SILABO

FACULTAD : INGENIERIA ECONOMICA

ESCUELA PROFESIONAL : INGENIERIA ECONOMICA
PROGRAMA DE ESTUDIOS : INGENIERIA ECONOMICA
I. INFORMACIÓN GENERAL

1.1 Identificación Académica

a) Curso : Econometría II
b) Código : Eco 211
c) Prerrequisito : Eco 207
d) Número de horas : Teóricas: 4 Prácticas: 2 Total: 6
e) N° de Créditos :5
f) N° de horas virtuales/unidad : 18
g) Área curricular : Área de formación profesional básica.
h) Ciclo del plan de estudios : Cuarto
i) Características del curso : Desarrolla la capacidad de investigación.
j) Duración : Del 12 de agosto del 2019 al 13 de diciembre del 2019
k) Semestre Académico : 2019 – 02

1.2 Docente
a) Nombres y Apellidos : Karin Margaret Alvarez Rozas
b) Condición y Categoría : Nombrado - Auxiliar TC
c) Especialidad (mencionar) : Maestría en Economía

1.3 Ambiente donde se realiza el aprendizaje.

E59 – 202
Laboratorio de Computo.

II. SUMILLA.

El componente curricular Econometría II pertenece al área de formación profesional básica es de naturaleza teórico - práctico, cuyo propósito
es que el estudiante aplique técnicas y metodologías de estimación de modelos de elección discreta, ecuaciones simultáneas y de datos
longitudinales, para fortalecer el análisis económico y generar recomendaciones de política en un trabajo de investigación económica social
probando su validez estadística y económica con los softwares E-VIEWS o STATA. Los contenidos a desarrollarse se organizan en dos
unidades didácticas los cuales se detalla: Primera Unidad: Modelos no lineales con variables dicotómicas, Segunda Unidad: Ecuaciones
simultaneas, modelos dinámicos y datos panel.

III. PERFIL DEL EGRESADO EN RELACIÓN AL CURSO

Investigación económica y social

IV. COMPETENCIA.

Al finalizar el componente curricular, el estudiante aplicará las técnicas y metodologías de estimación de modelos de elección discreta,
ecuaciones simultáneas y de datos longitudinales, para fortalecer el análisis económico y generar recomendaciones de política en un trabajo
de investigación sobre temas económicos probando su validez estadística y económica con los softwares E-VIEWS o STATA; lo que
contribuirá con el perfil del egresado de realizar investigación económica y social para ello deberá de cumplir con los criterios de
desempeño: Desarrolla los métodos para la detección y modelización de funciones de regresión poblacionales no lineales mediante cuadros
comparativos. Interpreta la función de regresión no lineal como una predicción de probabilidad mediante casos aplicativos. Obtiene un
estimador consistente de los coeficientes desconocidos de la función de regresión poblacional cuando la variable explicativa X, está
correlacionada con el término de error. Comprueba que el método para estimar modelos de ecuaciones simultáneas es el de las variables
instrumentales. Comprueba la relación entre la variable endógena y las explicativas en distintos momentos de tiempo pasado mediante los
modelos dinámicos. Comprueba un método para tener en cuenta algunos tipos de variables omitidas el cual requiere un tipo específico de
datos, denominados datos de panel.

V. LOGRO DE APRENDIZAJE DEL CURSO.

El estudio riguroso de los métodos econométricos usados en la investigación económica. Contrastar los modelos o teorías econométricas
usando los métodos econométricos mediante un trabajo de investigación de la realidad económica y social. (fundamentalmente de la
economía peruana).

VI. UNIDADES DE APRENDIZAJE.

 UNIDAD I Modelos no lineales con variables dicotómicas
LOGROS DE APRENDIZAJE DE LA UNIDAD:
El estudiante desarrolla conocimientos, habilidades y destrezas científicas para especificar, estimar y evaluar modelos uniecuacionales
dinámicos, no lineales, de variable dependiente cualitativa y de variable dependiente limitada y su aplicación en el campo de la
investigación económico y social.

TIEMPO DE DESARROLLO Del 12 de agosto al 11 de octubre del 2019. Total de horas: 54

HORAS DE ENSEÑANZA VIRTUAL/UNIDAD
FECHA DE INGRESO DE NOTAS AL
SISTEMA
CRITERIOS DE DESEMPEÑO
El estudiante es competente si:
 Desarrolla los métodos para la
detección y modelización de
funciones de regresión
poblacionales no lineales mediante
cuadros comparativos.
9
15 de octubre 2019
CONOCIMIENTO Y COMPRENSIÓN ESENCIALES
MODELOS NO LINEALES
Identifica la estrategia general para la modelización de funciones de regresión no
lineales.
Distingue los modelos polinomiales y logarítmicos.
Relaciona variables binarias y continuas.
REGRESION CON VARIABLES DICOTOMICAS, MODELOS CON VARIABLES
DEPENDIENTES DISCRETAS.

 Interpreta la función de
regresión no lineal como una
predicción de probabilidad
mediante casos aplicativos.
Relaciona las variables dependientes binarias con el modelos de probabilidad lineal.
Compara modelos de probabilidad lineal, probit y logit .
Estima e infiere con modelos logit y probit mediante mínimos cuadrados no lineales y
máxima verosimilitud. Tomando en cuenta medidas de ajuste para cada modelo,
Diferenciando: Logit Multinomial, Probit Multinomial, Modelos Logit anidado, Modelos
de variable dependiente limitada: Truncados, recuento y censurados.
ESTIMACIÓN CON VARIABLES INSTRUMENTALES Y MÍNIMOS CUADRADOS
EN DOS ETAPAS

 Obtiene un estimador consistente

Justifica variables omitidas en un modelo de regresión simple
de los coeficientes desconocidos
Identifica las Propiedades de VI con una variable instrumental deficiente
de la función de regresión
Estima VI del modelo de regresión múltiple utilizando Mínimos cuadrados en dos
poblacional cuando
etapas
la variable explicativa X, está
Compara el uso de una sola variable explicativa endógena y múltiples variables
correlacionada con el término de
explicativas endógenas.
error. Examina Pruebas de hipótesis múltiples después de la estimación de MC2E
Aplica pruebas de endogeneidad y pruebas de restricciones de sobreidentificación.
Aplica MC2E a las ecuaciones de series de tiempo
Aplica MC2E a cortes transversales combinados y a datos de panel.
PORCENTAJE DE AVANCE ACADÉMICO DE LA UNIDAD: 50%

UNIDAD II Ecuaciones simultaneas, modelos dinámicos y datos panel.

LOGROS DE APRENDIZAJE DE LA UNIDAD:
Desarrollar en el estudiante conocimientos, habilidades y destrezas científicas para especificar, estimar y evaluar modelos
multiecuacionales, dinámicos y su aplicación en el campo de la investigación económico y social.

TIEMPO DE DESARROLLO Del 11 de octubre al 10 de diciembre del 2019. Total de horas: 54

HORAS DE ENSEÑANZA VIRTUAL/UNIDAD
FECHA DE INGRESO DE NOTAS AL
SISTEMA
CRITERIOS DE DESEMPEÑO
El estudiante es competente si:
9
10 de diciembre
CONOCIMIENTO Y COMPRENSIÓN ESENCIALES
SISTEMAS DE ECUACIONES SIMULTANEAS

 Comprueba que el método para
estimar modelos de ecuaciones
simultáneas es el de las variables
instrumentales.
Analiza la Naturaleza y alcance de los modelos de ecuaciones Simultaneas.
Confirma el Sesgo de simultaneidad en MCO.
Identifica y estima un sistema de dos ecuaciones mediante MC2E
Diferencia Sistemas con más de dos ecuaciones
Compara modelos de ecuaciones simultaneas con series de tiempo y los modelos de
ecuaciones simultaneas con datos de panel

2
 MODELOS DINAMICOS

 Comprueba la relación entre la
variable endógena y las
explicativas en distintos momentos
de tiempo pasado mediante los
modelos dinámicos.
Diferencia entre los modelos autorregresivos y los de retardo distribuido.
Compara las estructuras finitas e infinitas de retardos propuestas de Almon y Koyck.
Explica modelos: de expectativas adaptativas y de ajuste parcial
Describe y estima los efectos causales dinámicos con regresores exógenos.

 Comprueba un método para tener MODELOS DE DATOS PANEL

en cuenta algunos tipos de
variables omitidas el cual requiere
un tipo específico de datos,
denominados datos
de panel.
Compara datos de panel con dos periodos temporales: antes y después.
Estima e infiere regresión de efectos fijos y compara con la regresión con efectos
fijos temporales.

PORCENTAJE DE AVANCE ACADÉMICO DE LA UNIDAD: 100%

VII. ESTRATEGIAS METODOLÓGICAS.

7.1 De Enseñanza.
Cuadro sinóptico, redes, diagramas del ¿por qué? Porque, diagramas de intersección, trabajo en equipo, talleres
7.2 De Aprendizaje.
Mapas conceptuales, organizadores del conocimiento.
7.3 De Investigación Formativa
Anteproyectos de investigación aplicando los diferentes modelos.
7.4 Responsabilidad social universitaria
Difundir la información de la economía mediante el periódico mural de la FIE y/o programas de radio.
7.5 De enseñanza virtual
Se utilizará las aulas virtuales para complementar los conocimientos.

VIII. MEDIOS Y MATERIALES DIDÁCTICOS.

Para complementar las estrategias de enseñanza y aprendizaje se debe utilizar:
 Palabra hablada
 Gráficos estadísticos
 Programas para computadoras
 Pizarra electrónica
 Textos
 Gráficos
 Materiales de Laboratorio
 Pizarra
 Diapositivas
Para el logro de la competencia es necesario el uso de computadoras con el software: Stata y E-Views también conexión a internet.

IX. PRODUCTO DE APRENDIZAJE

Es el trabajo realizado durante el desarrollo del curso, con el monitoreo permanente del docente. Es importante tener en cuenta que la naturaleza del producto debe ser coherente con
el logro del aprendizaje.

FECHA DE PRESENTACIÓN PRODUCTO

UNIDAD I

Presenta organizadores del conocimiento

Todas las semanas del
interclases de los temas asignados.
semestre académico.

Avance del anteproyecto de investigación

Primera semana de octubre
aplicando los modelos de regresión
desarrollados por fases.
UNIDAD II

Presenta organizadores del conocimiento

Todas las semanas del
interclases de los temas asignados.
semestre académico.

Entrega del anteproyecto de investigación

Ultima semana de noviembre
aplicando los modelos de regresión
desarrollados por fases.

X. EVALUACIÓN DEL APRENDIZAJE.

10.1 Evidencias, indicadores, técnicas e instrumentos de evaluación.

3
 LOGROS DE EVIDENCIAS PONDERACIÓN
APRENDIZAJE DESEMPEÑO (Obligatorio en
UNIDAD TECNICAS INSTRUMENTOS
Acción/objeto base al 100%)
/producto (%)
•Desarrolla los métodos Resolución Escala de
para la detección y 30% LA1 calificación.
modelización de funciones de
El estudiante Problemas
de regresión poblacionales
desarrolla
no lineales mediante
conocimientos,
cuadros comparativos.
habilidades y
destrezas científicas Estudio de
•Interpreta la función de 40% LA2 Escala de
para especificar,
regresión no lineal como Caso. evaluación
estimar y evaluar
una predicción de
modelos
I uniecuacionales
probabilidad mediante casos
aplicativos.
dinámicos, no
lineales, de variable Prueba Escritas.
•Obtiene un estimador  De desarrollo:
dependiente
consistente de los resolución de
cualitativa y de
coeficientes desconocidos 30%LA3 problemas.
variable dependiente Examen
de la función de regresión
limitada y su  Objetivas: de
poblacional cuando escrito
aplicación en el respuesta
la variable explicativa X,
campo de la simple, de
está correlacionada con el
investigación Identificación y
término de error.
económico y social. jerarquización
•Comprueba que el
método para estimar Resolución Escala de
modelos de 30%LA1 calificación.
Desarrollar en el ecuaciones de
estudiante simultáneas es el de Problemas
conocimientos, las variables
habilidades y instrumentales.
destrezas
científicas para Comprueba la relación Estudio de
especificar, entre la variable 40%LA2 Escala de
Caso. evaluación
estimar y evaluar endógena y las
modelos explicativas en
II multiecuacionales, distintos momentos de
dinámicos y su tiempo pasado
aplicación en el mediante los modelos
campo de la dinámicos. Prueba Escritas.
investigación  Comprueba  De desarrollo:
30%LA3
económico y un método para tener resolución de
social. en cuenta algunos problemas.
Examen
tipos de variables  Objetivas: de
escrito respuesta
omitidas el cual
requiere un tipo simple, de
específico de datos, Identificación y
denominados datos jerarquización
de panel.

10.2 Calificación: La fórmula para la obtención del promedio parcial de cada unidad de aprendizaje es la siguiente:

0.3% (𝐿𝐴1) + 0.4%(𝐿𝐴2) + 0.3%(𝐿𝐴3)

𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑝𝑎𝑟𝑐𝑖𝑎𝑙 𝑑𝑒 𝑙𝑎 𝑢𝑛𝑖𝑑𝑎𝑑 =
100%

LA1 = Logro de aprendizaje 1.

LA2 = Logro de aprendizaje 2.
LAn = Logro de aprendizaje n.

La fórmula para la obtención del promedio final del curso es la siguiente:

𝐼 𝑈𝑃𝑃 + 𝐼𝐼 𝑈𝑃𝑃
𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑓𝑖𝑛𝑎𝑙 =
2

XI. Referencias bibliográficas.

11.1 Básica:
Greene, W. (2012). Econometric Analysis. 7th Ed. Pearson Education Limited.
Wooldridge, J.M. (2013). Introductory econometrics: A modern approach. South-Western.
Cameron, A.C. & P.K.
4
 Gujarati, D. (2004). Econometría. México: Ed. McGraw-Hill.
Pindyck,, R. y Rubinfeld, D. (2001) Econometría: Modelos y Pronósticos. Mexico D.F. Editorial Mc. Graw -
Hill

11.2 Complementaria:
Angrist, J. D. & J. S. Pischke (2009). Mostly Harmless Econometrics: An Empiricist's Companion.
Princeton University Press.
Beltran, A. & J. F. Castro (2010). Modelos de Datos de Panel y Valores Dependientes Limitadas: Teoría
y Práctica. Lima: Biblioteca Universitaria, Universidad del Pacífico.
Peña, B., Estavillo, J., Galindo, M., Leceta, M., & M. Zamora (1999). Cien Ejercicios de Econometría.
Ediciones PIRAMIDE. Colección “Economía y Empresa”.
Trivedi (2005). Microeconometrics. Methods and Applications. Cambridge University Press.

11.3 Electrónicas
Rosales García, Luis Econometría I. http://econometriai.wordpress.com/.
ttps://www.softwareshop.com/contenido/video/3738.
Karlson, K. B., Holm, A., & Breen, R. (2012). Comparing regression coefficients between same-sample nested models using logit
and probit: A new method. Sociological methodology, 42(1), 286-313
Ye, F., & Lord, D. (2014). Comparing three commonly used crash severity models on sample size requirements: multinomial logit,
ordered probit and mixed logit models. Analytic methods in accident research, 1, 72-85..

11.4 Producción intelectual del docente relacionado con el curso.

Apuntes del curso Econometría I y II Karin Alvarez-Rozas 2019

Puno 20 de agosto de 2019.