ECO PART 1

La autocorrelación en los errores de un modelo de regresión puede afectar la eficiencia de los estimadores y la validez de las pruebas de hipótesis. ¿Cuál de los siguientes métodos es el más adecuado para corregir la autocorrelación en los residuos de un modelo de regresión?. Aplicar transformaciones logarítmicas a las variables independientes. Incluir variables instrumentales en la regresión. Utilizar modelos ARMA o estimación GLS para corregir la autocorrelación. Eliminar observaciones con alta varianza en los residuos.

La multicolinealidad ocurre cuando dos o más variables explicativas en un modelo de regresión están altamente correlacionadas, lo que afecta la estabilidad de los coeficientes. ¿Cómo afecta la multicolinealidad extrema la estimación de coeficientes en un modelo de regresión?. Reduce la varianza de los coeficientes, mejorando su precisión. Aumenta la varianza de los coeficientes, haciendo que sean menos confiables. Genera valores p más pequeños, lo que facilita la significancia estadística. No afecta la regresión si el tamaño muestral es grande.

Los modelos de regresión con variables cualitativas requieren la selección de una categoría base para evitar la trampa de la variable dicótoma. ¿Cuál es la principal consecuencia de elegir incorrectamente la categoría base en un modelo de regresión con variables cualitativas?. Puede generar colinealidad y dificultar la interpretación de los coeficientes. Obliga a excluir otras variables del modelo. Mejora la predicción del modelo sin cambiar su estructura. No afecta la interpretación de los coeficientes.

En modelos de regresión, la heterocedasticidad puede afectar la eficiencia de los estimadores y la validez de las pruebas de hipótesis. ¿En qué situaciones los errores estándar robustos no son suficientes para corregir la heterocedasticidad?. Cuando el modelo tiene variables cualitativas. Cuando la muestra es pequeña o la heterocedasticidad tiene una estructura no aleatoria. Si hay colinealidad entre las variables explicativas. En modelos con datos balanceados y homocedásticos.

La heterocedasticidad ocurre cuando la varianza de los errores de un modelo de regresión no es constante a lo largo de las observaciones. ¿Cuál de los siguientes gráficos es más útil para detectar heterocedasticidad en una regresión?. Gráfico de dispersión de residuos frente a valores ajustados. Matriz de correlación de variables explicativas. Histograma de frecuencias de la variable dependiente. Gráfico Q-Q para evaluar normalidad de los residuos.

¿Cuál es la característica principal de un modelo de elección discreta? ¿Cuál es la función esencial de estos modelos?. Explicar relaciones lineales entre variables continuas. Estimar la probabilidad de que se elija una alternativa entre un conjunto discreto de opciones. Aplicar técnicas de series temporales a datos cualitativos. Determinar la magnitud de efectos en variables de respuesta continua.

Cual es una de las principales desventajas del Modelo Lineal de probabilidad (MLP) al aplicarse a variables dependientes binarias. ¿Qué inconveniente presenta el MLP?. Resulta excesivamente complejo de estimar en muestras pequeñas. Puede predecir probabilidades fuera del rango [0, 1] . Requiere transformaciones logarítmicas para interpretar los coeficientes. No permite la inclusión de variables independientes cualitativas.

Para modelar una variable dependiente binaria, ¿Qué distribución de probabilidad se utiliza como fundamento en el Modelo Lineal de Probabilidad? ¿Con que distribución se sustenta este modelo?. Distribución Normal. Distribución Poisson. Distribución de Bernoulli. Distribución Exponencial.

¿Por qué un modelo de regresión lineal tradicional no es adecuado para analizar variables dependientes de naturaleza cualitativa? ¿Qué limitación presenta el modelo lineal en este contexto?. Porque los resultados se interpretan inadecuadamente en términos de probabilidades. Porque no admite variables independientes cuantitativas. Porque requiere siempre transformaciones logarítmicas en la variable dependiente. Porque sólo es aplicable a datos de series temporales.

¿Cómo se pueden clasificar los modelos de elección discreta según el número de alternativas que presenta la variable dependiente? ¿De qué forma se distinguen estos modelos?. En modelos de elección binaria y modelos de elección multinomial. En modelos lineales y modelos no lineales. En modelos paramétricos y modelos no paramétricos. En modelos de series temporales y modelos de datos de panel.

Seleccione la afirmación correcta respecto a la heterocedasticidad en un modelo de regresión. La heterocedasticidad ocurre cuando la varianza de los errores es constante. La heterocedasticidad no afecta la varianza de los estimadores MCO. La heterocedasticidad indica que la varianza de los errores no es constante. La heterocedasticidad se resuelve eliminando variables explicativas.

¿Cómo afecta la autocorrelación a la capacidad predictiva de un modelo econométrico?. La varianza de los errores se mantiene sin sesgo. La varianza de los errores tiende a sobreestimarse. La varianza de los errores tiende a subestimarse, lo que sesga el cálculo de 𝑅2. La autocorrelación no afecta la estimación de la varianza de los errores.

Si se aplica la prueba de Breusch-Godfrey para detectar autocorrelación. Se acepta la hipótesis nula y no hay autocorrelación. Se rechaza la hipótesis nula y se concluye que hay autocorrelación en los errores. Se acepta la hipótesis alternativa y se confirma que los errores siguen un proceso de ruido blanco. No se puede tomar una decisión ya que el valor-p no es relevante para esta prueba.

En un modelo de regresión, si queremos detectar autocorrelación en los errores permitiendo la inclusión de regresores no estocásticos y términos autorregresivos de orden superior, ¿Cuál de las siguientes pruebas sería más adecuada?. Prueba de White. Prueba de Breusch-Godfrey. Prueba de Dickey-Fuller. Prueba de Jarque-Bera.

¿Qué ocurre con las pruebas de significancia t y F cuando hay autocorrelación?. Siguen siendo válidas y eficientes. Se vuelven ineficientes y pueden generar conclusiones erróneas. La autocorrelación no afecta las pruebas de significancia. Solo la prueba F es afectada, la prueba t sigue siendo válida.

En un modelo de regresión, si la varianza de los errores no es constante y queremos detectar heterocedasticidad, ¿cuál de las siguientes pruebas sería más adecuada?. Prueba de Dickey-Fuller. Prueba de Ramsey RESET. Prueba de Breusch-Pagan. Prueba de Durbin-Watson.

Supongamos que tenemos un modelo de regresión múltiple con datos de series de tiempo y queremos evaluar si los residuos presentan correlación serial de orden superior. Además, nuestro modelo incluye variables explicativas rezagadas. ¿Cuál de las siguientes pruebas es la más adecuada para detectar este problema?. Prueba de Durbin-Watson. Prueba de Ljung-Box. Prueba de Breusch-Godfrey. Prueba de Engle-Granger.

En un modelo de regresión, se detecta que dos variables explicativas están altamente correlacionadas entre sí. Esto genera coeficientes inestables y valores de significancia estadística poco confiables. ¿Qué técnica sería adecuada para mitigar este problema?. Aplicar diferenciación a las variables. Transformar las variables a logaritmos. Usar la prueba de Jarque-Bera para verificar normalidad. Eliminar una de las variables correlacionadas o usar un método de regularización.

Un investigador desea determinar si dos variables de series de tiempo tienen una relación de largo plazo y se mueven juntas en el tiempo. ¿Qué prueba econométrica sería la más adecuada para este análisis?. Prueba de raíz unitaria ADF. Prueba de Engle-Granger. Prueba de Breusch-Godfrey. Prueba de White.

En un modelo VAR, ¿cuál de las siguientes afirmaciones sobre los errores Ut es correcta según sus supuestos?. Los errores siguen una distribución normal con media diferente de cero. La varianza de los errores no es constante en el tiempo. Los errores pueden estar correlacionados en el tiempo. Los errores son normales, de varianza constante y no presentan autocorrelación.

El problema de errores autor relacionados en un modelo econométrico de series de tiempo puede invalidar las inferencias realizadas mediante Mínimos Cuadrados Ordinarios (MCO). ¿Cuál de las siguientes pruebas se utiliza para detectar autocorrelación en los residuos de un modelo econométrico?. Prueba de Breusch-Pagán. Prueba de Kolmogorov-Smirnov. Prueba de Durbin-Watson. Prueba de Chow.

El sesgo de selección ocurre cuando la muestra utilizada en la estimación no es representativa de la población objetivo, afectando la validez de los resultados. ¿Cuál de los siguientes métodos permite corregir el sesgo de selección en modelos econométricos?. Modelo de Mínimos Cuadrados Generalizados (GLS). Prueba de Hausman. Modelo de Heckman de dos etapas. Método de variables instrumentales (IV) con corrección bootstrap.

Los modelos de cointegración permiten analizar relaciones de equilibrio a largo plazo entre variables no estacionarias. ¿Qué prueba se utiliza combinada para determinar si existe una relación de cointegración entre dos o más series de tiempo?. Prueba de Durbin-Watson. Prueba de Johansen. Prueba de Dickey-Fuller aumentada. Modelos logarítmicos.

Los modelos bayesianos han ganado popularidad en econometría debido a su capacidad de incorporar información previa en la estimación de parámetros. ¿Qué distingue a la estimación bayesiana de los métodos frecuentistas en econometría?. La estimación bayesiana incorpora información previa mediante la distribución a priori y la actualización con los datos observados. La estimación bayesiana depende exclusivamente de la muestra sin considerar información previa. Los métodos frecuentistas utilizan distribuciones de probabilidad para estimar parámetros. La econometría bayesiana no se utiliza en modelos con datos de panel.

Los métodos de estimación en presencia de datos censurados o truncados requieren técnicas especializadas para evitar sesgos en los coeficientes estimados. ¿Cuál es el modelo econométrico adecuado para estimar relaciones cuando la variable dependiente está censurada?. Modelo Probit para variables dicotómicas. Regresión por Mínimos Cuadrados Ordinarios (MCO). Modelo Tobit, basado en máxima verosimilitud. Modelo de series de tiempo.