Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
SLABO
Curso ECONOMETRA I EO3229
Horas de Clase Semanal Teora: 4 Prctica: 2
Crditos 5
Requisitos Estadstica III; Macroeconoma I
Plan de Estudios 2015
Docentes y aulas CISNEROS GARCA, Juan Manuel Eliud 210-D
1. Sumilla
Modelo lineal general. Inferencia del modelo lineal. Pruebas de hiptesis. Modelo en
desviaciones de media. Violacin de los supuestos de la regresin clsica. La
multicolinealidad. Modelos con variables cualitativas, variables Dummy. Variables
dependientes rezagadas. Modelos con rezagos distribuidos. Modelos con errores en las
variables. Mnimos cuadrados generalizados: Heteroscedasticidad. Autocorrelacin.
Estimacin y prediccin. Modelo de ecuaciones simultneas: Mtodos de estimacin.
Mnimos cuadrados indirectos. Variables instrumentales. Mnimos cuadrados en dos y
tres etapas.
2. Objetivos
Proporcionar al estudiante la formacin terica y prctica para disear e implementar
estudios que involucren modelos de regresin, as como leer, entender, analizar, evaluar
Que el alumno sea capaz de aplicar la teora estadstica y economtrica para el anlisis y
resolucin de los problemas de la economa en general.
3. Contenido calendarizado
1. semana
Introduccin. Definicin de Econometra. Objeto y mtodo de la investigacin
economtrica. Relacin entre variables econmicas y correlacin espuria. Repaso de
algebra matricial, teora de probabilidad y teora de la distribucin e inferencia
estadstica.
2. semana
Modelo de regresin lineal mltiple. Supuestos. Estimacin por el mtodo de mnimos
cuadrados ordinarios (MCO). Supuestos. Propiedades del estimador MCO. Interpretacin
geomtrica. El teorema de Gauss Markov. Medida de bondad de ajuste del modelo (R-
cuadrado y R-cuadrado ajustado). Pruebas de hiptesis de primer orden (t, F).
Incorporacin de no-linealidades. Prediccin. Ejercicios. Aplicaciones con software
estadstico.
3. semana
Aplicaciones a la Economa: Ecuacin de Mincer. Violacin de supuestos clsicos. La
multicolinealidad como problema de la informacin muestral y sus consecuencias. Test
4. semana
Modelos Dinmicos: Variables dependientes rezagadas. Esquemas finitos e infinitos.
2
5. semana
Modelos con errores en las variables. Regresores estocsticos. Variables instrumentales.
Aplicaciones.
6. semana
Autocorrelacin. Causas, consecuencias de utilizar MCO y MV en presencia de
autocorrelacin. Test para deteccin. Correccin del problema. Aplicaciones.
7. semana
Modelos de eleccin binaria. Modelo Lineal de Probabilidad. Modelos Logit, Probit y
Tobit.
8. semana
Introduccin a los Modelos con Datos de panel. Aplicaciones.
4. Metodologa
Estar basada en la exposicin del docente segn la programacin establecida. Se
5. Evaluacin
Primer Examen Parcial 33,3%
3
Los tres Exmenes Parciales se realizarn slo bajo la modalidad de evaluacin escrita
y presencial en las fechas programadas por la EAPE.
La Evaluacin Continua tiene por finalidad estimar los conocimientos, aptitudes y
rendimiento del estudiante durante el desarrollo del curso, se consideran
intervenciones orales, prcticas calificadas, controles de lectura, tareas domiciliarias,
trabajos monogrficos y exposiciones; las ponderaciones correspondientes son
potestad del docente del curso.
6.1. Asistencia
El estudiante que dejara de asistir a ms del 30% del total de horas establecidas
para el desarrollo del curso estar automticamente desaprobado, y obtendr
una calificacin final igual a cero (0).
6.2. Exmenes
La presencia y rendicin de los tres exmenes parciales programados por la EAPE
son parte de los derechos y deberes de todo estudiante.
Ninguno de los tres exmenes parciales puede ser sustituido por alguna otra
actividad acadmica: trabajo domiciliario, examen virtual, otra evaluacin escrita
u oral, entre otros.
Las calificaciones obtenidas en los exmenes parciales no pueden ser eliminadas,
ni modificadas, ni sustituidas por ningn motivo.
Durante los exmenes parciales o en cualquier evaluacin presencial, el alumno
que sea sorprendido usando material acadmico no autorizado por el docente del
curso, solicitando o comunicando informacin verbal, escrita, electrnica y por
otros medios, ser desaprobado en tal evaluacin con calificacin igual a cero (0).
La suplantacin en cualquier evaluacin presencial implica automticamente una
7. Bibliografa
Bibliografa bsica.
Mendoza, W. (2014). Cmo investigan los economistas Gua para elaborar y desarrollar
un proyecto de investigacin. Lima: Fondo Editorial de la Pontificia Universidad
Catlica.
Rice, J. (1995). Mathematical statistics and data analysis. 2 ed. California: Duxbury
Bibliografa 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.
Card, D. (1993). Using geographic variation in college proximity to estimate the return to
schooling. NBER Working Papers N 4483, National Bureau of Economic Research.
Hsiao, C. (2003). Panel data models. En: Baltagi, B. (ed.). A companion to theoretical
econometrics. Oxford: Blackwell Publishing, 349-365.
Ptscher, 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-country
growth empirics. Technische Universitt Darmstadt. Mimeo.
Sala-I-Martin, X. (1997). I just ran two million regressions. The American Economic
Review, 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 Economic
Perspectives, 28(2), 3-28.