• 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

• 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

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

• Econometría
• Modelo clásico de regresión
• Regresión Múltiple
• Introducción a la evaluación de modelos econométricos
• Introducción a la inferencia económica avanzada

• Modelos Multiecuacionales
• Problema de exogeneidad
• Series de tiempo
• Modelos ARMA-ARIMA-SARIMA
• Heterocedasticidad condicionada ARCH
• Observaciones Aberrantes
• Modelos vectoriales
• Modelos VAR- Cointegración – Exogeneidad

• (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

• 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

• 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