En este módulo cubriremos cómo proyectar una variable incluyendo datos adicionales, aquellos que servirían para explicar o predecir el fenómeno de interés. Nos enfocaremos en modelos de regresión, uno de los métodos más utilizados para la modelización. Comenzaremos por introducir la versión simple, donde una sola variable es utilizada como base de la modelización. Luego, extenderemos el modelo para incluir múltiples variables. Introduciremos los cambios en la interpretación, y los problemas comunes que pueden surgir en la modelización.

En los módulos anteriores trabajamos con modelos donde la información temporal (i.e., cuándo ocurrió un evento) es irrelevante. En este módulo extendemos los modelos para acomodar a las Series de Tiempo, que son aquellos procesos en donde la secuencialidad de la información es relevante. Aplicaciones incluyen la proyección del Producto Bruto Interno de un país, la tasa de interés en un mercado, el precio de una acción, etc. Discutiremos formas de modelizar a las series de tiempo por sus principales componentes. Cubriremos también modelos específicos para modelar el componente de autocorrelación temporal. En este módulo también introduciremos al software R para modelar series de tiempo de una manera eficiente.

En este módulo nos enfocaremos en lo que llamaremos un enfoque predictivo de la modelización. Estos métodos buscan maximizar la capacidad predictiva aun cuando al hacerlo pierden la capacidad explicativa del fenómeno en cuestión. La prioridad del enfoque predictivo es hacer la mejor predicción posible, y para ello es fundamental evitar el sobreajuste de los datos. Aprenderemos a diagnosticar el sobreajuste e introduciremos a los modelos de regularización, un tipo de modelos que permiten limitar el sobreajuste de manera automatizada.