El modelo clásico de regresión lineal normal puede dar solución a algo que los otros modelos
A que se refiere:
El MCRLN hace suposiciones respecto a la naturaleza probabilística de ui. Que trabaja con más variables Es más precisa que los otros modelos Engloba un amplio número de variables.
El modelo clásico de regresión lineal normal supone que cada ui está normalmente distribuida con algunos supuestos.
Estos supuestos se expresan de manera más compacta como:
MEDIA: E(Ui)= 0 VARIANZA E[(ui)] 2= E(ui2)=o2 Ui~N(0,o 2).
Teorema central del límite (TCL), es una teoría estadística que establece que, dada una muestra suficientemente grande de la población, la distribución de las medias muestrales seguirá una distribución normal.
¿Que nos demuestra este teorema?
Demuestra que si existe un gran número de variables aleatorias dependientes con idéntica distribución. Demuestra la variación de las variables estimadas Demuestra la diferencia entre las variables estimadas y la correlación de las variables. Demuestra que, si existe un gran número de variables aleatorias independientes con idéntica distribución, entonces, con pocas excepciones, la distribución de su suma tiende a ser normal a medida que se incrementa al infinito el número de tales variables.
Decimos que son estimadores y que sus valores cambiarán de muestra en muestra
¿Cómo se les denomina?
Variables estimadas Variables proyectadas Variables aleatorias Variables estadísticas.
En el contexto de regresión se supone, por lo general, que las u tienen la distribución de probabilidad normal. Si a los supuestos del modelo clásico de regresión lineal (MCRL) se añade el supuesto de normalidad para ui
Que se obtiene de esto?
Obtenemos el MCO Obtenemos el modelo clásico de regresión lineal normal (MCRLN). Obtenemos el modelo clásico de regresión lineal. Obtenemos el modelo de mínimos cuadrados.
El modelo econométrico es empírico (práctico, basado en la experiencia y en la observación de los hechos), no determinista (teórico, totalmente predecible en un momento dado si fuera posible conocer todos los datos).
¿Cuál es el estimador que se expresa en términos de las cantidades?
Máxima verosimilitud Mínimos cuadrados ordinarios Estimadores por intervalos Mínima verosimilitud.
Una vez obtenidos los estimadores de MCO de los datos de la muestra, se obtiene sin problemas la línea de regresión muestral.
Seleccione la serie de pasos para obtener la línea de regresión muestral.
Pasa a través de las medias muéstrales de Y y X. 2.- El valor medio de Y estimada Yˆi es igual al valor medio de Y real. 3.- El valor medio de los residuos uˆ1 es cero.4.- Los residuos uˆi no están correlacionados con el valor pronosticado de Yi 5.- Los residuos uˆi no están correlacionados con Xi; es decir, ˆu i Xi = 0. El valor medio de Y estimada Yˆi es igual al valor medio de Y real. 2.- El valor medio de los residuos uˆ1 es cero. 3.- Los residuos uˆi no están correlacionados con el valor pronosticado de Yi 4.- Los residuos uˆi no están correlacionados con Xi; es decir, ˆu i Xi _ 0. 5.-Pasa a través de las medias muéstrales de Y y X. El valor medio de Y estimada Yˆi es igual al valor medio de Y real. 2.- Los residuos uˆi no están correlacionados con el valor pronosticado de Yi 3.- El valor medio de los residuos uˆ1 es cero. 4.- Los residuos uˆi no están correlacionados con Xi; es decir, ˆu i Xi _ 0. 5.-Pasa a través de las medias muéstrales de Y y X. Pasa a través de las medias muéstrales de Y y X. 2.- El valor medio de Y estimada Yˆi es igual al valor medio de Y real. 3.- El valor medio de los residuos uˆ1 es cero.4.- Los residuos uˆi no están correlacionados con el valor pronosticado de Yi 5.- Los residuos uˆi no están correlacionados con Xi; es decir, ˆu i Xi = 0.
Si restamos la ecuación de la el resultado donde yi y xi, de acuerdo con lo convenido, representan desviaciones de los valores respectivos de sus medias (muéstrales).
¿cómo se conoce a esta fórmula?
Forma de desviación Forma de correlación Forma de estimación Forma de auto desviación .
El modelo de Gauss, modelo clásico o estándar de regresión lineal (MCRL), es el cimiento de la mayor parte de la teoría econométrica.
¿Cuál de estos supuestos pertenece al teorema de Gauss Markov?
Modelo lineal en los parámetros. Media nula y exogeneidad estricta Homocedasticidad Todas las anteriores.
La inferencia estadística es el conjunto de métodos y técnicas que permiten inducir, a partir de la información empírica proporcionada por una muestra, cual es el comportamiento de una determinada población con un riesgo de error medible en términos de probabilidad y consta de dos ramas.
¿Cuáles son estas ramas en las que se divide?
Estimación y Prueba de hipótesis Varianza y Estimación Hipótesis y Varianza Regresión Lineal y Estimación.
A medida que aumenta el ingreso familiar, el consumo familiar, en promedio, también aumenta.
¿Qué sucede con el consumo de una familia en relación con su nivel de ingreso fijo?
El consumo de una familia en particular no necesariamente disminuye a medida que lo hace el nivel de ingreso El consumo de una familia en particular no necesariamente aumenta a medida que lo hace el nivel de ingreso El consumo de una familia en particular necesariamente aumenta a medida que lo hace el nivel de ingreso El consumo de una familia no necesariamente es promedio a medida que lo hace el nivel de ingreso.
Es una variable aleatoria no observable que adopta valores positivos o negativos.
Técnicamente, ui se conoce
Margen de aceptación Margen de error Desviación estándar Perturbación estocástica o término de error estocástico.
¿Por qué no se crea un modelo de regresión múltiple con tantas variables como sea posible?
Las razones son:
Vaguedad de la teoría, falta de disponibilidad de datos Variables centrales y variables periféricas, aleatoriedad intrínseca en el comportamiento humano, variables representantes (proxy) inadecuadas Principio de parsimonia, forma funcional incorrecta Todas las anteriores.
Conocido también como estadístico (muestral), no es más que una regla, fórmula o método para estimar el parámetro poblacional a partir de la información suministrada por la muestra disponible.
Este concepto de aleatoriedad, pertenece a:
Estimador Estimación Perturbación Regresión.
La regla básica de 2T
Señala que:
Si el número de grados de libertad es 20 o más, y si α, el nivel de significancia, se fija en 0.05, se rechaza la hipótesis nula β2 _ 0 si el valor de t [ _ β ˆ 2/ee (β ˆ 2)] es superior a 2 en valor absoluto. Si el número de grados de libertad es 69 o más, y si α, el nivel de significancia, se fi ja en 0.10, se rechaza la hipótesis nula β2 _ 0 si el valor de t [ _ β ˆ 2/ee (β ˆ 2)] es superior a 6 en valor absoluto Si el número de grados de libertad es 10 o más, y si α, el nivel de significancia, se fi ja en 0.70, se rechaza la hipótesis nula β2 _ 0 si el valor de t [ _ β ˆ 2/ee (β ˆ 2)] es superior a 4 en valor absoluto. Si el número de grados de libertad es 80 o más, y si α, el nivel de significancia, se fi ja en 0.30, se rechaza la hipótesis nula β2 _ 0 si el valor de t [ _ β ˆ 2/ee (β ˆ 2)] es superior a 7 en valor absoluto.
El término de perturbación o de error, es una variable aleatoria (estocástica) con propiedades probabilísticas bien definidas. Este representa todos los factores que afectan el consumo pero que no se consideran en el modelo en forma explícita.
La ecuación es un ejemplo de un modelo econométrico. Técnicamente, es un ejemplo de un modelo de regresión lineal:
Y β1 + β2X + u E(Y | Xi) = f (Xi) E(Y | Xi) = β1 + β2X ui = Yi − E(Y | Xi).
Un economista laboral quizá desee estudiar la tasa de cambio de los salarios monetarios o nominales en relación con la tasa de desempleo. Las cifras históricas aparecen en el diagrama de dispersión de la fi gura 1.3. La curva de esta fi gura es un ejemplo de la célebre curva de Phillips, que relaciona los cambios en los salarios nominales con la tasa de desempleo.
Que permite conocer este tipo de diagrama:
Estimar la elasticidad del precio (es decir, la respuesta a variaciones del precio) de la demanda del producto y permite determinar el precio que maximiza las ganancias. Predecir el cambio promedio en los salarios nominales con una cierta tasa de desempleo Consiste en la inversión constante en Activos operativos como resultado de las ventas constantes a través del tiempo. Un estudio de este tipo es de gran ayuda para encontrar la elasticidad de la demanda respecto de los gastos publicitarios.
Este método de estimación suele ser más intuitivo y matemáticamente más sencillo..
A que método hace referencia el siguiente concepto general.
Máxima Verosimilitud Mínima Verosimilitud. MCO Máximos Cuadrados Ordinarios.
El método de mínimos cuadrados presenta propiedades estadísticas muy atractivas que lo han convertido en uno de los más eficaces y populares del análisis de regresión.
Cual fue el autor de este método:
Jhon Arrow Gujarati Jhon Maynard Keynes Carl Friedrich Gauss.
Se pueden emplear en la función de regresión para poder analizar eficazmente datos estadísticos la función de regresión muestral.
A que hace referencia la siguiente formula:
Yi = B1+B2Xi+ ui
FRP de una variable FRP de tres variables FRP de cuatro variables FRP de dos variables.
Para poder determinar la FMR primero hay que establecer una ecuación que sea el paso inicial para poder realizar el respectivo desarrollo.
A que hace referencia esta fórmula:
Muestra que los uˆi (los residuos) son simplemente las similitudes entre los valores observados y los estimados de Y Muestra que los uˆi (los residuos) son simplemente las diferencias entre los valores observados y los estimados de X. No muestra que los uˆi (los residuos) son simplemente las diferencias entre los valores observados y los estimados de Y. Muestra que los uˆi (los residuos) son simplemente las diferencias entre los valores observados y los estimados de Y.
Propiedades numéricas son las que se mantienen como consecuencia del uso de mínimos cuadrados ordinarios, sin considerar la forma como se generaron los datos
Seleccione las propiedades estadísticas de los estimadores MCO.
Los estimadores de MCO se expresan únicamente en términos de las cantidades (es decir, X y Y) observables (es decir, muestras). Por consiguiente, se calculan con facilidad Los estimadores de MCO se expresan diversamente en términos de las cantidades (es decir, X y Y) observables (es decir, muestras). Por consiguiente, se calculan con facilidad Los estimadores de MCA se expresan diversamente en términos de las cantidades (es decir, O y Y) observables (es decir, muestras Son estimadores impuntuales: dada la muestra, cada estimador proporciona un solo valor (puntual) del parámetro poblacional pertinente.
Los datos recopilados por estas organizaciones pueden ser de naturaleza experimental o no experimental.
En los datos experimentales, frecuentes en las ciencias naturales, el investigador suele….
el investigador suele recabar los datos con algunos factores constantes y evaluar el efecto de otros en un fenómeno dado el investigador suele recabar los datos con algunos factores constantes y evaluar el efecto de otros en un fenómeno dado el investigador suele recabar los datos con algunos factores constantes y evaluar el efecto de otros en un fenómeno dado. el investigador suele recabar los datos con algunos factores constantes y evaluar el efecto de otros en un fenómeno dado.
La función de esperanza condicional (FEC), función de regresión poblacional (FRP) o regresión poblacional (RP).
Simbólicamente
E(Y | Xi ) _ f (Yi ) E(Y | Xi ) _ f (Xi ) E(Y | Yi ) _ f (Xi ) E(Y | Xi ) _ f (YXi ).
β1 y β2 son parámetros no conocidos pero fijos
Que se denominan
coeficientes de regresión,coeficientes de intersección y dependiente Coeficientes independientes Coeficientes lineales.
La relación sobre todo con modelos lineales en la estimación de FRP
El primer significado de Linealidad en las variables
Es aquel en que la esperanza condicional de X es una función lineal de Xi Es aquel en que la esperanza condicional de Y es una función lineal de Yi Es aquel en que la esperanza condicional de x es una función lineal de Yi Es aquel en que la esperanza condicional de Y es una función lineal de Xi.
La linealidad se presenta cuando la esperanza condicional de Y, E(Y | Xi), es una función lineal de los parámetros, los β; puede ser o no lineal en la variable X.
Es un modelo de regresión lineal en el parámetro E(Y | Xi ) _ β1 + β2X2i E(Y | Yi ) _ β1 + β2X2i E(Y | Xi ) _ β1 + β2Y2i E(Y | Xi ) _ β1 + β2X1i.
La linealidad en los parámetros es pertinente para el desarrollo de la teoría de regresión
Mencione las dos interpretaciones de linealidad
Modelo de regresión lineal( en el parámetro) y modelo de regresión no lineal (en el parámetro) Modelo de ascenso no lineal y modelo de regresión lineal Modelo Semántico y modelo potencial Modelo de regresión lineal (sin el parámetro) y modelo de regresión no lineal.
La línea de regresión poblacional
Desde el punto de vista geométrico, una curva de regresión poblacional
Es tan sólo el lugar geométrico de las medias condicionales de la variable dependiente para los valores fijos de las variables explicativas. Es tan sólo el lugar geométrico de las medias condicionales de la variable independiente para los valores fijos de las variables explicativas. Es tan sólo el lugar geométrico de las medias condicionales de la variable dependiente para los valores variables de las variables explicativas. Es tan sólo el lugar geométrico de las medias condicionales de la variable dependiente para los valores fijos de las variables dependientes.
Si, con base en una prueba de significancia, por ejemplo, la prueba t, decidimos “aceptar” la hipótesis nula,
Todo lo que se afirma es que :
Con base en la evidencia dada por la muestra, existe
razón para aceptarla; no se sostiene que la hipótesis nula sea falsa con absoluta certeza
Con base en la evidencia dada por la muestra, no existe
razón para rechazarla; no se sostiene que la hipótesis alternativa sea verdadera con absoluta certeza.
Con base en la evidencia dada por la muestra, no existe
razón para aceptarla; no se sostiene que la hipótesis alternativa sea verdadera con absoluta certeza.
Con base en la evidencia dada por la muestra, no existe
razón para rechazarla; no se sostiene que la hipótesis nula sea verdadera con absoluta certeza.
.
Construya un intervalo de confianza para β2 a 100(1 − α)%
LA Regla de decisión nos indica
Si el β2 en H1 se encuentra dentro de este intervalo de confianza, no rechace H1, pero si está fuera del intervalo, rechace H1. Si el β2 en H1 se encuentra fuera de este intervalo de confianza, no rechace H0, pero si está fuera del intervalo, rechace H1 Si el β2 en H0 se encuentra dentro de este intervalo de confianza, no rechace H0, pero si está fuera del intervalo, rechace H0. Si el β2 en H1 se encuentra dentro de este intervalo de confianza, no acepte H1, pero si está fuera del intervalo, acepte H1.
la multicolinealidad, el interrogante natural es:
Determine cuál de las siguientes opciones se refiere a una de las advertencia de Kmenta:
La multicolinealidad es una cuestión de grado y no de clase La distinción importante no es entre presencia o ausencia de multicolinealidad, sino entre sus diferentes grados. Como la multicolinealidad NO se refiere a la condición de las variables explicativas que son no estocásticas por supuestos, es una característica de la muestra y no de la población. Como la multicolinealidad se refiere a la condición de las determinantes explicativas que son no estocásticas por supuestos, es una característica de la muestra y no de la población La multicolinealidad es la distinción importante no es entre presencia o ausencia de multicolinealidad, sino entre sus diferentes grados.
Se dice que un modelo de regresión lineal presenta heterocedasticidad cuando la varianza de las perturbaciones no es constante a lo largo de las observaciones.
La heteroscedasticidad también surge por la presencia de:
datos atípicos o aberrantes datos atípicos o significativos datos atípicos o lineales datos atípicos o regresión.
El modelo de regresión lineal supone que no debe existir autocorrelación en los errores.
El término autocorrelación se define como:
la “correlación entre miembros de unidades de observaciones ordenadas en el tiempo la “correlación entre miembros de series de observaciones
ordenadas en las variables
la “negación entre miembros de series de observaciones
ordenadas en el tiempo
la “correlación entre miembros de series de observaciones
ordenadas en el tiempo
.
Dado dos valores cualesquiera de X, Xi y Xj (i= j), la correlación entre dos ui y uj cualesquiera (i no es igual a j) es cero. En pocas palabras estas observaciones se muestran de manera independiente.
A que supuesto hace referencia este enunciado
No hay auto correlación entre las perturbaciones Si hay auto correlación entre las perturbaciones Hay relación entre las perturbaciones No hay relación entre las variables.
La distribución normal es una distribución comparativamente sencilla y requiere sólo dos parámetros.
Cuáles son?
La media y la varianza La estimación y la media La media y las correlaciones Las correlaciones y la hipótesis.
Si trabajamos con una muestra finita o pequeña, la suposición de normalidad desempeña un papel relevante
¿Cuantos datos u observaciones se necesitan para que se cumpla el papel relevante de la muestra?
100 datos o mas 300 datos o menos 200 datos o mas 100 datos o menos.
Propiedades de los estimadores de MCO
Según el supuesto de normalidad.
Seleccione la respuesta correcta.
Son insesgados. Tienen varianza mínima. Presentan consistencia Todas las anteriores .
Existe un método de estimación puntual con algunas propiedades teóricamente más fuertes que las del método de MCO.
Cómo se llama este método? método de máxima verosimilitud (MV) método de los mínimos cuadrados ordinarios modelo clásico de regresión lineal Modelo clásico de regresión lineal normal.
A pesar de la tendencia de los padres de estatura alta a procrear hijos altos y los padres de estatura baja, hijos bajos, la estatura promedio de los niños de padres de una estatura determinada tendía a desplazarse.
Quien acuño el término de regresión.
Francis Galton Francis Quesnay Milton Friedman Alfred Marshall.
El análisis de regresión es el estudio de la dependencia de una variable dependiente respecto de una o más variables explicativas
El objetivo que persigue es:
Estimar o predecir la media o valor promedio poblacional de la primera en términos de los valores conocidos o fijos (en muestras no repetidas) de las segundas. Estimar o predecir la media o valor promedio poblacional de la primera en términos de los valores conocidos o fijos (en muestras repetidas) de las segundas. Estimar o predecir la media o valor promedio muestral de la primera en términos de los valores conocidos o fijos (en muestras repetidas) de las segundas. Estimar o predecir la media o valor promedio poblacional de la segunda en términos de los valores variables (en muestras repetidas) de las segundas.
En un ejemplo práctico, lo que interesa es predecir la estatura promedio de los hijos a partir de la estatura de sus padres.
Si esto, corresponde a un diagrama de dispersión, para su determinación se necesitara una línea recta.
Recta Oblicua Recta semantica Recta de regresión Recta con dispersión .
A un economista quizá le interese estudiar la dependencia del consumo personal respecto del ingreso personal neto disponible, después de Impuestos.
Con un análisis de este tipo, en el diagrama de dispersión , se calcula:
la propensión marginal decreciente la propensión marginal a producir la propensión promedio de la demanda la propensión marginal a consumir.
En el análisis de regresión interesa lo que se conoce como dependencia estadística entre variables, no así la funcional o determinista, propia de la física clásica.
En las relaciones estadísticas, analizamos
Variables aleatorias o estocásticas Variables explicativas o independientes Variables dependientes Variables de aquilatacion.
A pesar de que el análisis de regresión tiene que ver con la dependencia de una variable respecto de otras variables, esto no implica causalidad necesariamente.
En otras palabras Kendall y Stuart manifiestan:
“Una relación estadística, por más fuerte y sugerente que sea, siempre podrá establecer una conexión causal: nuestras ideas de causalidad deben provenir de estadísticas externas y, en último término, de una u otra teoría”. “Una relación estadística, por más fuerte y sugerente que sea, nunca podrá establecer una conexión causal: nuestras ideas de causalidad deben provenir de estadísticas externas y, en último término, de una u otra teoría”. “Una relación estadística, por más fuerte y sugerente que sea, nunca podrá establecer una conexión informal: nuestras ideas de causalidad deben provenir de estadísticas externas y, en último término, de una u otra teoría”. Una relación estadística, por más fuerte y sugerente que sea, nunca podrá establecer una conexión informal: nuestras ideas de causalidad deben provenir .
Se relaciona de manera estrecha con el de regresión, aunque conceptualmente los dos son muy diferentes.
En el análisis de correlación, el objetivo principal es
medir la fuerza o el grado de asociación no lineal entre dos variables medir la relación inversa entre dos variables medir la fuerza o el grado de asociación lineal entre dos variables medir la fuerza o el grado de competitividad entre dos variables.
Si se estudia la dependencia de una variable respecto de más de una variable explicativa, como el rendimiento de un cultivo, la lluvia, la temperatura, el Sol y los fertilizantes
A qué tipo de análisis se refiere
análisis de regresión múltiple análisis de regresión simple análisis de regresión aleatorio análisis de regresión transversales.
El éxito de todo análisis econométrico depende a final de cuentas de la disponibilidad de los datos recopilados.
Hay tres tipos de datos disponibles para el análisis empírico:
series de tiempo, series explicativas e información combinada series de tiempo, series transversales e información múltiples series de tiempo, series transversales series de tiempo, series transversales e información combinada (combinación de series de tiempo y transversales).
El análisis de correlación se relaciona de manera estrecha con el de regresión, aunque conceptualmente los dos son muy diferentes.
En el análisis de correlación, el objetivo principal es:
Medir la fuerza o el grado de asociación lineal entre dos variables. Medir el grado de asociación lineal entre variables. Medir la fuerza de asociación lineal entre dos empresa Medir la fuerza lineal entre dos variables.
El éxito de todo análisis econométrico depende a final de cuentas de la disponibilidad de los datos recopilados.
Hay tres tipos de datos disponibles para el análisis empírico, uno de ellos es:
Pérdida residual Datos de series de tiempo Costes de fianza Econometría de series de tiempo.
Una variable pertenece a esta categoría sólo si satisface la tercera propiedad de la escala de razón (es decir, el orden natural), como los sistemas de calificaciones por letras (A, B, C) o los niveles de ingresos alto, medio y bajo)
La escala de medición es:
Escala nominal Escala ordinal Análisis de datos Costes de correlación.
La micronumerosidad exacta surge cuando n, el tamaño de la muestra, es cero, en cuyo caso es imposible cualquier clase de
estimación
¿Cuándo surge la casi micronumerosidad?
Cuando el número de observaciones escasamente disminuye al número de parámetros que se va a estimar. Cuando el número de observaciones escasamente excede al número de parámetros que se va a estimar. Cuando el número de observaciones escasamente excede al número de límites que se va a estimar. Cuando el parámetro de observaciones escasamente excede al número que se va a estimar.
La detección de la multicolinealidad es el estudio de las características y las consecuencias de la misma.
¿Cómo conocer la presencia de colinealidad en cualquier situación dada, en especial en modelos con más de dos variables explicativas?
La multicolinealidad es una cuestión de grado y no de clase. La distinción importante no es entre presencia o ausencia de multicolinealidad, sino entre sus diferentes grados. La multicolinealidad es una cuestión de grado y no de clase. La distinción importante no es entre presencia o ausencia de multicolinealidad, sino entre sus diferentes grados. Al enfrentar el problema de multicolinealidad grave, una de las soluciones “más simples” consiste en omitir del modelo de los supuestos del modelo clásico una de las variables colineales. La técnica atractiva, la mezcla de datos de series de tiempo y de corte transversal de esta forma puede crear problemas de interpretación.
En el modelo Ling-Long el coeficiente de la pendiente mide el cambio proporcional constante o relativo en Y para un cambio absoluto dado en la variable exógena.
Por lo tanto el modelo mide:
Tendencias Tasas de inflación Tasas de interés Tasas de crecimiento.
Los modelos del siguiente tipo se conocen como modelos recíprocos
¿Cuál es la diferencia del modelo reciproco con otros modelos? El modelo no es lineal El modelo es lineal Modelo de regresión lineal Modelo Ling-Long.
Los coeficientes de regresión β2 y β3 se conocen como los coeficientes de regresión parcial o coeficientes parciales de pendiente.
Por lo tanto ¿Cuál es el significado del coeficiente de regresión parcial?
β2 mide el cambio en el valor de la media de Y β3 mide el cambio en el valor de la media de Y β3 mide el cambio en el valor de la media de X β2 mide el cambio en el valor de la media de X.
La adicción de variables conduce al análisis de los modelos de regresión múltiple, es decir a modelos en los cuales la variable dependiente, o regresada, Y, depende de dos o más variables explicativas o regresaras
Por lo tanto el modelo de regresión múltiples más simple es la regresión de tres variables. ¿Cuáles son? Dos variable dependiente y una explicativa Una variable dependiente y dos explicativas Tres variables dependientes y una explicativa Una variable dependiente y tres explicativas.
Las unidades con que se expresan la variable independiente (regresora) y la dependiente (regresada) influyen en la interpretación de los coeficientes de regresión.
Esto se evita si ambas variables (regresora y regresada) se expresan como:
Variables estandarizadas. Desviación estándar muestral Media muestral Coeficientes beta.
La regresión que involucra a la regresada estandarizada y a
la(s) regresora(s) estandarizada(s), el término del intercepto siempre es cero. Los coeficientes de regresión de las variables estandarizadas, denotados por β∗1 y β∗2, se conocen en la bibliografía como los coeficientes beta
¿Cómo se interpretan los coeficientes beta?
Se mide con modelos reciprocos. Se mide el efecto no en términos de las unidades originales en las expresadas X y Y, sino en unidades de desviación estándar. Consiste en la inversión constante en Activos operativos como resultado de las ventas constantes a través del tiempo. Un estudio de este tipo es de gran ayuda para encontrar la elasticidad de la demanda respecto de los gastos publicitarios.
se puede calcular para tales modelos, lo que se conoce como el r2 simple, el cual se define como
Según el enunciado a que se refiere:
Modelo de factores r2 para el modelo de regresión a través del origen Modelo de recesión r2 para el modelo de recesión a través del origen.
En este modelo, el término del intercepto está ausente o es cero
Según el enunciado a que se refiere:
Regresión a través del origen. Variables Ecuación Derivadas .
En la regresión polinomial se tiene una sola variable explicativa continua, x, pero se puede ajustar potencias mayores de x, como x2, x3 … y añadirlas al modelo, junto a x, para describir diversos tipos de curvatura en la relación y x.
¿Qué presentan las funciones polinomiales?
Gran flexibilidad de formas, incluso al añadir un solo término cuadrático, dependiendo de los signos de los términos lineales y cuadráticos. Series de tiempo, series explicativas e información combinada Gran flexibilidad en los signos de los términos lineales y cuadráticos. Series de tiempo, series transversales.
El R2 es una herramienta estadística que se utiliza en modelos estadísticos como en una regresión para predecir futuros resultados.
¿Qué permite medir el R2 ?
La proporción de las series de tiempo. El punto en el que pudo ocurrir la ruptura de la relación subyacente. La proporción de la variación en la variable dependiente explicada por la(s) variable(s) explicativa(s). La proporción de series transversales.
Una vez fuera del mundo simple del modelo de regresión lineal con dos variables, las pruebas de hipótesis adquieren diversas e interesantes formas
Identifique cual pertenece a la Prueba de hipótesis en regresión múltiple
Es decir, los términos de error en las regresiones de los subperiodos
están normalmente distribuidos con la misma varianza
Los dos términos de error (u1t y u2t) están independientemente distribuidos
Pruebas de que dos o más coeficientes son iguales a otro
Pruebas de que los coeficientes de regresión parcial satisfacen ciertas restricciones
Prueba de la estabilidad del modelo de regresión estimado a través del tiempo o en diferentes unidades de corte transversal
La prueba de Chow dirá sólo si las dos regresiones señalará si la diferencia se debe a los intercepto o a las pendientes, o a ambos.
La prueba de Chow supone que se conoce(n) el(los) punto(s) de ruptura estructural.
Como en el caso de dos variables, el modelo de regresión múltiple sirve para fines de predicción
de media y/o individual.
.
La selección entre un modelo de regresión lineal (la regresora es una función lineal de las regresoras) o un modelo de regresión log-lineal (el logaritmo de la regresora es función de los logaritmos de las regresoras) es la eterna pregunta en el análisis empírico
¿Se puede utilizar una prueba propuesta por MacKinnon, White y Davidson, que se denomina, por brevedad?
Prueba MWD Prueba MDW Prueba DWM Prueba WDM.
No hay una expresión más errónea, tanto en los libros de texto de econometría como en la bibliografía aplicada, que la de “problema de multicolinealidad”. Es un hecho que muchas variables explicativas presentan un alto grado de colinealidad; asimismo, resulta muy claro que existen diseños experimentales X´X (es decir, matriz de datos) que serían mucho más convenientes que los diseños que proporciona la experimentación natural (es decir, la muestra disponible).
¿Cuál es la naturaleza de la multicolinealidad?
Multicolinealidad perfecta Relación lineal “perfecta” El lector puede verificar Error estocástico.
Existen diversas fuentes de multicolinealidad. Como afirman Montgomery y Peck, la multicolinealidad puede deberse a:
¿Factores de la multicolinealidad?
El método de recolección de información, Restricciones en el modelo o en la población objeto de muestreo,Especificación del modelo. Ninguna de las anteriores.
Para referirse a la importancia del tamaño de la muestra, Goldberger acuñó el término micro- numerosidad, como contraparte del exótico nombre polisílabo de multicolinealidad. De acuerdo con Goldberger, la micronumerosidad exacta (la contraparte de multicolinealidad exacta) surge cuando n, el tamaño de la muestra, es cero, en cuyo caso es imposible cualquier clase de estimación.
Qué autores están en lo correcto al lamentar la falta de atención al problema del tamaño de la muestra, lo mismo que al problema de multicolinealidad? Peter Kennedy Beverly Hills MCO Leamer, Achen y Goldberger.
Un enfoque alterno pero complementario al de intervalos de confianza para probar hipótesis estadísticas es el método de la prueba de significancia.
¿A que se refiere cuando habla del método de la prueba de significación?
Conexión entre los enfoques de intervalo de confianza y prueba de significancia para realizar pruebas de hipótesis Procedimiento que utiliza los resultados muestrales para verificar la verdad o falsedad de una hipótesis nula. A la hipótesis simple si especifica el valor preciso del parámetro de una función de densidad de probabilidad. Enfoques que plantean que la variable en consideración sigue alguna distribución de probabilidad.
La teoría de pruebas de hipótesis se refiere al diseño de reglas o procedimientos que permitan decidir si se rechaza o no la hipótesis nula.
¿Cuáles son los dos métodos mutuamente complementarios para
diseñar las reglas de La teoría de pruebas de hipótesis?
Prueba bilateral e intervalo de confianza. Hipótesis mantenida y Plantada. La hipótesis nula y la hipótesis alternativa. El intervalo de confianza y la prueba de significancia.
Este tipo de prueba de normalidad es un simple dispositivo gráfico para saber algo sobre la forma de la función de densidad poblacional de una variable aleatoria.
A esta se la conoce como:
Diagrama Histograma de residuos Gráfico de probabilidad normal Prueba Jarque-Bera.
La prueba de normalidad es una prueba asintótica o de muestras grandes. También se basa en los residuos de MCO.
Según su concepto, esta prueba tiene un fin
Establecer si el término de error sigue una distribución normal. Elaborar un estadístico de prueba. Examinar la distribución muestral Rechazar la hipótesis de los residuos.
Las variables dicótomas pueden utilizarse en los modelos de regresión en forma tan fácil como las variables cuantitativas.
Tales modelos se denominan:
Modelos de Análisis de Varianza (ANOVA). Variables Dicótomas. Datos de series de tiempo. Fuerza lineal entre dos variables.
Por lo general, en la mayor parte de la investigación económica, un modelo de regresión contiene diversas variables explicativas cuantitativas y otras cualitativas.
Los modelos de regresión que muestran una mezcla de variables cuantitativas y cualitativas se llaman:
Modelos de análisis de covarianza (ANCOVA). Modelos de Análisis de Varianza (ANOVA). Modelos de Análisis de Costes de fianza Modelos de Análisis de series de tiempo.
La presencia o ausencia de una “cualidad” o atributo, como femenino o masculino, negro o blanco, católico o no católico, demócrata o republicano, son variables en escala nominal esencialmente una manera de “cuantificar” tales atributos es mediante variables artificiales que toman los valores 0 o 1, donde 1 indica la presencia (o posesión) de ese atributo y 0 su ausencia.
Las variables que adquieren tales valores 0 y 1 se llaman
Escala nominal Variables dicótomas Análisis de datos Costes de correlación.
La técnica de variable dicótoma debe manejarse con cuidado, si la regresión contiene un término constante, el número de variables dicótomas debe ser menor que el número de clasificaciones de cada variable cualitativa
La categoría a la cual no se asigna variable dicótoma se conoce como:
Escala real Categoría Base Análisis de regresión Costes de datos.
La macroeconomía es un estudio de la conducta de la economía en su conjunto. Examina las
fuerzas que afectan a las empresas, los consumidores y los trabajadores.
La macroeconomía es un estudio de la conducta de la economía en su conjunto. Examina las
fuerzas que afectan a las empresas, los consumidores y los trabajadores.
Una serie de tiempo puede tener cuatro componentes: (1) estacional, (2) cíclico, (3) tendencia y (4) estrictamente aleatorio.
Identifique a qué serie de tiempo pertenecen las series de tiempos económicos importantes, como el índice de precios al consumidor (IPC), el índice de precios del productor (IPP) y el índice de producción industrial.
Cíclico Estacional Tendencia Estrictamente aleatorio.
En la teoría se analizan diversos temas relativamente avanzados que tienen que ver con las variables dicótomas, como 1) modelos de parámetros aleatorios o variables, 2) modelos de regresión cambiantes y 3) modelos de desequilibrio.
Identifique: qué modelo maneja una situación al permitir que el punto de ruptura sea en sí mismo una variable aleatoria y, mediante un proceso iterativo, determinar cuándo pudo acontecer realmente la ruptura.
Modelo de parámetros aleatorios o variables Modelo de regresión cambiantes Modelos de desequilibrio Todas las anteriores.
Una vez fuera del mundo simple del modelo de regresión lineal con dos variables, las pruebas de hipótesis adquieren diversas e interesantes formas.
¿Cuál de las siguientes no es una pruebas de hipótesis?
Pruebas de hipótesis sobre un coeficiente de regresión parcial individual Pruebas de que dos o más coeficientes no son iguales a otro Pruebas de significancia global del modelo de regresión múltiple estimado. Pruebas sobre la forma funcional de los modelos de regresión.
La hipótesis nula es una hipótesis conjunta de que β2 y β3 son iguales a cero en forma conjunta o simultánea.
¿Cómo se denomina la prueba de tal hipótesis?
Significancia de hipótesis sobre un coeficiente de regresión parcial significancia general de la línea de regresión observada o estimada significancia múltiple de regresión observada o estimada significancia línea múltiple observada o estimada.
La prueba de la RV se basa en el principio de máxima verosimilitud (MV), Se muestra que para el modelo de regresión con dos variables los estimadores
¿Cuáles son los dos estimadores que se utilizan para el modelo de regresión con dos variables?
MCO y MV LFVR Y MV CAPM Y MCO MV Y CAPM.
Algunos modelos pueden parecer no lineales en los parámetros por ser inherente o intrínsecamente lineales, debido a que con una transformación adecuada pueden convertirse en modelos de regresión lineales en los parámetros.
Cuando los modelos inherente o intrínsecamente lineales no pueden alinearse en los parámetros se los conoce cómo?
Modelos de regresión lineales”. “Modelos de regresión intrínsecamente inherentes”. Modelos de regresión intrínsecamente no lineales”. “Modelos de métodos de ensayo y error”.
Existen varios métodos o algoritmos para estimar los Métodos de Regresión No Lineales.
Cuáles son los métodos para estimar los MRNL?
1) Búsqueda directa o método de ensayo
y error, 2) Optimización directa y 3) Linealización iterativa.
1) Método de paso ascendente, 2) Método de paso descendente y 3) Linealización iterativa. 1) Método de paso ascendente, 2) Método de paso descendente y 3) Linealización iterativa. 1) Búsqueda directa o método de ensayo y error, 2) Método de paso descendente y 3) Linealización iterativa.
Existen varios técnicas para linealizar una ecuación no lineal, pero hay una técnica principal
Cuáles es la técnica principal o más utilizada para linealizar una ecuación no lineal?
Técnica Linealización descriptiva. Técnica de error estándar y coeficiente. Método Marquard Expansión de series de Taylor.
El análisis empírico se basa en la recogida de una gran cantidad de datos a partir de un fenómeno natural y del análisis de la base de datos de una teoría o llegar a una conclusión particular.
En el análisis empírico existe la manipulación de datos diga ¿Qué otra fuente de manipulación existe?
Factico interpolación o extrapolación Hipotético-deductivo Medición .
El término autocorrelación se define como la “correlación entre miembros de series de observaciones ordenadas en el tiempo [como en datos de series de tiempo] o en el espacio [como en datos de corte transversal]”.
¿Cómo define Tintner a la autocorrelacion?
herramienta estadística utilizada frecuentemente en el procesado de señales” “correlación rezagada de una serie dada consigo misma, rezagada por un número de unidades de tiempo” “correlación entre miembros de series de observaciones ordenadas en el tiempo” “correlación rezagada entre dos series diferentes”.
El teorema de la telaraña es un modelo que representa y explica cómo se alcanza el equilibrio en determinados mercados, en lo que las decisiones de producción y consumo están alejadas en el tiempo.
¿En qué tipo de productos aparece el llamado fenómeno de la telaraña?
Productos agrícolas Productos de manufactura Productos ganaderos Productos Químicos.
Tipos de datos disponibles para el análisis empírico
De los cuales son tres:
Series de tiempo, datos agrupados, datos individuales Transversales, series de tiempo y datos agrupados transversales, series de tiempo y datos individuales datos agrupados, datos individuales y transversales.
¿Los datos transversales a menudo están plagados de que problema? Heteroscedasticidad. Elasticidad Heteroelasticidad Homoelasticidad.
A menudo los datos se recopilan con base en una muestra aleatoria de unidades como familias o empresas.
Esta característica ¿a qué tipo de dato corresponde?
Dato serie de tiempo Dato transversal Datos agrupados Datos individuales.
Estos datos siguen un ordenamiento natural respecto del tiempo, de modo que es muy posible que las observaciones sucesivas muestren intercorrelaciones, sobre todo si el intervalo entre observaciones sucesivas es muy corto, como un día, una semana o un mes, en lugar de un año.
Esta característica ¿a qué tipo de dato corresponde?
Dato serie de tiempo Dato transversal Datos agrupados Datos individuales.
Visualmente, es una curva que evoluciona a lo largo del tiempo. Por ejemplo, las ventas diarias de un producto.
¿A que nos referimos con esta definición?
Dato serie de tiempo Dato transversal Datos agrupados Datos individuales.
Son un tipo de datos recopilados mediante la observación de muchos sujetos (como individuos, empresas, países o regiones) al mismo tiempo, o sin tener en cuenta las diferencias en el tiempo. El análisis de los datos suele consistir en comparar las diferencias entre los sujetos.
¿A que nos referimos con esta definición?
Dato serie de tiempo Dato transversal Datos agrupados Datos individuales.
La correlación entre miembros de series de observaciones ordenadas en el tiempo como en (datos de series de tiempo) o en el espacio como en (datos de corte transversal).
¿A que nos referimos con esta definición?
Dato serie de tiempo Dato transversal Datos agrupados Auto correlación.
La oferta de muchos productos agrícolas refleja un fenómeno, en donde la oferta reacciona al precio con un rezago de un periodo debido a que la instrumentación de las decisiones de oferta tarda algún tiempo (periodo de gestación).
¿Cómo llamamos a este fenómeno?
Dato serie de tiempo Dato transversal Fenómeno de la telaraña Datos individuales.
En una regresión de series de tiempo del gasto de consumo sobre el ingreso no es extraño encontrar que el gasto de consumo en el periodo actual dependa, entre otras cosas, del gasto de consumo del periodo anterior.
¿A qué termino corresponde esta definición?
Dato serie de tiempo Rezagos Datos agrupados Datos individuales.
En el análisis empírico con frecuencia se “manipulan” los datos simples. Por ejemplo, en las regresiones de series de tiempo con datos trimestrales, por lo general estos datos provienen de datos mensuales a los que se agregan simplemente las observaciones de tres meses y se divide la suma entre 3.
¿A que hace referencia esta definición?
Manipulación de Datos Rezagos Datos agrupados Datos individuales.
|
