Monte Carlo y bootstrap
Datos macroeconómicos
Formas de una serie macro · Descomposición de series · Ajuste estacional · Logaritmos y tasas de crecimiento
Modelos univariados
Memoria y Wold · Raíces unitarias · La caminata aleatoria como rival · Muestreo de Gibbs
Vectores autorregresivos
Representaciones · Estabilidad y forma de Wold · MCO · Evaluación fuera de muestra
VAR estructurales
Identificación · Cholesky y restricciones de signo · FEVD y descomposición histórica · Proyecciones locales
Pronóstico y evaluación
Precisión y evaluación
Modelos de espacio de estados
Componentes no observados
Tendencias y ciclos
Brecha del producto e incertidumbre
Volatilidad cambiante
Volatilidad de los choques
Parámetros cambiantes
Cambio estructural
Aprendizaje automático
Ridge y lasso como priors · Factores · Árboles y bosques · Validación temporal