Sílabo Econometria I. Cisneros García, Juan Manuel. 2016-0

8/17/2019 Sílabo Econometria I. Cisneros García, Juan Manuel. 2016-0

1/8

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS(Universidad del Perú, DECANA DE AMÉRICA)FACULTAD DE CIENCIAS ECONÓMICASESCUELA ACADÉMICO PROFESIONAL DE ECONOMÍA

Semestre Académico 2016-0

SÍLABOCurso ECONOMETRÍA I EO3229Horas de Clase Semanal Teoría: 4 Práctica: 2Créditos 5Requisitos Estadística III; Macroeconomía IPlan de Estudios 2015Docentes y aulas CISNEROS GARCÍA, Juan Manuel Eliud 210-D

1. Sumilla

Modelo lineal general. Inferencia del modelo lineal. Pruebas de hipótesis. Modelo endesviaciones de media. Violación de los supuestos de la regresión clásica. Lamulticolinealidad. Modelos con variables cualitativas, variables Dummy. Variablesdependientes rezagadas. Modelos con rezagos distribuidos. Modelos con errores en lasvariables. Mínimos cuadrados generalizados: Heteroscedasticidad. Autocorrelación.Estimación y predicción. Modelo de ecuaciones simultáneas: Métodos de estimación.

Mínimos cuadrados indirectos. Variables instrumentales. Mínimos cuadrados en dos ytres etapas.

2. ObjetivosProporcionar al estudiante la formación teórica y práctica para diseñar e implementarestudios que involucren modelos de regresión, así como leer, entender, analizar, evaluary aplicar la literatura que use el análisis del modelo de regresión lineal.

Que el alumno sea capaz de aplicar la teoría estadística y econométrica para el análisis yresolución de los problemas de la economía en general.

Al concluir el semestre el alumno elaborará una monografía (que será objeto deexposición), en la cual muestre un adecuado balance entre los fundamentos de la teoríaeconómica y el uso de las técnicas y métodos que se desarrollaron en el curso.


2/8

UNMSM Facultad de Ciencias EconómicasEscuela Académico Profesional de Economía (EAPE)

3. Contenido calendarizado

1.ª semanaIntroducción. Definición de Econometría. Objeto y método de la investigacióneconométrica. Relación entre variables económicas y correlación espuria. Repaso dealgebra matricial, teoría de probabilidad y teoría de la distribución e inferenciaestadística.

Modelo de regresión lineal bivariado. Supuestos. Estimación por el método de mínimoscuadrados ordinarios (MCO). Supuestos. Propiedades del estimador MCO. Medida debondad de ajuste del modelo (R-cuadrado). Predicción.

2.ª semanaModelo de regresión lineal múltiple. Supuestos. Estimación por el método de mínimoscuadrados ordinarios (MCO). Supuestos. Propiedades del estimador MCO. Interpretacióngeométrica. El teorema de Gauss – Markov. Medida de bondad de ajuste del modelo (R-cuadrado y R-cuadrado ajustado). Pruebas de hipótesis de primer orden (t, F).Incorporación de no-linealidades. Predicción. Ejercicios. Aplicaciones con softwareestadístico.

Pruebas de hipótesis: de significancia estadística, de restricciones lineales e imposiciónde parámetros (Test de Wald, Razón de Verosimilitud y Multiplicadores de Lagrange).Aplicaciones. Modelo en desviaciones de media. Coeficientes de correlación parcial.Predicción utilizando el modelo de regresión múltiple. Formulación matricial. Predicción(promedio y de un valor individual).

3.ª semanaAplicaciones a la Economía: Ecuación de Mincer. Violación de supuestos clásicos. Lamulticolinealidad como problema de la información muestral y sus consecuencias. Testpara detección de multicolinealidad: Farrar Glauber, ortogonalidad, síndrome demulticolinealidad. Corrección del problema: regresión cresta, regresión porcomponentes principales.

Test de estabilidad de parámetros, Chow. Cambios discretos, continuos. Modelos convariables independientes cualitativas (variables dummy) y polinomios segmentados.Aplicaciones.

4.ª semanaModelos Dinámicos: Variables dependientes rezagadas. Esquemas finitos e infinitos.Normalidad de las perturbaciones. Aplicaciones.

Primer Examen Parcial


3/8


5.ª semana

Modelos con errores en las variables. Regresores estocásticos. Variables instrumentales.Aplicaciones.

Mínimos Cuadrados Generalizados (MCG): Heteroscedasticidad. Causas, consecuencias.Test para detección. Corrección del problema. Aplicaciones.

6.ª semanaAutocorrelación. Causas, consecuencias de utilizar MCO y MV en presencia deautocorrelación. Test para detección. Corrección del problema. Aplicaciones.

Métodos de estimación I: Mínimos cuadrados ordinarios. Mínimos cuadrados indirectos.Aplicaciones. Método de estimación II: Variables instrumentales. Mínimos Cuadrados endos etapas. Aplicaciones.

7.ª semanaModelos de elección binaria. Modelo Lineal de Probabilidad. Modelos Logit, Probit yTobit.

Test de especificación y bondad de ajuste en los ´Modelos de Elección Binaria.Aplicaciones.

8.ª semanaIntroducción a los Modelos con Datos de panel. Aplicaciones.

Segundo Examen Parcial

4. Metodología

Estará basada en la exposición del docente según la programación establecida. Sefomentará la participación activa de los estudiantes. El desarrollo de los temascombinará el análisis lógico, el uso de gráficos, la formalización matemática y laexplicación verbal, entendiendo que estos aspectos en conjunto permiten una mayorrigurosidad académica.

El material bibliográfico recomendado en su mayoría estará en idioma español, noobstante se recomienda contar con un nivel de lectura medio del idioma inglés.

5. Evaluación

Primer Examen Parcial 33,3%Segundo Examen Parcial 33,3%Evaluación Continua 33,3%


4/8


La calificación final del curso se obtendrá calculando la media aritmética considerandolos rubros indicados con las ponderaciones respectivas, no se recurrirá a la campana deGauss u otra modalidad.

Los tres Exámenes Parciales se realizarán sólo bajo la modalidad de evaluación escritay presencial en las fechas programadas por la EAPE.

La Evaluación Continua tiene por finalidad estimar los conocimientos, aptitudes yrendimiento del estudiante durante el desarrollo del curso, se consideranintervenciones orales, prácticas calificadas, controles de lectura, tareas domiciliarias,trabajos monográficos y exposiciones; las ponderaciones correspondientes sonpotestad del docente del curso.

6. Políticas del curso

6.1. Asistencia El estudiante que dejara de asistir a más del 30% del total de horas establecidas

para el desarrollo del curso estará automáticamente desaprobado, y obtendráuna calificación final igual a cero (0).

6.2. Exámenes La presencia y rendición de los tres exámenes parciales programados por la EAPE

son parte de los derechos y deberes de todo estudiante. Ninguno de los tres exámenes parciales puede ser sustituido por alguna otra

actividad académica: trabajo domiciliario, examen virtual, otra evaluación escritau oral, entre otros.

Las calificaciones obtenidas en los exámenes parciales no pueden ser eliminadas,ni modificadas, ni sustituidas por ningún motivo. Durante los exámenes parciales o en cualquier evaluación presencial, el alumno

que sea sorprendido usando material académico no autorizado por el docente delcurso, solicitando o comunicando información verbal, escrita, electrónica y porotros medios, será desaprobado en tal evaluación con calificación igual a cero (0).

La suplantación en cualquier evaluación presencial implica automáticamente unacalificación igual a cero (0) en el rubro Evaluación Continua, tanto para elsuplantado, como para el suplantador si este último fuese estudiante de laFacultad.

El estudiante que no haya rendido un examen parcial en la fecha programada porla EAPE, tendrá un plazo de 48 horas para justificar de manera escrita ydocumentada su inasistencia, dirigida a la Dirección de la EAPE, ésta evaluará losmotivos e informará al docente del curso sobre el tema; será potestad de éstedecidir si realiza la evaluación extemporánea correspondiente. La EAPE noconsiderará solicitudes de justificación respecto a exámenes realizados en fechasdistintas a las programadas.

6.3. Trabajos monográficos


5/8


El plagio no es aceptado por ninguno de los miembros de la comunidaduniversitaria de la UNMSM. El plagio es delito, está sancionado penalmentesegún las normas jurídicas peruanas.

La presentación de trabajos monográficos plagiados de parte de algún estudiante,

copias parciales o totales de obras de otros autores intentando hacer creer quequien plagia es el verdadero autor, obtenidos por medios escritos o electrónicos,generará que el estudiante involucrado automáticamente obtenga como nota delrubro Evaluación Continua la calificación igual a cero (0).

6.4. Desarrollo del curso Cualquier estudiante matriculado en el curso tiene el derecho y deber de

informar a la EAPE sobre el adecuado desarrollo de éste: cumplimiento de losaspectos planteados en el sílabo, temario y exámenes, asistencia del docente acargo del curso, entre otros.

El ayudante de cátedra debidamente registrado en la EAPE es la única personaque puede realizar el desarrollo de parte del temario del curso, ello únicamentedurante el tiempo correspondiente a las horas de prácticas, sólo si el curso lastuviese asignadas. Cualquier otra situación se calificará como suplantación de lasactividades del docente.

7. Bibliografía

Bibliografía básica.

Díaz, M. y Llorente, M. (2003). Econometría. 2ª ed. Madrid: Pirámide.

Fernández, A. (2005). Econometría. 7ª ed. Madrid: Pearson Educación.

García, L. (2015). Econometría 1. Lima: Fondo Editorial de la Pontificia UniversidadCatólica.

Greene, W. (2011). Análisis econométrico. 7ª ed. Madrid: Prentice-Hall.

Griffiths, W. (2003). Heteroskedasticity. En: Baltagi, B. (ed.). A companion to theoretical

econometrics. Oxford: Blackwell Publishing, 82-100.

Gujarati, D. (2004). Econometría. 4ª ed. Bogotá: McGraw-Hill.

Hayashi, F. (2000). Econometrics. New Jersey: Princeton University Press.

Hernández, J. y Zúñiga, J. (2013). Modelos econométricos para el análisis económico.Madrid: Esic Editorial.


6/8


Johnston, J. (1980). Métodos de econometría. 3ª ed. Barcelona: Vicens-Vives.

Johnston, J. y DiNardo, J. (2001). Métodos de econometría. Barcelona: Vicens Vices.

Maddala, G. (1996). Introducción a la econometría. México, D.F.: Prentice-HallHispanoaméricana.

McCloskey, D. y Ziliak, S. (1996). The standard error of regressions. Journal of EconomicLiterature, 34, 97-114.

Mendoza, W. (2014). Cómo investigan los economistas Guía para elaborar y desarrollarun proyecto de investigación. Lima: Fondo Editorial de la Pontificia UniversidadCatólica.

Navarro, A. (2005). Reflexiones sobre el estado actual de la metodología de laeconometría. En: Marchionni, M. (Ed.). Progresos en econometría. Buenos Aires:Temas Grupo Editorial; Asociación Argentina de Economía Política, 5-26.

Novales, A. (1993). Econometría. 2ª ed. Madrid: McGraw-Hill/Interamericana.

Novales, A. (2009). La enseñanza de la econometría en el espacio europeo de estudiossuperiores. Departamento de Economía Cuantitativa, Universidad Complutense.Mimeo.

Ponce, F. (2015). Econometría básica para la investigación teórica y empírica . Notas de

Clase de Curso de Capacitación Docente. Lima: Facultad de Ciencias Económicas,Universidad Nacional Mayor de San Marcos. Mimeo.

Pulido, A. y Pérez, J. (2000). Modelos econométricos. Madrid: Pirámide.

Rice, J. (1995). Mathematical statistics and data analysis. 2ª ed. California: DuxburyPress.

Sosa-Escudero, W. (1999). Tópicos de econometría aplicada. Trabajo Docente N°2. LaPlata: Universidad Nacional de La Plata.

Sosa-Escudero, W. (2002). Applied econometrics. University of Illinois at Urbana-Champaign. Mimeo.

Sosa-Escudero, W. (2005). Perspectivas y avances recientes en regresión por cuantiles.En: Marchionni, M. (Ed.). Progresos en econometría. Buenos Aires: Temas GrupoEditorial; Asociación Argentina de Economía Política, 101-138.


7/8


Stock, J. y Watson, M. (2012). Introducción a la econometría. 3ª ed. Madrid: PearsonEducación.

Wooldridge, J. (2010). Introducción a la econometría. Un enfoque moderno. 4ª ed.

México, D.F.: Cencage Learning.

Bibliografía Complementaria

Angrist, J. y Krueger, A. (2001). Instrumental variables and the search for identification:from supply and demand to natural experiments. Journal of Economic Perspectives,15(4), 69-85.

Becker, W. y Greene, W. (2001). Teaching statistics and econometrics to undergraduates. Journal of Economic Perspectives, 15(4), 169-182.

Card, D. (1993). Using geographic variation in college proximity to estimate the return toschooling. NBER Working Papers N° 4483, National Bureau of Economic Research.

Hill, R. y Adkins, L. (2003). Collinearity. En: Baltagi, B. (ed.). A companion to theoreticaleconometrics. Oxford: Blackwell Publishing, 256-278.

Castro, J. y Rivas-Llosa, R. (2003). Econometría aplicada. Lima: Universidad del Pacífico.

Chen, B y Pearl, J. (2013). Regression and causation: a critical examination of six

econometrics textbooks. Real World Economics Review , 65, 2-20.

Court, E. y Rengifo, E. (2011). Estadísticas y econometría financiera. Buenos Aires:Cencage Learning Argentina; Fordham University; Centrum Pontificia UniversidadCatólica del Perú.

Deaton, A. (1997). The analysis of household surveys. Baltimore: Johns HopkinsUniversity Press for the World Bank.

Hsiao, C. (2003). Panel data models. En: Baltagi, B. (ed.). A companion to theoretical

econometrics. Oxford: Blackwell Publishing, 349-365.

Larios, J.; Álvarez, V. y Quineche, R. (1996). Fundamentos de econometría. Lima: FondoEditorial de la Universidad San Ignacio de Loyola.

Novales, A. (2009). Las interrelaciones entre investigación y docencia en economíaaplicada. Revista electrónica sobre la enseñanza de la economía pública, 6, 20-37.


8/8


Pichihua, J. (2003). Econometría: teoría y aplicaciones. Lima: Universidad NacionalAgraria La Molina.

Pötscher, B. y Prucha, I. (2003). Basic elements of asymptotic theory. En: Baltagi, B. (ed.).

A companion to theoretical econometrics. Oxford: Blackwell Publishing, 201-229.

Rehme, G. (2007). Why run a million regressions? Endogenous policy and cross-countrygrowth empirics. Technische Universität Darmstadt. Mimeo.

Rosales, R.; Perdomo, J.; Morales, C. y Urrego, J. (2013). Fundamentos de econometríaintermedia. Bogotá: Universidad de los Andes, Facultad de Economía, Centro deEstudios sobre Desarrollo Económico; Ediciones Uniandes.

Sala-I-Martin, X. (1997). I just ran two million regressions. The American EconomicReview , 87 (2), 178-183.

Sala-I-Martin, X. (1997). I just ran four million regressions. NBER Working Paper Series N°6252. Massachusetts: National Bureau of Economic Research.

Varian, H. (2014). Big data: new tricks for econometrics. Journal of EconomicPerspectives, 28(2), 3-28.

Wooldridge, J. (2003). Diagnostic testing. En: Baltagi, B. (ed.). A companion to theoreticaleconometrics. Oxford: Blackwell Publishing, 180-200.

Documents

Sílabo Econometria I. Cisneros García, Juan Manuel. 2016-0