CURSO DE MACROECONOMETRÍA Y ANÁLISIS DE DATOS

Docente

Nombre del docente

Fecha de inicio

Horarios

Fecha de finalizacion

Docentes Expertos

¿Qué aprenderás en este curso?

Comprenderás la naturaleza y estructura de los datos macroeconómicos: series temporales, estacionalidad, tendencias y ciclos. Aplicarás modelos univariados (AR, MA, ARMA) y multivariados (VAR, ECM, SVAR) para analizar relaciones dinámicas entre variables económicas. Realizarás pruebas de raíz unitaria y cointegración para evaluar la estacionariedad y relaciones de largo plazo. Implementarás modelos de volatilidad (ARCH/GARCH) y modelos no lineales como Markov-Switching.

Publico objetivo

Resultados esperados

Al finalizar el curso, los participantes serán capaces de:
- Serás capaz de construir, estimar y evaluar modelos macroeconométricos con fines descriptivos y predictivos.
- Identificarás relaciones estructurales y dinámicas entre variables clave como PBI, inflación, tasa de interés y tipo de cambio.
- Dominarás técnicas modernas para el análisis de alta dimensión y la modelización de volatilidad.
- Presentarás resultados económicos de forma clara, visual y orientada a la toma de decisiones.

Modulo I

Introducción a la Macroeconometría en Ciencia de Datos

Conceptos básicos y objetivos de la macroeconometría.
Revisión de aplicaciones en ciencia de datos para análisis macroeconómico.
Introducción a los datos macroeconómicos: fuentes, limpieza y preparación.

Modulo II

Análisis Univariado de Series Temporales

Características fundamentales de series temporales macroeconómicas.
Estadísticas descriptivas y visualización de datos.
Identificación de tendencias, ciclos y estacionalidad.

Modelos de series temporales univariados: MA, AR, ARMA.
Evaluación de modelos univariados: pruebas de autocorrelación, criterios de información.
Modelos de suavizamiento exponencial y su aplicación en pronósticos.

Modulo III

Análisis Multivariado de Series Temporales I

Modelos VAR (vectores autorregresivos) y sus aplicaciones en macroeconomía.
Cointegración y pruebas de raíz unitaria (Dickey-Fuller, Phillips-Perron).
Modelo de corrección de error (ECM) para variables cointegradas.

Modulo IV

Análisis Multivariado de Series Temporales II

Modelos estructurales y de causalidad (Granger).
Identificación de shocks macroeconómicos mediante VAR estructural (SVAR).
Análisis de impulso-respuesta y descomposición de varianza en VAR.

Modulo V

Modelos de Factores Latentes en Macroeconometría

Introducción a los modelos de factores latentes y su uso en macroeconomía.
Modelos dinámicos de factores: extracción y estimación de factores comunes.
Aplicaciones de modelos de factores en el análisis de datos de alta dimensión.

Modulo VI

Modelos No Lineales en la Media

Introducción a los modelos no lineales y su necesidad en macroeconomía.
Modelos ARCH y GARCH para la modelización de volatilidad.
Modelos de cambio de régimen (Markov-Switching) y umbral.

Modulo VII

Herramientas Computacionales en Ciencia de Datos Macroeconómica

Implementación de modelos macroeconómicos en software estadístico (Python, R, Stata).
Técnicas de validación de modelos y evaluación de pronósticos.
Visualización y comunicación de resultados en estudios macroeconómicos.

Modulo VIII

Modulo IX

Modulo X

Modulo XI

Modulo XII

Modulo I

Introducción a la Macroeconometría en Ciencia de Datos

Conceptos básicos y objetivos de la macroeconometría.
Revisión de aplicaciones en ciencia de datos para análisis macroeconómico.
Introducción a los datos macroeconómicos: fuentes, limpieza y preparación.

Modulo II

Análisis Univariado de Series Temporales

Características fundamentales de series temporales macroeconómicas.
Estadísticas descriptivas y visualización de datos.
Identificación de tendencias, ciclos y estacionalidad.

Modelos de series temporales univariados: MA, AR, ARMA.
Evaluación de modelos univariados: pruebas de autocorrelación, criterios de información.
Modelos de suavizamiento exponencial y su aplicación en pronósticos.

Modulo III

Análisis Multivariado de Series Temporales I

Modelos VAR (vectores autorregresivos) y sus aplicaciones en macroeconomía.
Cointegración y pruebas de raíz unitaria (Dickey-Fuller, Phillips-Perron).
Modelo de corrección de error (ECM) para variables cointegradas.

Modulo IV

Análisis Multivariado de Series Temporales II

Modelos estructurales y de causalidad (Granger).
Identificación de shocks macroeconómicos mediante VAR estructural (SVAR).
Análisis de impulso-respuesta y descomposición de varianza en VAR.

Modulo V

Modelos de Factores Latentes en Macroeconometría

Introducción a los modelos de factores latentes y su uso en macroeconomía.
Modelos dinámicos de factores: extracción y estimación de factores comunes.
Aplicaciones de modelos de factores en el análisis de datos de alta dimensión.

Modulo VI

Modelos No Lineales en la Media

Introducción a los modelos no lineales y su necesidad en macroeconomía.
Modelos ARCH y GARCH para la modelización de volatilidad.
Modelos de cambio de régimen (Markov-Switching) y umbral.

Modulo VII

Herramientas Computacionales en Ciencia de Datos Macroeconómica

Implementación de modelos macroeconómicos en software estadístico (Python, R, Stata).
Técnicas de validación de modelos y evaluación de pronósticos.
Visualización y comunicación de resultados en estudios macroeconómicos.

"Este programa me ayudó a fortalecer mi investigación con herramientas estadísticas y de inteligencia artificial. Es práctico, completo y totalmente aplicable a tesis y proyectos académicos."

"Gracias a este programa, logré estructurar mi tesis doctoral con un enfoque metodológico sólido. Las herramientas de inteligencia artificial que aprendí me ayudaron a analizar grandes volúmenes de datos de forma eficiente."

"La combinación entre estadística aplicada e IA fue justo lo que necesitaba para llevar mis investigaciones al siguiente nivel. Recomiendo esta especialización a todo investigador serio."

"El programa no solo me dio conocimientos técnicos, también me enseñó a aplicarlos en el contexto real de mi tesis. ¡Una inversión totalmente valiosa!"

"Aprendí a utilizar metodologías científicas rigurosas junto con herramientas prácticas de IA, lo que ha mejorado significativamente la calidad de mis reportes y modelos."