Diplomado en Modelos Econométricos Dinámicos - Álvaro Obregón - Distrito Federal - ITAM - Instituto Tecnológico Autónomo de México - I21991

Coordinador: M.F. MARIA ESPERANZA SAINZ LOPEZ

Área: Estadística y Matemáticas, Economía

Fechas: 6 de septiembre del 2013 al 26 de julio del 2014
Costo de inscripción: 6400 PESOS M.N.
Costo por módulo: 10600 PESOS M.N.

Horarios: Lunes de 19:00 a 22:00 h.
Miércoles de 19:00 a 22:00 h.

Módulos: 6
Horas: 216

Notas: ENVIAR CURRÍCULUM Y ENTREVISTA TELEFÓNICA CON EL COORDINADOR.

Objetivo General

Presentar al alumno algunos modelos cuya estructura dinámica permite realizar análisis del comportamiento de datos registrados en forma de series de tiempo. Se hará énfasis en la aplicación de tales modelos a la economía y a las finanzas. Por lo anterior, es necesario señalar los supuestos teóricos, así como las limitaciones y los alcances de las conclusiones obtenidas del análisis con los modelos dinámicos. Para la práctica, se requerirá la utilización de paquetes estadísticos que faciliten el análisis y se orientará al estudio de la econometría como una herramienta que permite realizar investigación en diversas disciplinas.

Módulo 1:
ELEMENTOS DE ECONOMETRÍA

Objetivo
Presentar las técnicas de regresión lineal acordes al tipo de datos que se tienen y en función de los modelos que se pueden estimar. Verificar que se cumplan los supuestos de los modelos, realizar las correcciones necesarias y señalar las consecuencias de no cumplir con los supuestos. Aplicar las técnicas de inferencia estadística, obtener conclusiones a partir de un modelo estimado y, en particular, calcular pronósticos. Utilizar un paquete de análisis econométrico para realizar los cálculos necesarios.

Temario

1. Modelos econométricos
2. Especificación y estimación del modelo lineal
3. Supuestos del modelo y su verificación
4. Violaciones a los supuestos clásicos
4.1. No linealidad
4.2. Heteroscedasticidad
4.3. Autocorrelación en los errores
4.4. Multicolinealidad
5. Pronóstico
6. Uso de variables artificiales
7. Pruebas de cambio estructural
8. Modelos de ecuaciones simultáneas
8.1. Identificación
8.2. Estimación
8.3. Diagnóstico
9. Aplicaciones

Módulo 2:
MODELO DE PRONÓSTICOS PARA SERIES DE TIEMPO

Objetivo
Proporcionar los conceptos y los conocimientos necesarios para distinguir entre los enfoques cualitativo y cuantitativo del pronóstico. Reconocer el tipo de modelo subyacente en cada una de las técnicas de pronóstico estadístico y realizar la validación del modelo. Aplicar adecuadamente las técnicas cuantitativas de pronóstico, en función de las características y del volumen de datos disponibles.

Temario

1. Introducción al pronóstico. Pronóstico estadístico
2. Conocimiento de los datos
2.1. Inspección de los datos
2.2. Suavizamientos
3. Uso de transformaciones
3.1.  Transformaciones lineales
3.2. Transformaciones no-lineales
3.3. Selección de una transformación
4. Criterios para elegir una técnica de pronóstico
5. Modelos de pronóstico
5.1. Pronósticos de series no-estacionales
5.2. Pronósticos de series estacionales
6. Evaluación de los pronósticos
7. Aplicaciones

Módulo 3:
ANÁLISIS DE SERIES DE TIEMPO UNIVARIADAS

Objetivo
Presentar las diferentes herramientas que se utilizan en el análisis de series de tiempo, desde el punto de vista del dominio del tiempo. Construir modelos con el enfoque de Box y Jenkins, a partir del estudio de las funciones de autocorrelación muestral, de la estimación estadística de los parámetros y de la validación de los supuestos del modelo a partir de los datos mismos.

Temario

1. Introducción al Análisis de Series de Tiempo
2. Descomposición de Series de Tiempo
3. Elementos de Ecuaciones en Diferencia
4. Familia de Modelos ARIMA
5. Construcción de Modelos ARIMA
5.1. Identificación de los modelos
5.2. Estimación de los modelos
5.3. Verificación de los supuestos
6. Pruebas de raíces unitarias
7. Modelos para series estacionales
7.1 Análisis de series estacionales
7.2 Construcción de modelos
8. Pronóstico de series de tiempo
9. Aplicaciones

Módulo 4:
OTROS TEMAS DE SERIES DE TIEMPO

Objetivo
Presentar algunos temas del análisis de series de tiempo que han probado su utilidad en la práctica para realizar estudios de series de la Economía y de las Finanzas. Mostrar los elementos de teoría y efectuar algunas aplicaciones de las metodologías que se presenten. Utilizar las herramientas de cómputo necesarias para obtener los resultados numéricos.

Temario

1. Análisis de intervención
1.1. Teoría
1.2. Ilustraciones
2. Desestacionalización de series económicas
2.1. Métodos básicos
2.2. Programas de cómputo
3. Descomposición en componentes no-observables
3.1. Partes permanente y transitoria
3.2. Descomposición de Beveridge y Nelson
3.3. Extracción de señal
4. Tema optativo 1
5. Tema optativo 2
6. Aplicaciones

Nota: Como temas optativos se tienen considerados algunos de los siguientes: modelos ARCH y GARCH, pronósticos restringidos, desagregación de series, tratamiento de outliers, datos faltantes, modelos de espacio de estados, filtro de Kalman, análisis espectral y estimación de tendencias.

Módulo 5:
INTRODUCCIÓN AL ESTUDIO DE SERIES DE TIEMPO MÚLTIPLES

Objetivo
Presentar modelos para el análisis conjunto de varias series de tiempo. Subrayar la riqueza de análisis, teórico y empírico, que se obtiene al considerar el estudio de varias variables en forma simultánea. Mostrar el tipo de resultados que se pueden obtener en la práctica.

Temario

1. Modelos para series de tiempo múltiples
1.1. Relación con modelos de ecuaciones simultáneas
1.2. Extensión de modelos ARMA al caso multivariado
2. Cointegración bivariada
2.1. Regresión espuria
2.2. Relación entre cointegración e integración
3. Vectores autorregresivos
4. Causalidad de Granger
5. Función de respuesta al impulso
6. Descomposición de la varianza del pronóstico
7. Análisis de cointegración
8. Modelos en forma de corrección de errores
9. Aplicaciones


Módulo 6:
ANÁLISIS BAYESIANO DE SERIES DE TIEMPO

Objetivo
Brindar las herramientas necesarias para usar el paradigma bayesiano, y con ellas emitir juicios a partir de información subjetiva disponible, sobre los resultados de un modelo para series de tiempo. Obtener pronósticos informados de los futuros valores de la serie de tiempo que hagan uso de dicho modelo y de la información subjetiva.

Temario

1. Introducción al paradigma bayesiano
2. Análisis de series de tiempo
2.1. Etapas
2.2. Análisis clásico
2.3. Modelos dinámicos bayesianos
3. Modelo dinámico lineal (MDL)
3.1. Planteamiento del MDL
3.2. Mecanismo de aprendizaje en el MDL
3.3. Pronóstico en el MDL
3.4. Modelo constante y de varianza conocida

4. Modelo con componentes adicionales (MDLCA)
4.1. Tendencia y  estacionalidad
4.2. Regresores e intervenciones subjetivas
4.3. Comparación de MDLCA con modelos ARIMA
5. Modelo con varianza desconocida (MDLVD)
5.1. Proceso de aprendizaje de la varianza
5.2. Intervención de la varianza
5.3. El MDLVD comparado con GARCH y EWMA
6. Aplicaciones

Coordinador Académico:

M.F. Esperanza Sainz López
Estudió la Licenciatura en Matemáticas Aplicadas a las Ciencias Sociales, la Maestría en Finanzas, los Diplomados en Finanzas Corporativas y en Derivados Financieros en el ITAM. Actualmente es profesora de Extensión Universitaria en esta institución y es  subdirectora en la Dirección de Desarrollo de Modelos Econométricos Especiales del Instituto Nacional de Estadística, Geografía e Informática. Ha impartido cursos de Probabilidad, Estadística, Econometría y Series de Tiempo en diversas instituciones y empresas como: Universidad Autónoma de Chihuahua, Colegio de México, Universidad Iberoamericana, Grupo Modelo, GMac Financiera e Hipotecaria, PEMEX y CEPAL. De 1987 a 2004, fue profesora de tiempo completo del Departamento de Estadística del ITAM. Anteriormente, fue Subdirectora Técnica en la Dirección General de Estadística del INEGI, jefa de departamento e investigadora en Presidencia de la República y gerente de sistemas en el Centro de Estudios Económicos del Sector Privado