Sistema de ayuda al desarrollo de modelos econométricos sobre lenguaje R

Proyecto de Innovación Convocatoria 2023/2024 Nº de Proyecto 466 Sistema de ayuda al desarrollo de modelos econométricos sobre lenguaje R Responsable del Proyecto Lorenzo Escot Facultad de Estudios Estadísticos Departamento de Economía Aplicada, Pública y Política Proyecto de innovación “Innova Docencia” de la UCM Convocatoria 2023/2024 Proyecto número 466 Sistema de ayuda al desarrollo de modelos econométricos sobre lenguaje R Lorenzo Escot1, Ignacio Aliende Povedano2, Alicia Pérez-Alonso1, José Luis Brita-Paja3, Cristobal Pareja Flores4 1 Dpto. Economía Aplicada, Pública y Política, Facultad de Estudios Estadísticos, Universidad Complutense de Madrid 2 Dpto. Economía Aplicada, Pública y Política, Facultad de Ciencias Económicas y Empresariales, Universidad Complutense de Madrid 3 Dpto. Estadística y Ciencia de los Datos, Facultad de Estudios Estadísticos, Universidad Complutense de Madrid 4 Dpto. de Sistemas Informáticos y Computación, Facultad de Estudios Estadísticos, Universidad Complutense de Madrid RESUMEN: El objetivo fundamental de este proyecto es el de proporcionar un sistema de ayuda a la docencia de la asignatura de econometría utilizando el lenguaje R (SADMER). Este lenguaje estadístico de código abierto presenta un gran número de ventajas y por ello es el que se utiliza en las asignaturas de Econometría en la Facultad de Estudios Estadísticos. Por ejemplo, hay disponibles una gran variedad de paquetes en la plataforma CRAN, por lo que es posible aplicar todas las técnicas econométricas que se imparten en los cursos de econometría. Por otro lado, R también presenta una serie de desventajas frente a otros softwares relacionadas principalmente con su curva de aprendizaje y con la necesidad de gestionar adecuadamente la abundancia de recursos, librerías y funciones disponibles para la modelización econométrica. Precisamente para superar algunas de estas limitaciones, presentamos SADMER, un sistema de herramientas y recursos para la enseñanza de la econometría con R que facilita la preparación del alumnado a través de guías teóricas y prácticas, ejemplos de código, y una aplicación web que acompaña al usuario en la resolución de los retos que plantea el modelo econométrico. De esta forma, pensamos que el sistema de ayuda a la docencia facilita el enfoque flipped classroom y da un impulso a la aplicación de modelos econométricos en proyectos reales. Contenido 1. Objetivos propuestos en la presentación del proyecto ............................................................. 1 2. Objetivos alcanzados ..................................................................................................................... 3 3. Metodología empleada en el proyecto......................................................................................... 4 4. Recursos humanos ......................................................................................................................... 5 5. Desarrollo de las actividades ........................................................................................................ 6 6. Referencias Bibliográficas ........................................................................................................... 11 7. ANEXOS ......................................................................................................................................... 13 ANEXO 2. Caso práctico de aplicación de la guía web.......................................................................... 14 ANEXO 3. Guías didácticas para el repaso de la utilización de R ......................................................... 15 ANEXO 4. Guías didácticas del contenido teórico y de aplicaciones prácticas de cada capítulo de la asignatura .................................................................................................................................... 16 ANEXO 5. Aprender a aprender R......................................................................................................... 18 ANEXO 6. La IA es tu amiga, úsala ........................................................................................................ 19 ANEXO 7. Data Camp for the classroom .............................................................................................. 21 ANEXO 8. Recursos didácticos de autoevaluación presencial: Wooclap ............................................. 23 ANEXO 9 Recursos didácticos de autoevaluación asincrónica: los cuestionarios de R/exams ............ 25 1 1. Objetivos propuestos en la presentación del proyecto En un mundo cada vez más impulsado por los datos, la econometría emerge como una brújula que guía a economistas, investigadores y estudiantes a través de un contexto de incertidumbre económica. Enseñar econometría no es simplemente impartir conocimientos técnicos sobre modelos y estadísticas; es inspirar al estudiantado a desentrañar las complejas relaciones que rigen nuestras economías y sociedades. Por lo tanto, la enseñanza de la econometría debe centrarse en desarrollar las competencias del alumnado, de modo que puedan aplicar estos conocimientos para comprender y resolver problemas económicos y sociales en el mundo real. En este trabajo presentamos un Sistema de Ayuda a la Enseñanza de Modelización Econométrica utilizando el lenguaje R (SADMER), un proyecto diseñado para ayudar al alumnado de econometría en el desarrollo de modelos de regresión con R. Hemos creado un marco para la docencia de la econometría que proporciona una serie de recursos didácticos al estudiantado que facilitan el aprendizaje de los contenidos propios de la asignatura de econometría y su aplicación en la práctica mediante lenguaje R. Este proyecto se ha implementado y desarrollado inicialmente para estudiantes de econometría de la Facultad de Estudios Estadísticos de la Universidad Complutense de Madrid. Pero pensamos que podría ser adaptado para la enseñanza de la econometría en otras titulaciones y programas formativos. Nuestro estudiantado no son estudiantes ni de economía ni de matemáticas. Se trata de estudiantes de los Grados en Estadística Aplicada y de Ciencia de Datos Aplicada, que se caracterizan por proporcionar una formación en análisis de datos eminentemente práctica, con muchas aplicaciones. De hecho, la asignatura de Econometría está concebida en el plan de estudios como una asignatura del Módulo Aplicaciones de la Estadística, junto otras como Sociología, Marketing o Bioestadística. Se trata de una asignatura de 3er/4o curso. Nuestro alumnado tiene un amplio conocimiento tanto de estadística teórica, como de inferencia, muestreo, y de las principales técnicas de análisis multivariante (y algunas técnicas de análisis de regresión lineal pero no todas). Una gran ventaja es que nuestro estudiantado conoce el lenguaje R. Cursan en primero de grado una asignatura de software estadístico (R, SAS, Python) y aplican R en otras asignaturas del grado antes de llegar a la asignatura de econometría. Con estos antecedentes, el enfoque de nuestra asignatura es eminentemente práctico, y con la finalidad principal de enseñar a nuestro alumnado de estadística cómo utilizamos los economistas la Estadística y la Ciencia de Datos, cómo aplicamos los economistas los modelos de regresión en el análisis económico. Y haciendo siempre referencia a ejemplos prácticos como ¿Están realmente discriminadas las mujeres?, ¿cuánto?; ¿cuánto vale tu casa?; ¿han sido eficaces las reformas del mercado de trabajo?; ¿son eficaces los subsidios para mejorar la igualdad?; ¿se ha cumplido en la última década la Ley de Okun en España?; etc. La mejora de la docencia de los modelos econométricos a través del uso del lenguaje de programación R puede abordarse desde varias perspectivas. Primero, la integración de R en la enseñanza de econometría facilita la aplicación práctica y el análisis empírico, como se destaca en el desarrollo de una biblioteca de casos comprensiva para la economía ambiental (Chen, 2023) y la macroeconomía (Long and Turner, 2020). Esta estrategia no sólo mejora la comprensión conceptual, sino que también prepara al alumnado para enfrentar problemas de las líneas investigación actuales dentro del campo de conocimiento. Aunque la asignatura no aborda explícitamente el uso de R, se puede inferir que la inclusión de herramientas de software especializadas, como R, en la enseñanza de econometría es coherente con las tendencias generales en la educación superior de integrar tecnología y métodos prácticos para mejorar la calidad de la enseñanza y el aprendizaje (Scatalon et al., 2020). Además, la adopción de R puede ser vista como parte de un enfoque más amplio de la pedagogía basada en la tecnología, que se ha mostrado efectiva en otros campos, como la 2 enseñanza del idioma inglés y la educación física (Zhou et al., 2023). Esto no sólo refuerza la comprensión teórica, sino que también proporciona competencias prácticas valiosas para el estudiantado, alineándose con las tendencias contemporáneas de integración de la tecnología en la educación (Chen, 2023; Scatalon et al., 2020). En la búsqueda de un software de código abierto, el lenguaje R ofrece varias ventajas en comparación con otras aplicaciones como Gretl o Python en el contexto de econometría. En el ámbito de la econometría financiera, por ejemplo, R se compara favorablemente con EViews y Gretl en el modelado de series temporales financieras, aunque cada software tiene sus propias ventajas y desventajas (Liashenko et al., 2018) En términos generales, R sobresale por su flexibilidad, su comunidad de apoyo y la disponibilidad de recursos especializados para econometría (Vinod, 2008; Zeileis and Koenker, 2008; Yalta, 2010; Heiss, 2020; Fernández-Avilés and Montero, 2024;). R cuenta con una amplia comunidad de usuarios y desarrolladores que contribuyen con paquetes especializados y actualizaciones regulares, lo que puede facilitar la realización de análisis estadísticos avanzados y la implementación de métodos recientes (Imankhan, 2023). Aunque puede haber desafíos relacionados con la curva de aprendizaje de R y la necesidad de integración con otros softwares, estas limitaciones se ven contrarrestadas por su capacidad para realizar análisis complejos y su adaptabilidad a las necesidades cambiantes de la investigación (Haghish, 2019; Imankhan, 2023; Ward, 2013). Adicionalmente, consideramos que con la utilización de R en nuestra docencia los alumnos adquieren o refuerzan sus destrezas en el uso del lenguaje estadístico, lo que redundará en una mayor empleabilidad de nuestros egresados, ya que cada vez es más generalizado el uso de este lenguaje en las empresas y organizaciones, los futuros empleadores de nuestros estudiantes. Una de las principales desventajas del uso de R es, curiosamente, la abundancia de librerías y funciones, ya que en muchos casos son varias las que realizan las mismas funciones, siendo complejo desentrañar la maraña de opciones que ofrecen para aplicar a cada investigación. Con R sí es posible aplicar todos los métodos y técnicas que involucra la econometría, pero no todas esas técnicas y contrastes están disponibles en un paquete único que se ajuste al contenido de la asignatura. Es decir, nadie se encarga de administrar o gestionar un paquete que incluya algo similar a un menú con las diferentes opciones y técnicas de regresión que ahorre tiempo al estudiante o investigador. En este sentido, no es posible aplicar el método de aprendizaje utilizado en paquetes comerciales como SPSS, Eviews o Stata, donde, sin conocer todas las técnicas, se puede ir explorando por los menús y por sus documentos de ayuda, a ver que técnicas ofrece el programa e investigar cada una de ellas de forma intuitiva. No es posible realizar este aprendizaje con R, porque simplemente no existe dicho menú de técnicas estadísticas disponibles. El objetivo fundamental de este proyecto es el de proporcionar un sistema de ayuda a la docencia de la asignatura de econometría utilizando el lenguaje R (SADMER). Y para ello los objetivos particulares propuestos en la presentación del proyecto fueron Objetivo 1. Proveer al estudiantado un conjunto de recomendaciones actualizadas que le guíen en el proceso de aplicación del procedimiento econométrico a los modelos de regresión en R. En particular, contrastes de especificación y diagnosis del modelo de regresión múltiple en econometría, tratamientos frente a problemas del modelo de regresión múltiple e indicación de los paquetes a emplear. Objetivo 2. Integrar en la asignatura de Métodos Econométricos en Economía y Finanzas en particular, y en cualquier asignatura que utilice la econometría, en general, un recurso de ayuda y orientación en paralelo al programa, actividades y casos que ayuden al estudiantado a completar las prácticas y recordar las explicaciones expuestas en el aula Objetivo 3. Sintetizar en un recurso actualizado permanentemente los puntos clave del programa de Métodos Econométricos en Economía y Finanzas del Grado en Estadística 3 Aplicada. Los recursos irán conformándose con los diferentes modelos y contrastes a medida que se vayan viendo en el curso de forma que el propio sistema de ayuda sirva como material de apoyo al estudiantado para consolidar los temas. Se trata pues de ir dando de alta a diferentes partes del sistema de Ayuda a media que se avanza en la asignatura de forma que el estudiantado irá viendo como crece dicha herramienta y se va completando hasta llegar a formarse completamente con el conjunto de todos los temas, modelos y contrastes que integran el temario de la asignatura. Objetivo 4 Profundizar en los objetivos de dicha asignatura, en particular: Problemas de mala especificación, errores de medida, datos incompletos, muestras no aleatorias y observaciones atípicas. También se profundizará en los métodos de regresión ante heteroscedasticidad, autocorrelación, multicolinealidad y endogeneidad (MCG, MC2E, etc.), incorporando elementos propios del avance en los últimos años de la materia. 2. Objetivos alcanzados A partir de esta propuesta inicial hemos ido desarrollando la herramienta de ayuda SADMER que nos ha permitido alcanzar satisfactoriamente los objetivos inicialmente propuestos. En particular, el desarrollo del sistema de ayuda objeto de este proyecto se ha materializado en los los siguientes objetivos alcanzados: - Preparación del itinerario y mapa conceptual de la Asignatura de Econometría. Este mapa conceptual permite tener una visión de conjunto de los contenidos y objetivos docentes de la asignatura de Econometría, lo que permitirá identificar las aplicaciones de R que será necesario incorporar a lo largo del curso. - Elaboración de una memoria justificativa del Uso de R para la docencia de Econometría, en el que se incluya una revisión de aspectos fundamentales de R como la Consola y los IDE de R (Rstudio, RCommander, Ratle o Radiant) que facilitan el uso de R para el análisis econométrico y el concepto de las librerías y paquetes de R - Elaboración y/ presentación de los diferentes elementos del Sistema de Ayuda SADMER: i. Elaboración de un Cheatsheet o guía rápida para la aplicación del análisis econométrico en R ii. Material didáctico (guías de ayuda) para el uso de R (introducción al uso general de R) iii. Material didáctico (guías teóricas y prácticas) en el que se presentan los principales elementos teóricos de cada capítulo adaptado a las técnicas y métodos utilizados por las diferentes librerías y funciones de R que hemos empleado en la preparación de los ejercicios prácticos (en forma de scripts de R) de cada capítulo. En particular se han presentado guías para los siguientes apartados del temario: - Test de Cambio Estructural y modelos lineales - Test Heterocedasticidad; - Test Raíces unitarias y cointegración; - Test de Autocorrelación y correlaciones contemporáneas; - Procedimientos especificación automática de modelos univariantes ARMA - Endogeneidad, Variables Instrumentales y mínimos cuadrados en dos etapas; - Estimación de modelos lineales con Datos de panel; - Modelos de Regresión cuantílica; - SIG y modelos de econometría espacial. 4 iv. Material didáctico para aprender a aprender R (CRAN Task Views, R-bloggers, Stack Overflow, etc) v. Herramientas de apoyo a la programación en R utilizando la Inteligencia Artificial Generativa (ChatGPT, Gemini and GitHub Copilot) vi. Recursos para el autoaprendizaje en línea sobre R: Aulas DataCamp vii. Recursos para la Autoevaluación presencial (Kahoot/Wooclap) viii. Recursos para la Autoevaluación no presencial (cuestionarios con R/Exámenes) Por último, y como objetivo alcanzado, aunque no inicialmente programado, hemos tenido la oportunidad de dar difusión a los resultados de nuestro proyecto ya que han sido presentados al First International Conference in Teaching Innovations in Economics, organizado por ASEPELT en la Universidad Miguel Hernández, el 18 de junio en la ciudad de Elche. Un resumen de dichos resultados va a ser también publicados como capítulo en un libro sobre innovación docente editado por los profesores María del Carmen Valls y José María Montero que va a ser próximamente publicado por la editorial Springer Nature (ISBN 978-3-031-725487) 3. Metodología empleada en el proyecto La metodología empleada se a ha justado a cada uno de los objetivos propuestos. 1. Se ha revisado el programa y los contenidos de la asignatura para realizar el mapa conceptual de la asignatura 2. Una vez detectadas las necesidades de contenidos de la asignatura se han ido recopilando y elaborando los materiales didácticos que conforman el sistema de Ayuda. Algunas de estas guías didácticas habían sido previamente elaboradas por los profesores de la asignatura y tan sólo ha habido que adaptarlas y actualizarlas. 3. Otros recursos didácticos han tenido que ser elaborados para el proyecto. Por ejemplo, la elaboración Cheatsheet o guía rápida para la aplicación del análisis econométrico en R, que se ha diseñado como una herramienta web alojada en la siguiente dirección (asequible al público general) https://sadmer.created.app 4. Otro de los recursos empleados ha sido la IA GithubCopilot que ha sido integrada dentro de la IDE de Rstudio y presentada al estudiantado como recurso de ayuda a la programación. 5. Se han desarrollado nuevos cuestionarios de repaso utilizando la herramienta Wooclap, que tiene la ventaja, frente aplicaciones como Khoot (que es la que se venía utilizando anteriormente) que está perfectamente integrada dentro de la plataforma de Moodle que es la utilizada por la UCM en su campus virtual 6. Al inicio del curso se procedió a dar de alta dos grupos en la plataforma DataCamp for the classroom, y se mandó tres tareas al estudiantado a través de esta plataforma de aprendizaje. Esta tarea consistía en la realización de tres cursos de la plataforma relacionados con la asignatura. Cada uno de esos cursos se cumplimentaba en 4 horas. Los cursos elegidos fueron (iniciación a R, Regresión con R, y Análisis de series temporales con R) 5 7. Se ha utilizado la librería R/exams para proponer una serie de cuestionarios integrados dentro de la plataforma de Moodle que es la utilizada por la UCM en su campus virtual, y que permitían obtener una autoevaluación continua del estudiantado. Para facilitar esta evaluación cada cuestionario permitía hasta dos intentos, marcando después del primero la puntuación obtenida, con lo que se da la oportunidad de corregir y mejorar las respuestas en el segundo intento. 8. Por último, para incentivar el uso autónomo de todas estas herramientas, se propuso un hackathon de predicción económica, donde el alumnado, organizado por grupos de tres o 4 estudiantes, tenía que descargar los datos de las bases del ministerio de Economía (Dg de Previsión y coyuntura), que contenían más de 9000 series temporales de diferentes variables económicas nacionales e internacionales de diferente periodicidad. Los equipos tuvieron que implementar todas las fases del desarrollo de un modelo econométrico de una manera práctica. La introducción de cierta competitividad entre los grupos supuso un aliciente más que se reflejó en algunos trabajos de alta calidad. 4. Recursos humanos Equipo del Proyecto: 1. Lorenzo Escot Mangas (PDI UCM responsable del proyecto, Dpto. de Economía Aplicada, Pública y Política, Facultad de Estudios Estadísticos) [email protected]s 2. Ignacio Aliende Povedano (PDI UCM Dpto. Economía Aplicada, Pública y Política, Facultad de Ciencias Económicas y Empresariales, Universidad Complutense de Madrid) [email protected] 3. Alicia Pérez Alonso (PDI UCM, Dpto. de Economía Aplicada, Pública y Política, Facultad de Estudios Estadísticos) [email protected] 4. José Luis Brita Paja (PDI UCM, Dpto. de Estadística y Ciencia de los Datos, Facultad de Estudios Estadísticos) [email protected] 5. Cristóbal Pareja Flores (PDI UCM, Dpto. de Sistemas Informáticos y Computación, Facultad de Estudios Estadísticos) [email protected] 6 5. Desarrollo de las actividades Una de las primeras fases en del desarrollo del proyecto de innovación ha sido el de integrar el mapa conceptual de la asignatura de Econometría con un itinerario formativo que incluyese una secuencia de sesiones y emplease los distintos recursos. Gracias a este mapa conceptual el alumnado no sólo obtiene una visión global de la asignatura sino que les abre los ojos sobre qué técnicas pueden utilizarse en los proyectos en los que empleen la modelización econométrica (Figura 1). Figura1 El itinerario docente en el que se plasma el anterior mapa conceptual es el siguiente: • Capítulo 1. Introducción al curso. • Capítulo 2. Regresión Lineal y Mínimos Cuadrados Ordinarios, multicolinealidad y test de cambio estructural. • Capítulo 3. Modelos con datos de sección cruzada I: heterocedasticidad. • Capítulo 4. Modelos con Series Temporales I: Raíces Unitarias, estacionariedad, cointegración, regresiones espurias y modelos de corrección del error. • Capítulo 5. Modelos con Series Temporales II: autocorrelación, indicadores adelantados y modelos ARMAX. • Capítulo 6. Modelos con Series temporales III: heteroscedasticidad y series temporales financieras (GARCH). • Capítulo 7. Modelos con datos de sección cruzada II: endogeneidad, variables instrumentales y Mínimos Cuadrados en dos Etapas. • Capítulo 8. Modelos de regresión con datos de panel: efectos fijos, efectos aleatorios y mixtos. • Capítulo 9. Modelos con variables dependientes cualitativas. • Capítulo 10. Inferencia causal y evaluación de políticas económicas. • Capítulo 11. Modelos de regresión cuantílica. • Capítulo 12. Modelos de econometría espacial. • Capítulo 13. Modelos de supervivencia. 13 7. ANEXOS ANEXO 1. Mapa conceptual Completo de la Asignatura de Econometría h w R v P R z R ... h h P R h P h ... R z A z P z AR A . R P P AR AR P v A P h R j R ... aciona iedad R R 14 ANEXO 2. Caso práctico de aplicación de la guía web CASO PRÁCTICO DE APLICACIÓN DE LA GUIA WEB Aplicación del Modelo Econométrico al Análisis del Impacto del Gasto en Educación sobre el Crecimiento Económico: 1 Descripción de los Datos: Para este análisis, utilizamos datos de panel que combinan datos de sección cruzada y series temporales. Los datos provienen de diferentes países de la UE a lo largo de varios años y contienen información sobre el gasto en educación (como porcentaje del PIB) y el crecimiento del PIB anual. Contamos con los datos de 28 países de la UE con datos quinquenales para el periodo 2000-2020 (4 observaciones para cada país) Variables: - `country`: Identificador del país - `period`: periodo de 5 años - `education_expenditure`: Gasto en educación (como porcentaje del PIB) - `gdp_growth`: Crecimiento del PIB anual (%) - `other_controls`: (p.ej., inflación, inversión extranjera directa, etc.) 2. Detección de los Problemas Econométricos Los problemas típicos de panel pueden ser: - Heterogeniedad de la sección cruzada: Existencia de efectos diferenciados para cada país - Endogeneidad: Cuando existe alguna causa común no observable relacionada tanto con la variable dependiente como con los efectos fijos no observables - Heterocedasticidad: Cuando la varianza de los errores de cada sección cruzada son diferentes. En consecuencia, aplicaremos estos test econométricos: - Test de Efectos Fijos: Test F de sumas residuales modelo pooled vs efectos Fijos - Endogeneidad: Test de Hausman. Un ejemplo de aplicación del Test de Hausman con la librería plm: >model_fixed <- plm(gdp_growth ~ education_expenditure + o ther_controls, data = panel_data, model = "within") >model_random <- plm(gdp_growth ~ education_expenditure + other_controls, data = panel_data, model = "random") >hausman_test <- phtest(model_fixed, model_random) 3. Estimación del modelo según Endogeneidad - Ante la presencia de Endogeneidad (test de Hausman) habría que utilizar el estimador de primeras diferencias o de efectos fijos. Si existen variables Explicativas fijas en el tiempo habría que utilizar el estimador CRE (Correlated Randmom Effects) - Si no existe problema de endogeneidad (test de Hausman) entonces debe aplicarse el modelo de efectos Aleatorios, y generalizarlo a un modelo con efectos aleatorios también en los coeficientes de impacto (Estimador de modelos Mixtos) 15 ANEXO 3. Guías didácticas para el repaso de la utilización de R El primer paso para poder aplicar el lenguaje R a la asignatura de econometría es tener un conocimiento básico del propio lenguaje estadístico de R. Es por ello que ofrecemos a través del Campus virtual de la asignatura una serie de recursos didácticos sobre la propia utilización del lenguaje R (desde su instalación, IDE RStudio, principales elementos de la programación, DataFrames, lectura de archivos de datos, etc.…. . R formato html (creadas con RMarkdown y Quartto) y están diseñadas para una fácil lectura y navegación por sus contenidos (Figura 4) Figura 4. Ejemplo de recursos de iniciación a R . Como ya hemos comentado anteriormente, los programas de los estudios de grado de la facultad de estudios estadísticos se han cambiado recientemente para incorporar el aprendizaje del lenguaje R desde los primeros años. En este sentido, nuestro estudiantado viene ya con un conocimiento previo suficiente como para poder seguir la asignatura de R sin problemas, por lo que estos materiales son cada vez menos necesarios para estudiantes de la Facultad de Estudios Estadísticos, aunque tal vez para otros grados y titulaciones sí resulten interesantes. 16 ANEXO 4. Guías didácticas del contenido teórico y de aplicaciones prácticas de cada capítulo de la asignatura Cada capítulo del programa de la asignatura se acompaña de una serie de referencias bibliográficas para su preparación. Durante las clases nos centramos en identificar los elementos esenciales de cada uno de los capítulos (supuestos del modelo, estimación y diagnosis). Para completar las clases magistrales se proporcionan una serie de guías didácticas de los contenidos teóricos y con aplicaciones prácticas de cada capítulo Figura 5). Figura 5. Ejemplo de ficha guía sobre el capítulo de Endogeneidad. 17 Estas guías didácticas se ofrecen al principio del curso a través del Campus virtual, por lo que todos estos materiales pueden utilizarse para el autoaprendizaje previo de cada capítulo y como recurso para repasar y afianzar los contenidos explicados durante las clases. Además de esas guías didácticas, se ofrecen una serie de archivos con datos y los scripts con los códigos de instrucciones en R para la realización de las tareas prácticas durante las clases (Figura 6). En total se han planteado 27 de estas tareas prácticas que cada estudiante tiene que seguir y ejecutar en su propio equipo durante las clases. Figure 6. Ejemplo de script de código de práctica del tema de Endogeneidad 18 ANEXO 5. Aprender a aprender R La adopción de R en la docencia de las asignaturas de econometría requiere proporcionar al alumnado un repertorio de técnicas a utilizar y el conocimiento de cómo detectar la idoneidad de su uso en cada aplicación práctica. En este sentido, en el presente proyecto hemos creado la guía Web SADMER para ofrecer el índice de librerías y funciones que mejor se adaptan a los procedimientos, métodos y contrates que se presentan en los programas de nuestras asignaturas, de modo que aporten claridad a alumnos e investigadores de cara a la resolución de los casos que se plantean. El problema con este tipo de listados o guías es su obsolescencia. En efecto, R es un lenguaje vivo, en el que continuamente están apareciendo nuevas librarías que incorporan nuevas funciones. No es suficiente por tanto con proporcionar a los alumnos listados o repertorios de funciones y librerías que puedan utilizar. También es necesario proporcionarles las herramientas para que ellos mismos aprendan a aprender R. Nos referimos a orientarles en cuestiones como dónde buscar las funciones que podrían necesitar para alguna aplicación especial, o cómo encontrar la solución a problemas específicos que en el futuro les puedan aparecer. En este sentido las CRAN Task View de R-project proporciona una excelente orientación sobre qué paquetes en el Comprehensive R Archive Network (CRAN) son relevantes para tareas relacionadas con un determinado tema. Ofrecen un breve resumen de los paquetes incluidos, los cuales también pued á z q ‘ v’. vistas están diseñadas para tener un enfoque preciso de modo que quede suficientemente claro qué paquetes deben ser incluidos (o excluidos). En cualquier caso, tampoco se detienen en comentar en profundidad las posibilidades que ofrece cada paquete. Para ello hay que recurrir a descripción que cada librería ofrece en su página del CRAN de R-project Otros recursos, como los foros y blogs de r-bloggers, stackoverflow y reddit.o herramientas para la búsqueda de librerías relacionadas con un tópico como https://r-universe.dev/search/ que ofrecen servicios similares al anteriormente citado CRAN Task View pueden ser sin duda de gran utilidad para el alumnado en su tarea de aprendizaje. 19 ANEXO 6. La IA es tu amiga, úsala Desde que en noviembre de 2022 se pusiera a disposición del público general los modelos de lenguaje de inteligencia artificial de ChatGpt, han ido apareciendo otras aplicaciones de IA (como Gemeni o GitHub Copilot) que cada vez aciertan más en sus respuestas y recomendaciones, al menos en el terreno de la ayuda a la programación (en el lenguaje estadístico R pero también en Python y otros lenguajes de programación). De hecho, el uso generalizado de estas ayudas a la creación de código para el análisis de datos está sustituyendo en buena medida las ayudas que anteriormente se ofrecían en los foros de programación como stackoverflow o reddit. Desde nuestras aulas animamos a nuestros estudiantes a utilizar activamente estas ia para la creación de sus códigos de programación en R. De hecho, las principales IDE para el manejo de R, como por ejemplo RStudio o Vs Code, incorporan desde sus últimas versiones la posibilidad de activar las sugerencias proporcionadas por la IA de GitHub Copilot de Microsoft (Figura 7) GitHub Copilot es una herramienta de inteligencia artificial desarrollada por OpenAI y Microsoft (a través de GitHub) que asiste a los desarrolladores de software al sugerir líneas de código y funciones en tiempo real mientras escriben. Figura 7. Integración de Github Copilot en R-Studio. 20 Puede ser utilizado tanto dentro como fuera del aula para mejorar la enseñanza y el aprendizaje de la programación y desarrollo de software. Aquí se explica cómo GitHub Copilot puede ser empleado como herramienta formativa: • Los profesores pueden utilizar GitHub Copilot para demostrar la escritura de código en tiempo real, mostrando cómo la herramienta sugiere y completa líneas de código. Esto puede ayudar a los estudiantes a aprender las mejores prácticas y estructuras de código eficientes. • Durante los talleres, los estudiantes pueden usar GitHub Copilot para recibir sugerencias de código mientras trabajan en sus proyectos. Esto les ayuda a resolver problemas de codificación más rápidamente y a entender diferentes enfoques para resolver un problema. • Los profesores pueden utilizar GitHub Copilot para enseñar a los estudiantes sobre estándares de codificación y buenas prácticas. Al ver sugerencias de código bien estructuradas, los estudiantes pueden aprender a escribir código limpio y mantenible. • GitHub Copilot puede ser utilizado en proyectos de grupo dentro del aula, ayudando a los estudiantes a colaborar más eficazmente al proporcionar sugerencias de código que pueden ser discutidas y refinadas en equipo. • Los estudiantes pueden usar GitHub Copilot mientras trabajan en tareas y proyectos fuera del aula. La herramienta puede ayudarles a encontrar soluciones rápidas a problemas de codificación y mejorar su eficiencia. • GitHub Copilot facilita el autoaprendizaje al proporcionar sugerencias y ejemplos de código en tiempo real. Los estudiantes pueden experimentar y practicar nuevos conceptos de programación por su cuenta. • Al trabajar en proyectos personales, los estudiantes pueden beneficiarse de las sugerencias de GitHub Copilot para crear aplicaciones más complejas y robustas, enriqueciendo así su portafolio. En cualquier caso, estas herramientas, aunque suponen un apoyo que es necesario aprovechar y utilizar, tampoco son infalibles. Y menos con el lenguaje R. Fallan y mucho, sobre todo con los argumentos o inputs de algunas funciones, que en muchos casos no existen. Es por ello por lo que estas IA deben utilizarse siembre con mucha cautela, comprobando siempre la sugerencia de código que proporcionan, supervisando el código que generan y tomándolo más como una fuente de inspiración que como un sustituto a la labor de programación del estudiante 21 ANEXO 7. Data Camp for the classroom Otro de los recursos de autoaprendizaje para el alumnado que venimos utilizando ya desde hace algunos años es la plataforma de enseñanza online DataCamp for classroom. DataCamp es una plataforma de aprendizaje en línea diseñada para ayudar a estudiantes a mejorar sus capacidades en ciencia de datos a través de cursos interactivos. Se puede utilizar tanto dentro como fuera del aula para enriquecer el proceso de aprendizaje. Durante la clase: • El profesorado puede integrar cursos de DataCamp en su plan de estudios para complementar las lecciones teóricas con ejercicios prácticos interactivos. Por ejemplo, después de explicar un concepto en clase, puede asignar un módulo de DataCamp que cubra el mismo tema para reforzar el aprendizaje. • Una aplicación de esta herramienta consiste en corregir los test en el aula, haciendo hincapié en aquellas cuestiones que han presentado más errores. • Utilizar DataCamp durante las sesiones de experimentación con programación en R para proporcionar al alumnado ejercicios prácticos y proyectos. Los cursos de DataCamp incluyen ejercicios de codificación en vivo que permiten al estudiantado aplicar inmediatamente lo que han aprendido. • El profesorado puede usar DataCamp para evaluar el progreso del estudiantado mediante los quizzes y proyectos incluidos en los cursos. Además, pueden hacer un seguimiento del progreso de cada estudiante y proporcionar retroalimentación personalizada. • DataCamp permite a cada estudiante aprender a su propio ritmo, lo que puede ser especialmente útil fuera del aula donde los niveles de habilidad pueden variar significativamente. El profesorado puede asignar cursos básicos para un subconjunto del estudiantado y cursos avanzados para otros, según sus necesidades individuales. • El profesorado puede asignar cursos de DataCamp como tareas o trabajos para ser completados fuera del aula. Esto permite al estudiantado continuar aprendiendo y practicando fuera del horario de clases, asegurando un aprendizaje continuo. • DataCamp ofrece proyectos basados en datos reales que el estudiantado puede completar. Estos proyectos pueden ser asignados como parte de la evaluación del curso, ayudando al alumnado a aplicar sus conocimientos en contextos del mundo real. • El estudiantado puede utilizar DataCamp para repasar y practicar antes de exámenes y evaluaciones. La plataforma ofrece una variedad de ejercicios y quizzes que pueden ayudar a consolidar el conocimiento. • El estudiantado puede usar DataCamp para adquirir habilidades adicionales que son demandadas en el mercado laboral. Los certificados de DataCamp pueden ser añadidos a sus currículums y perfiles de LinkedIn para demostrar sus habilidades a empleadores potenciales. 22