ESPECIALIZACIÓN INTERNACIONAL EN ECONOMETRÍA APLICADA MODERNA

Inicio: 11 de marzo
Duración: 4 meses
Frecuencia:
Martes y Jueves (7:00-10:00pm) hora peruana

La especialización internacional en econometría moderna aborda cinco módulos de la práctica econométrica moderna para identificar relaciones causales y evaluar los efectos de políticas o programas. El desarrollo de los módulos y el comportamiento de la situación real permitirá a los estudiantes manejar estas herramientas y la capacidad de decir resultados.

$159.00

Descripción

Descripción

ECONOMETRÍA DE EVALUACIÓN DE IMPACTO

  • Modelos de respuesta binaria y respuesta múltiple/ordenadas.
  • Modelos de soluciones de esquina: Tobit y variantes.
  • Modelos de conteo, fraccionales, o de otras respuestas no negativas.
  • Modelos con datos censurados, sesgo de selección, desgaste en muestras.
  • Aplicaciones en STATA.

MODELOS DE ELECCIÓN DISCRETA II: DATOS DE PANEL

  • Modelos lineales vs modelos no lineales en datos de panel.
  • Opciones para modelos con efectos no observables no lineales.
  • Medidas de interés: APE (Average Partial Effects).
  • Supuestos en modelos no lineales.
  • Modelos de respuesta binaria/fraccional en datos de panel.
  • Modelos exponenciales en datos de panel y modelos de duración.
  • Aplicaciones en STATA.

EVALUACIÓN DE IMPACTO I

  • Consideraciones generales.
  • Metodologías de evaluación ex – ante.
  • Modelos de comportamiento, métodos estructurales.
  • Métodos basados en programación dinámica de elección discreta (DCDP).
  • Discusión de estudio: Inversiones en pequeños negocios y restricciones crediticias.
  • Metodologías de evaluación ex – post.
  • Efectos de tratamiento: Average Treatment Effects (ATE).
  • Estimaciones basadas en experimentos (Randomized Evaluations).
  • Discusión de estudio: Demanda e impactos de formalización de empresas.
  • Aplicaciones en STATA.

EVALUACIÓN DE IMPACTO II

  • Cuasi – experimentos y variables instrumentales (IV).
  • Estimación del ATE usando IV.
  • Estimación basada en CFA (Control Function Approach).
  • Instrumentos débiles y estimación de LATE (Local Average Treatment Effects).
  • Métodos basados en regresiones, propensity socre y emparejamiento (matching).
  • Discusión de estudio: Impactos de programas de acceso a servicios públicos.
  • Regresión Discontinua (RD).
  • Diferencias en Diferencias (DID).
  • Aplicaciones en STATA.

FUNDAMENTOS DEL BIG DATA Y DE MACHINE LEARNING.

  • Big Data: ¿Qué es y cuál es su importancia en el mundo?.
  • Diferenciando conceptos: Big Data, Científico de Datos, Ingeniero de Datos.
  • Mercado para el Big Data: Demanda y Oferta de profesionales de Big Data en la industria y la academia.
  • Introducción al Machine Learning.
  • Unsupervised Machine Learning vs Supervised Machine Learning.
  • Agrupamiento de observaciones (clusters) e identificación de patrones de comportamiento en los datos con técnicas de Unsupervised Machine Learning.
  • Modelos predictivos para problemas de clasificación con técnicas de Supervised Machine Learning.
  • Aplicaciones en R y Matlab.

MÉTODOS DE CLASIFICACIÓN Y MODELOS PREDICTIVOS

  • Clasificación por Nearest Neighbor.
  • Árboles de clasificación.
  • Clasificación por Métodos Bayesianos.
  • Análisis Discriminante.
  • Support Vector Machine.
  • Support Vector Machine para multiples clases.
  • Proyecto – Métodos de clasificación.
  • Reducción de la dimensionalidad de una gran base de datos.
  • Métodos para mejorar modelos predictivos.
  • Validación cruzada (Cross Validation).
  • Reducción de predictores-Transformación de las características.
  • Reducción de predictores – Selección de características.
  • Aprendizaje Conjunto (Ensemble Learning).
  • Proyecto -Mejorando modelos predictivos.
  • Aplicaciones en R y Matlab.

CONSTRUCCIÓN DE MODELOS DE REGRESSIÓN

  • Modelos predictivos para variables de respuesta continua y supervised machine learning.
  • Modelos lineales.
  • Support Vector Machines y árboles.
  • Regresión de procesos gaussianos.
  • Modelos lineales regularizados (Lasso).
  • Modelos no lineales regularizados.
  • Ajuste gradual (stepwise fitting).
  • Proyecto- Modelo de regresión.
  • Aplicaciones en R y Matlab.

INTRODUCCIÓN A REDES NEURONALES

  • Revisión de redes neuronales.
  • Mapas auto-organizados.
  • Redes Feed-Forward.
  • Clasificación de imágenes con redes convolucionales.
  • Transfer Learning y modificación de redes.
  • Aplicaciones en R y Matlab.

FUNDAMENTOS DE LA ECONOMETRÍA ESPACIAL

  • Interacciones espaciales de interés.
  • Concepto de cercanía y matriz de ponderadores espaciales.
  • Formas de especificar matrices de ponderadores espaciales.
  • Construcción de matrices de ponderadores espaciales.
  • Correlación espacial, Moran’s I.
  • Introducción a la visualización de datos espaciales y creación de bases de datos para el análisis espacial.
  • Introducción a GIS y QGIS.
  • Aplicaciones en STATA y R.

MODELOS BÁSICOS DE ECONOMETRÍA ESPACIAL

  • Especificación y estimación del modelo espacial general (Durbin).
  • Estimación en casos especiales (spatial lag model, spatial error model).
  • Estimación por Máxima Verosimilitud.
  • Estimación por Variables Instrumentales.
  • Aplicaciones en STATA y R.
  • Valor de las viviendas y determinantes.
  • Tasas de criminalidad y determinantes.

EFECTOS DIRECTOS Y SPILLOVERS EN MODELOS ESPACIALES, PRONÓSTICO

  • Efectos que emanan de una unidad de análisis.
  • Vulnerabilidad de una unidad de análisis a spillovers.
  • Ilustraciones o Criminalidad o Efectos de contagio en mercados cambiarios.
  • Pronóstico en modelos espaciales.
  • Conjuntos de información y predictores de la variable dependiente.
  • Error cuadrático medio de los predictores.
  • Tópicos De Especificación Y Estimación.
  • Comparación de modelos: SAR, SEM, SLX, SAC, SARAR, SDM. SDEM, GNS.
  • Pruebas de hipótesis.
  • Test LR.
  • Test J y modelos no anidados.
  • Otros métodos de estimación.
  • Aplicaciones en STATA y R.

EXTENSIONES DE MODELOS ESPACIALES I

  • De corte transversal a datos de panel.
  • Efectos fijos, efectos aleatorios.
  • Efectos directos e indirectos en modelos con datos de panel.
  • Matrices de ponderadores especiales endógena.
  • Aplicaciones en R y Stata.
  • Modelos de sistemas de ecuaciones espaciales.
  • Estimación e inferencia en sistemas de ecuaciones espaciales.
  • Aplicaciones en STATA y R.

FUNDAMENTOS DEL ANÁLISIS DE EFICIENCIA Y PRODUCTIVIDAD

  • Concepto de eficiencia técnica, eficiencia asignativa y Productividad Total de los Factores (PTF).
  • Función de producción, función de distancia y la eficiencia técnica.
  • Eficiencia técnica con orientación al input y al output.
  • Funciones direccionales y eficiencia dinámica.
  • Importancia y tratamiento de los outlayers.
  • Metodologías de Fronteras de Eficiencia.
  • Tipos de fronteras: determinísticas vs estocásticas
  • Análisis de Envolvente de Datos (DEA).
  • Análisis de Fronteras Estocásticas (SFA).
  • Elección de forma funcional en los modelos paramétricos y pruebas de hipótesis.
  • Estimación de la eficiencia técnica por Máxima Verosimilitud.
  • La heterogeneidad no observable en los modelos de eficiencia.
  • Aplicaciones en STATA, R y Matlab.

MODELOS DE CORTE TRASVERSAL PARA ESTIMAR LA EFICIENCIA

  • Modelo de Stevenson (1980).
  • Modelo de Pitt & Lee (1981).
  • Modelo de Battese & Coelli (1992).
  • El modelo DEA con rendimientos constantes a escala (CRS).
  • El modelo DEA con rendimientos variables a escala (VRS).
  • Cálculo de la eficiencia técnica pura y la eficiencia de escala.
  • Aplicaciones en STATA, R y Matlab.

MODELOS DE DATOS DE PANEL PARA ESTIMAR LA EFICIENCIA TÉCNICA Y CAMBIOS EN LA PTF

  • Modelos de eficiencia técnica invariante en el tiempo.
  • Modelos de eficiencia técnica variante en el tiempo.
  • True Fixed Effect Model.
  • True Random Effect Model.
  • Latent Class Stochastic Frontier Model.
  • Modelo con estimaciones de Metafronteras.
  • Cálculo paramétrico y no paramétrico para estimar los cambios en la PTF.
  • Modelo DEA-Malmquist.
  • Aplicaciones en STATA, R y Matlab.

MODELOS PARA EXPLICAR LA EFICIENCIA TÉCNICA

  • Modelo de Battese & Coelli (1995).
  • Modelo de Caudill et al. (1995).
  • Modelo de Wang (2002).
  • Modelo en dos etapas Tobit.
  • Modelo de doble Bootstrap de Simar y Wilson (2011).
  • Modelos fraccionales de Ramallo (2010).
  • Módelo semiparamétrico StoNEZD de Kuosmanen (2012).
  • Aplicaciones en STATA, R y Matlab.

FUNDAMENTOS DE LA ECONOMETRÍA BAYESIANA

  • Concepto básico en econometría bayesiana.
  • Definición de a priori y a posteriori.
  • Definición de verosimilitud.
  • Aplicaciones y ejercicios de econometría bayesiana.
  • Teorema del cambio de variable.
  • El teorema de Bayes.
  • Definición de dependencia Bayesiana y econometría.
  • Variables condicionalmente independientes o Media y varianza condicionadas o Varianza marginal, la esperanza y varianzas condicionadas.
  • Aplicaciones en R y Python.
  • Caso 1: Regresión Simple parte I.
  • Caso 2: Introducción al Winbugs.

ECONOMETRÍA BAYESIANA I

  • Algoritmos para el muestreo de una distribución de probabilidad.
  • Monte Carlo en cadena de Markov (MCMC).
  • Modelaje con Winbugs R.
  • OpenBugs.
  • Modelos de regresión y sus funciones directas e inversas:
  • Normal y la Identidad.
  • Logıstica y Logit.
  • Probit y Normal inversa.
  • Poisson y logaritmo.
  • Gamma y la Inversa.
  • Binomial negativo y Logaritmo.
  • Aplicaciones en R y Python.

ECONOMETRÍA BAYESIANA II

  • La regresión bayesiana de Poisson.
  • Dependencia y tablas de contingencia.
  • Teoría sobre las interpretaciones de las Odds.
  • Distribución beta para la a priori.
  • Ejercicios finales del curso de Econometría Bayesiana.
  • Aplicaciones en R y Python.

ECONOMETRÍA NO PARAMÉTRICA

  • Definición de econometría no paramétrica.
  • Test no paramétricos y bondad de ajuste no paramétrico.
  • Histograma como primer estimador de la densidad.
  • Otros métodos de estimación de la densidad.
  • Regresión no paramétrica.
  • Parámetro de suavizamiento Splines.
  • Regresión múltiple.
  • Modelos semiparamétricos.
  • Caso aplicado 1: Estimación de una relación entre la tasa de corto y largo plazo.
  • Caso aplicado 2: Estudios con datos reales.
  • Caso aplicado 3: Estudios con datos simulados.

FUNDAMENTOS PARA PRONÓSTICOS EN ECONOMÍA

  • Funciones de pérdida.
  • Aproximación clásica.
  • Aproximación Bayesiana.
  • Criterios para la selección de modelos.
  • Aplicaciones en R y Python.

MÉTODOS DE PRONÓSTICO Y EVALUACIÓN DE PRONÓSTICOS

  • Métodos univariados y multivariados.
  • Pronóstico de datos de conteo y duración.
  • Pronóstico de volatilidad y densidad.
  • Combinaciones de pronósticos.
  • Propiedades deseables de pronósticos.
  • Evaluación de pronóstico individuales y múltiple.
  • Aplicaciones en R y Python.

FUNDAMENTOS PARA SIMULACIÓN EN ECONOMÍA

  • Bases del análisis numérico en economía.
  • Optimización numérica en economía.
  • Optimización numérica estocástica en economía.
  • Métodos de calibración.
  • Métodos Bayesianos.
  • Aplicaciones en R y Python.

FUNDAMENTOS PARA SIMULACIÓN EN ECONOMÍA

  • Bases del análisis numérico en economía.
  • Optimización numérica en economía.
  • Optimización numérica estocástica en economía.
  • Métodos de calibración.
  • Métodos Bayesianos.
  • Aplicaciones en R y Python.

DOCENTES:

Econ. Alexis Adonai Morales Alberto (Docente del Centro Gem Training & Consulting Service S.A.C.) Economista especializado en Modelamiento Econométrico de la UNAM, Investigación Económica y Análisis de Indicadores para la toma de decisiones. Con experiencia en investigación económica y financiera, asesoramiento de tesis a nivel de pregrado y en uso de análisis estadísticos y econométricos aplicados con Stata, SPSS, Eviews, Matlab, Python y R Studio.

Econ. Dax Kevin Mancilla Paucar (Docente del Centro Gem Training & Consulting Service S.A.C.) Economista especializado en Econometría Aplicada, Investigación Económica y Análisis de Indicadores para la toma de decisiones. Actualmente trabaja como Analista de Mercado Laboral en la Dirección de Investigación Socioeconómica Laboral del Ministerio de Trabajo y Promoción del Empleo – MTPE.

Mg. Leonel Heredia Altamirano (Docente del Centro Gem Training & Consulting Service S.A.C.) Estatista y economista especializado en aplicaciones matemáticas, modelamiento econométrico y en aplicaciones estadísticas para investigación de economía. Es profesor de matemática en SENATI y UNMSM, asesor de investigación en diversas universidades nacionales y privadas del Perú, además, uno de los especialistas de centro GEM EDUCA, donde imparte cursos como Eviews, SPSS, VBA Macros, R, etc.

Certificados:

Certificación: 8 certificados

Certificado como especialista en Econometría Aplicada Moderna a nombre de la consultoría GEM EDUCA y otro a nombre de la Escuela Nacional de Formación Publica y Empresarial (ENFOPE) y el Colegio de Economistas del Perú (EN FISICO).

  • Clases 100% en vivo.
  • Material Adicional para que practiques.
  • Talleres gratuitos.
  • Plana docente de calidad.

Precio

 

Precio normal

Precio promoción

Precio comunidad gem

Precio corporativo

Perú

s/ 800

s/510

S/470

S/440

Otro países

$250 USD

$159 USD

$147 USD

$138 USD

Cuotas sin intereses

 

PROMOCION

COMUNIDAD GEM

CORPORATIVO

CUOTA 1

S/170 O

$53 USD

S/157 o $49 USD

S/147 O $46 USD

CUOTA 2

S/170 O

$53 USD

S/157 o $49 USD

S/147 O $46 USD

CUOTA 3

S/170 O

$53 USD

S/156 o $49 USD

S/146 O $46 USD

Carrito de la compra
Tienda
Lista de deseos
0 elementos Carro
Mi cuenta