SYLABUS DE ECONOMETRIA

OBJETIVO

El objetivo del curso es presentar de manera formal e intuitiva la teora economtrica

bsica y su aplicacin a los diversos temas de la macroeconoma, microeconoma,
teora monetaria, teora del crecimiento, entre otras.
Al finalizar el curso, el alumno ser capaz de evaluar la validez emprica de diversos
modelos propuestos por la teora econmica. Adems, contar con los conocimientos
bsicos necesarios para continuar estudios de econometra avanzada: series de
tiempo, corte transversal y datos de papel.

METODOLOGIA

El curso estar compuesto por dos bloques:

a) Clases tericas
Destinadas a la presentacin de la teora econometrita bsica. Al finalizar cada
tema, se realizarn aplicaciones de la teora a fenmenos econmicos,
concentrndose en el caso peruano.

b) Laboratorios dirigidos
Destinados a la aplicacin de la teora economtrica a datos simulados y
econmicos, a travs del uso del paquete economtrico Eviews.

SISTEMA DE EVALUACION

1. Simulacro Examen tipo

CONTENIDO DEL CURSO

PARTE I: INTRODUCCION

1. Qu es la econometra?
1.1. Las variables econmicas y los datos.
1.2. Relaciones determinsticas y estocsticas.
1.3. Definicin de econometra.
1.4. Breve historia de la econometra.
2. Elementos bsicos de la teora de probabilidades
2.1. Distribuciones de las probabilidades.
2.2. La esperanza matemtica. Incondicional y condicional
2.3. Independencia estocstica.
2.4. La distribucin normal.

3. Coeficiente de correlacin y correlaciones espreas.

3.1. El coeficiente de correlacin.
3.2. Series de tiempo y correlaciones espreas.
3.3. Corte transversal y correlaciones espreas.
3.4. Aplicaciones: Caso peruano.

4. El modelo de regresin lineal clsico

4.1. Introduccin.
4.2. El modelo de regresin lineal.
4.3. Los supuestos clsicos.

PARTE II: ESTIMACIN, INFERENCIA Y PREDICCIN EN EL MODELO DE

REGRESION LINEAL CLASICO

1. Estimacin por MCO en el MRLC

1.1. Elementos bsicos de teora de muestreo.
1.1.1. Muestreo finito.
1.1.2. Muestreo asinttico o infinito.
1.2. Estimacin en el MRLC2. Aplicaciones.
1.3. Estimaciones en el MRLCK. Aplicaciones.

2. Inferencia en el MRLC
2.1. Elementos bsicos de la inferencia estadstica.
2.2. Inferencia en el MRLC2. Aplicaciones.
2.3. Inferencia en el MRLCK. Aplicaciones.

3. Prediccin en el MRLC.
3.1. Elementos bsicos de prediccin estadstica
3.2. Predicciones en el MRLC2. Aplicaciones
3.3. Predicciones en el MRLCK. Aplicaciones
4. Aplicaciones Generales

PARTE III: EXTENSIONES DEL MODELO LINEAL CLASICO

1. Metodologas de estimacin alternativas a la de Mnimos Cuadrado

Ordinarios.
1.1. Mxima Verosimilitud (MV)
1.2. Mnimos cuadrados generalizados (MCG)
1.3. Mtodos de momento (MM)
1.4. Variables instrumentales (VI)

2. Variables ficticias o Dummy

2.1. Introduccin.
2.2. V.D. como regresores.
2.3. V.D como dependientes: Introduccin a modelos de eleccin discreta.
2.3.1. Modelos de probabilidad lineal.
2.3.2. Modelos Probit.
2.3.3. Modelos Logia.
2.4. Aplicaciones.

3. Introduccin a las series de tiempo.

3.1. Procesos estacionarios AR (p), MA (q) Y ARMA (p,q).
3.2. Procesos no estacionarios: series Races Unitarias y Explosivas.
3.3. Pruebas de Dickey Fuller para Races Unitarias.
3.4. Aplicaciones.

PARTE 4: INCUMPLIMIENTO DE LOS SUPUESTOS DEL MOEDLO DE

REGESIN LINEAL CLSICO

1. Multicolinealidad
1.1. Problemas con los estimadores MCO.
1.2. Deteccin del problema: Contrastes de Multicolinealidad.
1.3. Posibles soluciones.
1.4. Aplicaciones.

2. Regresores Equivocados: Variables Omitidas y Redundantes

2.1. Problemas con los estimadores MCO.
2.2. Deteccin del Problema.
2.3. Posibles soluciones.
2.4. Aplicaciones.

3. No Linealidad.
3.1. 3.1. Problemas con los estimadores MCO.
3.2. Deteccin del Problema.
3.3. Posibles soluciones.
3.4. Aplicaciones.

4. Parmetros Cambiantes
4.1. 4.1 Problemas con los estimadores MCO.
4.2. Deteccin del Problema.
4.3. Posibles soluciones.
4.4. Aplicaciones.

5. Perturbaciones con Valor Esperado No Nulo.

5.1. 5.1. Problemas con los estimadores MCO.
5.2. Deteccin del Problema.
5.3. Posibles soluciones.
5.4. Aplicaciones.

6. Heterocedasticidad
6.1. 6.1. Problemas con los estimadores MCO.
6.2. Deteccin del Problema: Contrastes de Heterocedasticidad.
6.3. Posibles soluciones.
6.4. Aplicaciones.

7. Autocorrelacin
7.1. Problemas con los estimadores MCO.
7.2. Deteccin del Problema: Contrastes de Autocorrelacin
7.3. Posibles soluciones.
7.4. Aplicaciones.

8. Regresores Estocsticos
8.1. Introduccin.
8.2. Problemas con los estimadores MCO. Modelos Autorregresivos,
Ecuaciones simultneas y Errores en las variables.
8.3. Deteccin del Problema. Contraste de Haussman
8.4. Posibles soluciones.
8.5. Aplicaciones.

9. Ecuaciones Simultneas.
9.1. Introduccin.
9.2. Forma reducida y estructural: El problema de Identificacin.
9.3. Estimacin de MCO: Problema de Regresores Estocsticos.
9.4. Estimadores Alternativos: MC2E, VI, MC3E

10. Aplicaciones Generales.

10.1. Anlisis de series de tiempo multiecuacional (Parte 1)
10.2. La metodologa de los vectores autorregresivos (VAR): Estimacin.
Principales aplicaciones prcticas. La funcin impulso-respuesta y la
descomposicin de la varianza. El VAR estructural: procedimientos
alternativos a la descomposicin de Choleski; otros tipos de restricciones
de identificacin del sistema..
10.3. Anlisis de series de tiempo multiecuacional (Parte 2), Cointegracin y
modelos de correccin de errores: metodologa de Engle y Granger, test de
Johansen.
10.4. Modelos de datos de panel: Los modelos de efectos fijos y efectos
aleatorios. Estimacin por MICO: estimadores within, between y sus
propiedades. Estimacin por MCG: el estimador de MCG factible y sus
propiedades.
10.5. Variables dependientes discretas: El modelo de probabilidad lineal. La
estimacin Probit y Logit. Modelos multinomiales y las diferentes
especificaciones de la variable dependiente. Bondad de ajuste.
Aplicaciones.
10.6. Variables dependientes limitadas: Los modelos de muestras truncadas y
censuradas. Los problemas de sesgo de seleccin. Aplicaciones.
 BIBLIOGRAFIA

Herdes, Walter Applied Econometric Time Series. 1ra edicin. New York:
John Wiley & Sons, 1995.

Greene, William Economtric Analysis. 5ta edicin. New York:Mc Millan,

2003.

Hamiltn, James Times Series Analysis. New Jersey: Princeton University

Press, 1994.

Johnston, Jack y John Dinardo. Econometric Methods. 3ra edicin. New York:Mc
Graw Hill, 1997.

Kennedy, Peter A Guide to Economtrics, 4ta edicin. Cambridge, Mass.:

The MIT Press, 1998.

Lahura, Erick Econometra Bsica: Teora y Aplicaciones. Mimeo, 2003.

Pindyck, Robert y Daniel Rubinfeld. Econometric Models and Economic Forecast.

New York: Mc Graw Hill, 1991