UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Per, DECANA DE AMRICA)

FACULTAD DE CIENCIAS ECONMICAS

ESCUELA ACADMICO PROFESIONAL DE ECONOMA
Semestre Acadmico 2016-0

SLABO
EO3229

1.

Sumilla
Modelo lineal general. Inferencia del modelo lineal. Pruebas de hiptesis. Modelo en
desviaciones de media. Violacin de los supuestos de la regresin clsica. La
multicolinealidad. Modelos con variables cualitativas, variables Dummy. Variables
dependientes rezagadas. Modelos con rezagos distribuidos. Modelos con errores en las
variables. Mnimos cuadrados generalizados: Heteroscedasticidad. Autocorrelacin.
Estimacin y prediccin. Modelo de ecuaciones simultneas: Mtodos de estimacin.
Mnimos cuadrados indirectos. Variables instrumentales. Mnimos cuadrados en dos y
tres etapas.

2.

Objetivos
Proporcionar al estudiante la formacin terica y prctica para disear e implementar
estudios que involucren modelos de regresin, as como leer, entender, analizar, evaluar
y aplicar la literatura que use el anlisis del modelo de regresin lineal.
Que el alumno sea capaz de aplicar la teora estadstica y economtrica para el anlisis y
resolucin de los problemas de la economa en general.
Al concluir el semestre el alumno elaborar una monografa (que ser objeto de
exposicin), en la cual muestre un adecuado balance entre los fundamentos de la teora
econmica y el uso de las tcnicas y mtodos que se desarrollaron en el curso.

Slabo / Econometra I/EO3229

210-D

ECONOMETRA I
Teora: 4
Prctica: 2
5
Estadstica III; Macroeconoma I
2015
CISNEROS GARCA, Juan Manuel Eliud

Pgina

Curso
Horas de Clase Semanal
Crditos
Requisitos
Plan de Estudios
Docentes y aulas

UNMSM Facultad de Ciencias Econmicas

Escuela Acadmico Profesional de Economa (EAPE)

Contenido calendarizado
1. semana
Introduccin. Definicin de Econometra. Objeto y mtodo de la investigacin
economtrica. Relacin entre variables econmicas y correlacin espuria. Repaso de
algebra matricial, teora de probabilidad y teora de la distribucin e inferencia
estadstica.
Modelo de regresin lineal bivariado. Supuestos. Estimacin por el mtodo de mnimos
cuadrados ordinarios (MCO). Supuestos. Propiedades del estimador MCO. Medida de
bondad de ajuste del modelo (R-cuadrado). Prediccin.
2. semana
Modelo de regresin lineal mltiple. Supuestos. Estimacin por el mtodo de mnimos
cuadrados ordinarios (MCO). Supuestos. Propiedades del estimador MCO. Interpretacin
geomtrica. El teorema de Gauss Markov. Medida de bondad de ajuste del modelo (Rcuadrado y R-cuadrado ajustado). Pruebas de hiptesis de primer orden (t, F).
Incorporacin de no-linealidades. Prediccin. Ejercicios. Aplicaciones con software
estadstico.

Test de estabilidad de parmetros, Chow. Cambios discretos, continuos. Modelos con

variables independientes cualitativas (variables dummy) y polinomios segmentados.
Aplicaciones.
4. semana
Modelos Dinmicos: Variables dependientes rezagadas. Esquemas finitos e infinitos.
Normalidad de las perturbaciones. Aplicaciones.
Primer Examen Parcial

3. semana
Aplicaciones a la Economa: Ecuacin de Mincer. Violacin de supuestos clsicos. La
multicolinealidad como problema de la informacin muestral y sus consecuencias. Test
para deteccin de multicolinealidad: Farrar Glauber, ortogonalidad, sndrome de
multicolinealidad. Correccin del problema: regresin cresta, regresin por
componentes principales.

Slabo / Econometra I/EO3229

Pruebas de hiptesis: de significancia estadstica, de restricciones lineales e imposicin

de parmetros (Test de Wald, Razn de Verosimilitud y Multiplicadores de Lagrange).
Aplicaciones. Modelo en desviaciones de media. Coeficientes de correlacin parcial.
Prediccin utilizando el modelo de regresin mltiple. Formulacin matricial. Prediccin
(promedio y de un valor individual).

Pgina

3.

UNMSM Facultad de Ciencias Econmicas

Escuela Acadmico Profesional de Economa (EAPE)

5. semana
Modelos con errores en las variables. Regresores estocsticos. Variables instrumentales.
Aplicaciones.
Mnimos Cuadrados Generalizados (MCG): Heteroscedasticidad. Causas, consecuencias.
Test para deteccin. Correccin del problema. Aplicaciones.
6. semana
Autocorrelacin. Causas, consecuencias de utilizar MCO y MV en presencia de
autocorrelacin. Test para deteccin. Correccin del problema. Aplicaciones.
Mtodos de estimacin I: Mnimos cuadrados ordinarios. Mnimos cuadrados indirectos.
Aplicaciones. Mtodo de estimacin II: Variables instrumentales. Mnimos Cuadrados en
dos etapas. Aplicaciones.
7. semana
Modelos de eleccin binaria. Modelo Lineal de Probabilidad. Modelos Logit, Probit y
Tobit.
Test de especificacin y bondad de ajuste en los Modelos de Eleccin Binaria.
Aplicaciones.
8. semana
Introduccin a los Modelos con Datos de panel. Aplicaciones.

5.

Evaluacin
Primer Examen Parcial
Segundo Examen Parcial
Evaluacin Continua

33,3%
33,3%
33,3%

Metodologa
Estar basada en la exposicin del docente segn la programacin establecida. Se
fomentar la participacin activa de los estudiantes. El desarrollo de los temas
combinar el anlisis lgico, el uso de grficos, la formalizacin matemtica y la
explicacin verbal, entendiendo que estos aspectos en conjunto permiten una mayor
rigurosidad acadmica.
El material bibliogrfico recomendado en su mayora estar en idioma espaol, no
obstante se recomienda contar con un nivel de lectura medio del idioma ingls.

Pgina

4.

Slabo / Econometra I/EO3229

Segundo Examen Parcial

UNMSM Facultad de Ciencias Econmicas

Escuela Acadmico Profesional de Economa (EAPE)

La calificacin final del curso se obtendr calculando la media aritmtica considerando

los rubros indicados con las ponderaciones respectivas, no se recurrir a la campana de
Gauss u otra modalidad.

6.3. Trabajos monogrficos

6.1. Asistencia
El estudiante que dejara de asistir a ms del 30% del total de horas establecidas
para el desarrollo del curso estar automticamente desaprobado, y obtendr
una calificacin final igual a cero (0).
6.2. Exmenes
La presencia y rendicin de los tres exmenes parciales programados por la EAPE
son parte de los derechos y deberes de todo estudiante.
Ninguno de los tres exmenes parciales puede ser sustituido por alguna otra
actividad acadmica: trabajo domiciliario, examen virtual, otra evaluacin escrita
u oral, entre otros.
Las calificaciones obtenidas en los exmenes parciales no pueden ser eliminadas,
ni modificadas, ni sustituidas por ningn motivo.
Durante los exmenes parciales o en cualquier evaluacin presencial, el alumno
que sea sorprendido usando material acadmico no autorizado por el docente del
curso, solicitando o comunicando informacin verbal, escrita, electrnica y por
otros medios, ser desaprobado en tal evaluacin con calificacin igual a cero (0).
La suplantacin en cualquier evaluacin presencial implica automticamente una
calificacin igual a cero (0) en el rubro Evaluacin Continua, tanto para el
suplantado, como para el suplantador si este ltimo fuese estudiante de la
Facultad.
El estudiante que no haya rendido un examen parcial en la fecha programada por
la EAPE, tendr un plazo de 48 horas para justificar de manera escrita y
documentada su inasistencia, dirigida a la Direccin de la EAPE, sta evaluar los
motivos e informar al docente del curso sobre el tema; ser potestad de ste
decidir si realiza la evaluacin extempornea correspondiente. La EAPE no
considerar solicitudes de justificacin respecto a exmenes realizados en fechas
distintas a las programadas.

Slabo / Econometra I/EO3229

Polticas del curso

Pgina

6.

Los tres Exmenes Parciales se realizarn slo bajo la modalidad de evaluacin escrita
y presencial en las fechas programadas por la EAPE.
La Evaluacin Continua tiene por finalidad estimar los conocimientos, aptitudes y
rendimiento del estudiante durante el desarrollo del curso, se consideran
intervenciones orales, prcticas calificadas, controles de lectura, tareas domiciliarias,
trabajos monogrficos y exposiciones; las ponderaciones correspondientes son
potestad del docente del curso.

UNMSM Facultad de Ciencias Econmicas

Escuela Acadmico Profesional de Economa (EAPE)

El plagio no es aceptado por ninguno de los miembros de la comunidad

universitaria de la UNMSM. El plagio es delito, est sancionado penalmente
segn las normas jurdicas peruanas.
La presentacin de trabajos monogrficos plagiados de parte de algn estudiante,
copias parciales o totales de obras de otros autores intentando hacer creer que
quien plagia es el verdadero autor, obtenidos por medios escritos o electrnicos,
generar que el estudiante involucrado automticamente obtenga como nota del
rubro Evaluacin Continua la calificacin igual a cero (0).
6.4. Desarrollo del curso
Cualquier estudiante matriculado en el curso tiene el derecho y deber de
informar a la EAPE sobre el adecuado desarrollo de ste: cumplimiento de los
aspectos planteados en el slabo, temario y exmenes, asistencia del docente a
cargo del curso, entre otros.
El ayudante de ctedra debidamente registrado en la EAPE es la nica persona
que puede realizar el desarrollo de parte del temario del curso, ello nicamente
durante el tiempo correspondiente a las horas de prcticas, slo si el curso las
tuviese asignadas. Cualquier otra situacin se calificar como suplantacin de las
actividades del docente.

7.

Bibliografa

Bibliografa bsica.
Daz, M. y Llorente, M. (2003). Econometra. 2 ed. Madrid: Pirmide.

Griffiths, W. (2003). Heteroskedasticity. En: Baltagi, B. (ed.). A companion to theoretical

econometrics. Oxford: Blackwell Publishing, 82-100.
Gujarati, D. (2004). Econometra. 4 ed. Bogot: McGraw-Hill.
Hayashi, F. (2000). Econometrics. New Jersey: Princeton University Press.
Hernndez, J. y Ziga, J. (2013). Modelos economtricos para el anlisis econmico.
Madrid: Esic Editorial.

Greene, W. (2011). Anlisis economtrico. 7 ed. Madrid: Prentice-Hall.

Pgina

Garca, L. (2015). Econometra 1. Lima: Fondo Editorial de la Pontificia Universidad

Catlica.

Slabo / Econometra I/EO3229

Fernndez, A. (2005). Econometra. 7 ed. Madrid: Pearson Educacin.

UNMSM Facultad de Ciencias Econmicas

Escuela Acadmico Profesional de Economa (EAPE)

Johnston, J. (1980). Mtodos de econometra. 3 ed. Barcelona: Vicens-Vives.

Johnston, J. y DiNardo, J. (2001). Mtodos de econometra. Barcelona: Vicens Vices.
Maddala, G. (1996). Introduccin a la econometra. Mxico, D.F.: Prentice-Hall
Hispanoamricana.
McCloskey, D. y Ziliak, S. (1996). The standard error of regressions. Journal of Economic
Literature, 34, 97-114.
Mendoza, W. (2014). Cmo investigan los economistas Gua para elaborar y desarrollar
un proyecto de investigacin. Lima: Fondo Editorial de la Pontificia Universidad
Catlica.
Navarro, A. (2005). Reflexiones sobre el estado actual de la metodologa de la
econometra. En: Marchionni, M. (Ed.). Progresos en econometra. Buenos Aires:
Temas Grupo Editorial; Asociacin Argentina de Economa Poltica, 5-26.
Novales, A. (1993). Econometra. 2 ed. Madrid: McGraw-Hill/Interamericana.
Novales, A. (2009). La enseanza de la econometra en el espacio europeo de estudios
superiores. Departamento de Economa Cuantitativa, Universidad Complutense.
Mimeo.
Ponce, F. (2015). Econometra bsica para la investigacin terica y emprica. Notas de
Clase de Curso de Capacitacin Docente. Lima: Facultad de Ciencias Econmicas,
Universidad Nacional Mayor de San Marcos. Mimeo.

Sosa-Escudero, W. (2002). Applied econometrics. University of Illinois at UrbanaChampaign. Mimeo.

Sosa-Escudero, W. (2005). Perspectivas y avances recientes en regresin por cuantiles.
En: Marchionni, M. (Ed.). Progresos en econometra. Buenos Aires: Temas Grupo
Editorial; Asociacin Argentina de Economa Poltica, 101-138.

Sosa-Escudero, W. (1999). Tpicos de econometra aplicada. Trabajo Docente N2. La

Plata: Universidad Nacional de La Plata.

Pgina

Rice, J. (1995). Mathematical statistics and data analysis. 2 ed. California: Duxbury
Press.

Slabo / Econometra I/EO3229

Pulido, A. y Prez, J. (2000). Modelos economtricos. Madrid: Pirmide.

UNMSM Facultad de Ciencias Econmicas

Escuela Acadmico Profesional de Economa (EAPE)

Stock, J. y Watson, M. (2012). Introduccin a la econometra. 3 ed. Madrid: Pearson

Educacin.
Wooldridge, J. (2010). Introduccin a la econometra. Un enfoque moderno. 4 ed.
Mxico, D.F.: Cencage Learning.

Bibliografa Complementaria
Angrist, J. y Krueger, A. (2001). Instrumental variables and the search for identification:
from supply and demand to natural experiments. Journal of Economic Perspectives,
15(4), 69-85.
Becker, W. y Greene, W. (2001). Teaching statistics and econometrics to undergraduates.
Journal of Economic Perspectives, 15(4), 169-182.
Card, D. (1993). Using geographic variation in college proximity to estimate the return to
schooling. NBER Working Papers N 4483, National Bureau of Economic Research.
Hill, R. y Adkins, L. (2003). Collinearity. En: Baltagi, B. (ed.). A companion to theoretical
econometrics. Oxford: Blackwell Publishing, 256-278.
Castro, J. y Rivas-Llosa, R. (2003). Econometra aplicada. Lima: Universidad del Pacfico.
Chen, B y Pearl, J. (2013). Regression and causation: a critical examination of six
econometrics textbooks. Real World Economics Review, 65, 2-20.

Larios, J.; lvarez, V. y Quineche, R. (1996). Fundamentos de econometra. Lima: Fondo

Editorial de la Universidad San Ignacio de Loyola.
Novales, A. (2009). Las interrelaciones entre investigacin y docencia en economa
aplicada. Revista electrnica sobre la enseanza de la economa pblica, 6, 20-37.

Hsiao, C. (2003). Panel data models. En: Baltagi, B. (ed.). A companion to theoretical
econometrics. Oxford: Blackwell Publishing, 349-365.

Pgina

Deaton, A. (1997). The analysis of household surveys. Baltimore: Johns Hopkins

University Press for the World Bank.

Slabo / Econometra I/EO3229

Court, E. y Rengifo, E. (2011). Estadsticas y econometra financiera. Buenos Aires:

Cencage Learning Argentina; Fordham University; Centrum Pontificia Universidad
Catlica del Per.

UNMSM Facultad de Ciencias Econmicas

Escuela Acadmico Profesional de Economa (EAPE)

Pichihua, J. (2003). Econometra: teora y aplicaciones. Lima: Universidad Nacional

Agraria La Molina.
Ptscher, B. y Prucha, I. (2003). Basic elements of asymptotic theory. En: Baltagi, B. (ed.).
A companion to theoretical econometrics. Oxford: Blackwell Publishing, 201-229.
Rehme, G. (2007). Why run a million regressions? Endogenous policy and cross-country
growth empirics. Technische Universitt Darmstadt. Mimeo.
Rosales, R.; Perdomo, J.; Morales, C. y Urrego, J. (2013). Fundamentos de econometra
intermedia. Bogot: Universidad de los Andes, Facultad de Economa, Centro de
Estudios sobre Desarrollo Econmico; Ediciones Uniandes.
Sala-I-Martin, X. (1997). I just ran two million regressions. The American Economic
Review, 87(2), 178-183.
Sala-I-Martin, X. (1997). I just ran four million regressions. NBER Working Paper Series N
6252. Massachusetts: National Bureau of Economic Research.
Varian, H. (2014). Big data: new tricks for econometrics. Journal of Economic
Perspectives, 28(2), 3-28.

Pgina

Slabo / Econometra I/EO3229

Wooldridge, J. (2003). Diagnostic testing. En: Baltagi, B. (ed.). A companion to theoretical

econometrics. Oxford: Blackwell Publishing, 180-200.