UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
(Universidad del Perú, DECANA DE AMÉRICA)
FACULTAD DE CIENCIAS ECONÓMICAS
ESCUELA ACADEMICA PROFESIONAL DE ECONOMÍA
ECONOMETRÍA II
Docente: Dr. Héctor Javier Bendezú Jiménez
2
Docente
Dr. Héctor Javier Bendezú Jiménez
• Economista, egresado de la UNMSM.
• Doctor en economía internacional y desarrollo – Universidad
Complutense de Madrid (UCM).
• Master en cooperación al desarrollo – IUDC.
• Diversos cursos de especialización en alta dirección, gestión
de proyectos, entre otros.
• Más de 20 años de trabajo en organismos de desarrollo en
América Latina, África y Asia.
• Actualmente es asesor de la alta dirección de un municipio
distrital de Lima.
3
OBJETIVOS
Al finalizar el curso, los alumnos serán capaces de manejar
diversas técnicas econométricas para el planteamiento de
modelos econométricos: modelos de volatilidad, panel data y
series de tiempo. Permitiéndoles la comprensión y la posibilidad
de plantear posibles alternativas de solución a problemas
económicos.
Brindar a los alumnos, una visión del uso de series de tiempo,
modelos de elección discreta y panel data: su utilidad,
potencialidades y limitaciones en el contexto de la economía
peruana, latinoamericana y mundial.
El curso consta de una parte práctica que permitirá a los
alumnos el manejo inicial de los programas Stata, Python y R.
Se facilitaran diversas herramientas para el desarrollo de un
trabajo de fin de curso que posteriormente les servirá para el
desarrollo de tesis de grado.
4
CONTENIDOS
Los contenidos están organizados en cuatro unidades didácticas que son
las siguientes:
Introducción.
Unidad 1: Algoritmos de Optimización.
Unidad 2: Modelo de Elección Discreta (Logit, Probit, Modelo Lineal de
Probabilidad).
Unidad 3: Series de Tiempo: Modelos AR, MA, ARMA, VAR, Vectores
Autorregresivos, GARCH y Modelos No Lineales
Unidad 4: Modelos de Datos de Panel: Efectos Fijos y Efectos Aleatorios
EXPOSICIONES INDIVIDUALES – TRABAJOS GRUPALES
5
Normas internas en el aula virtual
Horario:
Viernes de 17 hrs am a 19 hrs.
Sábados de 14.00 hrs a 16.00 hrs
• Refrigerio de 15 minutos. (cada hora)
ASISTENCIA:
+ 30% de inasistencias del total de las horas
establecidas para el desarrollo del curso estará
automáticamente DESAPROBADO, y obtendrá
una calificación final igual a CERO.
Junio – Setiembre
6
Normas internas en el aula virtual
PUNTUALIDAD PARTICIPATIVO RESPETO MUTUO
USO DE WEBCAM SILENCIO DE
MICROFONOS
Apoyo de un delegado/a
7
Sílabo
8
Calificación
PROMEDIO PONDERADO
Primer examen
parcial
▪ Asistencias.
▪ Participación.
▪ Entrega de Tarea.
25%
25% Examen final
Evaluación continua:
25%
25%
Trabajo grupal (Clases)
9
Metodologías de aprendizaje
Laboratorio Práctico
(Aplicación de lo Clases magistrales
aprendido en clase)
Tareas y Trabajo de fin de
curso
Las metodologías buscan involucrar a los alumnos en la profundización
de lo expuesto en clase, no solo entendiendo los aspectos
matemáticos detrás de las estimaciones, sino aplicándolas en distintos
casos a través de los softwares Stata, R y Python que se utilizarán a lo
largo del curso.
Se invita a los participantes a reflexionar sobre los retos
actuales y a extraer conclusiones que luego apliquen en
su vida profesional.
1
0
DUDAS O INQUIETUDES
PRESENTACIÓN DE PARTICIPANTES
1
1
ECONOMETRÍA II
1
Algoritmos Numéricos de Optimización 2
I. Introducción
• En economía se usan en los problemas de optimización
generalmente tienen la estructura lineal-cuadrática (cuadrática en la
función objetivo y lineal en la restricción).
• En este caso, las condiciones de optimalidad local (derivadas de
primer orden) son lineales en los parámetros a estimar, pudiéndose
obtener soluciones numéricas en el punto estacionario de la función
objetivo.
• La matriz de segundas derivadas de la función objetivo (matriz
Hessiana) determina si dicho punto estacionario es un máximo local,
mínimo local o un punto silla).
• En econometría se optimiza una función objetivo (minimizar suma de
residuos o maximizar la función de verosimilitud). No obstante, casi
nunca poseen la estructura lineal-cuadrática. Es entonces que las
condiciones de optimalidad no son lineales y no se puede obtener
soluciones analíticas numéricas.
1
Algoritmos Numéricos de Optimización 3
1
Algoritmos Numéricos de Optimización 4
1
Algoritmos Numéricos de Optimización 5
1
Algoritmos Numéricos de Optimización 6
1
Algoritmos Numéricos de Optimización 7
El objetivo de todos los algoritmos es llegar a
estimar los parámetros que minimicen de la
función a optimizar
• Algoritmo de Búsqueda
• Algoritmo del Descenso más rápido
• Algoritmo de Newton-Raphson
- NR: Estimación por Mínimos Cuadrados
- Estimación por Máxima Verosimilitud
• Algoritmo de Scoring
• Algoritmo de Gauss-Newton
1
Algoritmo de Búsqueda 8
1
Algoritmo del Descenso más Rápido 9
2
Algoritmo del Descenso más Rápido 0
2
Algoritmo de Newton-Raphson 1
2
Algoritmo de Newton-Raphson 2
2
Algoritmo de Newton-Raphson - MCO 3
2
Algoritmo de Newton-Raphson - MCO 4
2
Máx. Verosimilitud 5
2
Máx. Verosimilitud 6
2
Algoritmo de Newton-Raphson – Máx. Verosimilitud 7
2
Algoritmo de Newton-Raphson – Máx. Verosimilitud 8
Consideraciones:
• Con funciones no lineales que tienen múltiples máximos y mínimos
locales, si el algoritmo converge, no se sabrá fácilmente si se ha
alcanzado un mínimo local o global, a menos que lo sepamos de
antemano. Por tanto, es recomendable probar distintos puntos
iniciales. De alcanzarse distintos mínimos, se escoge aquel que sea el
menor entre los demás, si converge al mismo punto intentando varios
puntos iniciales, se tiene mayor seguridad de haber alcanzado el mínimo
global.
2
Algoritmo de Newton-Raphson – Máx. Verosimilitud 9
3
Algoritmo de Newton-Raphson – Máx. Verosimilitud 0
El algoritmo ha llegado a un punto estable
El vector gradiente se aproxima a cero
El valor de la función no disminuye de modo apreciable
3
Algoritmo de Scoring 1
3
Algoritmo de Gauss-Newton 2
3
Algoritmo de Gauss-Newton 3
