Perfil

Grado académico

Doctora en Economía, Pontificia Universidad Católica de Chile.

Área de investigación

Elección bajo Incertidumbre, Macroeconomía, Economía Aplicada y Machine Learning.

Cursos impartidos

Microeconomía y Finanzas Corporativas.

Jocelyn Tapia S.

Doctora en Economía, Pontificia Universidad Católica de Chile.

Reseña del académico

Como docente ha trabajado en diversas Universidades, como UDD, UDP, PUC y en la Escuela Militar, dictando cursos tales como, Microeconomía, Macroeconomía, Finanzas, Introducción a la Economía y Economía y Administración.

Formación

Doctora en Economía, Pontificia Universidad Católica de Chile.

Magíster en Economía Aplicada, Universidad de Chile.

Licenciada en Ciencias Mención Matemáticas, Universidad de Chile.

Publicaciones

Aerts, D. Sozzo S. and Tapia J. (Sept. 2012). “A Quantum Model for the Ellsberg and Machina Paradoxes.”
In: Lecture Notes in Computer Science, Springer 7620.18, pp. 48–59

Aerts, D. Sozzo S. and Tapia J. (Mar. 2014). “Identifying Quantum Structures in the Ellsberg Paradox”.
In: International Journal of Theoretical Physics 53.18, pp. 3666–3682

Tapia, J. (Oct. 2020). “Welfare Cost of Model Uncertainty in a Small Open Economy”. Entropy 22(11). 12-21.

Díaz, F.,  A. Galetovic, R. Muñoz, and J. Tapia (2023, forthcoming). Unraveling the Price-Concentration Relationship: The Role of National Distribution Centers in Chilean Supermarket Industry Consolidation. Economic Modelling.

Dujovne, D., P. Fariña, J. Tapia and I. Urbina Examining the retail delivery choice behavior in a technology-aware market with. Submitted in August 2023 to Journal of Retailing and Consumer Services.

Chavez-Garzon, N., R. Pezoa, P. Suarez-Aldunate, M. E. Pilleux, and J. Tapia. What attributes impact property prices? An interpretable machine learning versus a spatial hedonic model approach in residences for sale in Santiago, Chile.. Submitted in March 2022 to Expert Systems With Applications.

Chavez-Garzon, N., F. Díaz, and A Martínez, and J. Tapia. A new model-agnostic approach for the estimation of marginal effects based on a synthetic prediction sample.