Docencia de grado de Econometria basada en R - Retos y Soluciones

• El análisis empírico es más importante que nunca .

• Infinidad de datos accesibles online.

• Es clave cubrir TODO el proceso del análisis empírico:

  • Obtención de datos
  • Manipulación
  • Análisis exploratorio
  • Modelización
  • Diagnóstico
  • Utilización práctica

• Los libros de texto han quedado obsoletos.

• Suelen partir de unos datos convenientemente depurados para ilustrar los métodos.

Ventajas de RStudio

En el curso 2015-16 he comenzado a utilizar RStudio

RStudio permite:

• Mostrar desde el primer día como trabajar con R de forma eficiente:

  • Ficheros .R
  • Visualización del espacio de trabajo
  • manipulate y Addins

• Utilizar paquetes básicos para la manipulación y el análisis de datos:

  • tidyr y dplyr para manipulación.
  • mosaic para estadísticas, gráficos, bootstrap, ...
  • visreg, LinRegInteractive: modelos lineales

• Énfasis en la replicabilidad

• Generar materiales con knitr y slidify (esta presentación), y colgarlos en rpubs

• El formato Rmarkdown permite generar documentos en el formato preferido (html, doc y pdf) con un sólo click con el paquete knitr integrado en RStudio.

• Integra el análisis con R, mostrando el código y los resultados (code chunks)

• Permite integrar ecuaciones en formato latex.

• Así como tablas en formato latex.

Ejemplo: posible logo de Ralamanca

library(sp);library(maptools)
library(rgeos); library(ggplot2)
r_wkt_gist_file <- "https://gist.githubusercontent.com/hrbrmstr/07d0ccf14c2ff109f55a/raw/db274a39b8f024468f8550d7aeaabb83c576f7ef/rlogo.wkt"
download.file(r_wkt_gist_file, "rlogo.wkt")
rlogo <- readWKT(paste0(readLines("rlogo.wkt", warn=FALSE)))

rlogo_shp <- SpatialPolygonsDataFrame(rlogo, 
              data.frame(poly=c("halo", "r")))
rlogo_poly <- fortify(rlogo_shp, region="poly")

Con colores sangre de toro y piedra de villamayor

ggplot(rlogo_poly) + 
geom_polygon(aes(x=long, y=lat, group=id, fill=id)) + 
scale_fill_manual(values=c(halo="#ddcf99", r="#7f052a")) +
coord_equal() + theme_void() +
theme(legend.position="none")

Ejemplos mosaic

Un paquete muy bien pensado.

• Generaliza el uso de fórmulas para estadística descriptiva:

mean(y~x,data=mcarlo)

• Generaliza métodos de simulacion del modo más sencillo posible:
  • Método de Montecarlo
  • bootstrap
  • Contrastes de réplicas

term	estimate	std.error
(Intercept)	3044.906	177.102
R_Bruta	0.746	0.004

## Una vez: resample es la clave
do(1) * lm(R_Disp ~ R_Bruta, data=resample(ecv))

##   Intercept  R_Bruta    sigma r.squared        F numdf dendf
## 1  3158.072 0.737559 3554.114 0.9687981 371442.8     1 11963

## 1000 veces:
bsRenta = do(1000) * 
   lm(R_Disp ~ R_Bruta, data=resample(ecv))
## Error estándar bootstrap
sd(Intercept,data=bsRenta); sd(R_Bruta,data=bsRenta)

## [1] 145.0453

## [1] 0.004976502

Otros paquetes: visreg

library(splines); library(visreg)
m2=lm(I(R_Disp/n) ~ ns(R_Bruta,5):factor(n), data=ecv)
visreg(m2,"R_Bruta","n",overlay=TRUE,xlim=c(0,80000))

visreg2d(mRenta2,"R_Bruta","n")

De R a moodle

• El paquete exams permite generar preguntas con multiples variantes.

• Las preguntas se escriben en formato Rmarkdown.

• Se puede generar fichero xml para moodle o bien pdf para examen escrito o html.

• A veces da problemas (interacción entre soluciones locales y knitr): Funciones propias para generar preguntas cloze con multiples variantes [En preparación]

De moodle a R

• Con wiris se replica el análisis que hace R a partir de unos datos comunes.

• Se genera una función de R que controla la variante del problema.

• El estudiante ejecuta la función en R que se le proporciona en moodle y realiza los procesos que se le piden

• La pregunta wiris cloze comprueba las soluciones

PROBLEMAS: El traslado a moodle 2.0 ha cambiado el funcionamiento. Problemas de verificación de soluciones.