EXAMEN COMPLEXIVO

Es un conjunto de observaciones ordenadas sobre una determinada variable obtenidas en intervalos regulares de tiempo. Corte transversal. Series temporales. Datos de panel. Datos cualitativos.

Seleccione la premisa correcta. Trazar los datos en un diagrama de dispersión. Seleccionar un estadístico de correlación. Analizar el coeficiente de correlación. Estimar el coeficiente de regresión.

Para realizar el análisis de la correlación: -1 y +1. +1 y 0. -1 y 0. -1 al infinito.

Cuando los datos no cumplen el supuesto de distribución normal. Pearson. Spearman y Chi2 de Pearson. Spearman. Chi2 de Pearson.

Cuando las variables son cuantitativas continuas y están normalmente distribuidas. Pearson. Kendall. Spearman. V Cramer.

Cuando la variable dependiente actúa sobre un conjunto de variables independientes. Correlación simple. Correlación múltiple. Correlación parcial. Correlación directa.

Cuando el valor de una variable aumentará y la otra disminuirá respectivamente, o viceversa. Correlación positiva. Correlación negativa. Correlación nula. Correlación directa.

Su coeficiente es 0, por lo que no existe correlación entre las variables. Correlación imperfecta. Correlación negativa. Correlación nula. Correlación simple.

Cuando tenemos un valor de -1. Hay una correlación negativa perfecta. Hay una correlación positiva perfecta. Hay una correlación negativa moderada. Hay una correlación positiva moderada.

La variable endógena “Y”. Explicativa. Independiente. Regresora. Controlada.

La variable exógena “X”. Predictora. Dependiente. Controlada. Regresada.

Seleccione la alternativa correcta: Predecir el posible comportamiento de la variable explicada ante cambios en la variable explicativa. Evaluar la significancia estadística y la bondad de ajuste entre los resultados reales y los obtenidos con el modelo. Determinar el valor de los parámetros que conectan cada una de las variables explicativas con la explicada. Determinar el valor de las variables que conectan cada una de las variables exponenciales con las radicales.

Complete el siguiente enunciado: Para que un modelo de regresión lineal simple sea adecuado y pueda realizar una predicción consistente. La variable …………………………………..debe ser fuertemente……………. Explicativa; exógena. Explicada; endógena. Regresada; endógena. Dependiente; exógena.

Seleccione la alternativa correcta: Predecir el posible comportamiento de la variable explicada ante cambios en la variable explicativa. Evaluar la significancia estadística y la bondad de ajuste entre los resultados reales y los obtenidos con el modelo. Determinar el valor de los parámetros que conectan cada una de las variables explicativas con la explicada. Determinar el valor de las variables que conectan cada una de las variables exponenciales con las radicales.

Complete el siguiente enunciado: Para que un modelo de regresión lineal simple sea adecuado y pueda realizar una predicción consistente. La variable …………………………………..debe ser fuertemente……………. Explicativa; exógena. Explicada; endógena. Regresada; endógena. Dependiente; exógena.

β1 nos daría el cambio porcentual esperado en Y cuando X aumenta un uno por ciento. Log-nivel. Nivel-log. Log – log. Nivel – nivel.

En el análisis de regresión lineal, si la predicción de una variable de respuesta cuantitativa se realiza a partir de dos o más variables predictoras cualitativas. Regresión lineal simple. Regresión lineal múltiple. Regresión lineal ANOVA. Regresión logística.

La predicción de una variable de respuesta cualitativa a partir de una o más predictoras cuantitativas o cualitativas. Regresión multivariada. Regresión lineal múltiple. Regresión polinomial. Regresión logística.

Complete el siguiente enunciado: La recta y = a +bx es una recta de regresión. Donde el parámetro a es el .................................... de la recta y el parámetro b es la………………………… .........................................., indica cómo cambia la variable respuesta cuando el incremento de X es una unidad. Término independiente (intercepto/constante); pendiente de la recta. Variable independiente; variable dependiente. Término de perturbación (error); pendiente de la recta. Término independiente (intercepto/constante); término de perturbación (error).

En el análisis de regresión lineal: Generalmente, la estimación de los parámetros poblacionales se da a partir de un conjunto de datos, usando el método de ………………………………………. Máxima Verosimilitud. Variables Instrumentales. Mínimos Cuadrados Parciales. Mínimos Cuadrados Ordinarios.

El Índice de Desarrollo Humano de 12 países europeos durante el periodo 2000 – 2022. Datos de corte transversal. Datos de panel. Series temporales. Datos agrupados.

En el análisis de un modelo de regresión lineal: Estimación de los parámetros desconocidos; interpretación e inferencia estadística; predicción. Estimación de los residuos; inferencia estadística; análisis de estimaciones. Estimación de los resultados; inferencia estadística; interpretación de los residuos. Estimación de los parámetros conocidos; interpretación de los residuos; predicción.

Completar el siguiente enunciado El análisis de regresión lineal permite identificar los cambios de la (s) ………………………en función de los cambios de las ……………………………. Variable (s) dependiente (s); variable(s) independiente(s). Variable(s) independiente (s); variable(s) dependiente (s). Variable(s) dependiente (s); parámetro (s). Variable(s) independiente (s); parámetro (s).

La siguiente nomenclatura : Ecuación de regresión estimada. Parámetros desconocidos. Parámetros conocidos. Estadísticos muestrales.

La siguiente definición: Implica que el incremento de Y ante cambios en X es siempre igual, independiente del nivel de X. Modelo lineal. Modelos semi logarítmicos. Modelos recíprocos. Modelos logarítmicos.

Seleccione la interpretación correcta del siguiente modelo de regresión: B1 nos daría el cambio esperado en Y cuando X varía en una unidad. B1 nos daría el cambio porcentual esperado en Y cuando X aumenta un uno porciento. B1/100 nos daría el cambio esperado en Y cuando X aumenta un uno porciento. B1 *100 nos daría el cambio porcentual esperado en Y cuando X aumenta en una unidad.

Funciones de la econometría: Probar teorías contables o hipotéticas. Efectuar estimaciones algorítmicas de los indicadores de las relaciones sociales y políticas. La predicción de sucesos administrativos. el contraste de teorías económicas o hipótesis, realizar estimaciones numéricas de los coeficientes de las relaciones económicas y la predicción de sucesos económicos.

¿Cuál sería la interpretación correcta del coeficiente de correlación estimado?. Existe una correlación positiva lineal muy fuerte entre los años de educación y el salario promedio por horas. Existe una correlación positiva lineal moderada entre los años de educación y el salario promedio por horas. Existe una correlación negativa lineal débil entre los años de educación y el salario promedio por horas. Existe una correlación positiva no lineal muy baja entre los años de educación y el salario promedio por horas.

El siguiente modelo ¿A qué tipo de modelo econométrico hace referencia?. Modelo lineal. Modelo no lineal. Modelo exponencial. Modelo dinámico.

Acorde a los resultados del modelo de regresión estimado: El parámetro B1 no es estadísticamente significativo. El parámetro B1 es estadísticamente significativo. El R2 indica que el modelo es estadísticamente significativo. El parámetro B0 no es estadísticamente significativo.

La siguiente afirmación: Se realiza predicciones o pronósticos del valor medio de la variable dependiente del modelo. Especificación del modelo econométrico. Estimación del modelo econométrico. Validación o diagnóstico del modelo econométrico. Explotación (uso) del modelo econométrico.

Completar la siguiente definición: El análisis de regresión se relaciona en gran medida con la estimación y/o predicción de la …………. (de la población) o valor promedio de la………………, con base en los valores conocidos o fijos de las………... Media; variable dependiente; variables explicativas. Media; variable independiente; variables explicativas. Media; variable explicativa; variable dependiente. Media; variable independiente; variables exploratorias A.

Completar el siguiente enunciado: Una ……………………………. es simplemente el lugar geométrico de las medias condicionales de la variable dependiente para los valores fijos de la(s) variables explicativa(s). Curva de regresión poblacional. Recta de regresión poblacional. Ecuación de regresión poblacional. Ecuación de regresión exponencial.

En la Función de Regresión Poblacional: El término …………. es conocida como perturbación aleatoria o término de error estocástico. Xi. Yi. Ui. B1.

La diferencia entre un Modelo de Regresión Lineal Simple y un Modelo de Regresión Lineal Múltiple (MRLM): Por lo general depende de más de una variable independiente. Por lo general tiene más de un término de perturbación. Por lo general depende de más de una variable dependiente. Por lo general tiene dos términos de perturbación dependiente.

Cuál de los siguientes supuestos no corresponde al Modelo Clásico de Regresión Lineal?. Los parámetros estimados no son lineales. Normalidad (distribución normal de los errores). No colinealidad (no multicolinealidad). La varianza de los residuos es constante (homocedasticidad).

El supuesto de ………………………………. implica que un cambio unitario de X tiene el mismo efecto sobre Y con independencia del valor inicial de X. Linealidad en los parámetros. Naturaleza de las variables X. No colinealidad (no multicolinealidad). Homocedasticidad.

Cuando un modelo de regresión lineal no cumple con el supuesto de linealidad en los parámetros, se dice que existe…. …………. Un error de especificación. Valores atípicos. Una distribución normal en las variables. Multicolinealidad.

¿El supuesto del Modelo Clásico de Regresión Lineal que se debe validar sobre la naturaleza de las variables explicativas es la?. Autocorrelación. Normalidad. Homocedasticidad. Multicolinealidad.

¿El supuesto del Modelo Clásico de Regresión Lineal que se debe validar sobre los residuos del modelo estimado es la?. Modalidad. Correlación. Elasticidad. Normalidad, Autocorrelación y Homocedasticidad.

La siguiente definición: “El error , tiene una misma varianza dado cualquier valor de la variable explicativa”. ¿A qué supuesto del teorema de Gauss-Markov hace referencia?. Media Condicional Cero. Homocedasticidad. Variación muestral de la variable explicativa. Muestra Aleatoria.

La siguiente definición: Mide la bondad de ajuste de la ecuación de regresión; es decir, da la proporción o porcentaje de la variación total en la variable dependiente Y explicada por la variable (única) explicativa X. El coeficiente de determinación (R2). El coeficiente de correlación. Error estándar. Valor t.

De acuerdo con la formula del cálculo del coeficiente de determinación (R2): R2 = SCR / STC. Suma de cuadrados total. Suma de cuadrados explicada. Suma de cuadrados de los residuos. Suma de cuadrados de la regresión.

Para realizar el análisis del coeficiente de determinación (R2). Valores entre 0 y 1. Valores entre -1 y -0. Valores entre -1 y 0. Valores entre -1 y +1.

…………………… determina si existe una relación estadísticamente significancia entre la variable dependiente y el conjunto de todas las variables independientes. La prueba F. La prueba t. El coeficiente de determinación (R2). El coeficiente de correlación.

Bajo el supuesto de que en una regresión estimada se obtiene un p-valor bajo (< 0.05). Esto indica que el coeficiente estimado es estadísticamente significativo, lo que implica que: Se puede rechazar la hipótesis nula (el parámetro es estadísticamente significativo). Se puede aceptar la hipótesis nula (el parámetro es no estadísticamente significativo). No se puede inferir nada sobre la hipótesis nula. Se infiere sobre la hipótesis alternativa}.

Seleccione el test (prueba) correcto para validar el supuesto de Heterocedasticidad. Test de Breusch-Pagan. Prueba de Ramsey. Test de Durbin y Watson. Test de Shapiro-Wilk.

Seleccione el test (prueba) correcto para validar el supuesto de Normalidad. Test de Jarque-Bera. Test de Breusch –Godfrey. Factor de Inflación de la Varianza (VIF). Test de Durbin – Watson.

El concepto fundamental del análisis de regresión consiste en estimar la …………………………. con base en la …………………………. La cual consiste en averiguar la forma en que varía el valor promedio de la variable …………………………. de acuerdo con el valor dado de la variable ………………………….. Función de Regresión Muestral, Función de Regresión Muestral, dependiente, independiente. Función de Regresión Poblacional, Función de Regresión Muestral, independiente, dependiente. Función de Regresión Muestral, Función de Regresión Poblacional, independiente, dependiente. Función de Regresión Poblacional, Función de Regresión Muestral, dependiente, independiente.

En el análisis de regresión lineal: Cuando hay más de una variable de respuesta Y, entonces el análisis se denomina …………………………. Regresión multivariante. Regresión múltiple. Regresión ANOVA multifactorial. Regresión univariante.

Los modelos de regresión con variables cualitativas llamados modelos …………………..son aquellos que se producen cuando en el mismo análisis aparecen variables explicativas continuas como categóricas. ANOVA. MANOVA. ANCOVA. MANCOVA.

La validación de un modelo econométrico consiste en: Predecir el posible comportamiento de la variable explicada ante cambios en la variable explicativa. Evaluar la significancia estadística y analizar la calidad del modelo (efectuar las pruebas de diagnóstico). Especificar un modelo basado en una teoría económica (modelo económico) previamente formulada, considerando una forma funcional correcta. Determinar el valor de los parámetros que conectan cada una de las variables explicativas con la explicada.

De acuerdo con la siguiente regla: Si una variable cualitativa tiene m categorías, sólo hay que agregar (m − 1) variables dicótomas. En el caso de no cumplir esta regla, se provocará: La trampa de la variable dicótoma; es decir, se tendrá una situación de perfecta colinealidad o perfecta multicolinealidad. La trampa de la variable dicótoma; es decir, se tendrá una situación de perfecta linealidad o colinealidad. La trampa de la variable dicótoma; es decir, se tendrá una situación de perfecta normalidad o perfecta multicolinealidad. La trampa de la variable independiente; es decir, se tendrá una situación de perfecta regresión multidimensional.

De acuerdo con los resultados del modelo de regresión estimado. Considerando un nivel de significancia del 5% (α=0.05), se puede determinar que: El parámetro asociado a la variable pcinc es no estadísticamente significativo. El parámetro asociado a la variable pop es no estadísticamente significativo. La constante o intercepto es estadísticamente significativa. El parámetro asociado a la variable área es estadísticamente significativo.

Señale la característica que no corresponde a las series temporales. Una serie temporal puede ser nominal u ordinal. Los datos tienen que estar perfectamente ordenados. Los datos han de ser homogéneos, no se puede cambiar de criterios, metodología, etc. Si se pueden predecir exactamente los valores, se dice que las series son determinísticas.

De los siguientes ejemplos de tipos de datos. ¿Cuál no corresponde a un ejemplo de series temporales?. Precio del petróleo durante los últimos 10 años. La tasa de desempleo desde el año 2007 a 2022. El peso actual de un grupo de 100 personas. Número de nacimientos anuales de los últimos 15 años.

Un supuesto importante del modelo clásico de regresión lineal es que todas las perturbaciones (ui) tienen la ……………………………. (σ2); por lo tanto, si este supuesto no se satisface, hay …………………………….. Diferente varianza; heterocedasticidad. Misma varianza; homocedasticidad. Misma varianza; heterocedasticidad. Diferente varianza; homocedasticidad.

Se puede definir como un cambio a largo plazo que se produce en relación con el nivel medio, o el cambio a largo plazo de la media. Tendencia. Efecto estacional. Componente Aleatoria. Componente irregular.

La serie temporal como realización de un proceso estocástico, tiene un proceso elemental de gran interés, donde los valores son independientes e idénticamente distribuidos a lo largo del tiempo con media cero e igual varianza. El ruido blanco o paseo aleatorio. Tendencia evolutiva. Componente estacional. Estacionaridad.

Si en el correlograma los valores decaen rápidamente a cero, se dice que…………………; por el contrario, si en el correlograma los valores decaen lentamente a cero, se dice que ………...................... El proceso Yt es estacionario; El proceso Yt es no estacionario. El proceso Yt es no estacionario; El proceso Yt es estacionario. El proceso Xt es estacionario; El proceso Xt es no estacionario. El proceso Xt es no estacionario; El proceso Xt es estacionario.

Seleccione la premisa que no corresponde a las principales características de los Procesos Autorregresivos (AR). Las autocovarianzas no llegan a anularse, por lo que la memoria es infinita. Un modelo AR siempre es invertible. Un modelo AR será estacionario si las raíces de la ecuación están fuera del círculo unitario. Un modelo AR siempre es estacionario.

Se asigna valores numéricos a los parámetros del modelo. ¿A qué etapa en la construcción de un modelo univariante ARIMA, hace referencia?. Identificación (especificación) inicial. Estimación. Validación del modelo. Predicción.

Supongamos que tenemos un modelo econométrico de series temporales, el cual se somete al test de Dickey-Fuller Aumentado, donde se obtiene un valor p de 0.035. Con base al nivel de significancia α=0.05. Se puede determinar que: Se rechaza la hipótesis nula de existencia de raíz unitaria, la serie es estacionaria. Se rechaza la hipótesis alternativa de existencia de raíz unitaria, la serie es estacionaria. Se rechaza la hipótesis nula de existencia de raíz unitaria, la serie es no estacionaria. Se rechaza la hipótesis alternativa de existencia de raíz unitaria, la serie es estacionaria.

¿Cuál de las siguientes alternativas no es un test (prueba) para evaluar la autocorrelación en un modelo de regresión lineal?. Test de Durbin y Watson. Test de Breusch-Godfrey. Test alternativo de Durbin. Test de Park.

¿Cuál de las siguientes alternativas no corresponde a un método gráfico para identificar la normalidad de los residuos en un modelo de regresión lineal?. Histograma. Diagrama de caja y bigotes. Gráfico de dispersión. Gráfico de densidad de Kernel.

¿Cuál de los siguientes contrastes corresponde a un método formal para identificar la multicolinealidad en un modelo de regresión lineal?. Test de Skewness/Kurtosis. Test de Breusch-Pagan. Factor de Inflación de la Varianza (VIF). Test de Ramsey.

¿Cuál es el método más efectivo para corregir la autocorrelación en un modelo de regresión lineal con series temporales a través del software estadístico Stata?. Tratamiento de los valores atípicos. Volver a estimar el modelo usando el algoritmo de Cochrane - Orcutt a través del comando prais Y X, cor. Aplicar a la regresión con MCO, el comando robust en Stata. Volver a estimar el modelo con MCG, a través del comando glm.

¿Cuál de las siguientes opciones no corresponde a una causa de la autocorrelación en un modelo de regresión lineal con series temporales?. Sesgo de especificación. Estacionariedad. Transformación errónea de los datos. Manipulación incorrecta de los datos.

De acuerdo con el resultado de la prueba estadística postestimación de un modelo de regresión lineal. Se puede determinar que: El modelo no tiene multicolinealidad. El modelo tiene multicolinealidad. El modelo tiene heterocedasticidad. El modelo tiene autocorrelación.

De acuerdo con el resultado de la prueba estadística postestimación de un modelo de regresión lineal. Se puede determinar que: El modelo tiene multicolinealidad. El modelo tiene normalidad. El modelo tiene heterocedasticidad. El modelo tiene autocorrelación.

De acuerdo con el resultado de la prueba estadística postestimación de un modelo de regresión lineal. Se puede determinar que: El modelo tiene multicolinealidad. El modelo tiene normalidad. El modelo tiene heterocedasticidad. El modelo tiene autocorrelación.

De acuerdo con el siguiente resultado de la prueba estadística de Durbin y Watson. Durbin-Watson d-statistic (5, 37) = 0.101366. Tiene autocorrelación positiva. Tiene autocorrelación negativa. Tiene ausencia de autocorrelación. No se puede concluir nada acerca de la autocorrelación.

La multicolinealidad es la relación de ………………………….. entre más de dos variables explicativas en un modelo regresión lineal múltiple que, a pesar de incumplirse este supuesto, los estimadores de MCO conservarán la propiedad ……………….. Dependencia lineal fuerte; MELI. Dependencia lineal fuerte; del MCRL. Independencia lineal fuerte; Gauss-Markov. Independencia lineal fuerte; ELIO.

De acuerdo con los resultados del modelo de regresión lineal estimado, se puede determinar que: Por cada año de experiencia adicional, el efecto esperado, sería un incremento en promedio de aproximadamente 5% en el salario. Por cada año de educación adicional, el efecto esperado, sería un incremento en promedio de aproximadamente 58 centavos de dólar en el salario. Por cada año de educación adicional, el efecto esperado, sería un incremento en promedio de aproximadamente 58 dólares en el salario. Por cada año de experiencia adicional, el efecto esperado, sería un incremento en promedio de aproximadamente 5 dólares en el salario.

De acuerdo con los resultados del modelo de regresión lineal estimado, se puede determinar que: Cuando un individuo está casado, el efecto esperado, sería un incremento en promedio de 66 dólares en el salario, en comparación a un individuo que está divorciado. Cuando un individuo es mujer, el efecto esperado, sería una disminución en promedio de aproximadamente 206 dólares en el salario, en comparación a un individuo que es hombre. Cuando un individuo está casado, el efecto esperado, sería un incremento en promedio de aproximadamente 66 centavos de dólar en el salario, en comparación a un individuo que está divorciado. Cuando un individuo es mujer, el efecto esperado, sería una disminución en promedio de aproximadamente 2.06% en el salario, en comparación a un individuo que es hombre.

De acuerdo con los resultados del modelo de regresión lineal estimado, se puede determinar que: La variable que más influye en el salario (wage) es el género (female). La variable que más influye en el salario (wage) es educación (educ). La variable que más influye en el salario (wage) es la experiencia (exper). La variable que más influye en el salario (wage) es estado civil (married).

En base a los resultados del modelo de regresión estimado, considerando que una mujer no es casada, tiene 14 años de educación y 7 años de experiencia. ¿Cuál es su salario por hora promedio?. 4.69 dólares. 3.56 dólares. -1.79 dólares. 5.74 dólares.

no vale. no. no.