INSTITUTO TECNOLÓGICO DE SANTO DOMINGO

Area de Negocios

ECONOMETRÍA APLICADA I

Profesora: Ma. Isabel Santana

I. OBJETIVOS

El objetivo del curso es aprender los conceptos y técnicas básicas de estimación

econométrica e inferencia estadística, a través de la aplicación de herramientas
matemáticas y estadísticas conocidas por los estudiantes. Se espera que el alumno logre la
estimar modelos simples, interpretando sus resultados con relación a las teorías
económicas y señalando sus potenciales y limitaciones. Al finalizar el curso, el estudiante
estará en capacidad de aplicar los conocimientos adquiridos, en problemas relacionados
con la economía y en la comprobación empírica de modelos teóricos. Además estará
familiarizado con software estadístico y matemático utilizado frecuentemente en
econometría.

II. REQUISITOS PREVIOS

Para la comprensión del curso, es necesario que el alumno tenga conocimientos de

álgebra (lineal y matricial) y de estadística (descriptiva, probabilidad, variables aleatorias,
distribuciones de probabilidad, intervalos de confianza y contraste de hipótesis). No
obstante, habrá un repaso breve de los principales conceptos matemáticos y estadísticos a
utilizar.

III. BIBLIOGRAFÍA

Gujarati, Damodar "Econometría". Cuarta edición. Mc Graw Hill. 2003

Wooldridge, Jeffrey, “Introducción a la Econometría”. Primera edición.
Alfonso Novales, “Econometría”. Segunda Edición. Mc Graw Hill.

El libro básico a utilizar es la cuarta edición de Gujarati, Econometría. Este libro cubre el
programa del curso con un nivel de profundidad y formalidad adecuado. Los demás son
libros de consulta.

IV. METODOLOGÍA

El curso se distribuirá en clases teóricas y clases prácticas. En las primeras se presentará

de manera formal los conceptos, demostraciones y problemas econométricos. Las clases
prácticas están destinadas a concretar los conocimientos teóricos adquiridos y aplicar
directamente a problemas económicos del mundo real. Además, se dedicarán ciertas
clases a la resolución de ejercicios teórico-prácticos.

Pág. 1 de 4
Es necesario que los alumnos tengan una cuenta de correo electrónico y acceso a Internet,
pues diferentes temas de interés relacionados al curso serán publicadas a través de la
página Web del curso.

Las lecturas asignadas son muy importantes para comprender las clases (¡y para pasar el
curso!).

V. EVALUACIÓN
Controles de lectura 20%
Tareas Prácticas 10%
Examen de Medio Término 25%
Examen Final 30%
Trabajo 15%

El trabajo será evaluado a través de un Informe avance (40%) y un Informe Final (60%).
Previamente, deben presentar una hoja que contenga los nombres de los alumnos que
componen el grupo y, opcionalmente, una descripción breve del tema que desean
investigar.

VI. CONTENIDOS

Parte I. Fundamentos del análisis de regresión

1. Introducción
 Definición de econometría y su relación con otras disciplinas
 Concepto de modelo
 Metodología de la econometría
 Tipos de datos
 Variables y notación
 Concepto de regresión
 Regresión vs. Causalidad
 Relación estadística vs. determinística

Gujarati, Introducción, Capítulo 1 y Apéndice A

2. Modelo de Regresión Lineal Simple: Estimación

 Función de regresión poblacional y muestral
 Método de Mínimos Cuadrados Ordinarios (MICO)
 Supuestos del Modelo Clásico de Regresión
 Propiedades Estadísticas de los Estimadores MICO
 Coeficiente de determinación (R2)
 Máxima Verosimilitud

Gujarati, Capítulo 2 y 3

Pág. 2 de 4
3. Extensiones del modelo de regresión lineal simple
 Regresión a través del origen
 Escalas y unidades de medición
 Regresión sobre variables estandarizadas
 Formas funcionales

Gujarati, Capítulo 6

4. Modelo de Regresión Lineal Simple: Inferencia

 Supuesto de normalidad
 Estimación de intervalos
 Pruebas de hipótesis
 Análisis de varianza

Gujarati, Capítulo 4 y 5

5. Modelo de Regresión Lineal Múltiple: Estimación

 Interpretación de la ecuación y los coeficientes

 Supuestos del Modelo Clásico de Regresión
 Propiedades Estadísticas de los Estimadores MICO
 Coeficiente de determinación múltiple (R2) y R 2 ajustado
 Predicción

Gujarati, Capítulo 7, Apéndices B y C (C.1 al C.5)

6. Modelo de Regresión Lineal Múltiple: Inferencia

 Supuesto de normalidad
 Pruebas de hipótesis
 Prueba de significancia global
 Prueba de igualdad de dos coeficientes
 Mínimos cuadrados restringidos
 Prueba de estabilidad estructural: Test de Chow

Gujarati, Capítulo 8 y Apéndice C (C.6 al C.12)

7. Variables dicotómicas o cualitativas independientes

 Regresión con variables cualitativas y cuantitativas

 Interpretación de coeficientes
 Aplicaciones (desestacionalizar, cambio estructural, outliers)

Gujarati, Capítulo 9

Pág. 3 de 4
Parte II. Violaciones a los supuestos clásicos.

8. Multicolinealidad y problemas de información

 Naturaleza
 Tipos de muticolinealidad
 Determinantes de la varianza en el modelo múltiple
 Consecuencias de la multicolinealidad
 Detección del problema
 Posibles soluciones

Gujarati, Capítulo 10

9. Heterocedasticidad
 Definición y causas del problema
 Consecuencias de la heterocedasticidad
 Detección del problema
 Soluciones

Gujarati, Capítulo 11

Pág. 4 de 4