MO..LOS4

Seleccione la alternativa correcta: ¿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 Se puede concluir que el modelo de regresión lineal: Tiene autocorrelación positiva. Tiene autocorrelación negativa. Tiene ausencia de autocorrelación. No se puede concluir nada acerca de la autocorrelación.

Complete el siguiente enunciado: 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.

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 el modelo clásico de regresión lineal, el supuesto que garantiza que los valores esperados de los errores sean iguales a cero se denomina: ¿Cómo se llama este supuesto?. Linealidad en los parámetros. Homocedasticidad. Esperanza cero. No autocorrelación.

La siguiente metodología estima un modelo de regresión ajustando el sesgo de los errores correlacionados a través de regresiones auxiliares. ¿Qué método se describe?. Método de mínimos cuadrados en dos etapas (2SLS). Método de Durbin-Watson. Método de correlograma. Método de mínimos cuadrados ordinarios (OLS).

La práctica de incluir una variable explicativa irrelevante en un modelo econométrico puede llevar a: ¿Cuál es el efecto de este error?. Mejorar el ajuste del modelo. Aumentar la varianza de los coeficientes. Reducir el tamaño de la muestra. Disminuir la multicolinealidad.

De acuerdo con los siguientes resultados del test de Shapiro-Francia, ¿los datos tienen una distribución normal?. Sí, los datos tienen una distribución normal. No, los datos no tienen una distribución normal. Los datos no son concluyentes respecto a la normalidad. No se puede determinar si los datos tienen una distribución normal con esta.

Para evaluar la presencia de autocorrelación en un modelo de regresión, se utiliza la estadística de Durbin-Watson con valores críticos establecidos, identifique la conclusión correcta. Existe autocorrelación positiva. No hay autocorrelación. Existe autocorrelación negativa. Se rechaza el modelo por inconsistencias.

La autocorrelación puede presentarse tanto en series de tiempo como en datos de corte transversal. ¿Cuándo ocurre la autocorrelación en un modelo de regresión?. Cuando los errores no tienen correlación entre sí. Cuando la covarianza entre los términos de perturbación es distinta de cero. Cuando los errores son independientes y homogéneos. Cuando las variables dependientes están perfectamente explicadas.

Explique cómo la heterocedasticidad afecta las estimaciones obtenidas mediante el método de mínimos cuadrados ordinarios (MCO) ¿Cuáles son las consecuencias de la heterocedasticidad en el método de mínimos cuadrados ordinarios?. Los estimadores son lineales, insesgados y eficientes. Los estimadores son lineales e insesgados, pero no eficientes. Los estimadores son no lineales y sesgados. Los intervalos de confianza y las pruebas estadísticas no se ven afectados.

Describa el método utilizado para corregir la heterocedasticidad en un modelo de regresión lineal. ¿Qué método permite ajustar la heterocedasticidad en un modelo econométrico?. Mínimos cuadrados ordinarios (MCO). Análisis de varianza (ANOVA). Mínimos cuadrados generalizados (MCG). Regresión robusta estándar.

Identifique las pruebas utilizadas para detectar la heterocedasticidad en un modelo de regresión lineal. ¿Qué pruebas son efectivas para identificar la heterocedasticidad?. Breusch-Pagan, White y Glejser. Dickey-Fuller y Engle-Granger. Durbin-Watson y prueba de Jarque-Bera. Prueba de Kolmogorov-Smirnov y Shapiro-Wilk.

La presencia de autocorrelación en los residuos de un modelo de regresión se puede detectar mediante una herramienta estadística específica. ¿Qué herramienta permite identificar si los residuos consecutivos de un modelo están correlacionados?. Prueba de Dickey-Fuller. Prueba de Durbin-Watson. Estadístico VIF (Variance Inflation Factor). Estadístico de Breusch-Pagan.

En un modelo VAR, seleccionar el número óptimo de rezagos requiere un criterio que equilibre la complejidad y la pérdida de información del modelo. ¿Qué indicador estadístico identifica el número de rezagos que minimiza la pérdida de información en un modelo VAR?. Grado de significancia de las variables. Prueba de estacionariedad de Dickey-Fuller. Criterio de información de Akaike (AIC). Estimación del coeficiente de correlación.

El modelo autorregresivo AR(1) se considera estacionario cuando se cumple una condición específica en el coeficiente autorregresivo. ¿Cuál es la condición que debe satisfacer el coeficiente autorregresivo para asegurar la estacionariedad?. El coeficiente de autocorrelación debe ser menor a 1 en valor absoluto. El coeficiente de autocorrelación debe ser igual a 1. La tendencia debe ser constante en el tiempo. El error debe seguir una distribución normal.

La función de autocorrelación muestral es la razón entre la covarianza muestral y la varianza muestral. ¿En qué tipo de análisis econométrico se utiliza principalmente esta función?. Análisis de corte transversal. Análisis de regresión múltiple. Análisis de series de tiempo. Análisis de datos cualitativos.

El modelo logit se utiliza para modelar variables dependientes cualitativas. ¿Cuál es una característica fundamental de este modelo?. Predice valores continuos. Asume que los errores son heteroscedásticos. Utiliza la función logística para predecir probabilidades. Solo puede usarse con datos de corte transversal.

En un modelo autorregresivo de primer orden (AR(1)), el valor actual del término de error depende del valor del término de error anterior. ¿Qué coeficiente mide la relación entre estos términos?. Coeficiente de regresión. Coeficiente de correlación múltiple. Coeficiente de autocorrelación. Coeficiente de determinación.

Cuando se analiza la multicolinealidad, se busca determinar si las variables explicativas están correlacionadas entre sí. ¿Cuál de los siguientes problemas puede surgir debido a la multicolinealidad?. Disminución del tamaño de la muestra. Aumento de la precisión de los estimadores. Incremento del R cuadrado ajustado. Inestabilidad de los coeficientes estimados.

El modelo de regresión log-lineal se usa para estimar relaciones donde los efectos porcentuales son relevantes. ¿Cómo se transforma la variable dependiente en este modelo?. Se toma el logaritmo de la variable independiente. Se toma el logaritmo de la variable dependiente. Se multiplica la variable dependiente por una constante. Se eleva la variable dependiente al cuadrado.

El método de mínimos cuadrados ordinarios (MCO) es el más utilizado para estimar los coeficientes de regresión. ¿Qué supuesto es fundamental para la validez del MCO?. No existencia de autocorrelación. Presencia de multicolinealidad. Heteroscedasticidad en los errores. Distribución no normal de los errores.

¿Cuál es el principal propósito de realizar pruebas de significancia en modelos econométricos, y cómo se utiliza el valor p para interpretar los resultados? Explicación y aplicación. Para demostrar la causalidad entre variables; el valor p debe ser superior a 0.05. Para evaluar si los coeficientes estimados son estadísticamente diferentes de cero; el valor p debe ser inferior a un nivel de significancia determinado (e.g., 0.05). Para confirmar que el modelo cumple con los supuestos clásicos; el valor p no tiene relevancia. Para decidir si una variable debe ser excluida del modelo; el valor p no es considerado.