Entre otros motivos los modelos VAR se utilizan porque: La predicción de cada una de las variables que forman parte del mismo, siempre será mejor que si se hacen a partir de un modelo estructural Es una metodología especialmente apropiada para calcular efectos causales No exigen clasificar previamente las variables del sistema en exógenas y endógenas Ninguna de las otras es cierta.
Se quiere contrastar si la variable Yt tiene una raíz unitaria. La diferencia entre el contraste DF y el ADF: El test DF se emplea para contrastar la existencia de tendencias deterministas mientras que el test ADF sirve para contrastar tendencias estocásticas El test DF se emplea para contrastar solo la existencia de tendencias estocásticas mientras que el test ADF sirve para contrastar globalmente la existencia de tendencias deterministas y estocásticas El test ADF puede incluir como regresores retardos de la endógena y el test DF no El test ADF incluye retardos de Yt en la ecuación de contraste y el test DF no.
En el contexto de un modelo biecuacional de ecuaciones simultáneas, la identificabilidad de una ecuación queda garantizada si:
El número de instrumentos es mayor que el de regresores endógenos Los instrumentos son exógenos El número de instrumentos es igual al de regresores endógenos Ninguna es cierta.
Uno de los siguientes supuestos no es esencial en el modelo de regresión con variables instrumentales Distribución normal de ei La esperanza condicionada del error debe ser nula Momentos de orden cuatro finitos Las variables aleatorias implicadas son extracciones independientes e idénticamente distribuidas.
En el modelo "Yit= a+B1Xit+B2Zit+ efectos individuales+ eit" donde la correlación entre los efectos individuales y Xit es distinta de 0. Entonces:
Es preferible el modelo de efectos fijos Habría que conocer si la correlación entre los efectos individuales y la variable Z es o no distinta de cero para poder decidirse por el mejor modelo Es indiferente emplear un modelo u otro Es preferible el modelo de efectos aleatorios.
Señale cuál de las siguientes afirmaciones describe mejor un modelo de efectos causales dinámicos Ninguna de las otras El efecto de X sobre Y cambia aleatoriamente en el tiempo Hay un efecto de X sobre Y pero también de Y sobre X, pero son simétricos El efecto de X sobre Y no se produce en un solo periodo sino que se distribuye en el tiempo.
Diga cuál de los siguientes no es un supuesto en el modelo de retardos distribuidos La no multicolinealidad perfecta La exogeneidad estricta de las variables explicativas Tendencia a la independencia de las distribuciones conjuntas de las variables del modelo Grandes atípicos poco probables.
En un contraste ADF: Han de incluirse retardos de la variable exógena Deben incluirse suficientes retardos de la endógena para conseguir que los errores no estén autocorrelados El número de retardos de la variable endógena ha de ser mayor de dos Ninguna es cierta.
Considere el SVAR de dos variables dado por: Bxt= A(sub 0) + A(sub 1)x(sub t-1) + e(sub t). LA identificación exige que: Ninguna es cierta A(sub 0)= 0 Los valores propios de A(sub1) sean menores que la unidad Los elementos fuera de la diagonal principal de B sean ambos nulos.
En la ecuación Yi= a + BXi + ei el regresor es endógeno, pero se dispone de un instrumento válido. En estas circunstancias la diferencia entre los estimadores VI y MC2E es: Ninguna El estimador MC2E es consistente pero sesgado mientras que el estimador VI es insesgado y consistente Ninguna es correcta El estimador VI es consistente pero sesgado mientras que el estimador MC2E es insesgado y consistente.
Si, en un modelo con datos de panel y una única variable explicativa, la estimación de B1 por datos fusionados es muy diferente de la obtenida con el un modelo de efectos fijos siendo estos últimos globalmente significativos, ello sugiere que: En el modelo de efectos fijos E(ai Xit)=0 Ninguna de las otras es correcta En el modelo de datos fusionados E(ei Xit)= 0 En el modelo de datos fusionados E(ei Xit) distinto de 0.
Conceptualmente la diferencia más importante entre pronosticar con un modelo VAR o con un modelo estructural de ecuaciones simultáneas es: No hay ninguna diferencia conceptual En un modelo estructural de ecuaciones simultáneas no se pueden emplear variables retardadas La modelización estructural exige usar supuestos específicos derivados de la teoría para clasificar las variables en endógenas y exógenas Para usar el modelo de ecuaciones simultáneas hemos de apoyarnos en un contraste de causalidad de Granger para determinar la dirección de la causalidad entre variables.
El modelo Yit= B(sub 0) + ai + B(sub 1) X(sub 1it) + ...+ B(sub k) X(sub kit) + ei podría ser: Un modelo de panel de diferencias en las diferencias Un modelo de panel de efectos fijos temporales Un modelo de efectos fijos individuales y temporales Ninguna de las otras.
Señale en cuál de las siguientes situaciones emplearía el estimador VI: Si entre las variables explicativas hay retardos de la endógena Si hay alta multicolinealidad En ninguno de los casos mencionados Si hay problemas de autocorrelación serial o heterocedasticidad.
Señale cuál de las siguientes afirmaciones describe mejor la naturaleza de un modelo ARCH es: Ninguna de las otras es cierta Un modelo de regresión no lineal en los parámetros Un modelo de regresión en el que los errores están autocorrelacionados Un modelo en el que la varianza de error presenta un comportamiento autorregresivo.
La descomposición de la varianza de un modelo VAR mide: La proporción de la varianza de cada una de las variables dependientes que es debida en shocks en el error de la propia ecuación y la(s) parte(s) debida(s) a shocks en el resto de los errores La respuesta en cada una de las variables del sistema ante shocks en cada una de las variables explicativas La variación explicada por las variables explicativas en cada una de las variables del sistema Ninguna es correcta.
Suponga que, utilizando 100 observaciones, ha estimado una regresión entre las variables X e Y, obteniendo la serie de los errores estimados et. Considere las siguientes afirmaciones:
1. La serie et es ruido blanco
2.La serie et es estacionaria
3.La serie et tiene raíz unitaria
4.El estadístico de Dickey y Fuller para la serie et arroja un valor de 6,34
Diga cuál de las siguientes afirmaciones es correcta: NO hay cointegración entre X e Y a menos que se cumpla 1 Si se cumple 2 hay evidencia de que las series están cointegradas Para que exista cointegración la afirmación 3 es imprescindible El resultado de la afirmación 4 basta para poder afirmar que las series X e Y están cointegradas.
Un investigador trata de estimar un modelo de datos de panel con tres variables explicativas más la constante y tiene dudas entre el modelo de efectos fijos y el de efectos aleatorios. Si el test de Hausman arroja un valor de 8,24: Para un nivel de significatividad del 5% debería elegir el modelo de efectos aleatorios Para un nivel de significatividad del 1% debería elegir el modelo de efectos aleatorios Para un nivel de significatividad del 5% debería elegir el modelo de efectos fijos Para poder tomar una decisión sería necesario conocer el tamaño muestral.
Para poder obtener un estimador insesgado en el modelo de retardos distribuidos: Puede emplearse MCO Debe utilizarse el estimador de máxima verosimilitud Debe utilizarse VI Ninguna de las otras.
De las siguientes afirmaciones referidas a los modelos ARCH y GARCH:
1. Ambos son modelos en los que el error no es homocedástico
2. Ambos pueden estimarse por MCO
3.Estos modelos solo se emplean para estimar series que presentan raíz unitaria,
4. Se emplean para modelizar y pronosticar la volatilidad
Son correctas: Solo 2 y 3 Solo 1 y 4 Solo 1 Solo 1 y 2.
Considere las siguientes afirmaciones relativas a las diferencia entre un modelo ARCH(q) y un GARCH(1,1):
i)probablemente el ARCH(q) tendrá menos coeficientes, ii)Es más probable que el modelo ARCH viole las restricciones de no negatividad, iii) El ARCH(q) permite que un número infinito de retardos precios de la varianza al cuadrado, afecte a la varianza condicional presente, iv) un GARCH(1,1) probablemente sea suficiente para recoger toda la dependencia de la varianza condicional.
Son ciertas: Todas ellas Solo i) y ii) Solo ii) y iv) Solo i) y iii).
Suponga que desea construir un modelo de retardos distribuidos con dos variables Yt y Xt . De las 4 posibilidades que se citan a continuación para estas dos variables, señale en cuál es más probable que se cumpla el supuesto de exogeneidad: Y=exportaciones, X= número de operaciones cortas en la Bolsa de Madrid Y=inflación X= precios del petróleo
Y=inflacion X=tipos de interés a c/p Y=oferta monetaria X= tipos de interés a c/p.
Sea X un vector de k variables todas ellas I(1). Señale cuál de las siguientes afirmaciones es correcta: Ninguna de las otras Si las variables están cointegradas han de haber k-1 combinaciones I(0) entre las variables Si las variables están cointegradas el parámetro de ajuste del modelo de corrección de error, no debe ser estadísticamente distinto de cero Si las variables están cointegradas, ha de haber alguna combinación lineal entre las mismas que sea I(0).
Señale cuál de las siguientes afirmaciones referidas al modelo logit es incorrecta: La probabilidad de éxito siempre está comprendida entre 0 y 1 El efecto parcial de cualquier variable explicativa, es una función lineal de todas las variables del modelo y por lo tanto varía en función de cuáles sean los valores de las Xi El signo del efecto parcial de la variable Xj coincide con el signo del estimador correspondiente , Bj En los extremos asigna probabilidades algo mayores que el modelo probit.
Diga cuál de las siguientes afirmaciones referidas a una serie con raíz unitaria, es correcta: Puede generar un problema de regresión espuria Todas son ciertas Si experimenta una perturbación, ésta será permanente No es estacionaria.
En un modelo RD el multiplicador acumulado a largo plazo Si el modelo tiene k retardos de X, será el coeficiente de Xt-k Es la suma de todos los multiplicadores dinámicos individuales Ninguna de las otras Si el modelo tiene k retardos de X, será la diferencia entre el coeficiente de Xt y el de Xt-k.
Considere las siguientes afirmaciones referidas a un modelo logit: i)No puede estimarse por MCO ii) Puede estimarse por máxima verosimilitud iii)no puede emplear variables binarias como explicativas iv)Siempre proporciona probabilidades de éxito mayores que las de un modelo probit.
Son correctas: Todas menos iv) Solo i) y ii) Solo i) Todas menos iii).
Considere las siguientes afirmaciones referidas a un modelo VAR:
1.La descomposición de la varianza mide el impacto de un shock unitario en cada una de las variables del VAR
2.La descomposición de la varianza puede considerarse una medida de la proporción de la varianza del error de predicción que puede atribuirse a cada variable del sistema
3.La ordenación de las variables es importante para calcular las funciones de respuesta al impulso y la descomposición de la varianza
4.Es habitual que la mayor parte de la varianza del error de predicción para una ecuación dada sea atribuible a shocks en dicha variable
Indica las que son correctas: 2, 3 y 4 Sólo 1 y 2 Sólo 2 y 4 Todas ellas son correctas.
Los métodos adecuados para estimar modelos ARCH y GARCH son El GARCH puede estimarse por MCO pero para el ARCH ha de recurrirse a otros métodos, como MáxVerosimilitud Ambos exigen un método de estimación diferente de MCO El ARCH puede estimarse por MCO pero para el GARCH ha de recurrirse a otros métodos como Máx VErosimilitud Ambos pueden estimarse por MCO.
En un modelo logit se emplean como únicas variables explicativas, una constante y una variable binaria indicativa del sexo.En este caso: El parámetro correspondiente a la variable explicativa binaria mide la diferencia en media entre la probabilidad de éxito del grupo para los que Y=0 y el grupo para el que Y=1 El modelo no se podrá estimar al hallarnos ante un problema de multicolinealidad perfecta El modelo no se podrá estimar al hallarnos ante el problema del clasificador perfecto Ninguna es correcta.
Los dos primeros valores de la función de autocorrelación total, p1 y p2, del proceso yt=et-0,8et-1 0.345 y 0 -0.345 y 0 -0.487 y 0 0.45 y -0.39.
En una regresión con datos fusionados del grupo de los 7 países del G7 correspondientes al periodo 1980-2000(ambos inclusive), se requiere estimar un modelo de efectos fijos individuales y temporales en el que se incluye una constante y 3 variables explicativa. El estadístico para contrastar la significatividad global de los efectos fijos individuales será: Ninguna es correcta F 7,123 F 6,117 F 6,115.
Para estudiar la probabilidad de las mujeres casadas trabajen (Y=1), se estiman los siguientes modelos (todas las variables son significativas al 1%)
LOGIT PROBIT
Constante -3.2 -2
R_Esposo -0.03 -0.017
Educ 0.24 0.14
Exper 0.2 0.12
Exper^2 -0.004 -0.0025
Hijos -0.9 -0.5
PseudoR^2 0.17 0.17
LV -426.75 -427.25
LV restringido -514.87
Las variables explicativas son, respectivamente, la renta anual del marido (en miles de dólares),los años de educación, la experiencia laboral, la experiencia al cuadrado y el número de hijos menores de 6 años.
Utilizando el modelo logit, la diferencia en probabilidad de éxito entre una mujer sin hijos, con 10 años de educación y 10 de experiencia laboral, cuyo marido tiene una renta anual de 20000 dólares, y otra de las mismas características pero con un hijo menor de 6 años, es aproximadamente:
Ninguna es correcta 0.33 puntos menor para la segunda 0.16 puntos menor para la segunda 0.22 puntos menor para la segunda.
Para estimar la probabilidad de que nos concedan un préstamo se estima el modelo:
LOGIT
Constante 1,90
Blanco 1,42
Parado -0.08
H_ratio -0.03
Donde Blanco=1 si el individuo es blanco y 0 en cualquier otro caso, Parado=1 si el individuo está en paro y H_ratio es el porcentaje de los pagos mensuales sobre la renta. Evaluado en el valor medio de esta última variable (H_ratio=25%), la discriminación sufrida por un individuo de color con trabajo puede cifrarse en:
Una disminución de la probabilidad de éxito de aproximadamente 17 puntos porcentuales Una disminución de la probabilidad de éxito de aproximadamente 1.7 puntos porcentuales Una disminución de la probabilidad de éxito de aproximadamente 14.2 puntos porcentuales.
Para estudiar la probabilidad de las mujeres casadas trabajen (Y=1), se estiman los siguientes modelos (errores estándar robustos entre paréntesis):
LOGIT PROBIT
Constante -3.2(0.506 -2(0.30)
R_esposo -0.03(0.008) -0.017(0.005)
Educ 0.24(0.042) 0.14(0.025)
Exper 0.2(0.03) 0.12(0.018)
Exper^2 -0.004(0.001) -0.0025(0.0005)
Hijos -0.9(0.173) -0.5(0.103)
Pseudo R^2 0.17 0.17
LV -426.75 -427.25
LV Restringido -514.87
Las variables explicativas son, respectivamente la renta anual del marido (en miles de dólares) los años de educación, la experiencia al cuadrado y el número de hijos menores de 6 años.
Utilizando el modelo logit la probabilidad de éxito (de que se de una mujer con 10 años de educacióny 10 de experiencia laboral, sin hijos y cuyo marido está desempleado, es aproximadamente: 0.69 0.57 0.77 Ninguna es correcta.
Considere el modelo yt= 1.2yt-1 -0.32yt-2 + et. El tercer coeficiente de la función de autocorrelación total, p3, valdrá aproximadamente: 0.63 0.51 0.77 0.44.
Suponga que en el modelo Yt= 2+ 0.8 Xt + 0.6Xt-1 -0.5Xt-2+...-0.1Xt-k + et. Xt experimenta una variación unitaria en el periodo retornando luego a su valor de equilibrio. El efecto sobre Y dos periodos después, es decir en el momento t+2, será: -0.5 0.6 0.8 Ninguna de las otras es correcta.
Considere el correlograma siguiente, obtenido a partir de una muestre de 100 observaciones de una serie temporal:
FAT 0.8 0.64 0.51 0.41 0.28 0.20 0.08
FAP 0.8 0.46 0.08 -0.05 0.1 0.12 -0.02
Diría que: Corresponde a un proceso MA(1)
Corresponde a un proceso AR (1) Corresponde a un proceso AR(2) Corresponde a un proceso de ruido blanco .
El proceso yt=et + 0.4et-1 + 0.16et-2 +0.064 et-2+... podría expresarse alternativamente como : Ninguna es correcta yt=-0.4yt-1 + et yt=0.4 yt-1 + et yt= h + 0.4 yt-1 + et .
Sea el proceso Yt= 2-0.8 Yt-1 + et donde et es ruido blanco . Los dos primeros valores de la FAP serán respectivamente, 0.8 y 0.64 0.8 y 0 0.64 y 0 Ninguna de las otras es correcta.
Indique cuál es la mejor interpretación de B1 en un modelo probit con una única variable explicativa. Es el cambio en la probabilidad de éxito cuando X varía en una unidad Ninguna de las otras Es el cambio en la probabilidad de éxito cuando X varía en un punto porcentual El cambio en el valor de z asociado a un cambio unitario en X.
Para estimar el modelo Yi=a+BX1t+&X2i+ei no se disponen de datos para la segunda variable explicativa, pero sí de una proxy apropiada Wi. Si la correlación entre X1i y X2i es distinta de cero: Empleando la variable proxy podemos obtener estimadores insesgados y consistentes de los parámetros a, B y & Podemos emplear Wi como una variable instrumental para obtener un estimador consistente de B Empleando la variable proxy podemos obtener un estimador consistente del parámetro B Son ciertas b y c .
El proceso Yt=-0.8Yt-1-0.6Yt-2+et : No es estacionario Es estacionario. El primer valor de la función de autocorrelación total es negativo y a partir de ahí, dicha función decae en valor absoluto de forma geométrica Es estacionario. La función de autocorrelación presenta un trazado oscilatorio a partir de un primer valor negativo Es estacionario.El primer valor de la función de autocorrelación total es positivo y a partir de ahí, dicha función decae en valor absoluto de forma geométrica.
Considere el proceso yt=ysub(t-1)+et y señale cuál de las afirmaciones no es cierta: La varianza de yt depende del tiempo La media de yt es necesariamente nula La función de autocorrelación total cea muy lentamente La función de autocorrelación no depende solo de la longitud del intervalo.
Con una muestra de 5275 observaciones se ha estimado el VAR de orden 4 para las variables Yt , Xt. A continuación se ha calculado el estadístico de contraste de causalidad de Granger obteniéndose:
H0 valor del estadístico
X no causa Y 16.6
Y no causa X 5.4
De acuerdo con estos resultados elija la mejor opción para un nivel de significatividad del 5%:
Hay evidencia de causalidad bidireccional Hay evidencia de que Y causa a X, pero no de que X cause a Y Hay evidencia de que X causa a Y, pero no de que Y cause a X No hay evidencia de causalidad.
|
