Econometría Uned

Omitir una variable relevante explicativa cuando realizamos una regresión. siempre crea sesgo. a veces crea sesgo. nunca crea sesgo.

Cuál de las siguientes hipótesis es más probable que no se cumpla con datos en forma de serie temporal. E (Et | X) = 0. var (Et | X) = 𝜎². cov (Et, Es | X) = 0, t ≠ s.

Señale la afirmación INCORRECTA en relación con el estimador HAC de la varianza de los 𝛽 estimados. siempre permite realizar inferencia válida incluso en el caso de autocorrelación. no requiere conocer la estructura de la autocorrelación. siempre produce errores estándar de los estimadores, lo que le convierte en un estimador ELIO.

Si estimamos el modelo Y = 𝛽₀ + 𝛽₁Z + 𝜀 , pero sabemos que la varianza del error es proporcional al cuadrado de X. Si quisiéramos corregir por heterocedasticidad deberíamos regresar. Y sobre una constante, 1/X, y Z/X. Y/X sobre 1/X y Z/X. Y/X sobre una constante, 1/X, y Z/X.

En relación con los modelos para datos con componentes transversales y temporales. ¿Qué tipo de modelo NO tiene un coeficiente que varíe con 𝘵 o i?. modelo de efectos aleatorios. modelo de efectos fijos. modelo de datos fusionados.

¿Cuál es una de las ventajas más importante para usar datos de panel frente a datos de sección cruzada apilados o fusionados a lo largo del tiempo?. ninguna, porque ambos son paneles. que permite controlar por heterogeneidad individual. que ofrece más grados de libertad al usuario.

Si realizamos un contraste de Hausman sobre un modelo de efectos aleatorios (RE), y el estadístico de contraste arroja un valor superior al valor crítico, entonces concluiríamos diciendo. que hay evidencia a favor de exogeneidad. que hay evidencia a favor de efectos aleatorios. que hay evidencia a favor de efectos fijos.

¿Qué proceso no estacionario tiene una media constante, pero no varianza constante?. AR(1) con tendencia lineal. AR(1) sin tendencia lineal determinista. Ninguna de las anteriores.

La hipótesis nula del test de Dickey-Fuller. es la misma con independencia del tipo de contraste o versión del mismo que utilicemos. siempre es de estacionariedad, pero se adapta a si la estacionariedad es en torno a cero, a una constante o a una línea temporal. ninguna de las anteriores es correcta.

Cuál de las siguientes condiciones no es necesaria para la estacionariedad de la variable temporal Z. var(Z𝘵) = constante. cov(Z𝘵, Z𝘴) = cov(Z𝘴, Z𝘵), 𝘵≠𝘴. E(Z₁) = E(Z₂) = ... = E(Z𝘵).

Un investigador con un panel donde T=2 desea hacer un análisis tipo "antes y después". Si alguna de las variables que supuestamente no cambian en el tiempo y cuya influencia sería tenida en cuenta con este modelo, cambiase realmente entre los dos periodos, el estimador del regresor de interés,. Será insesgado solo cuando se empleen errores estándar robustos. Aún podría ser insesgado. Solo será insesgado asintóticamente.

El supuesto de exogeneidad de los errores es necesario para. Establecer que el estimador MCO es ELIO. Establecer que el estimador MCO es insesgado. ninguna alternativa es correcta.

Estamos tratando de explicar el número de acciones de IBM en el mercado diario de acciones. Como variable independiente seleccionamos el precio de cierre de la acción. Esto es un ejemplo de. Causalidad simultánea. Caso de sesgo por selección muestral dado que se debería analizar más de una acción. Es una situación donde deberíamos usar errores estándar calculados sobre el supuesto de homocedasticidad puesto que solo analizamos el valor de una acción.

Para seleccionar un modelo optaré por aquel. cuyo estimador sea ELIO y el tamaño muestral sea relativamente grande. que tenga un R² por encima de 0.75 y errores serialmente incorrelacionados. cuyo estimador sea consistente e insesgado, y que permita fijar un nivel deseado de significatividad para contrastes.

A partir de una encuesta analizamos el consumo familiar con un modelo consumoᵢ = 𝛽₀ + 𝛽₁ingresosᵢ + 𝛽₂tamañoᵢ + 𝜀ᵢ si quisiéramos contrastar si los errores son heterocedásticos con el contraste BP, entonces estimaríamos. la regresión auxiliar 𝜀ᵢ² = 𝛼₀ + 𝛼₁ingresosᵢ + 𝛼₂tamañoᵢ + 𝜀ᵢ. la regresión auxiliar 𝜀ᵢ² = 𝛼₀ + 𝛼₁ingresosᵢ + 𝜀ᵢ. ninguna de las anteriores.

A partir de una encuesta analizamos el consumo familiar con un modelo consumoᵢ = 𝛽₀ + 𝛽₁ingresosᵢ + 𝛽₂tamañoᵢ + 𝜀ᵢ si el R² de la regresión auxiliar fuera de 0,1002 y el tamaño muestral de 81. rechazamos al 5% la hipótesis nula de heterocedasticidad. rechazamos al 5% la hipótesis nula de homocedasticidad. no podemos calcular el estadístico de contraste.

El supuesto de normalidad de los errores es necesario para. Establecer que el estimador MCO es ELIO. Establecer que el estimador MCO es insesgado. ninguna alternativa es correcta.

En un modelo de datos de corte transversal indica cuál de los siguientes motivos no genera errores de autocorrelación. La inclusión de variables no relevantes. La interpolación. La introducción de variables retardadas.

Omitir una variable irrelevante explicativa cuando realizamos una regresión. siempre crea sesgo. a veces crea sesgo. nunca crea sesgo.

¿Cuándo el R² y el Ṝ² son iguales?. Por construcción no es posible que sean iguales. Cuando una de las variables explicativas correlaciona perfectamente con alguna otra. Ninguna de las anteriores.

¿Cómo tenemos que estimar un modelo con heterocedasticidad cuando estamos seguros que la varianza del error es una función de una variable continua?. mínimos cuadrados generalizados o ponderados. Robusto de White. Mínimos cuadrados generalizados factibles.

Si rechazamos la hipótesis nula al realizar una prueba de Hausman, ¿qué debemos concluir?. al menos una de las variables explicativas es endógena. no hay variables endógenas. la estimación MC2E ha corregido la endogeneidad en el modelo inicial.

En un modelo de crecimiento económico nacional de un país europeo, donde nuestro i son las regiones de ese país, los efectos fijos temporales captarían: La entrada en la Unión Europea. La cantidad de precipitaciones por región. El género de sus habitantes.

En el contexto de los datos de panel, si las variables no observables individuales 𝛼ᵢ están correlacionadas con las variables explicativas X (itj), entonces. es preferible usar modelos de datos fusionados. es preferible usar modelos de datos fijos. es preferible usar modelos de efectos aleatorios.

En relación con los paseos aleatorios, indique la opción correcta. El paseo aleatorio con deriva no es estacionario en media. El paseo aleatorio sin deriva sí es estacionario en media. Todas las anteriores son correctas.

Cuando incluimos variables no estacionarias explicativas en un modelo de regresión, entonces. Hay riesgos de afectar a la distribución del estimador MCO. Hay riesgos de afectar a los estadísticos tipo-t. Todas las anteriores son correctas.

Si en un modelo de datos de panel asumimos que Cov(Xitj,𝛼ᵢ) = 0 ¿qué modelo deberíamos utilizar?. Un modelo con efectos fijos dado que será más eficiente que un modelo con efectos aleatorios. Un modelo con efectos aleatorios porque será más eficiente que un modelo con efectos fijos. Seremos indiferentes entre uno y otro, todo dependerá del R² de ambos.

¿Cuál es el cuarto momento de la variable aleatoria X?. E [X]⁴. E [X⁴]. Ninguna de las anteriores.

Cuando utilizamos un instrumento exógeno, los estimadores VI son. consistentes y se aproximan a la normal en muestras suficientemente grandes. insesgados y ELIO. si el instrumento se distribuye como una Normal, serán consistentes e insesgados.

¿Cómo se mide la fuerza de un instrumento en el contexto de mínimos cuadrados bietápicos?. con una prueba tipo F de la regresión de la primera etapa. con el p-valor del coeficiente del instrumento en la segunda etapa. con el R² de la ecuación de regresión de la segunda etapa.

La esperanza no-condicionada y condicionada de un proceso de paseo aleatorio Z𝘵 son. 0 y Z𝘵, respectivamente. Z𝘵 en ambos casos. 0 en ambos casos.

El supuesto de normalidad de los errores. implica homocedasticidad. es factible con heterocedasticidad. ambas son correctas.

¿Cuáles son las consecuencias de usar mínimos cuadrados cuando hay heterocedasticidad?. Sin consecuencias porque las estimaciones de los coeficientes siguen siendo insesgadas. Los intervalos de confianza y los contrastes de hipótesis son inexactos debido a la estimación de los errores estándar. Todas las estimaciones de coeficientes serán sesgadas para las variables correlacionadas con el término de error.

La prueba LM (o de Multiplicadores de Lagrange) genera un estadístico: N x R² ～𝜒² (k). ¿De dónde se obtiene el R² en el estadístico de prueba?. Del modelo econométrico original estimado utilizando la técnica de corrección White. Del modelo econométrico original antes de que se haya realizado cualquier prueba de heterocedasticidad. De la regresión auxiliar que relaciona residuos con variables explicativas.

Si efectúa una prueba de LM de heterocedasticidad, y como resultado de la prueba se rechaza la hipótesis nula, ¿qué debe concluir?. Al menos un coeficiente en la regresión auxiliar es significativamente diferente de cero, y por tanto es improbable que la suposición var(yᵢ)=var(eᵢ)=𝜎² sea verdadera. No hay evidencia suficiente de heterocedasticidad, y por tanto la suposición var(yᵢ)=var(eᵢ)=𝜎² es muy probable que sea verdadera. Hay síntomas de heterocedasticidad presente y está correctamente especificada.

El valor crítico para un p-valor dado en la distribución F depende de los grados de libertad en el numerados y el denominador. ¿Cómo se encuentran los grados de libertad en el numerador?. Es el número de observaciones menos el número de coeficientes estimados (N-K). Es el número de hipótesis que se están probando simultáneamente (J). Es el número de observaciones menos el número de hipótesis probadas (N-J).

Cuando se realiza una prueba F, si la hipótesis nula es: H₀: 𝛽₂ = 𝛽₃ = 0, ¿cuál es la hipótesis alternativa?. 𝛽₂ ≠ 0 y 𝛽₃ ≠ 0. 𝛽₂ ≠ 0 ó 𝛽₃ ≠ 0. (𝛽₂ ≠ 0 y 𝛽₃ = 0) ó (𝛽₂ = 0 y 𝛽₃ ≠ 0).

Si la salida de su ordenador incluye un estadístico F y su correspondiente p-valor, p, para el modelo general, ¿cómo debe interpretar p?. La probabilidad de que todos los coeficientes sean realmente iguales a cero. La probabilidad de que todos los coeficientes distintos de la constante sean realmente cero. La probabilidad de que el modelo sea completamente inválido.

Imagínate que tenemos un modelo que mide el progreso económico de un país y una de las variables relevantes del modelo es el nivel de vida per cápita (NVpc). Sin embargo, dicha variable es inobservada pero tenemos datos del PIBpc y del "niveldeestudios", sabiendo que Corr(NVpc, PIBpc) > 0,4 Corr(NVpc, niveldeestudios) > 0,1 ¿qué variable utilizarías como proxy para el nivel de vida per cápita? Asume que las estimaciones del modelo van a ser consistentes. Ninguna de las dos, dado que no son estadísticamente significativas a los niveles estándares. PIBpc. niveldeestudios.

Si L es el número de instrumentos exógenos y B es el número de regresores endógenos en el modelo, si L>B el modelo es. solo identificado. sobreidentificado. subidentificado.

El siguiente modelo estimado de series temporales: Z𝘵= 0,3 + 0,5Z(𝘵-1) - 0,4ℇ(𝘵-1) + ℇt donde ℇt es un error con media nula. ¿Cuál es la esperanza incondicional de Z𝘵?. 0,6. 0,3. Ninguna de las anteriores.

Considere el siguiente modelo lineal Yᵢ = 𝛽Xᵢ + 𝜀ᵢ donde Pr(𝜀ᵢ = 1|Xᵢ) = Pr(𝜀ᵢ = -1|Xᵢ) = 1/2. ¿Satisface el modelo anterior el supuesto de exogeneidad?. Sí, puesto que en este caso E(𝜀ᵢ | Xᵢ) = 0. No, puesto que en este caso E(𝜀ᵢ | Xᵢ) ≠ 0. No se puede determinar.

Considere el siguiente modelo lineal Yᵢ = 𝛽Xᵢ + 𝜀ᵢ donde Pr(𝜀ᵢ = 1|Xᵢ) = Pr(𝜀ᵢ = -1|Xᵢ) = 1/2. Indique la respuesta correcta. E(𝛽^)=𝛽, siendo 𝛽^ el estimador MCO. E(𝛽) = 𝛽. Ambas son ciertas.

Considere el siguiente modelo lineal Yᵢ = 𝛽Xᵢ + 𝜀ᵢ donde Pr(𝜀ᵢ = 1|Xᵢ) = Pr(𝜀ᵢ = -1|Xᵢ) = 1/2. Tras estimar, obtiene que 𝛽^ = 2 con un error estándar de 1. Un intervalo al 95% de confianza para 𝛽 sería: (0,04, 3,96). (1,3). No se puede determinar con los datos suministrados.

Considere el siguiente modelo lineal Yᵢ = 𝛽Xᵢ + 𝜀ᵢ donde Pr(𝜀ᵢ = 1|Xᵢ) = Pr(𝜀ᵢ = -1|Xᵢ) = 1/2. Si quiere contrastar si 𝛽 = 1, entonces habrá de seguir una serie de pasos, entre ellos definir una hipótesis nula y una alternativa. En este sentido y para este contraste entonces: (i) la hipótesis nula será 𝛽 = 1, y (ii) la hipótesis alternativa podría ser 𝛽≠1. (i) y (ii) son correctas. (i) es correcta, pero no lo es (ii). (ii) es correcta, pero no lo es (i).

Considere el siguiente modelo lineal Yᵢ = 𝛽Xᵢ + 𝜀ᵢ donde Pr(𝜀ᵢ = 1|Xᵢ) = Pr(𝜀ᵢ = -1|Xᵢ) = 1/2. Si quiere contrastar si 𝛽=1, entonces: (iii) el estadístico de contraste o prueba sería (𝛽-1)/se(𝛽), (iv) si el estadístico de contraste en valor absoluto es superior a 1.96, no se rechazará la hipótesis nula. (iii) y (iv) son incorrectas. (iii) es incorrecta, pero no (iv). (iv) es incorrecta, pero no (iii).

Considere el siguiente modelo lineal Yᵢ = 𝛽Xᵢ + 𝜀ᵢ donde Pr(𝜀ᵢ = 1|Xᵢ) = Pr(𝜀ᵢ = -1|Xᵢ) = 1/2. Indique la respuesta correcta: La función de regresión muestral es E(y|X) y además no tiene término constante. El modelo podría prever una relación directa entre la variable explicativa y la explicada, y además está en desviaciones respecto de sus medias. Ninguna es correcta.

Tenemos un modelo de corte transversal con término constante y 3 variables explicativas, el cuál cumple los supuestos del modelo lineal. Ante este caso nos planteamos realizar un contraste de Durbin-Watson, obteniendo un valor de 2 (DW = 2). Indica la respuesta correcta. No podemos rechazar la hipótesis nula de no heterocedasticidad a un nivel de significación del 5%. El valor de p^ será 0, es decir, los errores de nuestro modelo estimado serán homocedásticos. No tenemos suficiente información para saber si tenemos problemas de heterocedasticidad.

Para averiguar si la varianza condicionada es una función de las variables explicativas de nuestro modelo utilizaremos el siguiente contraste: El contraste de White, preferiblemente si tenemos una muestra pequeña. El contraste de Breusch-Pagan. La opción a) y b) son correctas.

Hemos estimado un modelo con 4 variables explicativas cuyo R²=0,36 y Akaike=1,448. Seguidamente, incluimos en nuestro modelo 2 variables adicionales y obtenemos un R²=0,42 y Akaike=1,520. Con estos datos podemos decir que: Tenemos posiblemente un problema de sobreespecificacion. Las variables que hemos incluido manifiestamente mejoran el modelo, tal y como indica el cambio de R². Las variables que hemos incluido son importantes para explicar nuestra variable dependiente, tal y como indica el criterio de Akaike.

Si al realizar un test de Hausman rechazamos la hipótesis nula, ¿qué problema podríamos tener en nuestros datos?. Un problema de omisión de variables relevantes. Un problema de causalidad simultánea. Podríamos tener el problema a), b) o ambos.

Diremos que estamos utilizando de forma adecuada un modelo de MC2E cuando. el instrumento elegido sea relevante. la proxy a utilizar de nuestra variable endógena no esté sesgada. nuestro instrumento proporcione estimadores consistentes.

En los años 2017 y 2018 el Gobierno autonómico de Extremadura llevó a cabo un estudio sobre pobreza infantil. Para ello seleccionó en cada momento del tiempo una muestra aleatoria de 2.500 personas y les pasó un cuestionario socioeconómico, el mismo en los dos años. Después de realizar un análisis conjunto de todos los datos, el informe apareció a la luz a principios de 2019, mostrando indicadores de pobreza infantil nada esperanzadores. Por favor, indica a qué tipo de datos se enfrentaron los analistas: Datos de corte transversal. Datos fusionados de sección cruzada. Datos de serie temporal.

Tenemos el siguiente modelo (Yᵢ₂ - Yᵢ₁)=𝛽₁(Xᵢ₂-Xᵢ₁)+(𝜀ᵢ₂-𝜀ᵢ₁) que estimamos por MCO. Indica que pasaría si estimásemos dos ecuaciones por separado para cada uno de los años considerados. Los estimadores de dichos análisis podrían estar sesgados. No podríamos realizar estimaciones separadas por falta de muestra en cada uno de los años. Estaríamos incurriendo en un problema de colinealidad.

En relación con las tendencias estocásticas, indique la opción correcta. Cuando relacionamos dos variables con tendencias estocásticas será fácil que obtengamos valores de R² muy elevados. El problema de la regresión espuria puede aparecer cuando la variable dependiente tiene tendencia estocástica y la independiente también. Ambas son ciertas.

Estaremos seguro de que no hay autocorrelación espacial cuando. en nuestro modelo de corte transversal utilizamos datos provenientes de una muestra aleatoria simple. en nuestro modelo de series temporales se cumplen los supuestos de insesgadez y consistencia. ninguna de las anteriores es cierta.

Has realizado una estimación de tu modelo económico y te has dado cuenta de que sufre problemas de heterocedasticidad. ¿qué solución deberías elegir?. Utilizar un estimador MCP, siempre y cuando no conozcamos la forma funcional de la heterocedasticidad. Utilizar un estimador MCP-factibles, siempre y cuando podamos estimar la forma funcional de la heterocedasticidad. Utilizar estimadores robustos a la heterocedasticidad. Utilizaremos esta aproximación si conocemos la forma funcional de la heterocedasticidad.

Nos enfrentaremos a un sesgo de selección muestral cuando. tenemos datos perdidos por causas aleatorias que provoca una reducción de nuestro tamaño muestral. cuando el diseño de la muestra de una encuesta se centra solo en un subgrupo de la población, pero este a su vez es seleccionado de forma aleatoria. la reducción del tamaño muestral se debe a la no respuesta de una parte de la población, en este sentido podemos encontrarnos con una correlación entre el término de error y los regresores.

Un instrumento será bueno siempre y cuando. El instrumento varíe cuando varíe la variable endógena. el instrumento no debe estar correlacionado con los errores. a) y b) son correctas.

Indica que estadístico utilizarías para un contraste de sobreidentificación en un modelo que contiene variables instrumentales. t. J. 𝜒.

Indica la afirmación correcta. En un modelo de efectos fijos individuales, es decir a nivel de individuo, no podemos incluir una variable binaria que capture, por ejemplo, el color de pelo de la persona (Rubio/Moreno). En un modelo de efectos aleatorios no podemos incluir variables dummy a nivel individual. En un modelo de efectos aleatorios podemos incluir tanto variables dummy a nivel individual como a nivel temporal.

Considere el proceso estocástico siguiente: Z𝘵 - 0,5Z(𝘵-3) = 1+𝜀𝘵, 𝜀𝘵～N(0,2) entonces E(Z𝘵) es: 0. 0,5. 2.

Tenemos el siguiente modelo: salarioᵢ𝘵 = 𝛽₀ + 𝛽₁Mujer + 𝜀ᵢ𝘵 y realizamos la siguiente transformación: 𝜔₁salarioᵢ𝘵 = 𝛽₀ + 𝛽₁𝜔₂Mujerᵢ + 𝜀ᵢ𝘵, indica la respuesta correcta: 𝜔₁ indica un cambio de escala de la variable independiente. 𝜔₁ indica un cambio de unidad de medida de la variable dependiente. 𝜔₂ indica un cambio de escala de la variable dependiente.

Si (P (X = x | Y = y) = P (X = x), entonces se puede deducir que: Y es la variable dependiente. X e Y están positivamente correlacionadas. X e Y son estadísticamente independientes.

Si en un modelo de regresión simple rechazamos la hipótesis 𝛽₁=0, y sin embargo la hipótesis es verdadera, entonces cometemos. un error de Tipo I. un error de Tipo II. no debería suceder si se utiliza una prueba estadística válida.

Si tenemos una muestra grande donde la varianza del estimador tiende a 0 a medida que incorporamos más observaciones, entonces podremos decir que: no tendremos ningún problema de heterocedasticidad. tendremos seguro un estimador no sesgado. el estimador será consistente.

¿Qué solucionan los estimadores HAC?. los problemas de heterocedasticidad. los problemas de autocorrelacion. las otras dos opciones son correctas.

¿En qué caso la prueba de la hipótesis nula implicaría una prueba estadística de dos colas?. H₁: El pago de incentivos para los maestros afecta el rendimiento estudiantil. H₁: Tasas de impuestos sobre las rentas más altas no reducen los ingresos tributarios estatales. H₁: La extensión de la duración de las prestaciones de desempleo no aumenta la duración del desempleo.

Si tienes el siguiente modelo económico y = 𝛽₁ + 𝛽₂x - 𝛽₃x² ¿cuál es el efecto parcial de la variable x sobre la variable y?. -𝛽₃ + 𝛽₂. 𝛽₂ - 2𝛽₃x. ninguna de las otras opciones.

El modelo que estás utilizando para testar tus hipótesis padece de errores heterocedásticos. Sin embargo, desconoces la varianza condicionada del error. Indica qué método utilizarías para solucionar tu problema. Utilizarías MCP. Deberías utilizar MCP-factibles dado que al mismo tiempo te corregirían por la autocorrelación. Deberías utilizar MCO con errores robustos.

¿De qué manera la inclusión de una variable irrelevante en un modelo de regresión afecta a los coeficientes estimados de otras variables en el modelo?. Están sesgados hacia arriba y tienen errores estándar más grandes. Están sesgados y el sesgo puede ser negativo o positivo. Son insesgados pero tienen errores estándares más grandes.

Indica a qué tipo de modelos pertenecen los dos siguientes: Modelo 1: Yᵢ = 𝛽₀ + 𝛽₁D₁ᵢ + 𝛽₂Xᵢ + 𝛽₂D₁ᵢXᵢ + 𝜀ᵢ Modelo 2: Yᵢ = 𝛽₀ + 𝛽₁D₁ᵢ + 𝛽₂D₂ᵢ + 𝛽₃D₃ᵢ + 𝜀ᵢ. El modelo 1 es un modelo ANOVA. El modelo 2 es un modelo ANCOVA. Ninguna de las otras opciones es cierta.

¿Cuál es la hipótesis nula para una prueba de Hausman para la endogeneidad?. cov(z,x) > 0. cov(x,z) = 0. cov(x,𝜀) = 0.

Se ha detectado que los ingresos tienen un efecto fuerte en el consumo de un determinado bien, sin embargo esta variable parece no tener un efecto lineal y más bien presenta una forma de U invertida. En primer lugar habíamos estimado el modelo de consumoᵢ = 𝛼₀ + 𝛽₁ingresosᵢ. ¿Qué deberíamos hacer para comprobar si nuestra intuición es cierta?. Tendríamos que testar la significatividad individual de la variable ingresos. Tendríamos que llevar a cabo el test de Reset de Ramsey. Tendríamos que realizar el contraste de Durbin-Watson.

Considere el siguiente modelo e indique mediante qué método deberíamos estimarlo: Yᵢ𝘵 = 𝛽₀ + 𝛽₁Dᵢ + 𝛽₂Xᵢ𝘵 + 𝛽₃DᵢXᵢ𝘵 + 𝛼ᵢ + 𝜀ᵢ𝘵. Mediante un modelo de efectos fijos. Mediante un modelo de efectos aleatorios. Por ambos modelos, efectos fijos y aleatorios. Nos quedaremos con aquel que nos dé menor valor de Akaike.

¿Qué supuesto es más probable que sea violado cuando trabajamos con datos de series de tiempo? Las variables e se refieren al error del modelo. E(e𝘵) = 0. cov(e𝘵, e𝘴) = 0, 𝘵 ≠ 𝘴. var(e𝘵) = 𝜎².

Sea L el operador de retardos, ¿cuál de las siguientes expresiones es equivalente a L³Y𝘵?. 3 L² y𝘵. L y𝘵 L² yt. Ninguna es cierta.

Considere el proceso estocástico temporal siguiente: Z𝘵 = 1 + 0,3Z𝘵-1 + 0,3Z𝘵-2 + 𝜀𝘵 Dicho proceso se caracteriza por. el valor de la función de autocorrelación de orden uno es 3/7. el valor de la función de autocorrelación de orden uno es 3/10. ninguna de las otras es cierta.

Considere que se formula el modelo siguiente: (Y𝘵 - Y𝘵-1) = 𝛿Y𝘵-1 + 𝜀𝘵 En tal caso: Podría contrastar la hipótesis de raíz unitaria. No tendría sentido el modelo planteado. Ninguna de las otras.

Los siguientes problemas son problemas causados por las tendencias estocásticas a excepción de. El estimador de un AR(1) es sesgado hacia cero si el verdaderos valor es uno. El modelo no puede ser estimado por MCO. Los estadísticos tipo-t de los coeficientes de regresión pueden tener una distribución no-normal incluso en tamaños muestrales grandes.

Una covarianza negativa entre X e Y significa que si obtenemos un valor de X que es mayor que la media de X. obtendremos un valor de Y correspondiente menor que la media de Y. obtendremos un valor de Y correspondiente mayor que la media de Y. tenemos una probabilidad superior al cincuenta por ciento de obtener un valor de Y correspondiente menor que la media de Y.

En la especificación de regresión y=𝛼+𝛽x+𝜀 si el valor esperado de épsilon es un número fijo pero no cero. la regresión no se puede ejecutar. la regresión no tiene una interpretación razonable. este valor distinto de cero se incorpora en 𝛼.

Maximizar R² crea. un mejor ajuste que minimizar la suma de errores cuadrados. un ajuste equivalente a minimizar la suma de errores cuadrados. un ajuste peor que minimizar la suma de errores cuadrados.

Suponga que ha ejecutado la siguiente regresión: y=𝛼+𝛽x+𝛾Urbano+𝛳Inmigrante+𝛿Urbano*Inmigrante+𝜀 donde Urbano es una variable ficticia que indica que un individuo vive en una ciudad en lugar de en una zona rural, y el inmigrante es una variable ficticia que indica que un individuo es un inmigrante en lugar de un nativo. El coeficiente 𝛾 se interpreta como la diferencia ceteris paribus en y entre. un nativo urbano y un nativo rural. un inmigrante urbano y un inmigrante rural. ninguno de estos.

Suponga que ha ejecutado la siguiente regresión: y=𝛼+𝛽x+𝛾Urbano+𝛳Inmigrante+𝛿Urbano*Inmigrante+𝜀 donde Urbano es una variable ficticia que indica que un individuo vive en una ciudad en lugar de en una zona rural, y el inmigrante es una variable ficticia que indica que un individuo es un inmigrante en lugar de un nativo. Supongamos que y = 𝛼+𝛽x+𝛿𝜔+𝜀 pero que has ignorado 𝜔 y ha regresado y solo en x. Si x y 𝜔 están correlacionados negativamente en sus datos, la estimación de MCO de 𝛽 será estar sesgado hacia abajo si. 𝛽 es negativo. 𝛿 es positivo. ninguna de las otras.

Uno de los siguientes es un ejemplo de regresión para el que se podrían utilizar efectos fijos individuales y temporales. un estudio del efecto de los salarios mínimos sobre el empleo de los adolescentes utilizando datos anuales de las 48 provincias contiguas en 2021. un estudio del efecto de estadísticas de rendimiento deportivo sobre (el logaritmo de) los salarios de las jugadoras de fútbol en 2020 y 2021. un estudio del efecto de la inflación y las expectativas inflacionistas sobre las tasas de desempleo en España, utilizando datos trimestrales de 1960 a 2006.

La primera diferencia del logaritmo de Y𝘵 es igual a: la primera diferencia de Y. la diferencia entre el adelanto y el retraso de Y. aproximadamente la tasa de crecimiento de Y cuando la tasa de crecimiento es pequeña.

La tasa de crecimiento de la producción de un país, y𝘵, sigue el siguiente proceso estocástico: y𝘵=z+x𝘵, donde z～N(0,1), x𝘵 es ruido blanco con media 0 y varianza 2, y ambas variables independientes una de otra. ¿Cuál de las afirmaciones siguientes es verdadera?. E(y𝘵*y𝘵-k) = 2 para todo k. E(y𝘵*y𝘵-k) = √2 para todo k≥1. E(y𝘵*y𝘵-k) ≠ 0 para todo k.

El modelo Z𝘵 = 𝜀𝘵 + 0,2𝜀𝘵-1 donde 𝜀𝘵 es ruido blanco con media nula y varianza 2, tiene las siguientes FAC. 𝞀₁ = 0.2000. 𝞀₁ = 0.1923. ninguna de las otras.

En la especificación de regresión y=𝛼+𝛽x+𝜀, con los supuestos habituales, la esperanza condicional de y es. el promedio de los valores de la muestra "y" correspondientes a un valor "x" específico. 𝛼 + 𝛽x. 𝛼 + 𝛽x + 𝜀.

Suponga salario=𝛼+𝛽·edad+𝜀 y tenemos 100 observaciones sobre salario y edad, con valores medios 80 y 30, respectivamente. Hemos realizado una regresión que nos permite obtener 𝛽^=2. Considere ahora un nuevo individuo cuya edad es 20. Para este individuo el salario predicho de esta regresión es. 40. 50. ninguna de las otras.

En la especificación salario=𝛽·educación+𝛿·male+𝛳·female+𝜀. hay multicolinealidad perfecta. el software no podrá ejecutar esta regresión. ninguna de las otras.

Suponga que ha ejecutado la siguiente regresión: y=𝛼+𝛽x+𝛾Urbano+𝛳Inmigrante+𝛿Urbano*Inmigrante+𝜀 donde Urbano es una variable ficticia que indica que un individuo vive en una ciudad en lugar de en una zona rural, y el inmigrante es una variable ficticia que indica que un individuo es un inmigrante en lugar de un nativo. El coeficiente 𝛳 se interpreta como la diferencia ceteris paribus en y entre. un inmigrante rural y un nativo rural. un inmigrante urbano y un nativo urbano. ninguna de las otras.

Si rechazamos la hipótesis nula al realizar contraste de Hausman en el contexto de estimación MC2E, ¿qué debemos concluir?. al menos una de las variables explicativas es endógena. no hay variables endógenas. la ecuación de la segunda etapa de MC2E todavía tiene variables endógenas.

Un patrón en los coeficientes de las variables binarias de efectos fijos en el tiempo puede revelar lo siguiente en un estudio de los determinandotes de las tasas de desempleo provinciales utilizando datos de panel: efectos macroeconómicos, que afectan a todas las provincias por igual en un año determinado. diferencias de actitud hacia el desempleo entre las provincias. efectos regionales, que afectan a todas las provincias por igual, siempre que sean miembros de esa región.

Sea (1-0.2L)(1+0.5L)(1-0.6L)Z𝘵 ) = (1-0.6L)(1-0.7L)𝜀𝘵 con 𝜀𝘵 iid N(0,4). ¿qué modelo sigue Z𝘵?. ARMA (2,1). ARMA (3,2). ARMA (2,3).

Sea (1-0.2L)(1+0.5L)(1-0.6L)Z𝘵 ) = (1-0.6L)(1-0.7L)𝜀𝘵 con 𝜀𝘵 iid N(0,4). Las raíces del polinomio característico que se usa para estudiar la invertibilidad son. r₁ = 1.429, r₂=1.667. r₁ = 5, r₂= -2. Ninguna de las otras.