110126PAEIEAADIAS PROGRAMA DE ALTA ESPECIALIZACIÓN INTERNACIONAL EN ECONOMETRIA APLICADA, ANALISIS DE DATOS, E INTELIGENCIA ARTIFICIAL CON SOFTWARE

MATEMATICAS PARA ECONOMISTAS

• Álgebra Lineal Aplicada a Modelos Económicos
• Vectores y matrices: definición, tipos y operaciones (suma, producto, transposición)
• Matrices cuadradas, identidad e inversa
• Determinantes y su interpretación económica
• Rango de una matriz y sistemas de ecuaciones lineales (método matricial)
• Aplicaciones:
  • Modelos input-output (Leontief)
  • Sistemas estructurales básicos para modelos econométricos
  • Identificación de variables endógenas y exógenas

Cálculo Diferencial y Derivadas Parciales

• Funciones de una y varias variables: conceptos básicos
• Derivadas ordinarias:
  interpretación económica (costos marginales, ingreso marginal, elasticidades)
• Derivadas parciales:
• • Función de producción, utilidad y demanda
  • Elasticidades cruzadas y marginales
• Gradiente y su significado económico
• Regla de la cadena y diferenciación implícita
• Aplicación práctica: funciones de producción Cobb-Douglas y CES

Optimización Económica

• Concepto de óptimo: máximo y mínimo
• Condiciones de primer y segundo orden
• Optimización sin restricciones: maximización de utilidad y minimización de costos
• Optimización con restricciones: método de Lagrange
• Interpretación económica del multiplicador de Lagrange
• Casos aplicados:
  • Elección del consumidor
  • Decisiones de producción

Aplicaciones Matemáticas en Modelos Económicos y Econométricos

• Modelos de oferta y demanda con ecuaciones simultáneas
• Estructura matemática de un modelo econométrico lineal
• Forma reducida y forma estructural
• Aplicación de matrices al modelo clásico de regresión lineal
• Introducción al concepto de identificación en modelos económicos
• Interpretación de resultados y preparación de datos para econometría

ANÁLISIS EXPLORATORIO Y ESTADÍSTICA APLICADA PARA
ECONOMÍA Y FINANZAS

Introducción a la Estadística y al Entorno de Trabajo

• Rol de la estadística en la economía, finanzas y ciencia de datos
• Tipos de variables: cuantitativas, cualitativas, ordinales y continua
• Escalas de medición y selección de técnicas descriptivas adecuadas
• Flujo de trabajo estadístico: de la recolección al análisis
• Entorno de trabajo con Python / R / Excel / Power BI

Organización, Limpieza y Preparación de Datos

• Importación de datos en distintos formatos (CSV, Excel, bases de datos, APIs)
• Detección y tratamiento de valores faltantes y atípicos
• Normalización y transformación de variables
• Codificación de variables categóricas
• Creación de nuevas variables derivadas y variables dummy
• Buenas prácticas de manejo de datos reproducibles

Medidas Estadísticas y Análisis Descriptivo

• Medidas de tendencia central: media, mediana y moda
• Medidas de dispersión: rango, varianza, desviación estándar, coeficiente de variación
• Medidas de posición: percentiles y cuartiles
• Medidas de forma: asimetría y curtosis
• Análisis de correlaciones y covarianzas
• Interpretación económica y financiera de indicadores descriptivos

Análisis Exploratorio de Datos (EDA)

• Concepto y objetivos del análisis exploratorio
• Identificación de patrones y relaciones iniciales
• Detección de valores extremos (outliers)
• Distribuciones empíricas y comportamiento de series económicas
• Tablas dinámicas, gráficos estadísticos básicos e interactivos:

1. • Histogramas
   • Boxplots
   • Diagramas de dispersión
   • Gráficos de barras y líneas

Aplicaciones en Economía y Finanzas

• Análisis de indicadores  macroeconómicos (PIB, inflación, empleo)
• Exploración de series temporales económicas básicas
• Segmentación de clientes o mercados con variables estadísticas
• Creación de dashboards estadísticos para toma de decisiones ejecutivas
• Presentación de hallazgos con storytelling de datos

MÉTODOS CUANTITATIVOS Y MODELAMIENTO ESTADÍSTICO DE SERIES ECONÓMICAS

Fundamentos de Probabilidad e Inferencia Estadística

• Conceptos de probabilidad y variables aleatorias
• Distribuciones de probabilidad (normal, t de Student, chi-cuadrado, F)
• Muestreo y estimación puntual e intervalos de confianza
• Pruebas de hipótesis: unilaterales y bilaterales
• Pruebas paramétricas y no paramétricas básicas
• Aplicación en toma de decisiones económicas y financieras

Análisis Estadístico Aplicado y Regresión Lineal

• Correlación y covarianza: relaciones entre variables
• Modelo de regresión lineal simple: estimación por MCO (OLS)
• Interpretación económica de los coeficientes
• Regresión lineal múltiple: multicolinealidad, heterocedasticidad y autocorrelación
• Evaluación de supuestos del modelo clásico
• Bondad de ajuste y pruebas estadísticas (t, F, R², p-valores)
• Extensión: regresión polinómica y no lineal

Introducción al Análisis de Series de Tiempo Económicas

• Concepto de series de tiempo y componentes (tendencia, estacionalidad, ciclo y ruido)
• Series estacionarias vs. no estacionarias
• Pruebas de estacionariedad: ACF, PACF, Dickey-Fuller
• Modelos AR, MA, ARMA y ARIMA (visión introductoria)
• Descomposición clásica y suavizamiento exponencial
• Aplicaciones: precios, inflación, PBI, indicadores financieros y bursátiles

Casos Prácticos

• Análisis de la relación entre variables económicas (ej. PIB e inversión privada)
• Regresión aplicada a indicadores financieros (tasas de interés, inflación, precios)
• Análisis de series temporales de demanda y precios de commodities
• Construcción de dashboards interactivos para reportes analíticos
• Preparación de insumos para modelos econométricos avanzados

FUNDAMENTOS DE LA ECONOMETRÍA APLICADA CON SOFTWARE

Introducción a la Econometría y Preparación de Datos

• Concepto y objetivos de la econometría aplicada
• Naturaleza de los datos: corte transversal, series de tiempo y panel
• Flujo de trabajo econométrico: formulación, estimación y validación
• Importación y limpieza de datos para modelamiento econométrico
• Organización de variables explicativas y dependientes
• Aplicación práctica en datos económicos y financieros reales

Modelo Clásico de Regresión Lineal (MCRL) y Estimación por MCO

• Supuestos básicos del modelo de regresión lineal clásico y sus implicancias
• Definición y obtención del estimador de mínimos cuadrados ordinarios (MCO)
• Interpretación de coeficientes estimados en contexto económico
• Representación algebraica y geométrica de MCO
• Propiedades de los estimadores: insesgado, consistencia, eficiencia
• Efecto del tamaño de muestra y variabilidad en la estimación
• Interpretación económica de resultados y elasticidades estimadas
• Construcción de modelos paso a paso (Stepwise / Forward /Backward)

Evaluación de Modelos y Validación de Supuestos

• Coeficiente de determinación (R² y R² ajustado)
• Análisis de residuos y ajuste del modelo
• Multicolinealidad: identificación y mitigación (VIF, centrado, eliminación)
• Heterocedasticidad: pruebas de White y Breusch-Pagan y corrección con MCO robusto
• Autocorrelación: prueba de Durbin-Watson
• Endogeneidad: causas, consecuencias y técnicas (variable instrumental)
• Efectos de perturbaciones no esféricas en errores

Métodos Alternativos y Casos Prácticos

• Introducción a Mínimos Cuadrados
• Generalizados (MCG)
• Estimadores robustos y correcciones de errores estándar
• Análisis aplicado con datos reales de economía, finanzas y negocios
• Desarrollo de reportes técnicos y dashboards de resultados
• Preparación para módulos  avanzados: panel, series de tiempo e IA econométrica

MICROECONOMETRÍA Y ANÁLISIS AVANZADO DE MICRODATOS

Introducción a la Microeconometría y Preparación de Datos

• Conceptos y aplicaciones de la microeconometría en ciencia de datos
• Tipos de datos microeconómicos (individuos, hogares, empresas)
• Importación, limpieza y transformación de datos microeconómicos
• Introducción al modelamiento econométrico en corte transversal y panel
• Revisión de herramientas y entornos: Python, R, Stata, Excel

Modelos de Elección Discreta I: Corte Transversal

• Introducción a modelos de elección discreta y su utilidad en microeconomía
• Modelo Logit y Probit: especificación, estimación e interpretación de coeficientes
• Comparación y selección de modelos Logit y Probit
• Métricas de evaluación y bondad de ajuste (Pseudo R², log-likelihood, AIC/BIC)
• Casos prácticos: participación laboral, adopción de tecnología, demanda de servicios

Modelos de Elección Discreta II: Panel y Modelos Fraccionados

• Extensión de modelos Logit y Probit a datos de panel
• Estimación de modelos con efectos fijos y aleatorios
• Modelos fraccionados (ej. Logit fraccional) para datos proporcionales
• Aplicaciones prácticas: tasas de participación, consumo relativo, acceso a servicios

Modelos Multinomiales y Ordenados

• Modelos Logit y Probit multinomiales: especificación, estimación y aplicación
• Modelos de elección ordenada (Logit y Probit ordenado)
• Interpretación económica de probabilidades marginales
• Evaluación y comparación de resultados en modelos multinomiales
• Ejemplos aplicados: elección de medios de transporte, niveles de educación, categorías de consumo

Modelos con Variables Censuradas y Truncadas

• Censura vs. truncamiento en microeconomía
• Modelo Tobit: especificación, estimación e interpretación
• Estimadores alternativos para datos censurados
• Aplicación práctica en análisis de gasto, ingresos o consumo
• Métodos para lidiar con censura en grandes bases de datos

Sesgo de Selección y Modelos de Corrección

• Introducción al sesgo de selección y su impacto en los modelos
• Modelo de Heckman de dos etapas: estimación y corrección
• Técnicas modernas para corregir sesgos en grandes conjuntos de datos
• Aplicaciones prácticas: participación laboral femenina, adopción de programas sociales

Aplicaciones en Ecuaciones Simultáneas y Panel Avanzado

• Introducción a modelos de ecuaciones simultáneas
• Identificación y estimación de variables instrumentales
• Modelos de panel dinámico: GMM y Arellano-Bond (visión aplicada)
• Aplicaciones prácticas en mercados laborales, educación y salud

Aplicaciones Prácticas y Proyecto Final

• Casos integrados con bases de datos reales (microencuestas, panel socioeconómico)
• Validación y evaluación de modelos microeconométricos
• Predicción y análisis de error en contextos reales
• Proyecto integrador: desde limpieza de datos hasta presentación de resultados

MACROECONOMETRÍA Y ANÁLISIS AVANZADO DE MACRODATOS

Introducción a la Macroeconometría en Ciencia de Datos

• Conceptos, objetivos y alcances de la macroeconometría aplicada
• Tipos de datos macroeconómicos y fuentes internacionales (FRED, IMF, BCRP, INEI, etc.)
• Revisión de aplicaciones modernas en forecasting y política económica
• Limpieza, organización y preparación de bases de datos macroeconómicas
• Integración con entornos de análisis (Python, R, Stata)
• Análisis Univariado de Series
• Temporales Macroeconómicas
• Características fundamentales de series temporales macroeconómicas
• Identificación de tendencias, ciclos y estacionalidad
• Modelos univariados: MA, AR, ARMA, ARIMA
• Pruebas de autocorrelación y criterios de información (AIC, BIC)
• Suavizamiento exponencial y pronósticos de corto plazo
• Visualización y análisis exploratorio de datos

Análisis Multivariado de Series Temporales I

• Modelos VAR: especificación y estimación.
• Cointegración y pruebas de raíz unitaria (Dickey-Fuller, Phillips-Perron).
• Modelos ECM para series cointegradas.
• Análisis dinámico de relaciones macroeconómicas (inflación, PBI, tipo de cambio).

Análisis Multivariado de Series Temporales II

• Causalidad de Granger y VAR estructural (SVAR).
• Identificación de shocks macroeconómicos.
• Análisis de impulso-respuesta y descomposición de varianza.
• Aplicaciones en política monetaria y fiscal.

Modelos de Factores Latentes y Alta Dimensión

• Introducción a modelos de factores latentes en macroeconomía
• Extracción y estimación de factores dinámicos
• Aplicaciones para pronóstico macroeconómico en big data
• Reducción de dimensionalidad en indicadores macroeconómicos

Modelos No Lineales y Volatilidad

• Introducción a modelos no lineales en macroeconomía
• Modelos ARCH y GARCH para volatilidad macroeconómica y financiera
• Modelos de cambio de régimen (Markov-Switching, Threshold models)
• Aplicaciones: shocks de inflación, volatilidad cambiaria, crecimiento económico

Herramientas Computacionales en Ciencia de Datos Macroeconómica

• Implementación de modelos macroeconómicos en Python, R y Stata
• Técnicas de validación de modelos y evaluación de pronósticos
• Visualización de resultados macroeconómicos ara informes ejecutivos
• Dashboards e integración con Power BI

Aplicaciones Prácticas y Proyecto Final

• Construcción de un modelo VAR estructural aplicado a shocks macroeconómicos reales
• Análisis de políticas económicas y simulaciones contrafactuales
• Pronósticos de inflación, PBI y empleo con modelos ARIMA y VAR
• Presentación ejecutiva de resultados con visualizaciones dinámicas

ECONOMETRÍA DEL DESARROLLO Y ANÁLISIS DE DATOS DE PANEL: MODELOS PARA LA TOMA DE DECISIONES

Introducción al Análisis de Datos de Panel

• Conceptos y ventajas de los modelos de datos de panel frente a series de tiempo y corte transversal
• Tipos de paneles: balanceados vs. no balanceados
• Estructura de bases de datos de panel
• Importación, limpieza y organización de datos longitudinales
• Exploración de heterogeneidad individual y temporal
• Casos prácticos: educación, salud, productividad y desarrollo

Modelos Lineales de Datos de Panel:

• Efectos Fijos y Aleatorios
• Formulación del modelo lineal de panel
• Supuestos y especificación del modelo
• Estimación por efectos fijos (FE)
• Estimación por efectos aleatorios (RE)
• Interpretación económica de los coeficientes estimados
• Comparación entre FE y RE: prueba de Hausman
• Aplicaciones prácticas: impacto de políticas públicas, determinantes de crecimiento económico

Modelos con Pendientes Aleatorias y Extensiones Avanzadas

• Introducción a modelos con coeficientes/pedientes aleatorias
• Heterogeneidad en las respuestas individuales
• Estimación y propiedades de los modelos mixtos
• Modelos jerárquicos y multinivel
• Aplicaciones en evaluación de programas y desigualdad regional

Modelos Dinámicos de Panel

• Introducción a la dinámica en datos de panel
• Endogeneidad y sesgos de estimación
• Métodos GMM y Arellano-Bond
• Aplicaciones: crecimiento económico, inversión, educación y salud
• Comparación de estimadores GMM frente a FE y RE

Pruebas y Diagnóstico en Modelos de Panel

• Pruebas de heterocedasticidad, autocorrelación y correlación contemporánea
• Pruebas de efectos individuales y temporales
• Pruebas de especificación y robustez
• Manejo de problemas comunes: datos no balanceados, valores perdidos, sesgo dinámico
• Validación de resultados e interpretación aplicada

Aplicaciones Prácticas y Proyecto Final

• Construcción de modelos de panel para análisis de desarrollo y políticas públicas
• Estimación de efectos de programas sociales, educación, infraestructura y productividad
• Comparación de modelos y selección del mejor enfoque
• Reporte final con interpretación económica y visualización de resultados
• Presentación ejecutiva y análisis de impacto

MÉTODOS MODERNOS DE EVALUACIÓN DE IMPACTO Y ANÁLISIS CAUSAL APLICADO A DATOS REALES

Fundamentos de Evaluación de Impacto y Causalidad

• Conceptos básicos y objetivos de la evaluación de impacto
• Diferencia entre correlación y causalidad
• Importancia de la evaluación de impacto en políticas públicas y programas sociales
• Métodos experimentales y cuasi experimentales: panorama general
• Selección de enfoques metodológicos según contexto y datos disponibles
• Diseños Experimentales: Randomized Controlled Trials (RCTs)
• Fundamentos de los RCTs y su lógica causal
• Diseño y ejecución de experimentos aleatorizados
• Tipos de aleatorización y consideraciones prácticas
• Interpretación de efectos causales en RCTs
• Ventajas, limitaciones y problemas comunes en la implementación
• Casos prácticos: intervenciones en educación, salud, empleo, programas sociales

Modelos de Emparejamiento y Propensity Score Matching (PSM)

• Enfoques de emparejamiento para controlar variables observables
• Emparejamiento exacto, por puntaje de propensión y estratificación
• Estimación de ATT y ATE
• Análisis de balance y sensibilidad
• Ventajas y limitaciones del método PSM
• Aplicaciones prácticas en políticas públicas y evaluación de programas

Métodos Cuasi–Experimentales Avanzados

• Introducción a métodos cuasi experimentales y su rol en entornos no controlados
• Diseño de regresión discontinua (RDD):
  • Fundamentos y supuestos
  • RDD Sharp vs RDD Fuzzy
  • Estimación e interpretación
• Métodos Difference-in-Differences (DiD) y Panel
  • Estimación de efectos promedio de tratamiento
  • Supuestos y extensiones (Two-way FE, ATT dinámico)

Instrumentos y Técnicas de Control

• Variables instrumentales: fundamentos y aplicación
• Métodos de control sintético y funciones de control
• Identificación de efectos causales en contextos complejos
• Comparación de enfoques y criterios de selección de modelo

Análisis, Replicación y Validación de Estudios Empíricos

• Lectura crítica de papers y diseños experimentales
• Replicación de estudios con bases de datos reales
• Validación de resultados empíricos en R y Stata
• Pruebas de robustez y sensibilidad
• Redacción e interpretación de resultados para audiencias técnicas y no técnicas

Aplicaciones y Proyecto Final

• Construcción de un diseño de evaluación de impacto propio
• Selección de métodos apropiados para una intervención real o simulada
• Estimación e interpretación de efectos de tratamiento
• Presentación de resultados y recomendaciones de política basadas en evidencia
• Dashboard y visualización para tomadores de decisiones

ECONOMETRÍA FINANCIERA Y BANCARIA: MODELOS CUANTITATIVOS PARA EL ANALISIS DE RIESGOS, VOLATILIDADES Y DECISIONES ESTRATEGICAS

Introducción a la Econometría Financiera y Bancaria

• Rol de la econometría en las finanzas y la banca moderna
• Tipos y características de series financieras: retornos, volatilidad, leptocurtosis y sesgo
• Estacionariedad y pruebas de raíz unitaria aplicadas a retornos financieros
• Análisis descriptivo, representación gráfica y exploración de patrones de mercado
• Introducción a herramientas de software para análisis financiero (Python, R, Stata)

Análisis Preliminar de Series Financieras

• Evaluación de autocorrelación y heterocedasticidad
• Análisis de correlaciones entre activos financieros
• Modelos ARIMA aplicados a series financieras
• Identificación de patrones temporales en mercados
• Modelos ARCH (Autoregressive Conditional Heteroskedasticity)
• Fundamentos teóricos y motivación de los modelos ARCH
• Especificación y estimación de parámetros ARCH
• Interpretación de coeficientes y comportamiento de la volatilidad
• Aplicaciones en mercados financieros: retornos de activos, tasas de interés, tipo de cambio
• Modelos GARCH y Extensiones
  Avanzadas
  Introducción a modelos GARCH
  (Generalized ARCH): formulación y estimación
• Selección de parámetros y ajuste del modelo
• Extensiones multivariadas:
  • MGARCH y DCC-GARCH (correlación dinámica condicional)
  • TARCH y EGARCH (captura de asimetrías de volatilidad)
• Aplicaciones prácticas en carteras de activos, mercados cambiarios y derivados

No-Normalidad Condicional y Modelos de Distribución Alternativa

• Introducción a la no-normalidad en series de retornos financieros
• Modelos de distribución alternativa (t-student, distribución de cola pesada)
• Evaluación de riesgo extremo:

• • Value at Risk (VaR)
  • Expected Shortfall (ES)
• Ajuste y validación de modelos bajo condiciones no normales
• Backtesting y análisis de robustez

Aplicaciones Avanzadas en Econometría Financiera y Bancaria

• Implementación práctica de modelos de volatilidad y riesgo financiero
• Análisis de riesgo de mercado, riesgo de crédito y riesgo cambiario
• Integración de modelos econométricos con gestión de riesgos bancarios
• Construcción de escenarios y simulaciones financieras
• Interpretación y presentación de resultados para la toma de decisiones

Proyecto Integrador

• Selección de una serie financiera (acciones, bonos, commodities, divisas)
• Análisis exploratorio y diagnóstico de la serie
• Estimación de modelos ARIMA, ARCH y GARCH
• Cálculo de VaR y ES bajo distintos supuestos de distribución
• Presentación de resultados técnicos y visuales para gestión de riesgos

ECONOMETRÍA Y ESTRATEGIAS CUANTITATIVAS PARA INVERSIONES BURSÁTILES

Introducción a la Econometría Bursátil

• Rol de la econometría en la toma de decisiones de inversión
• Tipos de datos financieros:  precios, retornos y volatilidad
• Fuentes de datos bursátiles (APIs, plataformas, historiales de mercado)

Análisis Preliminar de Series Financieras

• Características de series bursátiles: tendencia, volatilidad y estacionalidad
• Pruebas de estacionariedad y diagnóstico básico
• Visualización y patrones en precios de acciones e índices

Modelos Econométricos Clave para Inversiones

• Modelos ARIMA para proyección de precios
• Modelos ARCH y GARCH para análisis y pronóstico de volatilidad
• Correlación y cointegración entre activos bursátiles

Relaciones entre Activos y Construcción de Portafolios

• Medición de relaciones entre acciones (correlación y beta)
• Modelos CAPM y multifactoriales (Fama-French)
• Concepto de frontera eficiente y diversificación

Aplicaciones Prácticas en Estrategias de Inversión

• Estrategias de momentum y reversión a la media
• Modelos econométricos para generación de señales de trading
• Evaluación de desempeño: Sharpe Ratio, VaR, drawdown

ECONOMETRÍA BAYESIANA APLICADA A LA MODELACIÓN Y SIMULACIÓN ECONÓMICA

Fundamentos de Econometría Bayesiana

• Principios básicos del enfoque bayesiano y diferencias con métodos frecuentistas
• Teoría de probabilidad subjetiva e inferencia estadística bayesiana
• Uso de distribuciones a priori y a posteriori en econometría
• Flexibilidad en la especificación de modelos y manejo de incertidumbre
• Estimaciones robustas con muestras pequeñas y datos incompletos
• Aplicaciones prácticas en problemas económicos reales

Modelos de Regresión Bayesiana

• Regresión lineal bayesiana: formulación y estimación de parámetros
• Comparación con métodos clásicos (MCO)
• Sesgo, varianza y eficiencia en estimaciones bayesianas
• Priors conjugados y no informativos
• Distribuciones a posteriori: interpretación de intervalos de credibilidad
• Selección de modelos mediante criterios bayesianos (BIC, Bayes Factor)
• Ejemplos aplicados en microeconomía y finanzas

Simulación y Estimación Bayesiana

• Introducción a métodos MCMC (Markov Chain Monte Carlo)
• Implementación de algoritmos Metropolis-Hastings y Gibbs Sampling
• Técnicas de simulación en modelos econométricos complejos
• Evaluación de convergencia y diagnóstico de cadenas MCMC
• Cálculo de estimadores, intervalos de credibilidad y predicciones posteriores
• Comparación y validación de modelos bayesianos

Aplicaciones en Series Temporales y Datos Longitudinales

• Modelos bayesianos para series temporales
• Estimación bayesiana en modelos de panel de datos
• Regresión bayesiana dinámica (Dynamic Linear Models)
• Ejemplos prácticos en crecimiento económico, precios financieros y políticas públicas
• Interpretación de resultados para toma de decisiones

Modelos Dinámicos y Estructurales Bayesianos

• Modelos VAR bayesianos: formulación y estimación
• Priors para modelos dinámicos y su impacto en los resultados
• Modelos estructurales y descomposición de shocks
• Identificación de efectos causales y evaluación de políticas económicas
• Comparación de escenarios bajo diferentes supuestos

Proyecto Aplicado y Casos Prácticos

• Selección y limpieza de un dataset económico real
• Formulación de un modelo bayesiano (regresión, VAR, panel)
• Definición de priors y estimación mediante MCMC
• Comparación de resultados con métodos clásicos
• Análisis de incertidumbre y escenarios alternativos

ECONOMETRÍA APLICADA AL PRONÓSTICO CON MACHINE LEARNING Y DEEP LEARNING

Fundamentos de Machine Learning en Economía

• Conceptos clave de Machine Learning y su relación con la econometría
• Diferencias entre enfoques tradicionales y algoritmos de ML
• Tipos de aprendizaje: supervisado, no supervisado y reforzado
• Arquitectura general de un proyecto de ML aplicado a series económicas
• Selección de variables y preparación de datos (feature engineering)

Modelos de Machine Learning Clásicos

• Regresión lineal y regularizada (Ridge, Lasso, Elastic Net)
• Modelos basados en árboles de decisión
• Random Forest y Gradient Boosting
• Modelos de clasificación: regresión logística, SVM, KNN
• Validación de modelos: métricas de error y validación cruzada
• Interpretabilidad de modelos ML en contextos económicos

Series Temporales con Machine Learning

• Preparación y transformación de datos temporales para ML
• Forecasting con modelos ML: Random Forests, XGBoost, Gradient Boosting
• Detección de patrones, tendencias y estacionalidad
• Selección de horizontes de pronóstico y ventanas deslizantes
• Aplicaciones prácticas en predicción macroeconómica y financiera

Deep Learning Aplicado a Econometría y Series Temporales

• Introducción a redes neuronales artificiales
• Redes neuronales profundas (MLP) para predicción económica
• Redes neuronales recurrentes (RNN) y LSTM para series temporales
• Arquitectura, entrenamiento y evaluación de redes
• Comparación con modelos econométricos tradicionales (ARIMA, VAR, etc.)

Evaluación y Validación de Modelos Predictivos

• Métricas de evaluación para forecasting (RMSE, MAE, MAPE, R²)
• Validación temporal vs. validación cruzada
• Backtesting de modelos predictivos
• Interpretación de resultados y selección de modelos óptimos
• Integración de ML con modelos econométricos para pronósticos híbridos

DATA STORYTELLING, VISUALIZACIÓN Y AUTOMATIZACIÓN DE RESULTADOS ECONOMÉTRICOS CON IA Y POWER BI

Del Modelo a la Visualización Estratégica con Power BI

• Flujo profesional: datos → limpieza → modelado → visualización → dashboard.
• Conexión a datos reales (Excel, CSV, APIs, bases de datos).
• Limpieza avanzada con Power Query: outliers, NA, creación de variables y merges.
• Visualización de datos y estadística descriptiva con enfoque económico.
• KPIs y narrativas visuales: inflación, PBI, empleo, pobreza, inversión, etc.
• Dashboards interactivos para comunicar resultados econométricos y pronósticos.

Automatización y Asistencia Inteligente con IA Generativa

• Cómo usar IA para acelerar limpieza, codificación y modelado (Python, R, Stata).
• Prompts para generar regresiones, panel data, series de tiempo, simulaciones.
• Generación automática de gráficos y explicaciones económicas.
• IA para diseño de escenarios, análisis predictivo y evaluación contrafactual.
• Uso de IA para convertir modelos en dashboards, reportes y presentaciones

Storytelling Ejecutivo y Comunicación de Resultados

• Cómo convertir coeficientes y p-values en mensajes estratégicos.
• Construcción de narrativas visuales para tomadores de decisión.
• Visualización de hipótesis, efectos marginales, comparaciones de modelos.
• Del Excel al tablero ejecutivo con Power BI + IA (pitch institucional, reunión técnica, policy brief).

Redacción Científica y Reportes Profesionales

• Estructura de artículos científicos y reportes técnicos en economía.
• Cómo escribir resultados econométricos con claridad, precisión y evidencia.
• IA como co-autor asistente:  revisión, claridad, citación, resumen.
• Uso de herramientas: ChatGPT, Grammarly, Mendeley, Zotero, Paperpal.
• Cómo adaptar un paper académico a un informe ejecutivo o PPT de política pública.

ECONOMETRÍA APLICADA AL PRONÓSTICO CON MACHINE LEARNING Y DEEP LEARNING

Fundamentos de Machine Learning en Economía

• Conceptos clave de Machine Learning y su relación con la econometría
• Diferencias entre enfoques tradicionales y algoritmos de ML
• Tipos de aprendizaje: supervisado, no supervisado y reforzado
• Arquitectura general de un proyecto de ML aplicado a series económicas
• Selección de variables y preparación de datos (feature engineering)

Modelos de Machine Learning Clásicos

• Regresión lineal y regularizada (Ridge, Lasso, Elastic Net)
• Modelos basados en árboles de decisión
• Random Forest y Gradient Boosting
• Modelos de clasificación: regresión logística, SVM, KNN
• Validación de modelos: métricas de error y validación cruzada
• Interpretabilidad de modelos ML en contextos económicos

Series Temporales con Machine Learning

• Preparación y transformación de datos temporales para ML
• Forecasting con modelos ML: Random Forests, XGBoost, Gradient Boosting
• Detección de patrones, tendencias y estacionalidad
• Selección de horizontes de pronóstico y ventanas deslizantes
• Aplicaciones prácticas en predicción macroeconómica y financiera

Deep Learning Aplicado a Econometría y Series Temporales

• Introducción a redes neuronales artificiales
• Redes neuronales profundas (MLP) para predicción económica
• Redes neuronales recurrentes (RNN) y LSTM para series temporales
• Arquitectura, entrenamiento y evaluación de redes
• Comparación con modelos econométricos tradicionales (ARIMA, VAR, etc.)

Evaluación y Validación de Modelos Predictivos

• Métricas de evaluación para forecasting (RMSE, MAE, MAPE, R²)
• Validación temporal vs. validación cruzada
• Backtesting de modelos predictivos
• Interpretación de resultados y selección de modelos óptimos
• Integración de ML con modelos econométricos para pronósticos híbridos

DATA STORYTELLING, VISUALIZACIÓN Y AUTOMATIZACIÓN DE RESULTADOS ECONOMÉTRICOS CON IA Y POWER BI

Del Modelo a la Visualización Estratégica con Power BI

• Flujo profesional: datos → limpieza → modelado → visualización → dashboard.
• Conexión a datos reales (Excel, CSV, APIs, bases de datos).
• Limpieza avanzada con Power Query: outliers, NA, creación de variables y merges.
• Visualización de datos y estadística descriptiva con enfoque económico.
• KPIs y narrativas visuales: inflación, PBI, empleo, pobreza, inversión, etc.
• Dashboards interactivos para comunicar resultados econométricos y pronósticos.

Automatización y Asistencia Inteligente con IA Generativa

• Cómo usar IA para acelerar limpieza, codificación y modelado (Python, R, Stata).
• Prompts para generar regresiones, panel data, series de tiempo, simulaciones.
• Generación automática de gráficos y explicaciones económicas.
• IA para diseño de escenarios, análisis predictivo y evaluación contrafactual.
• Uso de IA para convertir modelos en dashboards, reportes y presentaciones

Storytelling Ejecutivo y Comunicación de Resultados

• Cómo convertir coeficientes y p-values en mensajes estratégicos.
• Construcción de narrativas visuales para tomadores de decisión.
• Visualización de hipótesis, efectos marginales, comparaciones de modelos.
• Del Excel al tablero ejecutivo con Power BI + IA (pitch institucional, reunión técnica, policy brief).

Redacción Científica y Reportes Profesionales

• Estructura de artículos científicos y reportes técnicos en economía.
• Cómo escribir resultados econométricos con claridad, precisión y evidencia.
• IA como co-autor asistente:  revisión, claridad, citación, resumen.
• Uso de herramientas: ChatGPT, Grammarly, Mendeley, Zotero, Paperpal.
• Cómo adaptar un paper académico a un informe ejecutivo o PPT de política pública.