Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López

Transcripción

1 Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren, así como la aplicación de los mismos a la Economía y a las Finanzas. Enfatizar el análisis de los supuestos teóricos, así como en señalar las limitaciones y los alcances de las conclusiones obtenidas del análisis econométrico. Se requerirá de la utilización de paquetes estadísticos que faciliten el análisis econométrico y se enfocará el estudio de la Econometría como una herramienta que permite realizar investigación en diversas disciplinas. CONCEPTOS BÁSICOS DE PROBABILIDAD E INFERENCIA PARA ECONOMETRÍA Exponer los conceptos y conocimientos necesarios de probabilidad e inferencia estadística que se requieren en la estimación y análisis de los modelos econométricos. 1. Introducción 2. Conceptos básicos de probabilidad 3. Variables aleatorias 3.1. Caso Univariado. Funciones de densidad. Valor Esperado y Varianza. Distribuciones Bernoulli, Normal y otras derivadas de la Normal 3.2. Caso Bivariado. Distribución Conjunta, Marginal y Condicional. Valor Esperado y Varianza Condicionales. Covarianza y Coeficiente de Correlación. Independencia. Distribución Normal Bivariada 4. Análisis Exploratorio de Datos 5. Inferencia estadística 5.1 Distribuciones de Muestreo. Teorema Central del Límite. 5.2 Estimación puntual de la Media, Varianza y Probabilidad de Éxito Pronóstico 5.3 Estimación por intervalos de la Media, Varianza y Probabilidad de Éxito 6. Pruebas de hipótesis 6.1. Conceptos de Pruebas de Hipótesis. Planteamiento General del Problema de Pruebas de Hipótesis 6.2. Metodología de las Pruebas de Hipótesis Estadísticas 6.3. Pruebas de Hipótesis de Una Población 1

2 6.4. Pruebas de Hipótesis de Dos Poblaciones Independientes y Dependientes 6.5. Prueba de Hipótesis para el Coeficiente de Correlación 7. Aplicaciones MODELO DE REGRESIÓN LINEAL Presentar las técnicas de regresión lineal para distinguir entre los tipos de datos que se tienen y los modelos que se pueden estimar, así como verificar que se cumplan los supuestos, señalar las consecuencias de que no se cumplan éstos y poder realizar las correcciones necesarias. En un modelo estimado se deben aplicar las técnicas de inferencia estadística y obtener conclusiones para generar el mejor modelo así como el pronóstico, a partir de un conjunto de datos dado. Utilizar el paquete de análisis econométrico EViews. 1. Modelos Econométricos y Datos 2. Modelo de Regresión Lineal Simple 2.1 Modelo Condicional 2.2 Estimadores de Mínimos Cuadrados 3. Modelo de Regresión Lineal Múltiple 3.1. Especificación del Modelo Lineal General 3.2. Estimadores de Mínimos Cuadrados. Propiedades de los estimadores. Teorema de Gauss-Markov 3.3. Coeficientes de Correlación, Coeficientes de Correlación Parcial y Coeficiente de Determinación 3.4. Inferencia en el Modelo Lineal General 3.5. Predicción Media e Individual 4. Formas funcionales de los Modelos de Regresión 5. Violación de los Supuestos del Modelo Clásico. Detección, Consecuencias y Corrección 5.1. Normalidad 5.2. Errores de Especificación. Multicolinealidad 5.3. Heteroscedasticidad 5.4. Autocorrelación 6. Aplicaciones TEMAS ESPECIALES EN ECONOMETRÍA Introducir variables cualitativas explicativas en el modelo econométrico así como también modelos en los cuales la variable dependiente es de tipo cualitativo. Estimar modelos econométricos en los que se incluyen rezagos de las variables 2

3 explicativas o de la variable dependiente. Probar causalidad entre las variables de un modelo. 1. Método de Mínimos Cuadrados Generalizados 2. Modelos con Variables de Tipo Cualitativo. Variables Dicotómicas 2.1. Naturaleza de las Variables Dicotómicas 2.2. Modelos con Variables Explicativas Cualitativas. Cambio Estructural. Análisis Estacional 2.3. Modelos con Variable Dependiente Dicotómica. Modelos Probit y Logit 3. Modelos Autorregresivos y de Rezagos Distribuidos 3.1. Estimación de Modelos Autorregresivos. Aproximación de Koyck, Expectativas Adaptativas, Ajuste Parcial. Variables Instrumentales 3.2. Autocorrelación en Modelos Autorregresivos. Prueba h de Durbin 3.3. Estimación del Modelo de Rezagos Distribuidos Polinomial. Aproximación de Almon 3.4. Prueba de Causalidad. Prueba de Granger 4. Aplicaciones MODELOS DE PRONÓSTICOS PARA SERIES DE TIEMPO Proporcionar los conceptos y conocimientos necesarios para poder distinguir entre los enfoques cualitativo y cuantitativo del pronóstico. Reconocer el tipo de modelo subyacente en cada una de las técnicas de pronósticos estadísticos y realizar la validación del modelo, así como aplicar adecuadamente la técnica cuantitativa de pronósticos, dependiendo de las características y volumen de los datos disponibles. 1. Introducción al pronóstico. Pronóstico estadístico 2. Conocimiento de los Datos 2.1. Inspección de los datos 2.2. Suavizamiento 3. Uso de transformaciones 3.1. Transformaciones lineales 3.2. Transformaciones no-lineales 3.3. Selección de una transformación 4. Criterios para elegir una técnica de Pronóstico 5. Modelos de Pronósticos 5.1. Pronósticos de series no-estacionales 5.2. Pronósticos de series estacionales 6. Evaluación de los Pronósticos 7. Aplicaciones 3

4 ANÁLISIS DE SERIES DE TIEMPO Presentar las diferentes herramientas que se utilizan con mayor frecuencia en el análisis de series de tiempo. El enfoque de análisis, es en el dominio del tiempo, con énfasis particular en la familia de modelos ARIMA. La estrategia de construcción de modelos es la propuesta por Box y Jenkins. 1. Introducción al Análisis de Series de Tiempo 2. Descomposición de Series de Tiempo 3. Elementos de Ecuaciones en Diferencia 4. Modelos para Series Univariadas 4.1. Identificación de Modelos ARIMA 4.2. Estimación de Modelos ARIMA 4.3. Verificación de los Modelos 5. Prueba de Raíces Unitarias 6. Modelos para Series Estacionales 6.1. Análisis de Series Estacionales 6.2. Construcción de Modelos 7. Pronósticos para Series de Tiempo 7.1. Caso Estacionario 7.2. Caso No-estacionario 8. Aplicaciones MODELOS ECONÓMETRICOS Y APLICACIONES Exponer los conocimientos necesarios para identificar y estimar un sistema de ecuaciones. Presentar aplicaciones de las técnicas aprendidas en todo el Diplomado, a modelos económicos y financieros. 1. Modelos de ecuaciones simultáneas 1.1. Naturaleza de los Modelos de Ecuaciones Simultáneas. Ejemplos 1.2. El Problema de Identificación. Condiciones de Orden y de Rango 1.3. Métodos de Estimación. Mínimos Cuadrados Indirectos. Mínimos Cuadrados en 2 y 3 Etapas 1.4. Sistema de Ecuaciones Aparentemente No-Relacionadas 2. Aplicaciones de análisis econométrico o de series de tiempo a Economía 3. Aplicaciones de análisis econométrico o de series de tiempo a Finanzas 4

5 M.F. Esperanza Sainz López Estudió la Licenciatura en Matemáticas Aplicadas a las Ciencias Sociales, la Maestría en Finanzas, los Diplomados en Finanzas Corporativas y en Derivados Financieros en el ITAM. Actualmente es profesora de Extensión Universitaria de Desarrollo Ejecutivo en esta institución y es subdirectora de Proyectos Estadísticos Especiales en la Dirección General de Integración, Análisis e Investigación del Instituto Nacional de Estadística y Geografía. Ha impartido cursos de Probabilidad, Estadística, Econometría y Series de Tiempo en diversas instituciones y empresas como: Universidad Autónoma de Chihuahua, Colegio de México, Universidad Iberoamericana, Grupo Modelo, GMac Financiera e Hipotecaria, PEMEX y CEPAL. De 1987 a 2004, fue profesora de tiempo completo del Departamento de Estadística del ITAM. Anteriormente, fue Subdirectora Técnica en la Dirección General de Estadística del INEGI, jefa de departamento e investigadora en Presidencia de la República y gerente de sistemas en el Centro de Estudios Económicos del Sector Privado. 5