Economia Examen Final 6

En un modelo de regresión lineal, se utilizan medidas de ajuste para evaluar el desempeño del modelo. ¿Qué indica un valor de R² = 0.85?. El modelo no se ajusta a los datos. Hay un error del 85%. El 85% de la variabilidad de Y es explicada por X. No se puede determinar la significancia del modelo.

El siguiente concepto describe el principio estadístico que establece que los estimadores de mínimos cuadrados ordinarios son insesgados, eficientes y consistentes, siempre que se cumplan los supuestos del modelo clásico de regresión lineal. ¿Cuál es el teorema que se describe?. Teorema de Gauss-Markov. Teorema del límite central. Teorema de Bayes. Teorema de Durbin-Watson.

En un modelo de regresión es importante que los errores tengan varianza constante para garantizar la validez de las inferencias. ¿Qué ocurre si los errores presentan varianza no constante?. Hay multicolinealidad. Hay heterocedasticidad. Hay autocorrelación. Hay homocedasticidad.

Al construir un modelo de regresión, no siempre todas las variables independientes agregan valor explicativo. ¿Qué ocurre si se incluye una variable irrelevante?. Aumenta artificialmente el R². Mejora la precisión del modelo. Disminuye la multicolinealidad. Reduce el error estándar.

Las variables cualitativas se clasifican según el tipo de categorías que representan. ¿Cuál representa una categoría sin orden específico?. Cuantitativa continua. Cualitativa nominal. Cuantitativa discreta. Cualitativa ordinal.

La regresión no siempre asume una relación lineal entre las variables. ¿Cuál de las siguientes ecuaciones representa un modelo no lineal?. y = β₀ + β₁x + u. y = β₀ + β₁x + β₂z + u. y = β₀ + β₁x² + u. y = β₀ + β₁D + u.

Para validar los supuestos del modelo de regresión, se analiza la distribución de los residuos. ¿Qué prueba se utiliza para contrastar si los residuos siguen una distribución normal?. Shapiro-Wilk. Ramsey RESET. Breusch-Godfrey. Durbin-Watson.

El F-statistic evalúa si el modelo de regresión en su conjunto es significativo. ¿Qué significa un p-valor del F-statistic igual a 0.000?. Existe significancia global en el modelo. No se puede predecir nada con el modelo. Las variables independientes no explican a Y. Hay autocorrelación en los errores.

El análisis gráfico de los residuos permite identificar patrones que pueden violar los supuestos del modelo. ¿Qué evalúa el histograma de residuos en un modelo de regresión?. La correlación entre variables. La varianza de las X. La homocedasticidad del modelo. La normalidad de los errores.

El Teorema de Gauss-Markov establece condiciones para que los estimadores de MCO sean los mejores. ¿Cuál de las siguientes condiciones es parte de los supuestos de Gauss-Markov?. El error tiene media distinta de cero. Todas las variables deben ser cualitativas. La variable dependiente debe ser ordinal. No hay multicolinealidad perfecta.

Una serie temporal es un conjunto de observaciones realizadas secuencialmente en intervalos predeterminados. ¿Cuál es el objetivo principal del análisis de series temporales? El objetivo principal del análisis de series temporales es: Calcular la media de las observaciones. Eliminar los valores atípicos de la serie. Inferir la forma del proceso estocástico a partir de las series temporales. Determinar la varianza de los datos.

En el contexto de autocorrelación, cuando un valor positivo de ut genera una sucesión de valores positivos, ¿cómo se denomina este fenómeno? Este fenómeno se conoce como: Autocorrelación positiva. Autocorrelación negativa. Correlación cruzada. Correlación espuria.

Los modelos autorregresivos (AR) y de medias móviles (MA) difieren en su capacidad de memoria. ¿Cuál es la característica distintiva de un modelo AR(1)? La característica distintiva del modelo AR(1) es: Memoria limitada a dos períodos. Memoria ilimitada para cualquier distancia temporal. No presenta autocorrelación. Solo funciona con datos anuales.

La función de autocorrelación parcial (PACF) de un modelo AR(1) presenta una característica específica. ¿Cuál es esta característica? La PACF de un modelo AR(1) presenta: Un único valor distinto de cero. Valores que decaen exponencialmente. Todos los valores iguales a cero. Valores oscilantes sin patrón.

La autocorrelación se presenta cuando los términos de error están correlacionados entre sí en distintas observaciones. ¿Cuál de los siguientes enunciados describe mejor este fenómeno?. Los errores son independientes entre sí. El modelo presenta multicolinealidad. Las variables son cualitativas. El término de error presenta correlaciones distintas de cero en diferentes momentos.

Uno de los métodos informales para detectar autocorrelación es el análisis gráfico de residuos. ¿Qué comando de Stata permite graficar los errores actuales frente a los errores rezagados?. regress y x. predict e, stdp. estat dwatson. twoway (scatter e l.e).

El valor de la estadística Durbin-Watson (d) permite evaluar la autocorrelación de primer orden. ¿Cuál de los siguientes rangos indica presencia de autocorrelación positiva?. d < dl. d > du. d ≈ 2. dl < d < du.

Se estima un modelo de regresión lineal y se obtiene una Durbin-Watson d = 1.30 con valores críticos dl = 1.33 y du = 1.77. ¿Qué se concluye sobre la autocorrelación?. No hay autocorrelación. Hay evidencia de autocorrelación positiva. Hay evidencia de autocorrelación negativa. La prueba es inconcluyente.

La prueba de Breusch-Godfrey permite identificar la autocorrelación en modelos con regresores rezagados. ¿Cuál es la hipótesis nula en esta prueba?. No existe correlación serial. Existe correlación serial. Las variables tienen raíz unitaria. Los residuos son heterocedásticos.

Un economista aplica la prueba ADF sobre la variable Consumo y obtiene el siguiente resultado: • t-estadístico = -1.639398 • Valor p = 0.1077 • Nivel crítico 5% = -3.500495 ¿Qué se concluye con base en estos resultados?. No se rechaza la hipótesis nula de raíz unitaria; la variable es no estacionaria. Se rechaza la hipótesis nula; la variable es estacionaria. La variable presenta multicolinealidad. Hay evidencia de autocorrelación perfecta.

Un investigador corrige la autocorrelación de primer orden utilizando el método de Cochrane-Orcutt y obtiene los siguientes resultados: • Durbin-Watson d (modelo corregido) = 2.12 • Valores críticos: dl = 1.335, du = 1.771 ¿Cuál es la conclusión sobre la autocorrelación en el modelo corregido?. No hay evidencia de autocorrelación. Hay evidencia de autocorrelación positiva. El modelo presenta multicolinealidad. Se rechaza la significancia de los coeficientes.

Cuando se omite una variable relevante en un modelo de regresión, se presentan varias consecuencias estadísticas. ¿Cuál de las siguientes es una consecuencia directa de la omisión de variables relevantes? La omisión de variables relevantes causa: Los estimadores son sesgados e inconsistentes. Los estimadores son insesgados e inconsistentes. Los estimadores son insesgados pero ineficientes. No afecta las propiedades de los estimadores.

Se ejecutó la prueba RESET de Ramsey en un modelo con el comando "estat ovtest" y se obtuvo un p-valor de 0.0234. Considerando un nivel de significancia del 5%, ¿cuál es la conclusión correcta? Con un p-valor de 0.0234 al 5% de significancia, se concluye que: El modelo no tiene variables omitidas. El modelo tiene variables omitidas. No se puede determinar la especificación. El modelo está perfectamente especificado.

La prueba de especificación linktest se utiliza después de cada estimación de regresión. Si el valor probabilístico de las variables presentadas por este test es menor a 0.05, ¿qué acción debe considerarse? Cuando el p-valor del linktest es menor a 0.05, se debe: Rechazar el modelo completamente. Mantener el modelo sin cambios. Considerar la inserción de las variables propuestas. Cambiar la forma funcional únicamente.

En el método Stepwise para corrección de omisión de variables, se parte del modelo más sencillo y se añaden variables iterativamente. ¿Cuál es el criterio principal para seleccionar el mejor modelo en este método? En el método Stepwise, el criterio principal de selección es: El mayor R² simple. El mejor R² ajustado. El menor error estándar. El mayor número de variables significativas.

En el método Backward (eliminación hacia atrás) se parte de un modelo complejo y se eliminan variables en cada etapa. ¿Cuál es el orden de eliminación de las variables en este método? En el método Backward, las variables se eliminan por orden de: Correlación con la variable dependiente. Magnitud de los coeficientes. Significancia estadística (menos significativas primero). Orden alfabético de las variables.

Se estimó un modelo con las variables: totacc, rpdoacc, rfatacc y rinjacc. Al aplicar el comando "rvfplot, yline(0)" para examinar los residuos, se observa un patrón sistemático en lugar de dispersión aleatoria. ¿Qué problema indica este resultado? Un patrón sistemático en los residuos indica: Errores de especificación del modelo. Perfecta especificación del modelo. Normalidad de los errores. Homocedasticidad perfecta.

Cuando se incluyen variables irrelevantes en un modelo (sobreajuste), ¿cuál es el efecto sobre los estimadores de los parámetros de las variables relevantes? La inclusión de variables irrelevantes hace que los estimadores de variables relevantes sean: Sesgados e inconsistentes. Insesgados y consistentes pero con mayor varianza. Sesgados pero consistentes. Más eficientes.

Se aplicó la prueba F con el comando "test variable independiente" en un modelo con múltiples variables predictoras. Cada variable individual mostró p-valores mayores a 0.05, pero la prueba F resultó significativa (p < 0.05). ¿Qué conclusión es correcta? Cuando las variables individuales no son significativas pero la prueba F sí lo es, se concluye que: |. Las variables son significativas en conjunto. El modelo no tiene poder explicativo. Todas las variables deben eliminarse. Existe un error en los cálculos.

En el análisis de correlogramas, ¿qué indica cuando los valores de autocorrelación decaen rápidamente a cero? Cuando los valores decaen rápidamente a cero, indica que: El proceso es no estacionario. Existe tendencia en la serie. El proceso es estacionario. La serie tiene componente estacional.