Cuestionario de Econometría y Series de Tiempo

¿Qué herramienta se usa comúnmente para describir información cualitativa?. Promedio aritmético de todas las categorías. Derivadas parciales. Tablas de frecuencia y porcentajes. Regresión logística exclusivamente.

¿Qué es un cambio estructural en econometría?. La eliminación de todas las variables binarias. Un cambio en el tamaño de la muestra únicamente. Un cambio en la relación entre variables según un grupo o periodo. La igualdad exacta entre todos los coeficientes.

¿Qué consecuencia puede tener omitir una variable relevante correlacionada con una variable explicativa?. Eliminación automática del intercepto. Sesgo en el coeficiente de la variable incluida. Aumento obligatorio del tamaño de la muestra. Desaparición de todos los residuos.

¿Qué ocurre con la categoría que no se codifica explícitamente en un sistema de variables dummy?. Queda como categoría de referencia. Se elimina de la base de datos. Genera siempre autocorrelación. Se convierte automáticamente en variable dependiente.

¿Qué es un error de especificación en un modelo econométrico?. Una prueba para medir gráficos de barras. Un problema que ocurre cuando el modelo está mal planteado. Una forma correcta de aumentar el R cuadrado. Un error que solo aparece cuando la muestra es grande.

¿Cuál es el problema central cuando una variable explicativa está correlacionada con el término de error?. La variable dependiente se vuelve irrelevante. Existe endogeneidad. El modelo ya no necesita datos. Existe exogeneidad perfecta.

¿Qué ejemplo corresponde a un instrumento de contexto geográfico?. El salario mensual actual. El error de la regresión final. Distancia al colegio o universidad. El coeficiente estimado de MCO.

¿Qué ocurre con el término de error cuando se omite una variable relevante y está correlacionada con las incluidas?. Se vuelve siempre igual a cero. Se convierte en una variable instrumental. Recoge la influencia de la variable omitida. Desaparece del modelo.

¿Cuál es una causa frecuente de endogeneidad?. Omisión de variables relevantes. Tener una variable dependiente numérica. Usar una muestra transversal. Calcular porcentajes.

¿Qué indica Cov(Educación, u) distinto de cero en un modelo de ingreso?. Que no existe endogeneidad. Que el modelo no tiene intercepto. Que educación está correlacionada con factores no observados incluidos en el error. Que educación es completamente independiente del error.

El modelo ARIMA combina los componentes: Aleatoriedad, renta, inversión y matriz agregada. Autorregresivo, integrado y media móvil. Análisis, regresión, inflación y media anual. Autocorrelación, raíz unitaria, ingreso y mercado.

Un proceso estocástico se caracteriza porque: Siempre sigue un patrón determinista sin azar. Evoluciona en el tiempo incorporando incertidumbre o azar. Es equivalente a una serie estacionaria perfecta. No depende de probabilidades ni de valores pasados.

Cuando se compara un modelo esperado del crecimiento del PIB con las frecuencias observadas, ¿qué se suele comparar?. Probabilidad teórica y probabilidad empírica. Únicamente errores de medición. Solo estacionalidad y tendencia determinista. Solo variables cualitativas.

En series de tiempo, los logaritmos suelen utilizarse para: Estabilizar la varianza cuando la serie crece mucho. Convertir una serie anual en mensual. Garantizar que no exista autocorrelación. Eliminar todos los errores del modelo.

La PACF permite observar: El porcentaje de estudiantes aprobados en una muestra. Cuánto influye un rezago específico sin contar lo explicado por rezagos anteriores. La frecuencia absoluta de datos agrupados. La media aritmética de toda la serie.

Una serie con raíz unitaria generalmente es: Una serie que siempre regresa de inmediato a su media. No estacionaria y sus choques pueden tener efectos permanentes. Estacionaria y con varianza constante garantizada. Una serie sin incertidumbre ni azar.

Un modelo de media móvil MA explica el valor actual de una serie a partir de: Únicamente los valores pasados de la propia serie. Una tendencia lineal sin errores. Solo variables cualitativas externas. Errores o choques aleatorios actuales y pasados.

La diferenciación en una serie de tiempo consiste en: Eliminar todos los valores negativos. Multiplicar todos los valores por la media. Ordenar los datos de mayor a menor. Restar el valor actual menos el valor anterior.

Una serie de tiempo se define principalmente como: Una comparación entre dos grupos sin relación con el tiempo. Un conjunto de observaciones ordenadas cronológicamente en intervalos regulares. Una tabla que solo registra datos anuales de producción. Un conjunto de datos sin orden temporal y reorganizable libremente.

En un proceso AR de primer orden, si rho es igual a 1, entonces: Los choques se disipan completamente en un periodo. El proceso es estacionario necesariamente. Existe raíz unitaria y la serie es no estacionaria. La media y la varianza son constantes por definición.

En un modelo AR, el término alfa representa: La cantidad de variables independientes externas. El término constante o nivel base de la serie. El número de diferencias aplicadas. El error aleatorio del periodo anterior.

Si el coeficiente phi de un modelo AR es negativo, se interpreta que: No existe ningún tipo de dependencia temporal. El modelo se convierte automáticamente en MA. La serie crece siempre de forma constante. El valor actual tiende a moverse en dirección opuesta al valor anterior.

¿Por qué no se deben reordenar libremente los datos de una serie de tiempo?. Porque se pierde la información sobre la evolución cronológica de la variable. Porque la frecuencia deja de existir automáticamente. Porque todos los datos dejarían de ser numéricos. Porque la media siempre se vuelve igual a cero.

En un modelo AR de primer orden, un coeficiente phi alto y positivo indica que: La serie alterna siempre de forma negativa. El valor actual depende fuertemente del valor anterior. El modelo deja de ser autorregresivo. El pasado no tiene influencia sobre el presente.

En ARIMA, el parámetro d representa: El número de diferencias aplicadas para hacer estacionaria la serie. El número de errores pasados considerados en MA. El número de variables independientes del modelo. El número de periodos futuros que se desea pronosticar.