EC4301 Macroeconometría 2020 segundo semestre

Acerca de este sitio

¡Bienvenidos al curso de Macroeconometría, segundo semestre de 2020!

En este sitio pondré a su disposición copia de los materiales del curso, así como avisos importantes.

Programa del curso

Acá puede ver el programa del curso.

Horario

  • Clase: Lunes, 6:00pm a 8:50pm, por Zoom.
  • Laboratorio: Miércoles, 7:00am a 8:50am, por Zoom.

Asistente

Alejandro Matarrita [email protected]

Libros de texto

Los libros recomendados para este curso son:

  • Hamilton 1994 Time Series Analysis. Princeton
  • Enders 2015 Applied Econometric Time Series. Wiley, 4° edición.
  • Kirchgassner, Wolters, y Hassler 2013 Introduction to Modern Time Series Analysis. Springer, 2° edición
  • Becketti 2013 Introduction to Time Series Using Stata. Stata Press
  • Greene 2018 Econometric Analysis. Pearson, 8° edición
  • Lutkepohl 2007 New Introduction to Multiple Time Series Analysis. Springer

Presentaciones

Estos apuntes (actualizados al 10 de agosto de 2020) contienen el mismo material que aparecen en las presentaciones, aunque en formato de libro .

Parte 1: Métodos para el análisis de una serie de tiempo individual

1. Introducción al análisis de series de tiempo

1. Algo de historia
3. Operador de rezagos
5. Ergodicidad
2. Representación gráfica de una serie
4. Proceso estocastico versus serie de tiempo
6. Pruebas de normalidad y de ruido blanco (lo anterior a 50:45 ya está cubierto en los videos4 y 5 de este tema)

Laboratorios:

Ejemplo 1: Pruebas de ruido blanco, IMAE
Ejemplo 3: Pruebas de ruido blanco con STATA
Ejemplo 2: Pruebas de ruido blanco, Euro/USD
Ejemplo 4: Estimación de la demanda de dinero

2. Ecuaciones en diferencia

3. Modelos AutoRegresivos de Media Móvil (ARMA)

1. Introducción
3. MA(q)
5. AR(p)
7. Estimación y selección de modelos
2. MA(1)
4. AR(1)
6. ARMA(p,q)
8. Pronósticos

Laboratorios:

Parte 1: ¿la función de log-verosimilitud puede ser positiva?
Parte 3: Simulando un proceso ARMA con Stata
Parte 2: Simulando un proceso ARMA con macrodemos
Parte 4: Estimación de un modelo ARMA de inflación

4. Modelos de volatilidad

1. Introducción
3. Estimación de modelos ARCH
2. Propiedades de modelos ARCH
4. Modelos GARCH

Laboratorios:

Controlando la generación de números aleatorios
Parte 1: Simulación de procesos ARCH y GARCH
Parte 3: Estimación de un modelo GARCH para los retornos del índice SP500
Extensiones para JupyterLab
Parte 2: Simulaciones de MonteCarlo de estimaciones de máxima verosimilitud de modelos ARCH y GARCH

5. Modelos para series con tendencia

1. Tipos de tendencias, caminatas aleatorias
3. Raíces unitarias y regresiones espurias
5. Pruebas KPSS
2. Eliminando una tendencia
4. Pruebas Dickey-Fuller
6. El filtro Hodrick-Prescott

Laboratorios:

1. Quitando tendencia con el método equivocado
3. Regresión espuria
5. Nelson y Plosser
2. Autocorrelación de una serie integrada
4. La distribución de Dickey y Fuller
6. KPSS

6. Cambio Estructural

1. Prueba de Chow
3. Prueba de Zivot y Andrews
2. Prueba de Perron

7. Análisis de series estacionales

1. Introducción y análisis gráfico
3. Ajuste estacional
2. El modelo SARIMA
4. Raíces unitarias estacionales

Laboratorios:

Análisis de series estacionales

Parte 2: Métodos para el análisis conjunto de varias series de tiempo

8. Introducción a sistemas de ecuaciones

1. Motivación
2. El modelo SUR

9. Modelos de sistemas de ecuaciones

1. Representación, formas estructural vs reducida
3. Convergencia en probabilidad
2. Problema de identificación
4. Estimación de las ecuaciones

Laboratorios:

1. El modelo 1 de Klein
2. El modelo de la telaraña

10. Vectores autorregresivos (VAR)

1. VAR, parte 1
3. VAR, parte 3
2. VAR, parte 2

Laboratorios:

1. Simulación de un VAR
3. Laboratorio: Propiedades de la estimación de un VAR por mínimos cuadrados ordinarios
2. Representación de un VAR como una clase de Python

11. Cointegración y modelos de corrección de errores (VECM)

Cointegración y VECM

Tareas

Se asignarán 10 tareas a lo largo del curso.

Lecturas y materiales adicionales

Estas hojas de resumen son muy útiles para aprender los distintos programas:

Laboratorios complementarios

Laboratorio 1: Introducción a Python

Materiales: Laboratorio01-Introducción-a-Python.zip (actualizado 19/agosto/2020)

Google Colab
Definiendo funciones
Programando una clase, ejemplo 1
Control de ejecución
Módulos
Programando una clase, ejemplo 2

Laboratorio 2: El paquete bccr

Materiales: Laboratorio02-Descargando-datos-del-BCCR.zip

Descargando datos del BCCR usando el paquete bccr de Python

Laboratorio 3: Manipulando datos con Python

Materiales: Laboratorio03-Manipulando-datos-con-Python.zip

Ejemplo 1: Importando datos de Internet
Ejemplo 2: Estimación econométrica

Laboratorio 4: Introducción a R

Materiales: Laboratorio07-Programando-en-R.zip

1. Introducción a R y RStudio
3. Introducción a R Markdown
2. Simulando modelos ARMA con R