ECONOMETRIA II 2B 2019

INFORMACIÓN
ESTADÍSTICAS
RÉCORDS
Título del test:
ECONOMETRIA II 2B 2019

Descripción:
MAD 2019

Autor:
ECONOMIA
(Otros tests del mismo autor)

Fecha de Creación:
12/07/2019

Categoría:
Universidad
Sigue en facebook las noticias y los mejores tests de daypo apretando en 'Me gusta'
Últimos Comentarios
No hay ningún comentario sobre este test.
Temario:
Qué es autocorrelación positiva: a. Un valor positivo (o negativo) de u genera una sucesión de valores positivos (o negativos). b. Un valor positivo de u genera una sucesión de valores positivos c. Un valor negativo de u genera una sucesión de valores negativos .
Qué es autcorrelación negativa: a. Un valor positivo de u genera una sucesión de valores negativos o viceversa b. Un valor positivo de u genera una sucesión de valores positivos c. Un valor negativo de u genera una sucesión de valores negativos .
Cuáles son las causas de la autocorrelación: a. Los r cuadrados elevados para cada variable explicativa b. La existencia de ciclos y/o tendencias c. Las variables dicótomas .
Cuáles son las causas de la autocorrelación: a. Distintas varianzas en las variables explicativas b. R cuadrado muy altos c. La omisión de variables relevantes .
Cuáles son las causas de la autocorrelación: a. Que los residuos sean independientes del tiempo b. Que los residuos no sean independientes del tiempo c. Que los residuos sean estables en el tiempo .
Con qué prueba se puede detectar la autocorrelación: a. Distribución F b. T de student c. Breusch-Godfrey .
Con qué prueba se puede detectar la autocorrelación: a. D de durbin Whatson b. Z normal c. Chi cuadrada .
Cuál de los siguientes criterios hacen referencia a la minería de datos: a. Regresión al tanteo, extracción de datos, sondeo de datos y procesamiento masivo de datos numéricos b. Regresión en dos etapas, mínimos cuadrados generalizados c. Autocorrelación y error de especificación .
Cuál de los siguientes criterios hace referencia a error de especificación. a. Los errores de medición son graves cuando están presentes en las variables explicativas porque su presencia hace imposible la estimación consistente de los parámetros b. La autocorrelación no permite una estimación adecuada c. Los errores de medición pueden ser un problema pero permiten establecer de manera consistente de los parámetros .
Para seleccionar un modelo econométrico adecuado, las predicciones basadas en el modelo deben ser: a.Logaritmo b.Lineales c. Independiente de la forma deben ser lógicamente posibles .
Cuál de los siguientes enunciados es correcto si se agrega una variable irrelevante al modelo: a. Todos los estimadores de MCO de los parámetros del modelo “incorrecto” son insesgados y consistentes. b. Todos los estimadores de MCO de los parámetros del modelo “incorrecto” son sesgados e inconsistentes. c. No es correcto utilizar los estimadores de MCO .
Qué es autocorrelación: a. El término autocorrelación se define como la “correlación entre miembros de series de observaciones ordenadas en el tiempo [o en el espacio). b. El término autocorrelación se define como la correlación perfecta entre las variables explicativas c. El término autocorrelación se define como la existencia de varianzas diferentes entre las variables .
Para seleccionar un modelo econométrico adecuado, las predicciones basadas en el modelo deben ser: a. Logarítmicas b. Lineales c. Independiente de la forma deben ser lógicamente posibles .
Cuál de los siguientes enunciados es verdadero a. El término autocorrelación hace referencia a la correlación entre los residuos b. El término autocorrelación, se define como la existencia de varianzas iguales entre las variables c. El término autocorrelación se define como la existencia de varianzas diferentes entre las variables .
Cuál de los siguientes enunciados es correcto: a. Aunque en presencia de autocorrelación los estimadores de MCO se mantienen insesgados, consistentes y distribuidos asintóticamente en forma normal, dejan de ser eficientes. b. Aunque en presencia de autocorrelación los estimadores de MCO se mantienen insesgados, consistentes y distribuidos asintóticamente en forma normal, siguen siendo eficientes c. Siguen siendo eficientes .
Cuál de los siguientes es un error de especificación: a. Multicolinealidad b. Omisión de Variables Relevante c. Usar Variables dicótomas .
Cuál de los siguientes es un error de especificación: a. Inclusión de variables superfluas b. Usar Variables dicótomas c. Autocorrelación .
Cuál de los siguientes es un error de especificación: a. Mala Especificación de la Forma Funcional b. Heterocedasticidad c. Multicolinealidad .
Cuando se incluyen variables superfluas en el modelo: a. La estimación de los B son isnesgados b. Existe autocorrelación c. Existe Multicolinealidad .
Cuando se incluyen variables superfluas en el modelo: a. Las varianzas de los estimadores aumentan b. Disminuyen los r cuadrados c. Existe multicolinealidad .
La elección de un modelo para el análisis empírico debe satisfacer cuales de los siguientes criterios a. Ser adecuado para los datos; es decir, las predicciones basadas en el modelo deben ser lógicamente posibles. b. Ser consistente con la teoría; es decir, debe tener un sentido económico pertinente. c. No es necesario que sea consistente con la teoria d. Tener coeficientes de correlación elevado .
La elección de un modelo para el análisis empírico debe satisfacer cuales de los siguientes criterios a.No deben tener consistencia los pArametros pero si las pruebas t y F b. Las variables explicativas deben estar correlacionadas con el término de error. c. Las variables explicativas, o regresoras, no deben estar correlacionadas con el término de error. d. Mostrar constancia en los parámetros; es decir, los valores de los parámetros deben ser estables .
La elección de un modelo para el análisis empírico debe satisfacer cuales de los siguientes criterios a. Tener variables dicótomas b. Exhibir coherencia en los datos; es decir, los residuos estimados a partir del modelo deben ser puramente aleatorios (técnicamente, ruido blanco). c. Ser inclusivo; es decir, el modelo debe abarcar o incluir todos los modelos contendientes, d. Que las variables explicativas estén relacionadas .
Que sucede al incluir variables insignificantes en el modelo son: a. Todos los estimadores de MCO de los parámetros del modelo "incorrecto" son insesgados y consistentes b. La varianza del error G2 está correctamente estimada c. LA varianzas no estan correctamente especificadas .
Que sucede al incluir variables insignificantes en el modelo son: a.Los procemidmientos usuales de invervalos de confianza y de pruebas de hipótesis conservan su validez b. La varianzas no estan correctamente especificadas c.Los errores estan mal estimados d. las αestimadas por lo general serán ineficientes, es decir sus varianzas generalmente serán más grandes que las B del verdadero modelo .
Cuáles de las siguientes son pruebas para variables omitidas y forma funcional incorrecta: a. Prueba de normalidad b. T de studen c. Exámen de los residuos d.Estadístico durbin whatson .
Cuáles de las siguientes son pruebas para variables omitidas y forma funcional incorrecta: a. R cuadrado b. Prueba RESET de Ramsey c. T de students d. Examen de residuos .
Para aplicar la d de Durbin Whatson para detectar error de especificación, cuáles son los pasos: a.PASO 1 A partir de un modelos supuesto, obtenga los errores estandar b.PASO 1 A partir de un modelos supuesto, obtenga los residuos c. PASO2 Si se cree que el modelo supuesto está mal especificado ordene los residuos obtenidos en el paso 1 de acuerdo con los valores crecientes de Z d. PASO2 Si se cree que el modelo supuesto está bien especificado ordene los residuos obtenidos en el paso 1 de acuerdo con los valores decrecientes de Z .
Para aplciar la d de Durbin Whatson para detectar error de especificación, cuáles son los pasos: a. PASO3. Calcule el estadistico d a partir de los residuos b. PASO3. Calcule los coeficientes de determinación c. PASO4: Con base en las tablas de Durbin Whatson si el valor d estimado es significativo, se puede aceptar la hipótesis de mala especificación del modelo D.PASO4: Con base en las tablas de Durbin Whatson si el valor d estimado no es significativo, se puede aceptar la hipótesis de mala especificación del modelo .
Cuáles son los pasos para la prueba de RESET para determinar error de especificación: a. PASO 1.Obtener Y estimada a partir del modelo seleccionado b. PASO 1.Obtener los residuos c. PASO 2. Efectuar la nueva regresión introduciendo y estimada como una o varias regresoras adicionales d.PASO 2. Efectuar la nueva regresión introduciendo y estimada como una o varias regresoras adicionales .
Cuáles son los pasos para la prueba de RESET para determinar error de especificación: "a. PASO 3. Se utiliza la Prueba Z luego de obtener R cuadrado nueva y la obtenida R cuadrado vieja " b. PASO 4. Si el Valor z Calculado es significativo, se acepta la hipótesis de que el modelo está mal especificado c. PASO 3. Se utiliza la Prueba F luego de obtener R cuadrado nueva y la obtenida R cuadrado vieja d. PASO 4. Si el Valor F Calculado es significativo, se acepta la hipótesis de que el modelo está mal especificado .
En qué consiste la prueba del Multiplicador de Lagrange: a. PASO 1. Estime la regresión mediante MCO y obtenga las residuos ui b. Si la regresión no restrignida resulta ser la verdadera, los resiudos obtenidos deben estar relacionados con los términos elevados al cuadrado y al cubo (x2,x3) c. PASO 1. Estime la regresión mediante MCG y obtenga las residuos ui d. Si la regresión restrignida resulta ser la verdadera, los resiudos obtenidos deben estar relacionados con los términos elevados al cuadrado y al cubo (x2,x3) .
Cuáles de los siguientes son cirterios para selecciónar el modelo adecuado a. El criterio R2 b. R cuadrado ajustada c. T de student d. Prueba F .
Cuáles de los siguientes son cirterios para selecciónar el modelo adecuado a.Criterio de infromación de Akaike b. T de student c.Varianzas d. Criterio de información de Schwarz .
Cuáles de los siguientes son cirterios para selecciónar el modelo adecuado a. Prueba F b. Creiterio Cp de Mallows c. Criterio de información de Schwarz d. Errores de especificación .
Algunos modelos pueden parecer no lineales en los parámetros pero ser inherente o intrínsecamente lineales V F.
Modelos que no pueden linealizarse en los parámetros, se les conoce como modelos de regresión intrínsecamente no lineales V F.
Aunque los modelos de regresión lineal predominan en la teoría y en la práctica, hay ocasiones en las que son útiles los modelos de regresión no lineales en los parámetros (MRNL). V F.
Los problemas de autocorrelación, heteroscedasticidad y especificación de modelos no afectan a los MRNL, como afectan a los modelos de regresión lineales. V F.
El coeficiente de determinación (R2) es particularmente importante para un MRNL. V F.
Para los modelos de regresión intrínsecamente no lineales, los valores de los parámetros se obtienen de manera explícita. F V.
Para los modelos de regresión intrínsecamente no lineales, los valores de los parámetros no se obtienen de manera explícita. Deben calcularse de forma numérica; es decir, mediante procesos iterativos. V F.
Los problemas de autocorrelación, heteroscedasticidad y especificación de modelos pueden afectar a los MRNL, como afectan a los modelos de regresión lineales. V F.
La inferencia estadística en la regresión con MCNL no puede basarse en las pruebas t, F y χ2 usuales, aunque se suponga que el término de error está normalmente distribuido. V F.
El coeficiente de determinación (R2) no es un número particularmente importante para un MRNL. V F.
En qué consiste el modelo de optimización directa a.Se diferencia la suma de cuadrados de los errores respecto de cada coefi ciente o parámetro desconocido, b. Se estima mínimos cuadrados ordinarios c.Se estiman mínimos cuadrados generalizados d. Se iguala la ecuación resultante a cero y se resuelven las ecuaciones normales obtenidas de manera simultánea. .
La estimación del MRNL mediante la expansión de series de Taylor se sistematiza con dos algoritmos conocidos como: a. D de durbin Whatson b. R cuadrado c.Método iterativo Gauss-Newton d. Método iterativo Newton-Raphson. .
El método de estimación de modelos de regresión no lineales de búsqueda directa también se conoce como: a. Método de rensayo y error b. Método de libre derivación c. Método iteractivo d. Mínimos cuadrados .
Cuáles de los siguientes son métodos para obtener los MRNL: a. Ensayo y error b. Mínimos cuadrados no lineales MCNL c.Mínimos cuadrados ordinarios MCO d.Mínimos cuadrados generalizadosMCG .
Cuáles de los siguientes son métodos para obtener los MRNL: a. Coeficiente de akaike b. Linealización mediante la expansión de series de Taylor c. Método de Ensayo y error d. Multiplicador de lagrange .
Cuáles de las siguientes son rutinas iterativas. a.Gauss Newton b. Newton-Raphson c.MCO d.MCG .
Cuáles de las siguientes son rutinas iterativas. a. Market b.Newton-Raphson c.MCO d. MCG .
Para los modelos de regresión intrínsecamente no lineales: a. Los parámetros deben calcularse mediante MCO b. Los valores de los parámetros deben calcularse mediante MCO c. Los valores de los parámetros no se obtienen de manera explícita d. Los valores de los parámetros deben calcularse de forma numérica mediante procesos iterativos .
Al igual que los modelos de regresión lineal, qué problemas pueden afectar a los MRNL a. Autocorrelación b. Determinación c. Heterocedasticidad d. Igual Varianza .
La linealización mediante la expansión de series de Taylor es un método para estimar: a. Autocorrelación b. MRNL c. MCO d. Heterocedasticidad .
Aunque los modelos de regresión lineal predominan en la teoría y en la práctica, hay ocasiones en las que son útiles los modelos de regresión no lineales en los parámetros (MRNL). Verdadero Falso.
Cuál de los siguientes es un error de especificación: Varianzas mínimas Heterocedasticidad Especificación incorrecta del término del error.
Cuales de los siguientes procesos puede ocasionar autocorrelación Extrapolar Datos Interpolar Datos Corregir la heterocedasticidad Normalizar los datos.
La elección de un modelo para el análisis empírico debe satisfacer cuales de los siguientes criterios Ser inclusivo; es decir, el modelo debe abarcar o incluir todos los modelos contendientes. Que las variables explicativas estén relacionadas Tener variables dicótomas Exhibir coherencia en los datos; es decir, los residuos estimados a partir del modelo deben ser puramente aleatorios (técnicamente, ruido blanco).
En muestras grandes para obtener los errores estándar de los estimadores de MCO corregidos para autocorrelación se puede utilizar el método de: newey west.
La prueba d de Durbin-Watson supone que la varianza del término de error ut es: 1 Un supuesto de la regresión es que exita normalidad en los datos.
Cuando hay presencia de autocorrelación, los estimadores de MCO son insesgados e: inconsistentes Eficientes, varianzas mínimas.
Con qué prueba se puede detectar la autocorrelación: T de student Distribución F Breusch-Godfrey.
Con qué prueba se puede detectar la autocorrelación: Z normal D de durbin Whatson Chi cuadrada.
Para los modelos de regresión intrínsecamente no lineales: Los valores de los parámetros deben calcularse mediante MCO Los parámetros deben calcularse mediante MCO Los valores de los parámetros no se obtienen de manera explícita Los valores de los parámetros deben calcularse de forma numérica mediante procesos iterativos.
Cuáles de los siguientes son métodos para obtener los MRNL: Mínimos cuadrados ordinarios MCO Mínimos cuadrados generalizadosMCG Ensayo y error Mínimos cuadrados no lineales MCNL.
Para seleccionar un modelo econométrico adecuado, las predicciones basadas en el modelo deben ser: Lineales Logarítmicas Independiente de la forma deben ser lógicamente posibles.
El coeficiente de determinación (R2) no es un número particularmente importante para un MRNL. Falso Verdadero.
Deben de calcularsemediante procesos iterativos Mínimos cuadrados generalizados Métododemínimas diferencias Método de pasos decendentes.
En qué caso existe autocorrelación: Si de durbin whatson es igual a 4 Si de durbin whatson es igual a 2 Si de durbin whatson es igual a 0 Si de durbin whatson es igual a 1.8.
La exclusión de una o varias variables importantes de un modelo de regresión puede producir un valor d: (responder significativo o no significativo) no significativo Cuando d es igual a cero, hay autocorrelación, cuando es igual a 2 no hay.
El coeficiente de determinación (R2) es particularmente importante para un MRNL. Verdadero Falso.
Cuando se incluyen variables superfluas en el modelo:: Las varianzas de los estimadores aumentan Existe multicolinealidad Disminuyen los r cuadrados.
En qué caso no existe autocorrelación Si de durbin whatson es igual a 4 En qué caso no existe autocorrelación Si de durbin whatson es igual a 0 Si de durbin whatson es igual a 1.8.
Los problemas de autocorrelación, heteroscedasticidad y especificación de modelos pueden afectar a los MRNL, como afectan a los modelos de regresión lineales. Falso Verdadero.
Los problemas de autocorrelación, heteroscedasticidad y especificación de modelos no afectan a los MRNL, como afectan a los modelos de regresión lineales. Verdadero Falso.
Algunos modelos pueden parecer no lineales en los parámetros pero ser inherente o : irrelevante Un modelo exponencial se puede linealizar con logaritmos.
Cuál de los siguientes enunciados es correcto: Siguen siendo eficientes Aunque en presencia de autocorrelación los estimadores de MCO se mantienen insesgados, consistentes y distribuidos asintóticamente en forma normal, siguen siendo eficientes Aunque en presencia de autocorrelación los estimadores de MCO se mantienen insesgados, consistentes y distribuidos asintóticamente en forma normal, dejan de ser eficientes.
Si el coeficiente de Schwarze es cercano a cero hay error de especificación Verdadero Falso.
Cuáles son las causas de la autocorrelación: Distintas varianzas en las variables explicativas R cuadrado muy altos La omisión de variables relevantes.
En presencia de autocorrelación los estimadores continúan siendo lineales e insesgados, al igual que consistentes, y están distribuidos de forma asintóticamente normal, pero dejan de ser efi cientes (es decir, no tienen varianza mínima). Verdadero Falso.
Modelos que no pueden linealizarse en los parámetros, se les conoce como modelos de regresión intrínsecamente no lineales.
Una variable estrictamente exógenaes es independiente de los valores actuales, futuros y pasados del término de error. f v.
Modelos que no pueden linealizarse en los parámetros, se les conoce como modelos de regresión multiple MODELOS.
Deben de calcularsemediante procesos iterativos Método de pasos decendentes Mínimos cuadrados generalizados Métododemínimas diferencias.
Cuál de los siguientes enunciados es verdadero El término autocorrelación, se define como la existencia de varianzas DIFERENTES entre las variables El término autocorrelación hace referencia a la correlación entre los residuos El término autocorrelación, se define como la existencia de varianzas iguales entre las variables.
Asi como afectan a los modelos de regresión lineal también afectana los modelos no lineales problemas como: multicolinealidad PROBLEMAS DE MODELOS DE REGRESIÓN.
Asi como afectan a los modelos de regresión lineal también afectana los modelos no lineales problemas como: autocorrelacion VIOLACIÓN DE SUPUESTOS DEL MODELO MCO.
La función de Cobb Douglas qué tipo de modelo es Intrinsecamente no lineal Intrinsicamente Lineal Lineal.
Una variable estrictamente exógenaes es independiente de los valores actuales, futuros y pasados del término de error. Falso Verdadero.
Cuáles son las causas de la autocorrelación: Que los residuos sean independientes del tiempo Que los residuos no sean independientes del tiempo Que los residuos sean estables en el tiempo.
La inferencia estadística en la regresión con MCNL incluso aunque se suponga que el término de error está normalmente distribuido no puede basarse en las pruebas usuales como t, X2 y: R2 PRUEBAS USUALES.
Una variable estrictamente exógena es independiente de los valores actuales, futuros y pasados del término de: error.
Los MCO aplicados al modelo de regresión no lineal se conocen como: Mínimos cuadradosen dos etapas Mínimos cuadros no lineales Mínimos cuadrados generalizados.
Los errores de medición pueden ser un problema pero permiten establecer de manera consistente de los parámetros Lineales Independiente de la forma deben ser lógicamente posibles Logaritmo.
Cuando se incluyen variables superfluas en el modelo:: Disminuyen los r cuadrados Las varianzas de los estimadores aumentan Existe multicolinealidad.
Si el coeficiente de Akaike es cercano a 0: Hay error de especificación Hay eterocedasticidad No hay error de especificación.
Los criterios de Akaike y Schvarzsedeben ser elevados para que no exista error de especificación Falso Verdadero.
La prueba d de Durbin-Watson supone que la varianza del término de error ut es: intrisecamente no lineal Un supuesto de la regresión es que exita normalidad en los datos.
Cuál de los siguientes es un error de especificación: Errores estándar bajos Modelos regresivos Adopción de la forma funcional equivocada.
Al seleccionar el modelo correcto, qué pasa si el término de error no está distribuido normalmente Los estimadores de MCG siguen siendo MELI y tienen varianza mínima. Los estimadores de MCO dejan de ser MELI y tienen varianzas grandes. Los estimadores de MCO siguen siendo MELI y tienen varianza mínima.
Aunque los modelos de regresión lineal predominan en la teoría y en la práctica, hay ocasiones en las que son útiles los modelos de regresión no lineales en los parámetros (MRNL). Verdadero Falso.
Una clase especial de error de especifi cación son los errores de medición en los valores de la variable regresada y de las regresoras. Verdadero Falso.
Cuando se incluyen variables superfluas en el modelo: Existe autocorrelación Existe Multicolinealidad La estimación de los B son isnesgados.
Para los modelos de regresión intrínsecamente no lineales, los valores de los parámetros se obtienen de manera explícita. Verdadero Falso.
La manipulación de los datos no causa autocorrelación Falso Verdadero.
En qué caso no existe autocorrelación Si de durbin whatson es igual a 4 Si de durbin whatson es igual a 0 Si de durbin whatson es igual a 1.8 En qué caso no existe autocorrelación.
Cuál de los siguientes criterios hacen referencia a la minería de datos: Autocorrelación y error de especificación Regresión en dos etapas, mínimos cuadrados generalizados Regresión al tanteo, extracción de datos, sondeo de datos y procesamiento masivo de datos numéricos.
Para aplciar la d de Durbin Whatson para detectar error de especificación, cuáles son los pasos: PASO4: Con base en las tablas de Durbin Whatson si el valor d estimado es significativo, se puede aceptar la hipótesis de mala especificación del modelo PASO3. Calcule el estadistico d a partir de los residuos PASO3. Calcule los coeficientes de determinación PASO4: Con base en las tablas de Durbin Whatson si el valor d estimado no es significativo, se puede aceptar la hipótesis de mala especificación del modelo.
La transformación de primeras diferencias para eliminar la autocorrelación supone que el coeficiente de autocorrelación ρ es: no lineal Es decir existe raices unitarias.
Los errores de una mala especificación del modelono pueden ser tan graves como los errores de especificación ecuacionales. Falso Verdadero.
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. Falso Verdadero.
Denunciar test Condiciones de uso
Usamos cookies para personalizar su experiencia. Si sigue navegando estará aceptando su uso. Más información.