El test de CHOW: El SCR1 tiene gl= (1-k) y el SCR ti2gl= (2-k) e Los términos de error u1t y u2t están dependientemente distribuidos Todas son falsas Consiste en que los términos de error de las represiones del primer periodo están
normalmente distribuidos con diferente varianza .
Indique una causa de autocorrelación Tratamientos como el alisado de series puede provocar un patrón artificial en
la conducta del término error Omisión de una variable relevante Efecto proximidad a trabajar con datos de corte transversal Todas son ciertas.
Indique la respuesta correcta En presencia de autocorrelación los estimadores son lineales, insesgados,
consistentes y distribuidos de forma asintóticamente normal como en la
heterocedasticidad
En presencia de autocorrelación los estimadores son lineales, insesgados,
consistentes y distribuidos de forma asintóticamente normal como en la
homocedasticidad En presencia de autocorrelación los estimadores son eficientes En presencia de autocorrelación los estimadores son lineales, sesgados,
consistentes y distribuidos con una normal.
En el contraste de Durbin-Watson: SC
De existir autocorrelación negativa los residuos serán diferentes De existir autocorrelación negativa, el estadístico d estará próximo al límite
inferior La relación de los residuos será intermedia si no hay autocorrelación Si hay autocorrelación positiva el valor del estadístico estará próximo a uno.
La prueba de Chow: En la prueba de Chow no se pueden establecer previamente criterios de
ruptura estructural En la prueba de Chow solo se pueden establecer posteriormente los criterios
de ruptura estructura Con la prueba de Chow se dictamina cuando ocurrió en verdad el cambio
estructural Todas son falsas.
Cuando los estimadores MCO sin insesgados y consistentes, pero no eficientes: La inferencia estadística se mantiene constante
Es una causa de autocorrelación Serán los de mínima varianza Es una consecuencia de la autocorrelación.
En el contraste de Durbin-Watson: Ho: ρo=0 Ho: ρo≠0 H1= 0>IpI>1 H1= 0<IpI>1.
Cuando existe autocorrelación: E(β)=0 E(εt, εo)=0 E(εt, εo)= β E(εt, εo)≠ 0 .
Indica la información correcta:
El problema de la autocorrelación se presenta especialmente cuando se disponen
de datos de series temporales
Hay autocorrelación en el modelo si E(ui·uj)≠0, i≠j
Hay autocorrelación en el modelo si Cov(ui·uj)=0, i≠j La omisión de las variables relevantes o especificación errónea de la relación
funcional son posibles causas de que exista autocorrelación en el modelo.
.
En el modelo lineal general Y=X3+u con perturbaciones no esféricas, es decir,
E(u)=0nx1 y Var(u)=σ2
·Ωnxni: Hay autocorrelación si Ω es una matriz diagonal (con diagonal no constante) Hay heterocedasticidad si Ω es una matriz cuya diagonal principal es
constantemente I y, del resto de elementos de la matriz, existe al menos uno no
malo Hay autocorrelación si Ω es una matriz cuya diagonal principal es
constantemente I y, del resto de elementos de la matriz, existe al menos uno no
malo Hay autocorrelación si Ω es una matriz cuya diagonal principal es
constantemente .
Indica la opción correcta: Bajo autocorrelacion, los estimadores obtenidos por MCO de β son lineales,
insesgados y óptimos (=eficientes)
Los contrastes de Durbin-Watson y Ljung-Box son métodos gráficos de
detección de la autocorrelacion El grafico de dispersión de los residuos et
, frente a algún retardo suyo et-k, k>0, es un método grafico para la detección de la autocorrelación El contraste de Durbin-Watson se basa en suponer que la perturbación aleatoria
viene definida por un proceso autorregresivo de segundo orden .
Al estimar a partir de 6 observaciones, el modelo en el que la variable endógena en el consumo público y la exógena el PIB, se ha obtenido: (hay imagen) Si se aplica el contraste de Durbin-Watson se tiene que este no se concluye (habría que buscar otra opción para estudiar si hay o no autocorrelación)
Si se aplica el contraste de Durbin-Watson se tiene que este no se concluye,habría Puesto que el contraste de Durbin- watson no es concluyente, se aplica el contraste de Ljung-Box concluyendo claramente que existe hetero en este
modelo Ninguna de las anteriores es correcta.
En el modelo lineal general Y=Xβ + u, se supone que la perturbación aleatoria es tal que E(u)=0nx1 y Var(u)=σ2
Inxni, entonces: cuando se incumple que Var(ut)=σ2 se dice que la perturbación aleatoria del modelo es incorrelada cuando se incumple que Cov(ui,uj)≠0 para todo j distinto de j, se dice que la perturbación aleatorio del modelo está autocorrelacionada cuando se incumple que Cov(ui,uj)=0 para todo j distinto de j, se dice que la perturbación aleatorio del modelo está autocorrelacionada Ninguna es correcta.
Al estimar por MCO un modelo lineal sobre el reparto de dividendo en 22 empresas a partir de sus beneficios se obtuvo: (hay imagen) Aplicando el contraste de Durbin-Watson hay autocorrelación en el modelo
Aplicando el contraste de Durbin-Watson no hay autocorrelación en el modelo Aplicando el contraste de h de Durbin no hay autocorrelación en el modelo Aplicando el contraste de h de Durbin hay autocorrelación en el modelo.
Se ha estimado por MCO que las ventas del producto V, en función de su precio P, durante 12 años obteniendóse: Aplicando el contraste de Ljung-Box hay autocorrelación en el modelo Aplicando el contraste de h de Durbin hay autocorrelación en el modelo Aplicando el contraste de Durbin-Watson no hay autocorrelación en el modelo
Aplicando el contraste de Durbin-Watson hay autocorrelación en el modelo
.
Indique la respuesta correcta respecto al termino correlación:
Indica la fuerza y la dirección de una relación lineal y proporcionalidad Todas son correctas en lo que al termino de correlación se refiere La correlación entre dos variables no implica, por si misma, ninguna relación de causalidad Se considera que dos variables cuantitativas están correlacionas, cuando los valores de una de ellas.
Si tras el contraste de Goldfeld y Quandt:
Cuanto mayor sea el estadístico F, mayor será la evidencia en contra de la hipótesis de heterocedasticidad Cuanto mayor sea el estadístico F, mayor ser la evidencia en contra de la hipótesis de homocedasticidad No existe autocorrelación, podría ser debido a una mala elección de la variable No existe homocedasticidad, podría ser debido a una correcta elección de la variable.
En la prueba de Park: Para establecer una función lineal de la prueba de Park usamos una transformación cuadrática Si la estimación del coeficiente α es estadísticamente significativa, obtendremos una clara evidencia de heterocedasticidad El valor de Yo es una estimación de la porción de constate heterocedastica de la varianza error Si la estimación del coeficiente α no es estadísticamente significativa, obtendremos una clara evidencia de heterocedasticidad.
La heterocedasticidad:
Es un problema que se da exclusivamente en los datos de sección cruzada Puede darse cuando hay parámetros que cambian con el tiempo Solo se produce por la agregación de datos Es un problema que se da exclusivamente en las series temporales.
Causas de heterocedasticidad:
La homocedasticidad es un problema que surge en muchas aplicaciones, sobre todo trabajando con series temporales Cuando alguno de los parámetros de un modelo es cambiante con el tiempo, podemos tener problemas de heterocedasticidad El estadístico t se encuentra sesgado a la baja mientras el F no se ve afectada Todas son falsa.
Indique la opción correcta: Todas son ciertas El contraste de Sargan permite conocer si la causa de la autocorrelación está causada por el error de especificación o se debe realmente a un problema en las perturbaciones aleatorias Box y Pierce desarrollaron un estadístico que basado en los cuadrados de los coeficientes de autocorrelación de las variables El contraste de Breusch-Goldfrey corrige la limitación cuando la heterocedasticidad sea debida a variables retardadas
.
Indique el supuesto de los modelos de regresión múltiple que no es común con los modelos de regresión simples Cualquiera de las variables explicativas no es una función lineal exacta de las otras, esto significa que no hay multicolinealidad. El tamaño del error de una observación no guarda relación con el tamaño probable de un error para cada observación Los errores aleatorios tienen distribuciones de probabilidad normal El modelo será estocástico
.
La expresión Var(ui/Xi)=σ2t para todo t Multicolinealidad Autocorrelacion Heterocedasticidad Homocedasticidad.
Incurrir en un error d especificación consistente e n la inclusión de variables irrelevantes. La información que contienen estas variables ya estaría incluida en otras y no añaden nada nuevo para explicar el comportamiento de la endógena: Todas son absolutamente falsas El enunciado de la pregunta hace referencia a la heterocedasticidad El enunciado de la pregunta hace referencia a una de las causas de la multicolinealidad Que el valor de las variables explicativas son tipos en muestras repetidas
.
Los procesos mixtos:
Un modelo ARMA (de orden p,q) se caracteriza por una sucesión de p parámetros autorregresivos y q términos de medias Un modelo ARMA (de orden p,q) se caracteriza por una sucesión de p variables explicativas autorregresivas y q términos de medias
Si el comportamiento de una variable se modeliza combinando procesos autorregresivos y de medias móviles se denomina AR(2) Todas son falsas.
Indique la afirmación correcta Los procesos mixtos se dan si el comportamiento de una variable se modeliza combinando procesos autorregresivos y de medias móviles, se denomina ARMA Para ver la existencia de autocorrelación no se pueden utilizar métodos Los procesos de medias móviles, por su parte, se estructuran estableciendo una relación de independencia de retardos de la variable de Ruido Blanco Los procesos autorregresivos están diseñados de modo que el comportamiento de una variable en un instante depende de valores futuros de la propia variable.
En la condición de orden para la identificación: Una ecuación en cualquier MES satisface la condición de orden para identificación si el número de variables exógenas excluidas de la ecuación es al menos el mismo que el número de variables endógenas del lado derecho Una ecuación en cualquier MES no satisface la condición de orden para identificación si el número de variables exógenas excluidas de la ecuación es al menos el mismo que el número de variables endógenas del lado derecho Una ecuación en cualquier MES satisface la condición de orden para identificación si el número de variables endógenas excluidas de la ecuación es al menos el mismo que el número de variables exógenas del lado derecho
Una ecuación en cualquier MES satisface la condición de orden para identificación si el número de variables endógenas excluidas de la ecuación es al menos el mismo que el número de variables endógenas del lado
derecho .
Respecto a los modelos de ecuaciones simultáneas MES): Solo se observan los parámetros en equilibrio, se requiere que se empiece el
razonamiento hipotético al construir variables de un MES
El punto más importante cuando se utilizan modelos de ecuaciones simultaneas es que cada ecuación en el sistema no debe tener interpretación ceferis paribus Son alternativas a la estacionalidad El punto más importante para recordar cuan se utilizan modelos de ecuaciones simultaneas es que cada ecuación en el sistema debe tener una interpretación casual, ceteris paribus .
En los MES
Una característica única de los modelos de ecuaciones simultaneas es que la variable endógena en una ecuación puede aparecer como variable explicativa en otra ecuación del sistema Tal variable explicativa endógena se convierte en estocástica y suele estar correlacionada con el termino de perturbación de la ecuación en el cual aparece como variable explicativa Todas son correctas En esta situación no es aplicable el metro clásico MCO porque los estimadores no convergen hacia sus verdaderos valores poblacionales sin importar lo grande que se la muestra.
El método MCO se aplica para estimar una sola ecuación enlazada a un sistema de ecuaciones simultaneas si una o más de las variables explicativas
están correlacionadas con el termino de perturbación en esa ecuación: Esta afirmación es rotundamente falsa, Esta afirmación es correcta Esta afirmación es correcta puesto que el MCO permite estimadores ELIO
Esta afirmación es falsa puesto que la E(Yt)=0
.
Una asunción del modelo de regresión múltiples sería: Cada error aleatorio tiene una distribución con media diferente de cero Var (e) = σ2 Cada error aleatorio tiene una distribución de probabilidad menor que 0 El tamaño de error guarda relación con el tamaño probable de otro error de la
observación.
En los modelos multiecuacionales La identificación es un sistema de dos ecuaciones es más complicada que en los
sistemas de tres o más ecuaciones La identificación en un sistema de dos ecuaciones se realiza de la misma forma que la de tres Todas son falsas La identificación de un sistema par se hace igual, que de cuatro o seis
ecuaciones
.
Indique la afirmación correcta:
En contraste con los modelos uniecuacionales, los de ecuaciones simultaneas contienen una variable dependiente, o endógena, lo cual requiere un numero de ecuaciones igual al número de variables endógenas En contraste con los modelos uniecuacionales, los de ecuaciones simultaneas contienen más de una variable dependiente, o endógena, lo cual requiere un numero de ecuaciones igual al número de variables endógenas En contraste con los modelos uniecuacionales, los de ecuaciones simultaneas contienen más de una variable dependiente, no endógena, lo cual requiere un numero de ecuaciones no igual al número de variables endógenas Todas son falsas.
Al referirnos a la varianza y covarianza de los estimadores
minimocuadráticos:
Las variantes y covarianzas de los estimadores minimocuadráticos no nos dan información sobre la fiabilidad de los estimadores β1, β2, β3 Como los estimadores minimocuadráticos son sesgados, las variantes pequeñas llevan a a mayor probabilidad que los estimadores se acerquen a los verdaderos valores En k=3 podemos expresar las covarianzas pero no las varianzas en una forma algebraica. Las varianzas y covarianzas de los estimadores minimocuadráticos nos dan información sobre la fiabilidad de los estimadores β1, β2, β3.
. Indique la expresión correcta: Cov (yi,yj)= cov (ei,ej)=0 eN(0,Ơ2) todas son ciertas E( e)= 0.
Cuando hacemos referencia a cov(Ui, Uj/ Xi, Xj)=0, indicamos:
Que las perturbaciones Ui, Uj, están correlacionadas Que hay correlación serial Que las observaciones se muestran de forma independientes
Todas son falsas.
. ¿Hay dos formas distintas de probar hipótesis acerca de un único coeficiente? Si No No, porque en las pruebas de una cola del estadístico t es menos flexible Si, porque hay razones para emplear el estadístico F en la prueba de hipótesis de un solo parámetro
.
Que dice esta expresión?Var(β)=σ2(XT·X)-1 Que el estimador MCO de β es lineal Que el estimador MCO de β es insesgado Representa la expresión de la mínima varianza de un estimador lineal e
insesgado de β Representa la asimetría de los parámetros.
Indique la opción correcta:
E(y)= β1+ β2X2+ β3X3. El valor esperado (promedio) de y depende de los valores de las variables explicativas y los parámetros desconocidos. Esto equivale a E(e)≠0 E(y)= β1+ β2X2+ β3X3. El valor esperado (promedio) de y depende de los valores de las variables explicativas y los parámetros desconocidos. Esto equivale a E(e)=0
Todas son falsas E(y)= β1+ β2X2+ β3X3. El valor esperado (promedio) de X depende de los valores de las variables exógena y los parámetros desconocidos. Esto equivale a E(e )=0 .
Cuando denotamos e-N(0, σ2), decimos: Que los errores aleatorios e tienen distribuciones de probabilidad normal Que los errores aleatorios e2tienen distribuciones de probabilidad normal Que los errores aleatorios e2i tienen distribuciones de probabilidad Que los coeficientes aleatorios β tienen distribuciones de probabilidad normal.
. En la hipótesis de especificación correcta es: Los grados de libertad de un modelo se define como la diferencia entre el número de datos n y el número de variables explicativas K
Cuando hay un crecimiento sería la buena opción porque es la que más se aproxima a la realidad de la nube de puntos Supone que las k variables explicativas del modelo son aquellas variables relevantes que explican el comportamiento de la endógeno y que están todas
Supone que los parámetros β1, β2... βn son constantes en el tiempo
.
El valor esperado de y depende de los valores de las variables explicativas y los parámetros desconocidos Todas son correctas Equivale a denotar E(e )=0 El valor esperado de y depende de los valores de las variables explicativas y los parámetros desconocidos Indica que el valor medio de y cambia para cada observación y viene dada por la función de regresión E(y)= β1+ β2X2+ β3X3.
Cuando la E(ui)=0 El modelo de regresión está especificado La E(ui)=0 debe ser un número distinto de 0 Nos está indicando que no hay sesgo de especificación o de error de especificación en el modelo del análisis empírico Todas son ciertas.
En los procesos iterativos de Prais-Wimsten y Cochrane-Ocram para estimar
bajo auto:
En primer lugar se estima el modelo original por MCO
Se usan los residuos del ajuste anterior para estimar p Se usa la estimación de p para poder trasnformar el modelo y volve a estimarlo por MCO
Todas las opciones anteriores son pasos de los métodos mencionados y, por tanto, son correctas
.
La calidad estocástica en un modelo
econométrico es: Sinónimo de modelo erróneo: Aproximación a los deterministas Oposición al determinista Oposición a los modelos lineales.
Los modelos econométricos son estocásticos: Porque incluyen variables al azar y deterministas Oposición a los aleatorios Todas son falsas
Sentido determinista aleatorio.
¿Cuáles son las propiedades de los estimadores de β? Todas son falsas Eficientes, insesgados y autorregresivo Insesgados, eficientes y simétricos Idempotentes, simétricos, ortogonales y sin inversa.
Cuando hablamos de homocedasticidad hacemos referencia a: El termino dependiente estocástico se distribuye como una normal
El error en un momento de tiempo ayuda a predecir el error en un momento posterior El termino de error tiene igual dispersión o varianza
La perturbación posee una dispersión diferente para cada observación. .
Indique que define a los datos transversales:
Los datos hacen referencia a distintos individuos u objetos para diferentes momentos del tiempo Los datos se refieren a los distintos periodos de un rango de tiempo Los datos cubren, a un tiempo, un espacio temporal y transversal Los datos hacen referencia a distintos individuos u objetos para un mismo momento del tiempo.
Un modelo es estocástico por: Todas las respuestas son correctas Las respuestas humanas son impredecibles Errores de medición de la variable endógena Agregación de variables.
Indique la opción correcta:
Un modelo dinámico es aquel en el cual el tiempo tiene un papel esencial Un modelo estático no involucra dependencia explicita del tiempo No es sencillo convertir un modelo estático en dinámico, no basta con añadir subíndices de tiempo
Todas las respuestas son validas.
Indique la expresión para estudiar la bondad del ajuste R2= 1 + SCE/SCT R2= 1 – SCR/SCT R2= 1+ (SCT/SCE) R2= 1- (SCR/SCT).
Una estimación por de máxima verosimilitud:
Con el supuesto de normalidad se obtiene los MCO Gracias al teorema central del limite se puede demostrar que no existe un numero grande de variables aleatorias e independientes e idénticamente distribuidas, la suma de ellas seguirá una normal La distribución normal no es una distribución sencilla Sus propiedades teóricas han sido limitadamente estudiadas.
Sus propiedades teóricas han sido limitadamente estudiadas Los valores observados de las variables exógenas no deben cambiar al repetir el muestreo Los regresores son linealmente independientes Los grados de libertad son la diferencia entre las variables explicativas y regresoras Los datos de las variables explicativas son diferentes con muestras repetidas.
En Heterocedasticidad: Las gráficas proveen evidencia de homocedasticidad o heterocedasticidad sin necesidad de ulteriodes test Las gráficas sólo son útiles para detectar la homocedasticidad, pero no para la heterocedasticidad Los gráficos de dispersión de los residuos al cuadrado pueden daros una mera indicación de la relación de las variables independientes respecto a la variabilidad del término error Los intervalos de confianza tienden a ser muchos más amplios con lo que el verdadero coeficiente poblacional es cero al no ser MELI los estimadores MCO.
En la hipótesis de independencia lineal entre las variables explicativas Si el periodo muestral con el que se trabaja es muy amplio y heterogéneo, es más difícil mantener esta hipótesis que si la muestra es homogénea Implica que cada variable explicativa contiene información adicional sobre la endógena que no está contenida en otras Esta hipótesis implica que los datos de las variables explicativas son fijos en muestras repetidas Un modelo de demanda y oferta de un bien que se intercambia en un mercado competitivo en equilibrio.
|
