Advanced MacroEconomics

Mas Información

Applied Econometrics

Mas Información

Applied Data Sciencie

Mas Información

ANALYSIS OF DATA ECONOMIC

Mas Información

LATEX

Mas Información

ADVANCED MACROECONOMICS

MACROECONOMÍA DE CORTO PLAZO
  • Modelo Clásico y Keynesiano I
  • Modelo Clásico y Keynesiano II
  • IS-LM
  • Curva de Phillips, Friedman
  • Consumo
  • Inversión
  • Expectativas Racionales I
  • Expectativas Racionales II
  • Nuevo consenso Macroeconómico
  • Expectativas y 3 ecuaciones
  • IS-LM-IA
  • Laboratorio
MACROECONOMÍA DE LARGO PLAZO E INTERNACIONAL- MACROECONOMÍA DINÁMICA
  • Solow dinámico
  • Ramsey-Kass – Koopmans
  • Contabilidad de crecimiento
  • Crecimiento en economías abiertas
  • PPP, UIP
  • Tipo de cambio
  • Tipo de cambio II
  • Devaluaciones contractivas
  • Crisis cambiarias
  • Inestabilidad financiera, sudden stop
  • Abordaje empírico: modelos de alerta temprana
MACROECONOMÍA AVANZADA - TÓPICOS DE POLÍTICA MONETARIA Y FISCAL
  • Déficit Fiscal y solvencia intertemporal
  • Eficiencia del sistema tributario y curva de Laffer
  • Consistencia Política Fiscal y restricción de solvencia
  • Estabilización monetaria Y ajuste fiscal
  • Independencia de Banco Central
  • Reglas de tasa de interés y metas de Inflación
  • Inflación y desempleo
  • Curva de Phillips Dinámica
  • Señoreaje e impuestos inflacionarios

ANALYSIS OF DATA ECONOMIC

TOPICOS – CUATRO AREAS- APLICACIONES EN TEMAS

I. Chapters 2—7: Univariate analysis — application
II. Chapters 8—12: Bivariate analysis — application
III. Chapters 13—16: Multivariate analysis for several series — application
IV. Chapters 17—21: Further topics — application

APPLIED ECONOMETRICS

INTRODUCCIÓN, ECONOMETRÍA I - EVIEWS – PYTHON
  • Econometría
  • Modelo clásico de regresión
  • Regresión Múltiple
  • Introducción a la evaluación de modelos econométricos
  • Introducción a la inferencia económica avanzada
MODELO CLASICO DE REGRESION. ECONOMETRÍA II EVIEWS - PYTHON
  • Modelos Multiecuacionales
  • Problema de exogeneidad
  • Series de tiempo
  • Modelos ARMA-ARIMA-SARIMA
  • Heterocedasticidad condicionada ARCH
  • Observaciones Aberrantes
  • Modelos vectoriales
  • Modelos VAR- Cointegración – Exogeneidad
ECONOMETRÍA III DATOS DE PANEL STATA- R
  • Revisión de los modelos para datos en paneles
  • Paneles dinámicos Heterogeneidad individual vs dependencia dinámica
  • Sesgo de paneles dinámicos (Nickel bias)
  • Solución de variables instrumentales
  • Modelos (Anderson – Hsiao)
  • Modelos GMM
  • Uso y Abuso de las técnicas GMM “El problema de demasiados instrumentos”
  • Estimadores de máxima verosimilitud Aplicaciones empíricas

DATA SCIENCE

INTRODUCCIÓN - PROGRAMACIÓN EN PYTHON
  • (orientada a la ciencia de datos y el aprendizaje automático)
    • El entorno y las variables: Diferentes entornos de programación Python (consola, IDE, notebooks).

    Sintaxis del lenguaje. Tipos de datos básicos.

    • Estructuras de control.
    • Estructuras de datos: Diccionarios, listas, tuplas,vectores, matrices y árboles.
    • Programación orientada a objetos: Concepto de objeto.
    • Métodos. Herencia.
    • Python para el análisis de datos: Archivos de entrada/salida. Cómputo de estadísticos. Regresión lineal.
    • Visualización de datos. Aplicaciones con Numpy,Pandas, SciPy y Matplotlib.
    • Testeo y Debuggeo de programas: Diseño de experimentos. Manejos de excepciones.
    • Introducción a la complejidad de algoritmos
INTERMEDIO - CIENCIA DE DATOS
  • Elementos de Cálculo y Algebra. Funciones. Vectores y Matrices.
  • Definición de probabilidad. Probabilidad conjunta, marginal y condicional. Leyes de la probabilidad.
  • La interpretación frecuentista y bayesiana de la probabilidad.
  • Distribuciones especiales: Binomial, Poisson, Gaussiana.
  • Estimadores, estimación de máxima verosimilitud.
  • Análisis Exploratorio de Datos
  • Programación, exploración y visualización de datos: histogramas, gráficos de caja, gráficos QQ, gráficos de dispersión. Librerías de Python.
  • Preparación de datos; imputación de valores perdidos; codificación de variables categóricas.
  • Técnicas de reducción de la dimensionalidad.
  • Análisis de componentes principales.
  • Algoritmos de clustering (aprendizaje no supervisado): K-means, K-vecinos más cercanos.
  • Introducción al Aprendizaje automático
  • Fundamentos del aprendizaje automático.
  • Entrenamiento, validación y prueba. Selección, extracción e ingeniería de características.
  • Overfitting y Cross-validation. K-folding y leave-oneout CV.
  • Modelos de regresión. Regresión lineal y regresión polinómica.
  • Modelos de regresión regularizada.
  • Modelos de clasificación. Perceptrón, regresión logística y árboles de decisión
AVANZADO - APRENDIZAJE AUTOMÁTICO
  • Algoritmos de aprendizaje automático Support Vector Machines.
  • Equilibrio sesgo-varianza.
  • Métodos de ensamble. Bagging y stacking. Random Forest.
  • Métodos de Boosting. Métodos de árboles. Gradient Boosting
  • Redes neuronales feed-forward. Métodos de Deep Learning.
  • Entrenamiento de redes. Regularización.
  • Redes neuronales convolucionales en aprendizaje de imágenes.
  • Aprendizaje por transferencia.
  • Deep Learning y Aplicaciones
  • Autoenconders variacionales. Redes
  • Generativas Antagónicas (GANs).
  • Redes neuronales recurrentes.
  • Reinforcement Learning.
  • Procesamiento de Texto y Lenguaje Natural.

POSTGRADUATE LEVEL

APPLIED PANEL DATA
  • Modelos de regresión de componentes de error ONE WAY
  • Modelos de regresión de componentes de error TWO WAY
  • Test de hipótesis con datos de panel
  • Heterocedasticidad y correlación Serial
  • Modelos de paneles dinámicos
  • Paneles heterogéneos
  • Estimadores  Mean Group vs Pooled Mean Group