Economia Examen Final 7

En los modelos MA(1), la correlación temporal presenta una característica específica comparada con los modelos AR(1). ¿Cuál es esta característica? En los modelos MA(1), la correlación temporal: Se mantiene solo en dos períodos inmediatamente sucesivos. Se mantiene indefinidamente en el tiempo. No presenta correlación temporal. Es siempre negativa.

La metodología Box-Jenkins establece un conjunto de etapas fundamentales para construir un modelo ARIMA adecuado. ¿Cuál de las siguientes no corresponde a una etapa de la metodología Box-Jenkins?. Identificación. Estimación. Predicción. Codificación.

Un modelo ARIMA (p, d, q) puede aplicarse a series temporales no estacionarias. ¿Cuál de los siguientes valores representa la cantidad de diferenciaciones requeridas para inducir estacionariedad en media?. p. d. q. m.

El contraste de Dickey-Fuller permite determinar si una serie temporal es estacionaria. ¿Qué hipótesis se contrasta en la prueba de Dickey-Fuller?. H₀: ϕ₁ ≠ 0. H₁: La serie tiene media cero. H₀: ϕ₁ = 0. H₁: No hay autocorrelación.

La transformación estacionaria permite eliminar tendencias o estabilizar la varianza. ¿Cuál es una herramienta gráfica utilizada en la etapa de identificación?. Correlograma. Tabla de frecuencias. Histograma. Diagrama de caja.

La metodología Box-Jenkins requiere un proceso riguroso para obtener estimaciones confiables. ¿Cuál es una técnica recomendada para estimar los parámetros del modelo ARIMA?. Regresión logística. Árboles de decisión. Máxima verosimilitud. Diagramas de dispersión.

Los criterios de información ayudan a comparar modelos alternativos. ¿Cuál de los siguientes es un criterio común para seleccionar el mejor modelo ARIMA?. Nivel de significancia. Criterio de Akaike (AIC). Valor p. Estadístico t.

La estacionariedad es un requisito clave para aplicar modelos ARIMA correctamente. ¿Cuál de los siguientes comportamientos indica que una serie no es estacionaria?. Correlaciones cercanas a cero en pocos rezagos. Correlaciones que decaen rápidamente. Correlaciones que no decaen rápidamente. Varianza constante.

Una vez estimado un modelo ARIMA, se debe realizar un diagnóstico para comprobar si el modelo se ajusta adecuadamente a la serie de datos. En el análisis de los residuos del modelo ajustado, ¿qué característica deberían presentar estos residuos si el modelo es correcto?. Ser estacionarios y estacionales. Comportarse como ruido blanco, sin autocorrelación significativa. Presentar autocorrelaciones parciales significativas. Mostrar tendencia creciente o decreciente.

Los modelos de regresión con respuestas cualitativas de elección discreta comúnmente se conocen como: ¿Cuál es la denominación correcta para estos modelos?. Modelos de series de tiempo. Modelos de datos panel. Modelos de probabilidad. Modelos de cointegración.

Una variable dependiente binaria puede tomar únicamente dos valores discretos (0 y 1). Un ejemplo típico es la participación en el mercado laboral. ¿Cuál de los siguientes ejemplos corresponde a una variable dependiente binaria?. Nivel de educación (primaria, secundaria, universitaria). Decisión de compra (compra=1, no compra=0). Medio de transporte (coche, autobús, tren). Número de automóviles (0, 1, 2, 3 o más).

La distribución de Bernoulli es fundamental en los modelos de elección binaria, donde X toma valor 1 con probabilidad p (éxito) y valor 0 con probabilidad q=1-p (fracaso). Si en un modelo de Bernoulli la probabilidad de éxito es p=0.3, ¿cuál es la varianza de la variable X?. 0.09. 0.21. 0.30. 0.70.

Los modelos de elección discreta se clasifican según el número de alternativas disponibles. Cuando hay tres o más alternativas se denominan modelos multinomiales. ¿Cuál de los siguientes casos representa un modelo multinomial ORDENADO?. Elección de medio de transporte (coche, autobús, tren). Calificación crediticia (AAA, AA, A, BBB, BB). Elección de carrera universitaria. Preferencia de marca de automóvil.

En econometría, existen diferentes formas funcionales para relacionar las variables dependientes e independientes. El modelo log-lineal tiene la forma: LN(Yi) = β₀ + β₁Xi + Ui En el modelo log-lineal, ¿cómo se interpreta el coeficiente β₁?. Efecto marginal directo. Semielasticidad (cambio porcentual en Y por unidad de X). Elasticidad constante. Cambio absoluto en Y.

Los modelos Logit y Probit son alternativas al Modelo Lineal de Probabilidad para resolver los problemas de predicciones fuera del rango ¿Cuál es la principal ventaja de los modelos Logit y Probit sobre el MLP?. Son más fáciles de estimar. Requieren menos supuestos. Garantizan probabilidades entre 0 y 1. Tienen interpretación más directa.

Un investigador estima el siguiente modelo log-log: LN(Ventas) = 2.5 + 0.8×LN(Publicidad) + u. El coeficiente de LN(Publicidad) es estadísticamente significativo. ¿Cómo se interpreta el coeficiente 0.8 en este modelo?. Un peso adicional en publicidad aumenta las ventas en 0.8 unidades. Un 1% de aumento en publicidad aumenta las ventas en 0.8%. Un 1% de aumento en publicidad aumenta las ventas en 80%. La publicidad explica el 80% de la variación en ventas.

En los modelos econométricos, las variables se clasifican según su naturaleza y rol en el modelo. Las variables endógenas son aquellas que el modelo busca explicar. En un modelo que explica el consumo familiar en función del ingreso y la edad del jefe de hogar, ¿cuáles son las variables endógenas y exógenas respectivamente?. Endógena: ingreso; Exógenas: consumo y edad. Endógena: consumo; Exógenas: ingreso y edad. Endógena: edad; Exógenas: consumo e ingreso. Todas son endógenas.

El modelo Logit y el modelo Probit utilizan diferentes funciones para estimar probabilidades en presencia de variables binarias. Seleccione la respuesta correcta: Ambas usan una distribución exponencial. El modelo Logit utiliza la distribución normal. El modelo Logit usa una función logística y el Probit una función normal estándar. Ambas funciones son lineales.

Si la variable dependiente de un modelo de regresión es cualitativa y toma solo dos valores (ej., 1 si "sí" y 0 si "no") ¿A qué tipo de variable corresponde?. Variable continua. Variable ordinal. Variable multinomial. Variable binaria o dicótoma.

El Modelo Lineal de Probabilidad (MLP) asume que la probabilidad de ocurrencia de un evento aumenta linealmente con las variables explicativas. ¿Cuál es la principal implicación de este supuesto?. Las probabilidades estimadas siempre están dentro del rango [0, 1]. Los errores son homocedásticos. El efecto marginal de las variables explicativas es constante. La bondad de ajuste (R2) es siempre alta.

Considere un modelo donde se busca explicar la participación en la fuerza laboral (PFL) de hombres adultos, donde la PFL es 1 si la persona está en la fuerza laboral y 0 si no lo está. ¿Cuál sería la interpretación de la esperanza condicional E(Y∣X) en este contexto, si se utiliza un Modelo Lineal de Probabilidad?. El número de éxitos en n intentos. El valor promedio de la PFL. El cambio continuo en la PFL por unidad de X. La probabilidad de que un individuo esté en la fuerza laboral dadas sus características.

Los modelos de regresión Logit y Probit se utilizan para explicar fenómenos donde la variable dependiente es cualitativa binaria, como por ejemplo, decidir entre "sí" o "no". ¿Cuál de las siguientes afirmaciones describe correctamente una diferencia entre los modelos Logit y Probit?. El modelo Probit usa una función logística con colas más anchas. Ambos modelos tienen coeficientes que se interpretan como pendientes constantes. El modelo Logit tiene colas más anchas, dando mayor probabilidad a valores extremos. El modelo Probit se estima por mínimos cuadrados ordinarios.

Las series temporales se utilizan ampliamente en economía, meteorología y otras disciplinas para analizar cómo evoluciona una variable a lo largo del tiempo. ¿Cuál es la característica esencial que define a una serie temporal?. Las observaciones no siguen un orden cronológico. Las observaciones están ordenadas y espaciadas de forma equidistante en el tiempo. Siempre presentan comportamiento estacional. Sus valores son generados por una función determinista.

En el análisis econométrico de series temporales, uno de los primeros pasos consiste en identificar los componentes de la serie observada. ¿Cuáles son los tres componentes básicos de una serie temporal?. Tendencia, media, autocorrelación. Estacionalidad, autocorrelación, heterocedasticidad. Tendencia, estacionalidad y componente aleatoria. Estacionalidad, ciclo, error estándar.

Existen distintos tipos de frecuencia en series temporales, dependiendo del intervalo de tiempo entre observaciones. ¿Qué tipo de frecuencia tiene una serie con datos anuales del PIB?. Alta frecuencia. Baja frecuencia. Ultradiaria. Estocástica pura.

Una característica común en muchas variables económicas es que presentan fluctuaciones sistemáticas en ciertos meses del año. ¿Qué componente de una serie temporal representa este comportamiento?. Tendencia. Ruido blanco. Estacionalidad. Persistencia.

Las series no estacionarias son aquellas donde existe una evolución sistemática en el tiempo que puede ocultar otros patrones importantes. ¿Qué transformación se recomienda aplicar para convertir una serie no estacionaria en estacionaria?. Estimar por mínimos cuadrados ordinarios. Diferenciar la serie temporal. Aumentar la frecuencia de muestreo. Ajustar mediante regresión logística.

En los modelos Logit y Probit, los coeficientes no tienen una interpretación directa como cambios constantes en la variable dependiente. Para interpretar su efecto se calculan los efectos marginales. ¿Qué implica un coeficiente positivo en un modelo Logit respecto a la variable explicativa?. Que el efecto es constante para cualquier valor de X. Que a mayor valor de la variable, mayor es la probabilidad del evento analizado. Que la variable no tiene relación con la probabilidad del evento. Que la variable se debe eliminar del modelo.

Se estimó un modelo Logit donde el coeficiente para la variable “ingresos” fue 1.2. La media de ingresos en la muestra es 2.5. ¿Cuál es el signo y la interpretación del efecto marginal de esta variable?. Negativo, indica que a mayor ingreso, menor probabilidad del evento. Positivo, ya que el signo del coeficiente determina la dirección del efecto marginal. Nulo, ya que el ingreso está en su media. Inconcluso, pues no se puede calcular sin la varianza.

Los efectos marginales en modelos no lineales varían con el valor de las variables explicativas, lo que implica una interpretación contextualizada. ¿Cómo afecta el valor de las variables explicativas al efecto marginal en los modelos Logit y Probit?. El efecto marginal depende del valor específico de X y no es constante. El efecto marginal es siempre positivo si el coeficiente lo es. El efecto marginal no cambia con los valores de X. No hay manera de estimarlo sin normalizar la variable.