MODULO 1: ECONOMETRÍA DE EVALUACIÓN DE IMPACTO
Sesión 1: Modelos De Elección Discreta I: Corte Transversal
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.
Sesión 2: Modelos De Elección Discreta I: 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 linales.
Modelos de respuesta binaria/fraccional en datos de panel.
Modelos exponenciales en datos de panel y modelos de duración.
Aplicaciones en STATA.
Sesión 3: 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.
Sesión 4: 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)
MODULO 2: BIG DATA Y MACHINE LEARNING
Sesión 1: Fundamentos del Big Data y de Machine Learning
• Revisión del Programa MATLAB.
• 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.
- K-Means clustering.
- Modelos Gaussianos Mixtis
- Interpretación de los clusters
- Cluster Jerárquico
- Proyecto-MATLAB
• Modelos predictivos para problemas de clasificación con técnicas de Supervised Machine Learning
- Preparación de los datos.
- Ajuste y predicción.
- Evaluación de la clasificación.
- Proyecto: Construcción de modelos de clasificación.
Sesión 2: 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
Sesión 3: 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.
Sesión 4: 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.
MODULO 3: ECONOMETRÍA ESPACIAL
Sesión 1: Introducción a la Econometría Espacial
Ejemplos que interacciones espaciales de interés
Concepto de cercanía y matriz de ponderadores espaciales
Formas de especificar matrices de ponderadores espaciales
Aplicación: 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
Introducción a la visualización de datos espaciales en Stata y R
Sesión 2: 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
Valor de las viviendas y determinantes
Tasas de criminalidad y determinantes
Sesión 3: 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
Criminalidad
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.
Aplicaciones en R y Stata
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 R y Stata
Sesión 4: 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 R y Stata.
MODULO 4: ANÁLISIS DE EFICIENCIA Y PRODUCTIVIDAD SFA Y DEA
MODULO 5: ECONOMETRÍA BAYESIANA Y NO PARAMÉTRICA
Sesión 1: Econometría Bayesiana
Introducción a la Econometría Bayesiana
Aplicaciones y ejercicios de econometría bayesiana
El concepto básico en econometría bayesiana
Teorema del cambio de variable
El teorema de Bayes
Definición de dependencia Bayesiana y econometría
Aplicaciones de variables condicionalmente independientes
Varianza marginal, la esperanza y varianzas condicionadas.
Ejercicios y aplicaciones en R o Python
Caso 1: Regresión Simple parte I
Caso 2: Introducción al Winbugs
Algoritmos para el muestreo de una distribución de probabilidad.
Monte Carlo en cadena de Markov (MCMC)
Ejercicios de modelaje con Winbugs R o OpenBugs
Caso 1: Regresión Simple parte II
Caso 2: Análisis de la Verosimilitud en regresión:
Modelos de regresión y sus funciones directas e inversas:
Ejercicios y aplicaciones en R o Python.
Caso 1: Regresiones logísticas con Winbugs
Caso 2: Introducción a la regresión Poisson
Sesión 2: Econometría Bayesiana
La regresión bayesiana de Poisson
Caso 1: Regresión con Wingbugs o alternativo.
Dependencia y tablas de contingencia:
Caso 2: Tabla de contingencia 2x2
Aplicación hereditaria
La razón de Odds en la práctica
Teoría sobre las interpretaciones de las Odds.
Distribución beta para la A APRIORI.
Caso para la distribución de densidad
Varias curvas de densidad
Intervalos de confianza
Diferencia de Prop. de Dos Poblaciones
Media dentro de un intervalo
Ejercicios finales del curso de Econometría Bayesiana
Introducción a la econometría Bayesiana Intermedia
Sesión 3: No Paramétrica
Definición de econometría no paramétrica
Test no paramétricos y bondad de ajuste no paramétrico
Kolmogorov-Smirnov
test del signo
Test de Wilcoxon
Histograma como primer estimador de la densidad
Estimación no paramétrica de la densidad
Limitación del histograma
Otros métodos de estimación de la densidad
Regresión no paramétrica
polinomios locales
núcleo de la regresión
Parámetro de suavizamiento
Sesión 4: Econometría No Paramétrica
Splines
Splines penalizados
Regresión múltiple
Modelos semiparamétricos
Caso aplicado 1: Estimación de una relación entre la tasa de corto y largo plazo
Caso aplicado 3: Estudios con datos reales
Caso aplicado 3: Estudios con datos simulados
MÓDULO 6: SIMULACIÓN Y PRONÓSTICO
Sesión 1: Fundamentos para pronósticos en Economía
Funciones de pérdida
Aproximación clásica
Aproximación Bayesiana
Criterios para la selección de modelos
Sesión 2: 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.
Sesión 3: 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
Sesión 4: Aplicaciones de métodos de simulación en economía
Crecimiento económico
DSGE
Gestión óptima de recursos naturales y ambientales
MÓDULO I: FUNDAMENTOS CUANTITATIVOS PARA EL ANÁLISIS ESTADÍSTICO Y ECONOMÉTRICO
SESIÓN 1: FUNDAMENTOS DE ESTADÍTICA DESCRIPTIVA E INFERENCIAL
● Importancia de la estadística en el análisis empírico
● Población, muestra y tipos variables estadísticas
● Organización y estructura de datos
● Interpolación y extrapolación
● Medidas de tendencia central y dispersión
● Probabilidad e inferencia estadística
● Variable aleatoria y distribución de probabilidad
● Análisis de correlación
● Regresión lineal
● Estimación de parámetros, pruebas de hipótesis
● Aplicaciones
SESIÓN 2: FUNDAMENTOS DE ECONOMETRIA DE CORTE TRANSVERSAL Y SERIES DE TIEMPO
● Supuestos del Modelo Lineal General.
● Estimador de Mínimos Cuadrados Ordinarios
● Análisis univariariado de series de tiempo
● Características de las series de tiempo y su descomposición
● Análisis de correlación, estacionariedad de las series de tiempo y pruebas de raíz unitaria
● Metodología Box-Jenkins
● Análisis multivariado de series de tiempo
● Modelo de Vectores Autorregresivos
● Análisis de Cointegración
● Modelo de Vector de Corrección de Errores
● Análisis de causalidad de Granger
● Aplicaciones
SESIÓN 3: FUNDAMENTOS DE ECONOMETÍA PANEL DE DATOS
● Panel de datos estacionarios
● Modelo de datos agrupados
● Modelo de efectos fijos
● Modelo de efectos aleatorios
● Paneles dinámicos
● Modelo de paneles de datos no estacionarios
● Aplicaciones
SESIÓN 4: SIMULACIÓN Y TÉCNICAS DE REMUESTREO
● Simulación de Monte Carlo
● Simulación de variables y vectores aleatorios
● Técnicas de reducción de la varianza
● Método de Monte Carlo usando cadenas de Markov
● Remuestreo mediante bootstrap
MÓDULO III: ECONOMETRÍA APLICADA CON STATA
SESIÓN 1: INTRODUCCIÓN AL STATA Y MANEJO DE DATOS
● El entorno STATA
● Cargar una base de datos
● Análisis exploratorio básico y creación de variables
● Documentación y ayuda en STATA
● Análisis descriptivo de una base de datos
● Recodificación de variables.
● Etiquetas para base de datos, variables y valores
● Creación de nuevas categorías y tipos de variables
● Agrupamiento de base de datos
● Gráficos
● Estadísticas resumen y tablas
● Aplicaciones
SESIÓN 2: MODELO LINEAL GENERAL, MODELOS TRUNCADOS Y CENSURADOS
● Estimación de un modelo de regresión lineal por MCO
● Enfoque matricial de la estimación de modelos lineales por MCO
● Análisis de post-estimación
● Estimación de del modelo de regresión lineal y por Máxima Verosimilitud
● Estimación en dos etapas y variables instrumentales
● Diagnósticos de una regresión
● Aplicaciones
● Modelo truncado.
● Modelo censurado - Tobit.
● Modelo de sesgo de selección de Heckman.
● Estimación vía máxima verosimilitud.
● Aplicaciones
SESIÓN 3: MODELOS DE ELECCIÓN BINARIA Y MULTINOMIALES
▪ Estimación y análisis de modelos de elección discreta
▪ Modelo de Probabilidad Lineal
▪ Modelos logit y probit
▪ Modelos logit y probit multinomial
▪ Modelos de respuesta ordenada
▪ Aplicaciones
SESIÓN 4: MODELO DE DATOS DE PANEL Y EVALUACIÓN DE STATA
● Paneles estacionarios: modelo pool, modelo de efectos y efectos aleatorios
● Panel data dinámico: modelos Arellano-Bond y Arellano-Bover
● Introducción a modelos de paneles no estacionarios
● Aplicación de modelo de Datos de Panel
MÓDULO IV: ECONOMETRÍA APLICADA CON MATLAB
SESIÓN 1: INTRODUCCIÓN AL MATLAB
Entorno de Matlab: ventana y espacio de trabajo
● Operaciones matemáticas básicas
● Espacio de trabajo de Matlab
● Almacenar y recuperar datos
● Importar y exportar datos
● Características científicas
● Ayudas en línea
● Crear vectores y matrices
● Acceder a elementos de un vector y matriz
● Operaciones con vectores y matrices
● Aplicaciones
SESIÓN 2: CONTROL DE FLUJO DE PROGRAMA
● Relaciones y operadores lógicos
● Generación de números aleatorios
● Condición if-else
● Bucle for
● Bucle while
● Aplicaciones
SESIÓN 3: ANÁLISIS DE DATOS, GENERACIÓN DE FUNCIONES Y GRÁFICOS
● Funciones para estadística descriptiva
● Construcción de funciones
● Polinomios
● Gráficos 2D y 3D
● Aplicaciones
SESIÓN 4: ANÁLISIS NUMÉRICO
● Resolución de sistemas de ecuaciones lineales
● Resolución de ecuaciones no lineales
● Optimización con y sin restricciones
● Método de Newton-Raphson
● Integración numérica
● Optimización dinámica mediante control óptimo
● Aplicaciones
MÓDULO IV: ECONOMETRÍA APLICADA CON MATLAB
SESIÓN 1: INTRODUCCIÓN AL MATLAB
Entorno de Matlab: ventana y espacio de trabajo
● Operaciones matemáticas básicas
● Espacio de trabajo de Matlab
● Almacenar y recuperar datos
● Importar y exportar datos
● Características científicas
● Ayudas en línea
● Crear vectores y matrices
● Acceder a elementos de un vector y matriz
● Operaciones con vectores y matrices
● Aplicaciones
SESIÓN 2: CONTROL DE FLUJO DE PROGRAMA
● Relaciones y operadores lógicos
● Generación de números aleatorios
● Condición if-else
● Bucle for
● Bucle while
● Aplicaciones
SESIÓN 3: ANÁLISIS DE DATOS, GENERACIÓN DE FUNCIONES Y GRÁFICOS
● Funciones para estadística descriptiva
● Construcción de funciones
● Polinomios
● Gráficos 2D y 3D
● Aplicaciones
SESIÓN 4: ANÁLISIS NUMÉRICO
● Resolución de sistemas de ecuaciones lineales
● Resolución de ecuaciones no lineales
● Optimización con y sin restricciones
● Método de Newton-Raphson
● Integración numérica
● Optimización dinámica mediante control óptimo
● Aplicaciones
MÓDULO V: ECONOMETRÍA APLICADA CON PYTHON
SESION 1: PROGRAMACIÓN CON PYTHON Y SU ENTORNO PARA FINANZAS (PARTE I)
Instalación del Python
● Introducción a la programación con Python o Tres ejercicios básicos de programación con Python
● Creación de variables en Python
● Presentación de los diferentes tipos de datos con Python o 2 aplicaciones con tipos de datos en Python
● Uso de operadores aritméticos en Python
● Trabajando con las tuplas en Python
● Desarrollando listas en Python
● Creando diccionarios y matrices asociativas con Python
● Uso y aplicaciones de los operadores relacionales con Python
● Ejercicios y aplicaciones como operadores lógicos en Python
SESIÓN 2: PROGRAMACIÓN CON PYTHON Y SU ENTORNO PARA FINANZAS (PARTE II)
● Ejercicios elementales de programación con Python (primera parte): bucles y condicionales.
● Ejercicios de control de flujo: if , else if…
● Se desarrollan códigos con los principales comandos del Python
● Se realizan aplicaciones introductorias
● Ejercicios básicos de valorización de activos derivados
● Ejercicios con listas cadenas herramientas básicas para aplicaciones financieras
● Creación de primeras funciones para finanzas
● Se mejora la profundización de la instalación al nivel de variables y paths.
SESIÓN 3: DESARROLLO DE CÓDIGOS EN PYTHON PARA EL ANÁLISIS FINANCIERO
● Ejercicios elementales de programación con Python (Segunda parte)
● Estructuras de control iterativas: while o Estructuras de control iterativas: for
● Creación de funciones con Python
● Ejercicios y aplicaciones de módulos con Python
● Módulos y paquetes en Python
● Clases y aplicaciones con Python
● Desarrollo de objetos con Python
● Métodos y aplicaciones con Python
● Programación orientada a objetos con Python (primera parte)
SESIÓN 4: ANÁLISIS DE SERIES DE TIEMPO FINANCIERAS CON PYTHON.
● Programación orientada a objetos con Python (Segunda parte)
● Polimorfismo y encapsulación de la programación orientada a objetos con Python
● La clase String y sus métodos con Python
● Desarrollo de aplicaciones con Python ejercicios juegos interactivos y aplicaciones avanzadas.
● Desarrollo de aplicaciones con Python ejercicios, juegos interactivos y aplicaciones avanzadas (segunda parte).
● Vectorización con un Numpy
● Soporte de anaconda para Python
● Visualización de data en diferentes dimensiones con Python. o Gráficos financieros y gráficos en tercera dimensión con Python.
● Tópicos introductorios al manejo de series de tiempo financieras con Python. o Soporte básico del Panda en Python o Trabajando con Dataframe en Python o Gestión de datos financieros con Python o Análisis de regresión con Python
MÓDULO VI: ECONOMETRÍA APLICADA CON R
SESIÓN 1: ANÁLISIS DE SERIES DE TIEMPO UNIVARIADAS CON R
● Hechos estilizados de las series de tiempo financieras
● Propiedades de la serie de tiempo financieras
● Tópicos de series de tiempo financieras
● Definición de estacionariedad en sentido débil
● Definición y análisis de la raíz unitaria en serie de tiempo financieras
● Modelos ARMA, ARIMA, ARIMAX.
● Business Case: Estimación del mejor modelo arma para el retorno de un portafolio de inversiones.
SESIÓN 2: ANÁLISIS DE SERIES DE TIEMPO FINANCIERAS MULTIVARIADAS CON R.
● Vectores Autorregresivos aplicados finanzas o Cointegración y modelo de corrección de errores para activos financieros y aplicaciones en finanzas .
● Tópicos de series de tiempo financieras multivariadas aplicadas a la gestión del riesgo
● Introducción a la medida del riesgo financiero: desviación estándar y matriz de varianzas y covarianzas de un portafolio.
● Introducción al modelamiento de la matriz de covarianzas con modelos M-GARCH
● Business Case: Estimación de los efectos en las pérdidas de un portafolio debido movimiento de las variables macroeconómicas: Medidas macroprudenciales en riesgos.
SESIÓN 3: MODELANDO LA VOLATILIDAD Y EL RIESGO CON R (1RA PARTE).
● Definiciones de riesgo financiero: Medidas coherentes y no coherentes, desviación estándar, VaR, CVaR, expected shortfall, Tail VaR.
● Aplicaciones de estimación del riesgo financiero con software R, estimación del Valor en Riesgo de un portafolio de inversiones
SESIÓN 4: MODELANDO LA VOLATILIDAD Y EL RIESGO CON R (2DA PARTE).
● Profundización en la construcción de Modelos de Heterocedasticidad Condicional Autorregresiva: ARCH, GARCH, EGARCH, PARCH, TARCH.
● Aplicación el análisis del riesgo univariado mediante el modelo EWMA.
● Business Case: Gestión del riesgo de un portafolio de renta variable, una estimación del valor en riesgo condicional considerando el Backtesting y el Stresstesting al portafolio.
