Para analizar cómo influye en el salario del trabajador, el hecho de pertenecer a un sindicato: Esa circunstancia no puede analizarse en el marco de un modelo de regresión. Solo puede plantearse una ecuación con una variable dummy y el resto de las variables explicativas, incluida la constante. Podrían utilizarse dos variables dummy si se excluye la constante. Deben incluirse necesariamente dos variables dummy.
En el modelo de regresión Yi=β0+β1Di+ϵi, donde Di es una variable binaria, el parámetro β1 expresa: La media de Yi para aquellos valores en los de 𝐷𝑖=1. B. La diferencia de medias entre los valores de Yi para los de La diferencia de medias entre los valores de Yi para los de Di = 1 y los valores de Yi donde 𝐷𝑖=0. Ninguna de las anteriores. La media de Yi para aquellos valores en los de 𝐷𝑖=0.
En el modelo de regresión Yi = β0 + β1 Xi + β2 Di + β3 Di ∙Xi + ɛi donde X es una variable continua y D una variable binaria, el parámetro β2, Indica la diferencia de pendientes entre las dos categorías Expresa el término independiente diferencial entre dos categorías de la dummy Es la diferencia de salario medio entre las dos categorías de la dummy Se espera que tenga signo positivo.
En el modelo de regresión múltiple, se cumple que 𝑐𝑜𝑣(𝑋𝑖,𝑋𝑗)=0,ⅈ≠𝑗 𝑐𝑜𝑣(𝑋𝑖,𝜀̂𝑖)=0 𝑐𝑜𝑣(𝑌𝑖,𝑌̂𝑖)=0 𝑐𝑜𝑣(𝑌𝑖,𝜀̂𝑖)=0.
En el modelo de regresión múltiple con 𝑘 variables explicativas más la constante y 𝑛 observaciones, la matriz 𝑿′𝑿, Ninguna es correcta Es una matriz cuadrada de dimensión (𝑘+1)×(𝑘+1) Es una matriz de dimensiones 𝑛×(𝑘+1) Es una matriz cuadrada de dimensiones 𝑛×𝑛.
En el modelo de regresión MCO, respecto de la media de la variable endógena se cumple que: 𝑌̅ ≠ 𝑌 𝑌̅ ≤ 𝑌 𝑌̅ ≤ 𝑌̅̂ 𝑌̅ = 𝑌.
El problema del número de variables dicotómicas a incluir en un modelo de regresión con m categorías es, Solo pueden añadirse m – k variables binarias al modelo con constante. Solo pueden añadirse m – 1 variables binarias al modelo con constante. Solo pueden añadirse m variables binarias al modelo con constante. No hay restricciones respecto del número de variables binarias a añadir al modelo.
Considere las siguientes afirmaciones referidas un ARIMA(p, d, q)
i. La letra I del acrónimo significa “independiente”
ii. Un ARIMA(p, 1, q) estimado a partir de una serie de logaritmos es equivalente a estimar un ARMA(p, q) sobre la tasa de variación de la serie
iii. La estimación de un ARIMA exige que p o q sean mayores que 1
iv. Si d > 0 la serie original no era estacionaria Solo (i) y (iii) Solo (i), (ii) y (iii) Todas ellas Solo (ii) y (iv).
Considere el proceso estocástico siguiente 𝑧𝑡−0,5𝑧𝑡−1=2+𝜖𝑡, entonces la 𝐸(𝑧𝑡) es 4 2 1.5 1.
El proceso estocástico Yt = -1,3Yt-1 + 0,5Yt-2 + εt – 1,7εt-1 es: Estacionario e invertible. Estacionario pero no invertible. No estacionario pero invertible. No estacionario y no invertible.
|
