Predicción

Si estimamos el modelo: ln𝑌= 𝛽+𝛽 ln𝑋 +𝛽𝑋 +𝜀. Cuál de las afirmaciones siguientes es correcta. Si X1 se incrementa 1%, Y lo hace en 𝛽1%. Si 𝑋 se incrementa un 1%, Y lo hace en un 𝛽 unidades. Si 𝑋 se incrementa un 1%, Y lo hace un 100𝛽 unidades. Si 𝑋 se incrementa una unidad, Y lo hace en un 100𝛽%.

Suponga que la relación entre X (variable independiente) e Y es lineal. Si la constante vale 20 y la pendiente 2, cuando X=5 el valor esperado de Y será: 25. 22. 30. No puede afirmarse nada sobre el valor esperado de Y.

Para estandarizar una variable hay que. Restarle la mediana y dividir el resultado por su desviación típica. Restarle la media y dividir el resultado por su desviación típica. Restarle la mediana y dividir el resultado por su varianza. Restarle la media y dividir el resultado por su varianza.

Un investigador trata de estimar una función de consumo keynesiana para lo que dispone de datos de consumo agregado (Yt) y renta personal disponible (Xt), ambos expresados en millones de euros. Con estos datos obtiene: 𝑌= 1000 + 0,81𝑋. Si los datos de Yt hubieran estado expresados en miles de millones de euros y los de Xt en millones, los valores de 𝛽 y 𝛽 habrían sido: 1.000 y 0,81 respectivamente. 1 y 0,00081 respectivamente. 1 y 0,81 respectivamente. 1.000.000 y 810 respectivamente.

Señale cuál de las siguientes afirmaciones es falsa,. Un elevado valor de R2 (o del coeficiente de determinación corregido) no significa necesariamente que las variables explicativas sean la verdadera causa de la variable dependiente. Un elevado valor de R2 (o del coeficiente de determinación corregido) no significa necesariamente que tengamos un conjunto de regresores apropiados. Un elevado valor de R2 (o del coeficiente de determinación corregido) significa que cualquier variable añadida ya no será significativa. Un elevado valor de R2 significa que la suma cuadrática residual tiene un valor reducido en relación con el de la suma de los cuadrados total.

Señale cuál de los siguientes NO es un supuesto del modelo de regresión lineal: Ha de cumplirse que cov(X,ε) = 0 para todas las variables explicativas del modelo. El término de error ha de tener media nula. La variable dependiente no debe estar correlacionada con el término de error. La varianza del término de error ha de ser constante.

La expresión E(ε|X) = 0 indica: Que el cociente ε|X tiene media nula. Que la distribución del error condicionada a X tiene media nula. Que la media muestral de X es mucho mayor que la media del error. Ninguna es correcta.

De una regresión simple sabemos que SCR = 1 y SCE = 5. Entonces el coeficiente de determinación será: 1/6. 5/6. 4/5. No puede conocerse sin saber el tamaño muestral.

En modelo de regresión simple, la función de regresión poblacional: Siempre coincide con la función de regresión muestral. Es el valor esperado de 𝑌 condicionado a X. Responde a la expresión 𝑏+ 𝑏𝑋, siendo 𝑏 los estimadores 𝑀𝐶𝑂 de los parámetros poblacionales. Ninguna es correcta.

En un modelo de regresión simple la varianza del estimador de la pendiente será tanto menor: Cuanto menor sea el estimador de la constante. Cuanto mayor sea la variación de la variable explicativa. Cuanto mayor sea la varianza del error. Cuanto menor sea la variación de la variable explicativa.

Considere el modelo un modelo de regresión simple con 500 observaciones y cuya estimación es 𝛽^=3, con un error estándar de l. El intervalo al 95% de confianza para 𝛽 es: (2; 6). (2,04; 5,96). (1,04; 4,96). (1,43; 4,57).

Si escribimos un modelo de regresión con las variables expresadas en desviaciones con respecto a su media,. Los coeficientes de todos los parámetros de pendiente habrán cambiado al modificarse la escala. Debe incluirse siempre el término constante para que las pendientes no varíen. Las pendientes permanecen inalteradas. Ninguna es correcta.

Se ha estimado el modelo 𝑙𝑛(𝑌) = 𝛽+𝛽𝑙𝑛(𝑋 )+𝜀 . Señale cuál de las siguientes afirmaciones es correcta. Si X1 se incrementa un 1%, Y lo hace en 0,01𝛽unidades. Si X1 se incrementa un 1%, Y lo hace en 𝛽1%. Si X1 se incrementa un 1%, Y lo hace en un 100𝛽 unidades. Si X1 se incrementa un 1%, Y lo hace en un 𝛽 unidades.

Si una serie es integrada de orden uno: Lo más probable es que se trate de datos de corte transversal. Tomando logaritmos se convertirá en estacionaria. Es estacionaria. Ninguna es correcta.

Cuando utilizando el método ingenuo estacional, el pronóstico es,. La media de la variable objeto de estudio. La previsión es el último valor conocido. La previsión es la mediana de la variable objeto de estudio. Ninguna de las anteriores.

Considere la regresión 𝑌 = 𝛽^o+ 𝛽^1 𝐷i donde 𝐷i es una variable binaria. Entonces,. 𝛽^o es la media de 𝑌 para los valores en los que 𝐷i= 0 y 𝛽 la media de 𝑌 para los valores en los que 𝐷i= 1. 𝛽^o es la media de 𝑌 para los valores en los que 𝐷i= 0 y 𝛽^o y 𝛽^1 la media de 𝑌 para los valores en los que 𝐷i= 1. 𝛽^1 es la media de 𝑌 para los valores en los que 𝐷= 1 pero 𝛽^o es un mero parámetro de ajuste sin interpretación especial. Ninguna es correcta.

. ¿Cuál de las siguientes características define a un AR(1)?. Caída rápida en la función de autocorrelación parcial, y un solo retardo significativo autocorrelacionado. Caída rápida en la función de autocorrelación total, y un solo retardo significativo en la función de autocorrelación total. Caída rápida en la función de autocorrelación parcial, y un solo retardo significativo en la función de autocorrelación. Caída rápida de los retardos autocorrelacionados, y un sólo retardo significativo en la función de autocorrelación parcial.

Para analizar cómo influye en el salario de un trabajador, el hecho de pertenecer a un sindicato:. Solo puede plantearse una ecuación con una variable binaria y el resto de las variables variables explicativas, incluida la constante. Podrían utilizarse dos variables binarias si se excluye la constante. Deben incluirse necesariamente dos variables binaria. Ninguna es correcta.

El p-valor es,. El nivel de significación empleado en el contraste. El nivel de significación mínimo al que puede rechazarse la hipótesis nula. El nivel de significación máximo al que puede rechazarse la hipótesis nula. Ninguna es correcta.

Para estandarizar una variable debemos. Sumar y restar 1,96 veces la desviación típica de la variable. Restar la media y dividir por la desviación típica. Dividir la variable por la raíz cuadrada de la varianza. Ninguna es correcta.

El supuesto de esperanza condicionada nula [𝐸(𝜀 𝐗 ⁄ )=0] implica que: La media de las discrepancias estimadas es nula. Los errores no dependen del valor que tomen las variables explicativas. Los errores recogen la influencia del resto de variables no consideradas. Los valores de 𝑐𝑜𝑣(𝜀,𝜀) = 0,∀𝑖 ≠ 𝑗.

Señale cuál de las siguientes características de la series 𝑋 es incompatible con la estacionaridad : La media de 𝑋 es distinta de cero. La varianza de Xt no es constante. Los valores de la función de autocovarianza son distintos de cero. Ninguna es correcta.

Si estimamos el modelo: ln𝑌=𝛽^o+𝛽^1 ln𝑋1 +𝛽^2𝑋2 +𝜀. Cuál de las afirmaciones siguientes es correcta. Si 𝑋2 se incrementa 1%, Y lo hace en 𝛽^2%. Si 𝑋2 se incrementa un 1%, Y lo hace en un 𝛽^2 unidades. Si 𝑋2 se incrementa un 1%, Y lo hace un 100𝛽^2 unidades. Si 𝑋2 se incrementa una unidad, Y lo hace en un 100𝛽^2%.

La especificación 𝑆𝑎𝑙𝑎𝑟𝑖𝑜=𝛽𝐸𝑑𝑢𝑐𝑎𝑐𝑖ó𝑛+𝛽𝐸𝑚𝑖𝑔𝑟𝑎𝑛𝑡𝑒+𝛽𝑁𝑎𝑐𝑖𝑜𝑛𝑎𝑙 +𝜀 . Donde los salarios (Salario) dependen del nivel de estudios (Educación) y de dos binarias (Emigrante y Nacional) con valor unitario para los Emigrantes en la primera y valor unitario para los No Emigrantes en la segunda. Diría que,. Falta información para saber si se puede estimar o no. Se puede estimar sin problema. Hay multicolinealidad perfecta. Ninguna es correcta.

En el modelo de regresión, si la suma cuadrática residual es nula, el coeficiente de determinación. Estará entre 0 y 1. Puede ser negativo. Será 1. Será nulo.

El rango intercuartílico. Es una medida de posición. Es una correlación. Es una medida utilizada para la previsión. Es una medida de dispersión.

Los contrastes de hipótesis basados en las regresiones restringida e irrestricta del tipo ( SCRr/SCRnr)/q /(SCRnr/n-k-1 ) , se comporta como: Una 𝐹. Una 𝜒2 . Una t. Ninguna es correcta.

El estimador de la varianza de los errores del modelo de regresión simple es,. 𝑆𝐶𝑅 ⁄ N. S𝐶𝑅/ (𝑁−1). S𝐶𝑅/ (𝑁−2). SCR/(N-3).

Un investigador estima la ecuación 𝑌=𝛽o+𝛽1𝑋t+ε . Dispone de 80 observaciones de 𝑋 e 𝑌, ambas están expresadas en euros. Si 𝛽1=0,8 y el valor de 𝑋t es su media, entonces el pronóstico será: La media de Y. El 0,8 de la media de X. Con los datos que tenemos no lo podemos calcular. Ninguna es correcta.

En un modelo de regresión simple con covarianza negativa, si el valor de la variable explicativa es superior a su media obtendremos una previsión de la variable explicada. Superior a su media. Inferior a la media. Igual a la media. Ninguna es correcta.

Consideramos que una observación es atípica cuando. El valor es distinto del usual. El error estándar es superior a 1,96 en términos absolutos. Cuando los valores estandarizados son superiores a 3 en términos absolutos. Ninguna es correcta.

Si se incumple el supuesto 𝑣𝑎𝑟(𝜀|𝐗) = 𝜎 entonces los estimadores: Dejan de ser consistentes. No los podemos estimar. Deja de ser insesgados. Ninguna es correcta.

Si los errores de un modelo de regresión presentan una alta autocorrelación negativa, el valor del estadístico de Durbin y Watson: Estará próximo a cero. Estará próximo a cuatro. Estará próximo a dos. Estará alejado de dos, pero puede estarlo hacia cero o hacia cuatro.

Se ha estimado el modelo 𝑌= 𝛽^o+𝛽^1𝑙𝑛(𝑋 )+𝜀 . Señale cuál de las siguientes afirmaciones es correcta,. Si X1 se incrementa un 1%, Y lo hace en 0,01 𝛽^1 unidades. Si X1 se incrementa en una unidad, Y lo hace en un 100𝛽^1%. Si X1 se incrementa en una unidad, Y lo hace en un 100𝛽^1 unidades. Si X1 se incrementa una unidad, Y lo hace en un 0,01𝛽^1%.

El coeficiente de determinación corregido. Puede ser mayor que el coeficiente de determinación. Puede ser mayor que la unidad. Puede ser negativo. Ninguna de las anteriores es cierta.

Cuando utilizando el método ingenuo, el pronóstico es,. La media de la variable objeto de estudio. La previsión es el último valor conocido. La previsión es la mediana de la variable objeto de estudio. Ninguna de las anteriores.

¿Cuál de las siguientes características define a un MA(1)?. Caída rápida en la función de autocorrelación parcial, y un solo retardo significativo autocorrelacionado. Caída rápida en la función de autocorrelación total, y un solo retardo significativo en la función de autocorrelación parcial. Caída rápida en la función de autocorrelación parcial, y un solo retardo significativo en la función de autocorrelación total. Caída rápida de los retardos autocorrelacionados, y un sólo retardo significativo en la función de autocorrelación parcial.

En la ecuación ý= 2 +5𝑥 −0,1𝑥^2 donde 𝑦 es la calificación en la prueba de selectividad y 𝑥 el nivel de renta de la familia (miles de euros), el nivel de renta que maximiza la calificación es. 7. 5. 25. Ninguna de las anteriores.

Si los errores de un modelo de regresión presentan una alta autocorrelación negativa, el valor del estadístico de Durbin y Watson: Estará próximo a cero. Estará próximo a cuatro. Estará próximo a dos. Estará alejado de dos, pero puede estarlo hacia cero o hacia cuatro.

Cuando utilizando el método ingenuo, el pronóstico es,. La media de la variable objeto de estudio. La previsión es el último valor conocido. La previsión es la mediana de la variable objeto de estudio. Ninguna de las anteriores.

Cuando estimamos por MCO un modelo de regresión múltiple, cuál de las siguientes afirmaciones es incorrecta. La covarianza entre la variable estimada por la regresión y los errores estimados es cero. La covarianza entre cualquiera de las variables independientes y los errores estimados es cero. La covarianza entre la variable endógena y los errores estimados es cero. La varianza de la variable explicada es igual a la suma de la varianza de la variable estimada por la regresión y la varianza de los errores.

La hipótesis de no autocorrelación postula que: La varianza de las perturbaciones es constante. La varianza de las perturbaciones no es constante. Los valores de 𝑐𝑜𝑣(𝜀i,𝜀j )≠ 0, ∀𝑖 ≠ 𝑗. Los valores de 𝑐𝑜𝑣(𝜀i,𝜀j )= 0, ∀𝑖 ≠ 𝑗.

Señale cuál de las siguientes características de la series 𝑋t es incompatible con la estacionaridad : La media de 𝑋t es distinta de cero. La varianza de Xt no es constante. Los valores de la función de autocovarianza son distintos de cero. Ninguna es correcta.

El supuesto de normalidad referido a las perturbaciones aleatorias,. Es necesario para que se cumplan las propiedades de insesgadez y eficiencia de los estimadores MCO. Es necesario para que el estimador MCO sea eficiente pero no para su insesgadez. Solo afecta a la distribución de los estadísticos de contraste, pero no a las propiedades de los estimadores. Ninguna es correcta.

Los supuestos necesarios para que el estimador MCO sea insesgado son: Linealidad, no multicolinealidad perfecta y exogeneidad. Linealidad, no multicolinealidad perfecta, exogeneidad y muestra aleatoria. Linealidad, no multicolinealidad perfecta, exogeneidad y grandes atípicos poco frecuentes. Linealidad, no multicolinealidad perfecta, exogeneidad, muestra aleatoria y grandes atípicos poco frecuentes.

En un modelo de regresión, el coeficiente de determinación corregido (𝑅^2). Aumenta cuando se incrementa el número de variables explicativas. No influye el número de variables que se incluyen en la regresión. Es el porcentaje explicado por la regresión de la variable endógena. Ninguna es correcta.

Si escribimos un modelo de regresión con las variables expresadas en desviaciones con respecto a su media,. Los coeficientes de todos los parámetros de pendiente habrán cambiado respecto al modelo original, al haber modificado la escala de todas las variables. Debe incluirse siempre un término constante para evitar que el coeficiente de determinación pueda ser negativo. Todos los coeficientes de pendiente permanecen inalterados. Ninguna es correcta.

Un p-valor elevado es. Evidencia a favor de la hipótesis nula. Evidencia en contra de la hipótesis nula. Puede ser evidencia a favor o en contra de la hipótesis nula. Ninguna es correcta.

¿Qué sucede con los errores de tipo II cuando disminuimos el nivel de significatividad que habíamos establecido previamente?. Aumenta la probabilidad de cometer el error tipo II. Disminuye la probabilidad de cometer el error tipo II. No se modifica el error tipo II. Ninguna de las anteriores.

Señale cuál de las siguientes afirmaciones define un término de interacción. Variables cualitativas artificialmente cuantificadas. Variables que aparecen elevadas a exponentes mayores que la unidad. Cualquier producto de dos variables explicativas. Ninguna de las anteriores es cierta.