eco t5 t6

Las variables ficticias. Se usan generalmente para controlar los valores en una muestra. Pueden tener más de dos valores. Pueden tener más de dos valores. Pueden tener más de dos valores.

Las variable dummy o ficticias: Permiten incorporar en un modelo variables de naturaleza cualitativa que tengan sólo dos modalidades (por ejemplo, hombre/mujer) que tomarán únicamente valores 0 y 1. Permite realizar análisis estacional cuando se trabaja con muestras de datos trimestrales. Cuando se introducen como regresores en un modelo econométrico requerirá un método específico de estimación. Nunca puede ser la variable endógena de un modelo econométrico.

Se plantea un modelo de consumo para el sector de hostelería en las CC.AA. con datos de 2015. Yt = β0 + β1 ∙ X1t + β2 ∙ X2t + ɛt , donde Y es el gasto regional en hostelería, X1 el índice de precios correspondiente y X2 la renta regional. Si queremos comprobar el posible efecto sobre el gasto de que la región sea costera introduciremos una variable ficticia que toma valor uno para las regiones costeras y cero para el resto. Si queremos introducir el efecto que tendría el hecho de que la observación corresponda a una región costera introduciremos dos variables ficticias: una para las regiones costeras y otra para las de interior. Podemos introducir una variable ficticia para diferenciar la ocupación hotelera entre los distintos trimestres del año. No se pueden incorporar al modelo variables no cuantitativas.

Se plantea un modelo de consumo para el sector de hostelería en las CC.AA. con datos de 2015. Yt = β0 + β1 ∙ X1t + β2 ∙ X2t + ɛt , donde Y es el gasto regional en hostelería, X1 el índice de precios correspondiente y X2 la renta regional. Si se quiere estudiar la existencia de diferencias en el gasto según la CC.AA. sea de costa o de interior: Introduciremos una variable ficticia que tome valor uno para las regiones costeras y cero para el resto. Introduciremos dos variables ficticias: una para las regiones costeras y otra para las de interior. Podemos introducir una variable ficticia para diferenciar la ocupación hotelera entre los distintos trimestres del año. No se pueden incorporar al modelo variables no cuantitativas.

En el modelo estimado con datos de 528 trabajadores, donde los coeficientes son significativos SĤt = 0.06 − 3.3 ∙ SXt + 0.7 ∙ EDt + 0.09 ∙ SXt ∙ EDt , y en el que SH es el salario por hora en dólares, ED los años de educación y SX una variable ficticia igual a 1 para los hombres y 0 para las mujeres, podemos concluir que: No existen diferencias salariales por razón de sexo. Por cada año de educación recibido el salario por hora se incrementa más para los hombres que para las mujeres. Por cada año de educación recibido el salario de los hombres se incrementa en 0,09 dólares. Por cada año de educación recibido el salario se incrementa en 0,7 dólares, tanto para hombres como para mujeres.

En una ecuación que explica la relación entre los salarios y la experiencia, si queremos contrastar la existencia de discriminación salarial por cuestión de género incluso en el efecto de la experiencia. Bastaría con introducir una ficticia de forma aditiva con valor 1 cuando la observación se refiere a un hombre y 0 cuando sea una mujer. Contrastaríamos si la ordenada en el origen es diferente entre los dos grupos, mediante un test de nulidad del parámetro que acompaña a la ficticia. Debería introducirse una ficticia tanto de forma aditiva como en interacción con la variable experiencia. No es posible contrastar su existencia.

La trampa de las variables ficticias consiste en. No podemos estimar los EMCO al haber multicolinealidad perfecta. Incluir variables cualitativas en los modelos econométricos. Una pérdida en las propiedades de los estimadores, al haber un elevado grado de multicolinealidad. Un aumento en la multicolinealidad del modelo al estar relacionada con las variables explicativas.

En un modelo econométrico, con ordenada en el origen, donde explicamos el gasto regional en hostelería, en función del índice de precios correspondiente y de la renta regional, con datos de las 17 CC.AA. españolas, si queremos comprobar el posible efecto sobre el gasto para el caso de las regiones costeras, ... Podemos incluir una variable ficticia para diferenciar la ocupación hotelera entre los distintos trimestres del año. Introducimos una variable ficticia que toma valor uno para las regiones costeras y cero para el resto. Incluimos dos variables ficticias: una para las regiones costeras y otra para las de interior. No se pueden incorporar al modelo variables no cuantitativas.

Si la gráfica que recoge la relación entre salarios y años de experiencia con observaciones muestrales de 40 trabajadores del sector bancario es la siguiente Definiendo la variable ficticia HOMBRE = 1 en el caso de los hombres (0 en otro caso), el modelo a estimar sería. SALARIOt = β0 + β1EXPt + δ1HOMBREt + δ2 (HOMBREt∙ EXPt) + εt esperando unos coeficientes δ1 y δ2 positivos. SALARIOt = β0 + β1EXPt + δ1(HOMBt∙ EXPt) + εt con δ1 negativo. SALARIOt = β0 + β1EXPt + δ1HOMBREt + εt con δ1 positivo. Ninguna de las opciones es correcta.

Una variable ficticia ... Puede tomar “p” valores ligados a las “p” modalidades de la característica que se quiere recoger. En un modelo econométrico hace que este no pueda ser un Modelo Clásico. No puede ser la variable endógena en un modelo econométrico. Ninguna de las anteriores es correcta.

Las variables ficticias ... Pueden tomar “p” valores ligados a las “p” modalidades de la característica que se quiere recoger. Trabajando con datos anuales, permiten realizar el análisis estacional. En un modelo econométrico hace que este no pueda ser un Modelo Clásico. Como variables dicotómicas, son útiles para incorporar variable de naturaleza cualitativa con únicamente dos modalidades.

Estudiando la evolución del precio de la gasolina en el conjunto de países de la UE, en el período 1990-2010, se quiere tener en cuenta, junto con otros dos regresores (x1, x2) la guerra de Iraq iniciada en el año 2003 y que continuó hasta el año 2011, año en el que se retiran definitivamente las tropas americanas. Suponemos que afecta al precio medio en uno y otro período, pero no hay efectos de interacción con otros regresores. El modelo a estimar debería incluir una ficticia multiplicativa GUERRA = 1 para el período 2003-2010 y 0 en otro caso. El modelo debería incluir dos ficticias definidas como GUERRA = 1 si t = 2003 − 2010(0 en otro caso) y PAZ = 1 si t = 1990 − 2002 (0 en otro caso) es decir Yt = β0 + β1X1t + β2X2t + δ1GUERRAt + δ2PAZt + εt. El modelo debería incluir la ficticia como GUERRA = 1 si t = 2003 − 2010 (0 en otro caso) es decir Yt = β0 + β1X1t + β2X2t + δ1GUERRAt + εt. Ninguna de las opciones sería la correcta.

El estadístico U66 de Theil. Indica una buena capacidad predictiva cuando se aproxima a cero. Toma valores siempre positivos y menores que 1. Se utiliza para contrastar la estabilidad post-muestral del modelo. Es una medida de bondad del ajuste.

El cálculo del estadístico de Chow-Fisher. Requiere información del período muestral para su cálculo. Es una medida evaluadora de la capacidad predictiva. Bajo la hipótesis nula sigue una distribución de probabilidad chi-cuadrado. Ninguna de las otras respuestas es correcta.

Los errores que comete un MRLC al hacer predicciones. Serán siempre pequeños cuando el modelo tenga estabilidad post-muestral. Tienen una varianza que depende de la varianza de la perturbación. Suman cero. No dependen de los resultados de la estimación.

La predicción económica se utiliza. Para analizar si la recta de regresión estimada sí se adapta a la nube de puntos. Para analizar si los parámetros del modelo son constantes a lo largo del período de predicción. Para obtener el valor de la variable Y en el período de estimación. Para obtener el valor de la variable Y en un período posterior al de estimación.

Si se obtuvo un buen ajuste en la estimación de un modelo econométrico entonces podría ser adecuado para obtener predicciones. Si todos los coeficientes son estadísticamente significativos. Con la única condición de que el U66 sea muy próximo a cero. Si se comprueba que los parámetros son estables. Ninguna de las anteriores respuestas es correcta.

Si representamos en un gráfico el valor de Aτ y Fτ y ese punto cae por encima de la bisectriz en el primer cuadrante... Existe error en el sentido del cambio. Estamos sobrevalorando el incremento del regresando. Estamos sobrevalorando la disminución del regresando. Ninguna de las anteriores respuestas es correcta.

Los puntos que en el gráfico de variaciones reales y previstas se encuentran en el primer cuadrante indican que. Si están cerca de la bisectriz, la capacidad predictiva es mala. Los errores de predicción son nulos. Los porcentajes de variaciones reales y previstas no son del mismo signo. Los porcentajes de variaciones reales y previstas no son del mismo signo.

Los errores que comete un MRLC al hacer predicciones: Serán siempre pequeños cuando el modelo tenga estabilidad post-muestral. No pueden ser siempre positivos. Suman cero. Tienen una varianza que depende de la varianza de la perturbación.

Un modelo econométrico será válido para predecir. Si se acepta la hipótesis de estabilidad post-muestral de los parámetro y el valor del U66es próximo a cero. Si el valor del U66es menor que 1, y se rechaza la hipótesis de estabilidad post-muestral de los parámetros. Si el %RECM es menor que 3 y se rechaza la hipótesis de estabilidad de los parámetros en el período de predicción. Sólo en el caso de que los porcentajes de variaciones reales y previstas de la variable endógena en el período de predicción coincidan.

Una de las posibles causas de error de los errores de predicción reside en: No depende de la diferencia entre los parámetros y sus estimadores MCO. Valores desconocidos de la variable endógena. Una incorrecta especificación del modelo. El incumplimiento de la hipótesis de normalidad de las perturbaciones.

El estadístico de Chow-Fisher. Es una medida evaluadora de la capacidad predictiva. Contrasta la estabilidad de β y σ2 en el período post-muestral. Se distribuye como una χ2 con n grados de libertad. Ninguna de las anteriores respuestas es correcta.

Si efectuamos una predicción a medio plazo estaremos: Dando el valor estimado para un período situado entre uno y cinco años vista. Efectuando una predicción ex-post para chequear la capacidad predictiva del modelo. Dando el valor de la variable endógena como media de los valores tomados por el modelo en cinco años. Ninguna de las anteriores.

De las siguientes causas de error de predicción ¿cuál no es ex-post?. La aleatoriedad del modelo. El propio proceso de estimación que empleamos, que hace que los estimadores de los parámetros sean distintos de los verdaderos parámetros. Una mala especificación del modelo. Que utilicemos valores esperados de las variables explicativas en los períodos de predicción y no los verdaderos valores de dichas variables.

La RECM (%) es: Un estadístico de prueba usado en contrastes. Una medida de bondad de ajuste. Una medida evaluadora de la capacidad predictiva del modelo. Una medida evaluadora de la estabilidad post-muestral.

El U66 de Theil. Será igual a cero si la estimación es perfecta. Será igual a uno si la predicción es perfecta. Las mejores predicciones son aquellas en las que el U66 > 1. Indica buena capacidad predictiva si está próximo a cero.

El U66 de Theil es una de las medidas más utilizadas para chequear la capacidad predictiva del modelo, así: Compara sus valores con los del criterio “status quo” que siempre es una de las mejores formas de predecir. Nos informa de que con un valor del U66en torno a 1 las predicciones son muy buenas, mientras que al acercarse el valor del U66 a 0 tendremos predicciones pésimas. Cuando el U66 = 0, nos indica que la predicciones son perfectas, es decir, que no cometemos errores de predicción. Ninguna de las anteriores respuestas es correcta.

Una de las medidas más habituales para evaluar la capacidad predictiva del modelo es el gráfico de variaciones reales y previstas, donde: Sólo tenemos buenas predicciones si caen en el primer y en el segundo cuadrante. Vemos como se reparten los porcentajes de variaciones reales y previstas. Tenemos que tener en cuenta que, si las predicciones caen cerca de la bisectriz del primer y tercer cuadrante, puesto que en este caso serán muy malas. Ninguna de las anteriores respuestas el correcta.

Si al hacer el gráfico de predicción-realización la mayoría de los puntos están en el tercer cuadrante, por debajo de la bisectriz. El modelo sobrevalora la disminución del regresando. Al predecir cometemos errores en el sentido del cambio. El modelo no es estable. El modelo subvalora el aumento del regresando.

El estadístico de Cooper: Es una medida evaluadora de la capacidad predictiva. Sigue una distribución F de Snedecor y sirve para efectuar un contraste relativo a un conjunto de parámetros. Se distribuye como una χ2 con n grados de libertad. Sigue una distribución normal.

Las predicciones ex-ante. Son las que se utilizan para evaluar la estabilidad post-muestral del modelo. Analizan la capacidad predictiva, eliminando el posible error que se comete al predecir. Se utilizan para calcular el U66de Theil. Ninguna de las anteriores respuestas es correcta.

El estadístico de Chow-Fisher nos permite contrastar: La hipótesis de estabilidad de los parámetros en el período muestral. La hipótesis de estabilidad de los parámetros en el período post-muestral. La hipótesis de nulidad conjunta de todos los parámetros del modelo. La capacidad predictiva del modelo.

Para poder utilizar un modelo con fines predictivos: U66debe tomar valores próximos a cero. En el gráfico de variaciones reales y previstas debe haber algún punto en el segundo cuadrante. El modelo debe presentar estabilidad post-muestral. El modelo debe presentar estabilidad muestral.

Si al hacer el gráfico de las variaciones reales y previstas encontramos que todos los puntos caen en el primer cuadrante por debajo de la bisectriz. El modelo sobrevalora la disminución del regresando. Estamos omitiendo en el modelo algún regresor que tiene un efecto positivo sobre el regresando. El modelo subvalora la disminución del regresando. Estamos omitiendo en el modelo algún regresor que tiene un efecto negativo sobre el regresando.

Al realizar predicciones en un modelo econométrico. Podemos ver si las variables explicativas tienen un efecto estadísticamente significativo en el regresando. Podemos utilizar predicciones ex-post porque así eliminamos el posible error que se comete al predecir fuera del modelo el valor futuro de las variables explicativas. Si el modelo presentaba elevada bondad de ajuste, el error de predicción va a ser cero. Es necesario conocer los valores reales de los parámetros.

Al realizar predicciones en un modelo econométrico. Se obtiene un error de predicción nulo si la bondad del ajuste es elevada. Podemos utilizar predicciones ex-post porque así eliminamos el posible error que se comete al predecir fuera del modelo el valor futuro de las variables explicativas. Es necesario conocer los valores reales de los parámetros. Debemos utilizar siempre predicciones ex ante.

La predicción económica se utiliza para. Como banco de pruebas de los modelos econométricos. Para analizar si los parámetros del modelo son constantes en el período de predicción. Para analizar incumplimientos de hipótesis en el modelo clásico. Solo si el error de predicción obtenido es cero.

En relación a la predicción en un MRLNC, una de las siguientes ecuaciones no es correcta. ŷτ = x τ/t.b. yτ = x τ/t.β. eτ = yτ − ŷτ = xτ t(β − b) + ετ. Eyτ = x τ/t .β.