PROGRAMA DE ESPECIALIZACIÓN

ECONOMETRÍA
AVANZADA
TEMARIO
DEL
PROGRAMA

FUNDAMENTOS DE
ECONOMETRÍA 03

MACROECONOMETRIA 06

MICROECONOMETRIA 08

ECONOMETRÍA
FINANCIERA 08

ECONOMETRÍA
BAYESIANA 09

EVALUACIÓN DE
IMPACTO 10
FUNDAMENTOS
DE 4. PROPIEDADES EN MUESTRAS

ECONOMETRÍA FINITAS DEL ESTIMADOR

MCO
a. Insesgadez
1. MODELO CLÁSICO DE Eficiencia: Estimando la varianza
b.
REGRESIÓN LINEAL Eficiencia: Hallando la Hessiana
c.
a. Introducción a la regresión d. MELI: Demostrando insesgadez
b. Ley de expectativas iteradas e. MELI: Demostrando eficiencia
c. Primer supuesto del modelo f. Hallando el estimador de sigma
clásico de regresión lineal cuadrado
d. Segundo supuesto del modelo g. Sigma cuadrado: Insesgadez y
clásico de regresión lineal eficiencia
e. Tercer y cuarto supuesto del h. Comprobación de las propiedades
modelo clásico de regresión lineal usando Python

5. PROPIEDADES EN MUESTRAS
2. EL ESTIMADOR DE MÍNIMOS INFINITAS DEL ESTIMADOR
CUADRADOS ORDINARIOS
MCO
a. Supuestos 1 y 2 del estimador a. Teoría asintótica: Convergencia en
MCO probabilidad
b. Supuesto 3 del estimador MCO b. Teoría asintótica: Convergencia en
c. Derivando el estimador MCO por
distribución
medio del método generalizado c. Teorema de Slutsky y teorema de
de momentos mapeo continuo
d. Derivando el estimador MCO por d. Teorema de Kramer
medio de derivadas parciales e. Ley de los grandes números y
e. Derivando el estimador MCO
teorema del límite central
usando matrices f. Simulación de Montecarlo:
f. Simulaciones en Python
Desarrollo
g. Simulación de Montecarlo:
3. ÁLGEBRA Y GEOMETRÍA Resultados
DE MCO h. Consistencia
a. Geometría de MCO i. Distribución asintótica
b. Matriz hacedora de estimados y
matriz hacedora de residuos
c. Teorema de Frish-Waugh
 9. INFERENCIA
6. EL TRADE-OFF SESGO
a. Prueba de hipótesis: Hipótesis
VARIANZA
nula y test
a. Efectos de omitir una variable b. Prueba de hipótesis: Rechazar la
relevante: Insesgadez hipótesis nula
b. Efectos de omitir una variable c. Prueba de hipótesis: Potencia de
relevante: Consistencia una prueba
c. Efectos de incluir una variable d. Estimador insesgado de la
redundante: Cálculo de la varianza varianza
d. Ley de expectativas iteradas: e. Aplicación del supuesto 4 para
Varianza condicional vs Varianza hallar la distribución de los
no condicional estadísticos
e. Efectos de incluir una variable f. El estadístico t
redundante: Insesgadez y g. El estadístico F: prueba de
Consistencia significancia conjunta
f. Efectos de incluir una variable h. El estimador Mínimos Cuadrados
redundante: Eficiencia Restringidos
i. El estadístico F y el estimador
7. BONDAD DE AJUSTE Mínimos Cuadrados Restringidos

a. Definiciones: Matriz M0 10. EL MODELO GENERAL DE

b. Definiciones: Suma de cuadrados REGRESIÓN LINEAL CON
totales
HETEROCEDASTICIDAD EN
c. Definiciones: Suma de cuadrados LOS ERRORES
estimados y suma de cuadrados
residuales a. ¿Qué es la heterocedasticidad?
d. Definiciones: Suma de cuadrados b. Heterocedasticidad causada por
residuales una formación funcional errada
e. R cuadrado c. Pruebas de Heterocedasticidad: El
f. Efectos de incluir una variable test de Breusch-Pagan
redundante: Suma de cuadrados d. Pruebas de Heterocedasticidad: El
residuales test de White
g. Efectos de incluir una variable e. ¿Por qué es necesario corregir la
redundante: R cuadrado y R f. heterocedasticidad?
cuadrado ajustado Corrección de la
heterocedasticidad: El estimador
de Mínimos Cuadrados
8. MULTICOLINEALIDAD g. Generalizados
a. Multicolinealidad aproximada I Corrección de la
b. Multicolinealidad aproximada II heterocedasticidad: Demostración
usando el software R
11. PROBLEMAS DE
ENDOGENEIDAD i. Test de Heterocedasticidad: Test
de White y Test de
a. ¿Qué es la endogeneidad? Breusch-Pagan-Godfrey
b. Causas de la endogeneidad j. Test de Heterocedasticidad: Otros
c. Corrección de la endogeneidad: tests
Variables instrumentales k. Mínimos Cuadrados Ponderados
d. Pruebas de endogeneidad: Test l. Autocorrelación de los errores:
de Hausman Wu Modelos de series de tiempo
e. Testeo de instrumentos m. Autocorrelación de los errores:
correlacionados con la variable Procesos AR y MA
endógena n. Autocorrelación de los errores:
f. Revisión de papers: Algunos Modelos de series de tiempo
ejemplos de instrumentos o. Autocorrelación de los errores:
g. Revisión de papers: Ejemplos Características de los procesos de
prácticos usando Stata los errores
p. Autocorrelación de los errores:
12. PERTURBACIONES NO
Características de los procesos de
ESFÉRICAS
los errores
a. Modelo de Regresión Lineal q. Autocorrelación de los errores:
b. Generalizado Procesos AR y MA
Estimación por Mínimos r. Autocorrelación en los proceso AR
c. Cuadrados Ordinarios s. Autocorrelación y el estimador
Propiedades del estimador MCO: MCO: Propiedades del estimador
d. Insesgadez y eficiencia MCO
Propiedades asintóticas del t. Autocorrelación y el estimador
estimador MCO: Insesgadez y MCO: Estimador de la matriz de
e. eficiencia Var-Cov
Estimación por Mínimos u. Tests de Autocorrelación: Test
f. Cuadrados Generalizados Breusch-Godfrey o Test LM
El estimador MELI en el MRLG v. Tests de Autocorrelación: Tests de
g. Heterocedasticidad en el Box-Pierce y Ljung-Box
estimador MCO: Insesgadez, w. Tests de Autocorrelación: Test de
consistencia y eficiencia Durbin-Watson y Test h de Durbin
h. Heterocedasticidad en el x. Autocorrelación: Estimación
estimador MCO: El estimador de Eficiente
la matriz de Var-Cov
MACRO-
ECONOMETRÍA d. Trabajando con quiebres
estructurales: Test de múltiples
quiebre estructurales en
1. ANÁLISIS UNIVARIADO I diferencias
e. Cointegración unicuacional: ¿Qué
a. Supuestos es la cointegración?
b. Estimador MCO f. Cointegración unicuacional:
c. Propiedades de las series de Análisis de Cointegración: Engle y
tiempo
Granger y Phillips y Ouliaris
d. Autocorrelación, Estacionariedad y g. Cointegración unicuacional:
modelos ARMA: Series empíricas
Código en EViews
e. Autocorrelación, Estacionariedad y
modelos ARMA: Autocorrelación y
3. ANÁLISIS MULTIVARIADO I
Autocorrelación Parcial
f. Autocorrelación, Estacionariedad y a. Modelos VAR y SVAR: Repaso del
modelos ARMA: Modelos ARMA modelo IS-LM
en EViews b. Modelos VAR y SVAR: El modelo
g. Proyecciones con modelos ARMA: DSGE Keynesiano
Metodología Box-Jenkins c. El modelo VAR estructural y el
h. Proyecciones con modelos ARMA: modelo VAR reducido
Aplicando la metodología d. Esquemas de identificación: La
Box-Jenkins en EViews Identificación Recursiva
i. Paseo Aleatorio y Test de Raíz e. Funciones Impulso Respuesta
Unitaria: Modelos con tendencia, f. Descomposición de la Varianza y
Detrending y Differencing Descomposición Histórica
j. Paseo Aleatorio y Test de Raíz g. Aplicación en EViews: Revisión de
Unitaria: Tests de Raíz Unitaria la Economía con un modelo
k. Paseo Aleatorio y Test de Raíz macroeconómico
Unitaria: Aplicando los tests de h. Aplicación en EViews: Modelo VAR
Raíz Unitaria en EViews Básico
i. Aplicación en EViews: Modelo VAR
2. ANÁLISIS UNIVARIADO II con 3 variables

a. Metodología Box-Jenkins en 4. ANÁLISIS MULTIVARIADO II

EViews: Análisis de
a. Modelo VAR en MatLab: Matrices
estacionariedad
y Descomposición
b. Metodología Box-Jenkins en
b. Modelo VAR en MatLab:
EViews: Selección del modelo y
proyección Funciones Impulso Respuesta
c. Trabajando con quiebres
estructurales: Análisis de la serie
 c. Esquemas de identificación en
MatLab: Restricciones de corto y
largo plazo
d. Esquemas de identificación en
MatLab: Restricciones de signo
e. Simulaciones con modelos VAR en
EViews: PBI de Perú
f. Simulaciones con modelos VAR en
EViews: PBI de China
g. Modelos VEC: Test de normalidad
y estacionariedad
h. Modelos VEC: Test de vectores de
cointegración
i. Modelos VEC: Imposición de
restricciones 6. MODELOS NO LINEALES EN
LA MEDIA
5. MODELOS DE FACTORES
a. Patrones no lineales
LATENTES
b. Modelos Threshold
a. Estimación del PBI Potencial: c. Modelos Switching
Tendencia lineal y tendencia d. Aplicaciones en EViews: Modelos
cuadrática Threshold
b. Estimación del PBI Potencial: e. Aplicaciones en EViews: Modelos
Filtros Hodrick-Prescott, Switching
Baxter-King y f. Aplicaciones en EViews: Gasto
Christiano-Fiztgerald Público asimétrico
c. Estimación del PBI Potencial:
Aplicación en EViews
d. Filtro de Kalman: Explicación del
algoritmo
e. Filtro de Kalman en Matlab:
Modelo univariado
f. Filtro de Kalman en Matlab:
Modelo multivariado
g. Filtro de Kalman en Matlab:
Estimación desconociendo la data
real
h. Filtro de Kalman en Matlab:
Estimación con el modelo de
Clark
 6. MODELOS DE ECUACIONES
SIMULTÁNEAS
MICRO- a. Definición de ecuaciones

ECONOMETRÍA simultáneas
b. Modelos de ecuaciones
simultáneas
1. MODELOS DE ELECCIÓN c. El problema de identificación
DISCRETA: PROBIT Y LOGIT d. Métodos de estimación
a. Variable dependiente discreta
b. Modelo de probabilidad lineal
c. Modelo de probabilidad no lineal:
Función de Verosimilitud
ECONOMETRÍA
d. Modelo de probabilidad no lineal:
Función de enlace
FINANCIERA
e. Bondad de ajuste del modelo
1. INTRODUCCIÓN
2. MODELOS FRACCIONADOS
a. La varianza de los retornos
a. Variables de recuento financieros
b. La transformación log-odds y
transformación logística 2. PROPIEDADES DE LOS
RETORNOS FINANCIEROS
3. MODELOS MULTINOMIALES Y
ORDENADOS a. Evidencia empírica
b. No autocorrelación en los
a. Introducción al modelo
retornos
multinomial
c. Autocorrelación de los retornos al
b. Variable dependiente no
cuadrado
ordenada
d. Clústers de volatilidad y
c. Variable dependiente ordenada
normalidad condicional
e. Leptokurtosis incondicional
4. MODELOS CON VARIABLES f. Recapitulando las propiedades
CENSURADAS Y TRUNCADAS
a. Variables truncadas 3. EL MODELO ARCH
b. Variables censuradas
a. Especificación
5. SESGO DE SELECCIÓN b. Estimación: El algoritmo
Newton-Raphson
a. Definición de sesgo de selección c. Estimación: Modificación de los
b. Presentación formal del sesgo de parámetros
selección d. Test de Engle y Test de Ljung-Box
c. Métodos de estimación e. Modelación de la volatilidad:
Especificación y diagnóstico
 g. Ejemplo usando MatLab:
4. EXTENSIONES UNIVARIADAS Estimación de sigma (beta
conocido)
a. Modelo GARCH
b. Modelo IGARCH y Modelo
2. MODELO DE REGRESIÓN
GARCH-Exo
LINEAL
c. Efectos asimétricos
d. Modelo TARCH a. Modelo bivariado: Distribución de
e. Modelo EGARCH Verosimilitud
f. Modelo APARCH b. Modelo bivariado: Distribución
g. Modelo GARCH-M y Modelo Prior
CGARCH c. Modelo bivariado: Natural
Conjugate Prior
5. NO-NORMALIDAD d. Modelo bivariado Posterior
CONDICIONAL e. Ejemplo en MatLab: Estimación
con Priors analíticas
a. Enfoques paramétrico y f. Ejemplo en MatLab: Estimación
semi-paramétrico con Priors semi-conjugadas
b. Recomendaciones empíricas
c. Aplicaciones
d. Extensiones: Modelos GARCH
3. SIMULACIÓN Y ESTIMACIÓN
Multivariados BAYESIANA
e. Extensiones: Modelo de a. MCMC: Algoritmo Gibbs-Sampler
Volatilidad Estocástica b. MCMC: Algoritmo
Metropolis-Hasting
c. Ejemplo en MatLab:

ECONOMETRÍA Gibbs-Sampling
d. Ejemplo en MatLab:

BAYESIANA Metropolis-Hasting

4. APLICACIONES
1. INTRODUCCIÓN A LA ECONOMÉTRICAS I
ECONOMETRÍA BAYESIANA a. Gestión de portafolios: Portafolio
Black-Litterman
a. El teorema de Bayes
b. Estimación de un modelo VAR
b. Estimación bayesiana y
probabilidad subjetiva
5. APLICACIONES
c. Prior, posterior y verosimilitud
ECONOMÉTRICAS II
d. Prior information y hard
computation a. Modelos DSGE: Simulación del
e. Ejemplo usando MatLab: modelo Neo Keynesiano
Explicación de los códigos b. Modelos DSGE: Introducción a
f. Ejemplo usando MatLab: DYNARE
Estimación de beta (sigma c. Modelos DSGE: Modelo
conocido) Neo-Keynesiano en DYNARE
d. Modelos DSGE: Otros modelos
EVALUACIÓN g. Desafíos de la aleatorización:

DE IMPACTO
tratamientos con criterios de
selección, tamaño de muestra
pequeño e incumplimiento
1. INTRODUCCIÓN A LA
h. Análisis de regresión - Average
EVALUACIÓN DE IMPACTO
Treatment Effect
a. ¿Qué es una evaluación de i. Análisis de regresión -
impacto? Confounding factors:
b. La importancia de evaluar características observables
programas/políticas j. Análisis de regresión -
c. Teoría de cambio y Matriz de Confounding factors: efectos fijos
Marco Lógico k. Análisis de regresión - Sesgo de
d. El contrafactual selección
e. Validez Interna y validez externa l. Tamaño de muestra: Ley de los
f. Validez interna: Identificación del grandes números y Teorema del
impacto límite central
g. Métodos de evaluación de m. Desviación estándar y error
impacto: Método experimental estándar
h. Métodos de evaluación de n. Detección del impacto: Error de
impacto: Variable Instrumental tipo I y Error de tipo II
i. Métodos de evaluación de o. Detección del impacto: Poder
impacto: Matching estadístico
j. Métodos de evaluación de p. Aplicación en Stata - Conociendo
impacto: Propensity Score la data
Matching q. Aplicación en Stata -
k. Métodos de evaluación de Aleatorización por clusters
impacto: Diferencias en r. Aplicación en Stata -
Diferencias Aleatorización por individuo
l. Métodos de evaluación: Regresión s. Aplicación en Stata - Simular la
Discontinua variable outcome
m. Métodos de evaluación: Método t. Aplicación en Stata -
de Control Sintético Independencia entre el
tratamiento y las variables
2. INTRODUCCIÓN A LOS
explicativas
EXPERIMENTOS ALEATORIOS u. Aplicación en Stata - Análisis de
a. Presentación del Módulo línea de base: t test
b. Correlación y causalidad v. Aplicación en Stata - Impacto del
c. Medir causalidad: el contrafactual tratamiento
d. Construir el contrafactual w. Aplicación en Stata - Impactos
e. ¿Qué es la aleatorización? diferenciados
f. Desafíos de la aleatorización: x. Aplicación en Stata - Efectos fijos
contaminación, atrición y dilemas
morales
3. MODELO DE
EMPAREJAMIENTO
a. Métodos cuasi-experimentales: 4. REGRESIÓN DISCONTINUA
ATE a. Origen y background
b. Métodos cuasi-experimentales: El b. Reglas de corte
sesgo de selección c. Esquema de una regresión
c. Introducción al Propensity Score discontinua
Matching d. Introducción a la RD Sharp y
d. Supuestos del PSM Fuzzy
e. ¿Qué es el Puntaje de
Propensión? 5. REGRESIÓN DISCONTINUA
f. Debilidades del PSM SHARP VS FUZZY
g. ¿Cómo generar el Propensity a. RD Sharp: Estimación del modelo
Score?
lineal
h. Generando el PS: Soporte común b. RD Sharp: Modelos lineal con
i. Estimación: Generar el PS
pendientes diferentes y no-lineal
j. Estimación: Emparejamiento, c. RD Sharp: Modelo Generalizado
verificación de balance e impacto d. Validez
k. Aplicación en Stata - Conociendo e. Manipulación de supuestos
la data f. Selección del ancho de banda
l. Aplicación en Stata - El comando g. Diseño
psmatch2 h. Estimación del modelo y validez
m. Aplicación en Stata - Estimación:
Probabilidad de recibir el 6. ANALIZANDO PAPERS CON
tratamiento RDD USANDO STATA Y R
n. Aplicación en Stata - Estimación:
Predicción del tratamiento y a. Revisión del paper - La regla de
soporte común asignación
o. Aplicación en Stata - b. Revisión del paper - Probando los
Estimación:PS usando el supuestos
comando pscore c. Revisión del paper - Resultados
p. Aplicación en Stata - Estimación: d. Replicación en Stata - Primeros
Evaluar la calidad del pasos
emparejamiento e. Replicación en Stata - Revisión de
q. Aplicación en Stata - Estimación: las variables
Emparejamiento no satisfecho f. Replicación en Stata - Testeando
r. Aplicación en Stata - Estimación: el supuesto de continuidad de las
Hallar el efecto con distintos covariables
métodos de emparejamiento g. Replicación en Stata - Conociendo
s. Aplicación en Stata - Estimación: el comando rdrobust
Hallar el efecto sobre diferentes
outcomes
 g. Replicación en Stata - Estimación
del efecto: especificación básica
h. Replicación en Stata - Estimación
de los efectos: Seleccionando el
ancho de banda y controles
i. Replicación en Stata - Test de
placebo

7. MÉTODO DE CONTROL
SINTÉTICO (MCS)
a. Introducción
b. Método de control sintético vs.
Método de Diferencias en
diferencias
c. Estimación
d. Credibilidad, robustez y prueba
de diagnóstico
e. Ventajas y desventajas
f. Analizando papers: Almer y
Winkler (2017)
g. Analizando papers: Pinotti (2015)
h. Analizando papers: Abadie et al.
(2015)
i. Método de Control Sintético en
Stata
 PLANA DOCENTE

CARLOS FLAVIO
GUEVARA PÉREZ

Investigador miembro Especialista en

del Equipo de Análisis programa monetario
Macroeconómico del del Banco Central de
Banco Interamericano de Reserva del Perú
Desarrollo (BID, [Link])

MARÍA VICTOR
REYNA GAMARRA

Especialista de Magíster en políticas

indicadores de la públicas de la
actividad económica Universidad de
del Banco Central de Chicago (Estados
Reserva del Perú Unidos)
 e s t ra h i sto r i a ,
“ N u
i e n c i a , c a l i d a d
ex p e r
i g i o n o s
y prest
r e s p a l d a ”

Para mayor información escríbenos al

+51 931 819 556
info@[Link]
www. [Link]
Avenida Larco Herrera 3935, Los Olivos.