ESPECIALIZACIÓN INTERNACIONAL

Econometría
Aplicada Moderna
ESPECIALIZACIÓN INTERNACIONAL

ECONOMETRÍA APLICADA
MODERNA
Certificación adicional a nombre de la
Universidad Nacional de Ucayali
Certificación adicional a nombre del
11 de marzo
Colegio de Economistas del Perú
 ESPECIALIZACIÓN INTERNACIONAL

ECONOMETRÍA APLICADA
MODERNA
La especialización internacional en econometría mo-
derna aborda cinco módulos de la práctica economé-
trica moderna para identificar relaciones causales y
evaluar los efectos de políticas o programas. El desa-
rrollo de los módulos y el comportamiento de la situa-
ción real permitirá a los estudiantes manejar estas
herramientas y la capacidad de decir resultados.

4 meses
Martes y jueves de 07:00 a 10:00pm (hora peruana)

Certificación: Entrega de 8 certificados

·GEM EDUCA se reserva el derecho de modificar la plana docente, por motivos de fuerza mayor
o por disponibilidad del profesor, garantizando que la calidad de la especialización internacio-
nal no se vea afectada. Toda modificación será comunicada anticipadamente a los participantes.

Econometría Aplicada Moderna

ECONOMETRÍA DE EVALUACIÓN
DE IMPACTO
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.

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.

Econometría Aplicada Moderna

ECONOMETRÍA DE EVALUACIÓN
DE IMPACTO
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.

Econometría Aplicada Moderna

BIG DATA Y MACHINE LEARNING
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.

Econometría Aplicada Moderna

BIG DATA Y MACHINE LEARNING
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.

Econometría Aplicada Moderna

BIG DATA Y MACHINE LEARNING
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.

Econometría Aplicada Moderna

ECONOMETRÍA ESPACIAL
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.

Econometría Aplicada Moderna

ECONOMETRÍA ESPACIAL
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.

Econometría Aplicada Moderna

ANÁLISIS DE EFICIENCIA Y
PRODUCTIVIDAD SFA Y DEA
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.

Econometría Aplicada Moderna

ANÁLISIS DE EFICIENCIA Y
PRODUCTIVIDAD SFA Y DEA
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.

Econometría Aplicada Moderna

ECONOMETRÍA BAYESIANA Y
NO PARAMÉTRICA
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 Aplicada Moderna

ECONOMETRÍA BAYESIANA Y
NO PARAMÉTRICA
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 Aplicada Moderna

ECONOMETRÍA BAYESIANA Y
NO PARAMÉTRICA
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.

Econometría Aplicada Moderna

SIMULACIÓN Y PRONÓSTICO
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.

Econometría Aplicada Moderna

SIMULACIÓN Y PRONÓSTICO
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.

Econometría Aplicada Moderna

Econometría Aplicada Moderna
 Econ. Alexis Adonai Morales Alberto
Economista especializado en Modelamiento Econométrico de la
Universidad Nacional Autónoma de México (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

Economista especializado en Econometría Aplicada, Investiga-
ción Económica y Análisis de Indicadores para la toma de deci-
siones. Actualmente trabaja como Analista de Mercado Laboral
en la Dirección de Investigación Socioeconómica Laboral del
Ministerio de Trabajo y Promoción del Empleo – MTPE.

Econometría Aplicada Moderna

 Mg. Leonel Heredia Altamirano
Estadista y economista especializado en aplicaciones matemáticas,
modelamiento econométrico, formulación de proyectos privado
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.

Econometría Aplicada Moderna

 ¡NO PIERDAS ESTA
oportunidad!

INSCRÍBETE YA

Econometría Aplicada Moderna

Econometría Aplicada Moderna
 Inversión

Al contado

Promoción Comunidad Corporativo

Normal
(hasta el 10 de marzo) GEM (3-5 personas)

Perú S/ 800 S/ 510 S/ 470 S/ 440

Otros $ 250 USD $ 159 USD $ 147 USD $ 138 USD

países

En cuotas sin intereses

Comunidad Corporativo
Promoción Fecha Límite
GEM (3-5 personas)

S/. 170 o S/. 157 o S/. 147 o

Cuota 1
$ 53 USD $ 49 USD $ 46 USD
10/03/2023

S/. 170 o S/. 157 o S/. 147 o 10/04/2023

Cuota 2
$ 53 USD $ 49 USD $ 46 USD

S/. 170 o S/. 156 o S/. 146 o

Cuota 3
$ 53 USD $ 49 USD $ 46 USD
10/05/2023

-2 años de acceso compartido al material y videos

-Los videos estarán cargados en un plazo máximo de 48 horas

·Nota: Las anulaciones de inscripciones o cambios de participantes se deberán realizar dos días útiles
antes de la fecha de inicio del programa. Para ello, deberá enviar una carta con la solicitud correspondien-
te. En caso contrario, la empresa GEM EDUCA no aceptará modificaciones en el proceso de inscripción.

Econometría Aplicada Moderna