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 : 02.
g) Área curricular : Estudios Específicos.
h) Ciclo del plan de estudios : Cuarto
i) Características del curso : Investigación económica y social.
j) Duración : Del 12 de agosto del 2019 al 13 de diciembre del 2019
k) Semestre Académico : 2019 – 02

1.2 Docente:

Nombres y Apellidos Condición y Especialidad Grupo Ambiente donde se realiza el

Categoría aprendizaje
A

Karin Margaret Alvarez Rozas Nombrado - Auxiliar Maestría en Economía B E59-202, Laboratorio de
cómputo
C

1.3 Ambiente donde se realiza el aprendizaje.

a) Salón : (1.2)
b) Sala de cómputo : (1.2)

II. SUMILLA.
El componente curricular Econometría II es de carácter teórico – práctico, que capacita a los estudiantes en el uso de modelos lineales y no
lineales para realizar investigación aplicada en economía. Las unidades son: Regresión con variables dependientes dicotómicas, modelo de
probabilidad lineal (MPL), modelos logísticos (Logit), probabilísticos (Normit) y de doble complementariedad (Clog-log).- Modelos con variables
dependientes discretas: modelos Poisson y Binomial negativa; modelos con variables dependientes limitadas: modelos censurados, truncados
y con truncamiento incidental; sistemas de ecuaciones simultáneas y modelos dinámicos.- modelo de datos de panel: modelo de efectos fijos
y aleatorios, Introducción a Datos de Panel Dinámicos.

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, estáticos y dinámicos.

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:
Especifica, estima y evalúa modelos uniecuacionales no lineales, de variable dependiente cualitativa y de variable dependiente limitada;
además de modelos multicuacionales, aplicando 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 2
FECHA DE INGRESO DE NOTAS AL 15 de octubre 2019
SISTEMA
CRITERIOS DE DESEMPEÑO CONOCIMIENTO Y COMPRENSIÓN ESENCIALES
El estudiante es competente si:
 Desarrolla los métodos para la MODELOS NO LINEALES
detección y modelización de Identifica la estrategia general para la modelización de funciones de regresión no
funciones de regresión lineales.
poblacionales no lineales mediante Distingue los modelos polinomiales y logarítmicos.
cuadros comparativos. Relaciona variables binarias y continuas.
REGRESION CON VARIABLES DICOTOMICAS, MODELOS CON VARIABLES
DEPENDIENTES DISCRETAS.
Relaciona las variables dependientes binarias con el modelos de probabilidad lineal.
 Interpreta la función de Compara modelos de probabilidad lineal, probit y logit.
regresión no lineal como una Estima e infiere con modelos logit y probit mediante mínimos cuadrados no lineales y
predicción de probabilidad máxima verosimilitud. Tomando en cuenta medidas de ajuste para cada modelo,
mediante casos aplicativos. 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
Justifica variables omitidas en un modelo de regresión simple
 Obtiene un estimador consistente Identifica las Propiedades de VI con una variable instrumental deficiente
de los coeficientes desconocidos Estima VI del modelo de regresión múltiple utilizando Mínimos cuadrados en dos etapas
de la función de regresión Compara el uso de una sola variable explicativa endógena y múltiples variables
poblacional cuando explicativas endógenas.
la variable explicativa X, está Examina Pruebas de hipótesis múltiples después de la estimación de MC2E
correlacionada con el término de Aplica pruebas de endogeneidad y pruebas de restricciones de sobreidentificación.
error. 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:
Identifica, especifica, estima y evaluar modelos dinámicos, modelos con datos de panel y aplica la metodología econométrica en el campo
de la investigación económico y social.
TIEMPO DE DESARROLLO
HORAS DE ENSEÑANZA VIRTUAL/UNIDAD 2
FECHA DE INGRESO DE NOTAS AL 10 de diciembre
SISTEMA
CRITERIOS DE DESEMPEÑO
El estudiante es competente si:
 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 Compara las estructuras finitas e infinitas de retardos propuestas de Almon y Koyck.
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,
estáticos y dinámicos.
PORCENTAJE DE AVANCE ACADÉMICO DE LA UNIDAD: 100%
Del 11 de octubre al 10 de diciembre del 2019. Total de horas: 54
CONOCIMIENTO Y COMPRENSIÓN ESENCIALES
SISTEMAS DE ECUACIONES SIMULTANEAS
Analiza la Naturaleza y alcance de los modelos de ecuaciones Simultáneas.
Confirma el Sesgo de simultaneidad en MCO.
Identifica y estima un sistema de dos ecuaciones mediante MC2E
Diferencia Sistemas con más de dos ecuaciones
MODELOS DINAMICOS
Diferencia entre los modelos autorregresivos y los de retardo distribuido.
Explica modelos: de expectativas adaptativas y de ajuste parcial
Describe y estima los efectos causales dinámicos con regresores exógenos.
MODELOS DE DATOS 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 e individuales. Además, estima modelos de datos de panel dinámicos.

2
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
PRODUCTO
PRESENTACIÓN
UNIDAD I
Todas las semanas del
Presenta organizadores del conocimiento interclases de los
semestre académico.
temas asignados.

Primera semana de
Avance del anteproyecto de investigación aplicando los modelos
octubre
de regresión desarrollados por fases.
UNIDAD II
Todas las semanas del
Presenta organizadores del conocimiento interclases de los
semestre académico.
temas asignados.

Ultima semana de
Entrega trabajo de investigación aplicando los modelos de
noviembre
regresión desarrollados en clases.

X. EVALUACIÓN DEL APRENDIZAJE.

3
10.1 Evidencias, indicadores, técnicas e instrumentos de evaluación.

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.
Especifica, estima y modelización de funciones de
evalúa modelos de regresión poblacionales Problemas
uniecuacionales no no lineales mediante
lineales, de variable cuadros comparativos.
dependiente Estudio de
•Interpreta la función de 40% LA2 Escala de
cualitativa y de
regresión no lineal como Caso. evaluación
variable dependiente una predicción de
I limitada; además de probabilidad mediante casos
modelos aplicativos.
multicuacionales, Prueba Escritas.
aplicando en el •Obtiene un estimador  De desarrollo:
campo de la consistente de los resolución de
investigación coeficientes desconocidos 30%LA3 problemas.
de la función de regresión Examen
económico y social.  Objetivas: de
poblacional cuando escrito respuesta
la variable explicativa X,
simple, de
está correlacionada con el
Identificación y
término de error.
jerarquización
•Comprueba que el
método para estimar Resolución Escala de
modelos de 30%LA1 calificación.
Identifica, ecuaciones de
especifica, estima simultáneas es el de Problemas
y evaluar modelos las variables
dinámicos, instrumentales.
modelos con datos
de panel y aplica Comprueba la relación Estudio de
la metodología entre la variable 40%LA2 Escala de
Caso. evaluación
econométrica en endógena y las
el campo de la explicativas en
II investigación distintos momentos de
económico y tiempo pasado
social. mediante los modelos
dinámicos. Prueba Escritas.
•Comprueba un método  De desarrollo:
30%LA3 resolución de
para tener en cuenta
algunos tipos de problemas.
Examen
variables omitidas el  Objetivas: de
escrito respuesta
cual requiere un tipo
específico de datos, simple, de
denominados datos de Identificación y
panel, estáticos y jerarquización
dinámicos.

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.
LA3 = Logro de aprendizaje 3.

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

𝐼 𝑈𝑃𝑃 + 𝐼𝐼 𝑈𝑃𝑃
𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑓𝑖𝑛𝑎𝑙 =
2

4
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.
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.
Ramírez, G. L. H., & Mendoza, A. P. C. (2018). Valoración económica del servicio ambiental recreativo en el valle de piedras
encimadas, Puebla-México. Semestre Económico, 6(1).
Álvarez, R. R., & Mamani, E. A. (2014). Optimización y simulación dinámica de la especie carachi {Orestias agassii} para el
manejo sostenible de la pesca en el lago Titicaca. Apuntes: Revista de Ciencias Sociales, (55), 111-139.
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.

Apaza, E. (2017). Econometría Aplicada con Stata, Modelos de Elección Discreta. Puno: UNA – Puno
Apuntes del curso Econometría I y II Karin Alvarez-Rozas 2019

Puno 20 de agosto de 2019.