ECON PARTE 4

El siguiente concepto describe el principio estadístico que establece que los estimadores de mínimos cuadrados ordinarios son insesgados, eficientes y consistentes, siempre que se cumplan los supuestos del modelo clásico de regresión lineal. ¿Cuál es el teorema que se describe?. Teorema de Gauss-Markov. Teorema del límite central. Teorema de Bayes. Teorema de Durbin-Watson.

En el modelo clásico de regresión lineal, el supuesto que garantiza que los valores esperados de los errores sean iguales a cero se denomina: ¿Cómo se llama este supuesto?. Linealidad en los parámetros. Homocedasticidad. Esperanza cero. No autocorrelación.

La siguiente metodología estima un modelo de regresión ajustando el sesgo de los errores correlacionados a través de regresiones auxiliares. ¿Qué método se describe?. Método de mínimos cuadrados en dos etapas (2SLS). Método de Durbin-Watson. Método de correlograma. Método de mínimos cuadrados ordinarios (OLS).

La práctica de incluir una variable explicativa irrelevante en un modelo econométrico puede llevar a: ¿Cuál es el efecto de este error?. Mejorar el ajuste del modelo. Aumentar la varianza de los coeficientes. Reducir el tamaño de la muestra. Disminuir la multicolinealidad.

De acuerdo con los siguientes resultados del test de ShapiroFrancia,¿los datos tienen una distribución normal?. Sí, los datos tienen una distribución normal. No, los datos no tienen una distribución normal. Los datos no son concluyentes respecto a la normalidad. No se puede determinar si los datos tienen una distribución normal con esta.

Para evaluar la presencia de autocorrelación en un modelo de regresión, se utiliza la estadística de Durbin-Watson con valores críticos establecidos, identifique la conclusión correcta. Existe autocorrelación positiva. No hay autocorrelación. Existe autocorrelación negativa. Se rechaza el modelo por inconsistencias.

La autocorrelación puede presentarse tanto en series de tiempo como en datos de corte transversal. ¿Cuándo ocurre la autocorrelación en un modelo de regresión?. Cuando los errores no tienen correlación entre sí. Cuando la covarianza entre los términos de perturbación es distinta de cero. Cuando los errores son independientes y homogéneos. Cuando las variables dependientes están perfectamente explicadas.

Explique cómo la heterocedasticidad afecta las estimaciones obtenidas mediante el método de mínimos cuadrados ordinarios (MCO). ¿Cuáles son las consecuencias de la heterocedasticidad en el método de mínimos cuadrados ordinarios?. Los estimadores son lineales, insesgados y eficientes. Los estimadores son lineales e insesgados, pero no eficientes. Los estimadores son no lineales y sesgados. Los intervalos de confianza y las pruebas estadísticas no se ven afectados.

Describa el método utilizado para corregir la heterocedasticidad en un modelo de regresión lineal. ¿Qué método permite ajustar la heterocedasticidad en un modelo econométrico?. Mínimos cuadrados ordinarios (MCO). Análisis de varianza (ANOVA). Mínimos cuadrados generalizados (MCG). Regresión robusta estándar.

Identifique las pruebas utilizadas para detectar la heterocedasticidad en un modelo de regresión lineal. ¿Qué pruebas son efectivas para identificar la heterocedasticidad?. Breusch-Pagan, White y Glejser. Dickey-Fuller y Engle-Granger. Durbin-Watson y prueba de Jarque-Bera. Prueba de Kolmogorov-Smirnov y Shapiro-Wilk.

La presencia de autocorrelación en los residuos de un modelo de regresión se puede detectar mediante una herramienta estadística específica. ¿Qué herramienta permite identificar si los residuos consecutivos de un modelo están correlacionados?. Prueba de Dickey-Fuller. Prueba de Durbin-Watson. Estadístico VIF (Variance Inflation Factor). Estadístico de Breusch-Pagan.

En un modelo VAR, seleccionar el número óptimo de rezagos requiere un criterio que equilibre la complejidad y la pérdida de información del modelo. ¿Qué indicador estadístico identifica el número de rezagos que minimiza la pérdida de información en un modelo VAR?. Grado de significancia de las variables. Prueba de estacionariedad de Dickey-Fuller. Criterio de información de Akaike (AIC). Estimación del coeficiente de correlación.

El modelo autorregresivo AR(1) se considera estacionario cuando se cumple una condición específica en el coeficiente autorregresivo. ¿Cuál es la condición que debe satisfacer el coeficiente autorregresivo para asegurar la estacionariedad?. El coeficiente de autocorrelación debe ser menor a 1 en valor absoluto. El coeficiente de autocorrelación debe ser igual a 1. La tendencia debe ser constante en el tiempo. El error debe seguir una distribución normal.

La función de autocorrelación muestral es la razón entre la covarianza muestral y la varianza muestral. ¿En qué tipo de análisis econométrico se utiliza principalmente esta función?. Análisis de corte transversal. Análisis de regresión múltiple. Análisis de series de tiempo. Análisis de datos cualitativos.

El modelo logit se utiliza para modelar variables dependientes cualitativas. ¿Cuál es una característica fundamental de este modelo?. Predice valores continuos. Asume que los errores son heteroscedásticos. Utiliza la función logística para predecir probabilidades. Solo puede usarse con datos de corte transversal.

En un modelo autorregresivo de primer orden (AR(1)), el valor actual del término de error depende del valor del término de error anterior. ¿Qué coeficiente mide la relación entre estos términos?. Coeficiente de regresión. Coeficiente de correlación múltiple. Coeficiente de autocorrelación. Coeficiente de determinación.

Cuando se analiza la multicolinealidad, se busca determinar si las variables explicativas están correlacionadas entre sí. ¿Cuál de los siguientes problemas puede surgir debido a la multicolinealidad?. Disminución del tamaño de la muestra. Aumento de la precisión de los estimadores. Incremento del R cuadrado ajustado. Inestabilidad de los coeficientes estimados.

El modelo de regresión log-lineal se usa para estimar relaciones donde los efectos porcentuales son relevantes. ¿Cómo se transforma la variable dependiente en este modelo?. Se toma el logaritmo de la variable independiente. Se toma el logaritmo de la variable dependiente. Se multiplica la variable dependiente por una constante. Se eleva la variable dependiente al cuadrado.

El método de mínimos cuadrados ordinarios (MCO) es el más utilizado para estimar los coeficientes de regresión. ¿Qué supuesto es fundamental para la validez del MCO?. No existencia de autocorrelación. Presencia de multicolinealidad. Heteroscedasticidad en los errores. Distribución no normal de los errores.

¿Cuál es el principal propósito de realizar pruebas de significancia en modelos econométricos, y cómo se utiliza el valor p para interpretar los resultados?. Para demostrar la causalidad entre variables; el valor p debe ser superior a 0.05. Para evaluar si los coeficientes estimados son estadísticamente diferentes de cero; el valor p debe ser inferior a un nivel de significancia determinado (e.g.,0.05). Para confirmar que el modelo cumple con los supuestos clásicos; el valor p no tiene relevancia. Para decidir si una variable debe ser excluida del modelo; el valor p no es considerado.

¿Qué sucede si un modelo econométrico presenta multicolinealidad severa entre las variables explicativas?. Los coeficientes estimados serán insesgados pero tendrán varianzas más grandes, lo que reduce su precisión. El modelo será completamente inadecuado y sus predicciones no tendrán validez. Los coeficientes estimados serán sesgados e inconsistentes. No tendrá ningún efecto en los resultados del modelo.

Aplicación práctica y razonamiento. El coeficiente indica que un aumento de 1 en el ingreso incrementa el gasto en educación en 0.8 unidades; el valor t es 4, y el coeficiente es estadísticamente significativo. El coeficiente indica que un aumento de 1 en el ingreso incrementa el gasto en educación en 0.8 unidades; el valor t es 3, y el coeficiente no es estadísticamente significativo. El coeficiente indica que un aumento de 1 en el ingreso incrementa el gasto en educación en 500 unidades; el valor t es 4, y el coeficiente es estadísticamente significativo. El coeficiente indica que un aumento de 1 en el ingreso incrementa el gasto en educación en 0.8 unidades; el valor t es 2, y el coeficiente no es estadísticamente significativo.

Para clasificar las series temporales, es necesario conocer las diferencias entre series determinísticas y estocásticas. Determine una diferencia clave entre series determinísticas y estocásticas. Las determinísticas son completamente predecibles. Las estocásticas no tienen patrón. Las determinísticas dependen del azar. Las estocásticas tienen valores fijos.

Para analizar una serie no estacionaria, es fundamental reconocer las tendencias y las características que permiten convertirla en una serie estacionaria. En el análisis de series temporales, determine qué permite transformar una serie no estacionaria en estacionaria. Eliminar tendencias claras y ajustar la variabilidad. Aumentar la estacionalidad de la serie temporal. Mantener las tendencias constantes y estacionales. Reducir el número de observaciones de la serie.

Para comprender la naturaleza de las series temporales, es importante identificar las características que determinan si una serie es estacionaria o no estacionaria. En el contexto del análisis de series temporales, identifique tres aspectos clave: característica, problema y solución. Variabilidad constante - tendencia constante - no se transforma en estacionaria. Tendencia clara - variabilidad no constante - posible transformación para estacionariedad. Estacionalidad marcada - afinidad hacia valor constante - estacionaria directamente. Variabilidad constante - estacionalidad mínima - siempre no estacionaria.