Contenido
Diplomado en Modelos Econométricos Dinámicos para Finanzas y Economía (Versión en Línea).
Área: Estadística y Matemáticas
Horario: Viernes de 18:00 a 21:00 h. y Sábado de 09:00 a 12:00 h.
Módulos a cursar: 6
Horas: 156
Acerca del programa:
En el diplomado se presentarán los métodos estadísticos necesarios para analizar, manejar, comprender y representar datos registrados en forma de series de tiempo. Los participantes adquirirán bases teóricas para conocer los alcances y las limitaciones de las conclusiones obtenidas con los modelos dinámicos, así como para aplicar el mejor modelo a un problema dado. Utilizarán paquetes estadísticos que faciliten la estimación y el análisis de los modelos y enfocarán el estudio como una herramienta para realizar investigación en diversas disciplinas sociales.
¿A quién va dirigido?
Personas que trabajan o tienen interés en la economía, las finanzas o la actuaría. Interesados en el estudio y análisis de los modelos dinámicos de series de tiempo.
Objetivo general:
En el diplomado se presentarán los métodos estadísticos necesarios para analizar, manejar, comprender y representar datos registrados en forma de series de tiempo.
Los participantes adquirirán bases teóricas para conocer los alcances y las limitaciones de las conclusiones obtenidas con los modelos dinámicos, así como para aplicar el mejor modelo a un problema dado. Utilizarán paquetes estadísticos que faciliten la estimación y el análisis de los modelos y enfocarán el estudio como una herramienta para realizar investigación en diversas disciplinas sociales.
Plan de Estudios:
Módulo 1
FUNDAMENTOS DE ESTADÍSTICA
Objetivo
En este módulo, los participantes adquirirán los conceptos y conocimientos de estadística que se requieren para la estimación y el análisis de modelos. Además, conocerán las características que tiene un conjunto de datos, para identificar el tipo de inferencia estadística que se puede realizar y obtener resultados y conclusiones en problemas prácticos.
Temario
1. Introducción a la estadística
1.1 Objetivo de la estadística
1.2 Poblaciones y muestras. Parámetros y estadísticos
1.3 Análisis exploratorio de datos. Tipos de variables y escalas de medición. Representación gráfica y medidas descriptivas de conjuntos de datos. Asociación entre variables
1.4 Fundamentos de probabilidad
1.5 Variables aleatorias. Distribución binomial, Poisson y normal
2. Inferencia estadística
2.1 Distribución de muestreo
2.2 Teorema central del límite
2.3 Distribuciones muestrales relacionadas con la distribución normal
2.4 Estimación puntual y propiedades de estimadores. Definición de
estimador. Error de estimación y error cuadrático medio. Propiedades de
estimadores. Métodos de estimación
2.5 Estimación por intervalos. Concepto de intervalo de confianza. Intervalos de confianza para la media, la varianza y la proporción
2.6 Pruebas de hipótesis. Conceptos de pruebas de hipótesis. Nivel de significancia descriptivo. Prueba de hipótesis para media, varianza y proporción. Prueba de hipótesis para comparación de medias, de proporciones y de varianzas. Prueba de hipótesis para coeficiente de correlación. Pruebas de bondad de ajuste (normalidad). Prueba de razón de verosimilitudes
Módulo 2
MODELO DE REGRESIÓN LINEAL
Objetivo
Los participantes conocerán las técnicas de regresión lineal para distinguir entre los tipos de datos que tienen y los modelos que pueden aplicar. En un modelo estimado, aplicarán las técnicas de inferencia estadística para obtener conclusiones, el mejor modelo y el mejor pronóstico a partir de un conjunto de datos.
Temario
1. Introducción al modelo de regresión lineal. Modelo condicional
2. Modelo de regresión lineal simple
2.1 Estimadores de mínimos cuadrados. Propiedades de los estimadores.
Teorema de Gauss-Markov
2.2 Coeficiente de correlación y coeficiente de determinación
2.3 Pruebas de hipótesis y análisis de varianza
2.4 Predicción del valor esperado y del valor individual
3. Modelo de regresión lineal múltiple
3.1 Estimadores de mínimos cuadrados. Propiedades de los estimadores.
Teorema de Gauss-Markov
2.5 Coeficiente de correlación, coeficiente de correlación parcial y coeficiente de determinación
3.2 Pruebas de hipótesis y análisis de varianza
3.3 Predicción del valor esperado y del valor individual
4. Formas funcionales de los modelos de regresión
5. Modelos con variables explicativas de tipo cualitativo
6. Violación de los supuestos del modelo clásico de regresión. Detección, consecuencias y corrección
6.1 Normalidad de los errores
6.2 Varianza constante del error
6.3 Errores no correlacionados
6.4 Variables explicativas linealmente independientes
7. Aplicaciones
Módulo 3
MODELOS DE PRONÓSTICO PARA SERIES DE TIEMPO
Objetivo
En este módulo, los participantes adquirirán los conceptos y conocimientos necesarios para distinguir entre los enfoques cualitativo y cuantitativo del pronóstico.
Identificarán las características que tiene una serie de tiempo y las distintas transformaciones de los datos que es posible realizar, para distinguir el tipo de modelos que pueden aplicar y obtener resultados y conclusiones en problemas prácticos. Conocerán y aplicarán las medidas para evaluar la exactitud y precisión de los pronósticos. Utilizarán las técnicas extrapolativas de pronóstico, dependiendo de las características y volumen de los datos disponibles.
Temario
1. Introducción al pronóstico. Pronóstico cualitativo y estadístico
2. Conocimiento de los datos
2.1 Inspección de los datos
2.2 Suavizamiento
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. Técnicas extrapolativas
5.1 Técnicas para series no estacionales
5.2 Técnicas para series estacionales
6. Evaluación de los pronósticos
7. Aplicaciones
Módulo 4
ANÁLISIS DE SERIES DE TIEMPO
Objetivo
Los participantes conocerán y aprenderán las técnicas de análisis de series de tiempo de los modelos autorregresivos integrados de promedio móvil (ARIMA).
Construirán los modelos ARIMA con la propuesta de Box y Jenkins, y encontrarán el mejor para un conjunto de datos.
Temario
1. Introducción al análisis de series de tiempo
2. Elementos de ecuaciones en diferencia
2.1 Notación y conceptos elementales
2.2 Uso de operadores de retraso
3. Modelos para series no estacionales
3.1 Identificación de modelos ARIMA
3.2 Estimación de modelos ARIMA
3.3 Verificación de los modelos
4. Modelos para series estacionales
4.1 Identificación de modelos ARIMA estacionales
4.2 Estimación de modelos ARIMA estacionales
4.3 Verificación de los modelos
5. Pronósticos para series de tiempo
6. Aplicaciones
Módulo 5
OTROS TEMAS DE SERIES DE TIEMPO
Objetivo
Los participantes revisarán temas del análisis de series de tiempo que han sido útiles en la práctica, como la heterocedasticidad condicional y el ajuste de una de una serie de tiempo identificando sus componentes. Realizarán aplicaciones de las metodologías que se presenten.
Temario
1. Métodos para ajuste estacional de series de tiempo
1.1 Introducción al ajuste estacional de series de tiempo
1.2 Métodos para ajuste estacional de series de tiempo
1.3 Componentes no observables de una serie de tiempo
2.1 Procedimiento X13-ARIMA
2.2 Descomposición con el procedimiento X11
2. Modelos de heterocedasticidad condicional
1.4 Procesos con modelos de heterocedasticidad condicional autorregresiva (ARCH)
1.5 Procesos con modelos de ARCH generalizada
1.6 Procesos con modelos integrados de ARCH generalizada
1.7 Procesos A-GARCH, T-GARCH y EGARCH
1.8 Procesos ARCH-M
3 Aplicaciones
Módulo 6
INTRODUCCIÓN AL ESTUDIO DE SERIES DE TIEMPO MÚLTIPLES
Objetivo
Los participantes conocerán las herramientas para realizar un análisis conjunto de varias series de tiempo. Aprenderán qué resultados pueden obtener en el estudio simultáneo de varias variables y comprenderán su riqueza teórica y práctica.
Temario
1. Modelos para series de tiempo múltiples
1.1 Relación con modelos de ecuaciones simultáneas
1.2 Extensión de modelos autorregresivos de media móvil 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
