PREGUNTAS

La autocorrelación en los errores de un modelo de regresión puede afectar la eficiencia de los estimadores y la validez de las pruebas de hipótesis ¿Cuál de los siguientes métodos es el más adecuado para corregir la autocorrelación en los residuos de un modelo de regresión?. Aplicar transformaciones logarítmicas a las variables independientes. Incluir variables instrumentales en la regresión. Utilizar modelos ARMA o estimación GLS para corregir la autocorrelación. Eliminar observaciones con alta varianza en los residuos.

La multicolinealidad ocurre cuando dos o más variables explicativas en un modelo de regresión están altamente correlacionadas, lo que afecta la estabilidad de los coeficientes. ¿Cómo afecta la multicolinealidad extrema la estimación de coeficientes en un modelo de regresión. Reduce la varianza de los coeficientes, mejorando su precisión. Aumenta la varianza de los coeficientes, haciendo que sean menos confiables. Genera valores p más pequeños, lo que facilita la significancia estadística. No afecta la regresión si el tamaño muestral es grande.

Los modelos de regresión con variables cualitativas requieren la selección de una categoría base para evitar la trampa de la variable dicótoma. ¿Cuál es la principal consecuencia de elegir incorrectamente la categoría base en un modelo de regresión con variables cualitativas?. Puede generar colinealidad y dificultar la interpretación de los coeficientes. Obliga a excluir otras variables del modelo. Mejora la predicción del modelo sin cambiar su estructura. No afecta la interpretación de los coeficientes.

En modelos de regresión, la heterocedasticidad puede afectar la eficiencia de los estimadores y la validez de las pruebas de hipótesis. ¿En qué situaciones los errores estándar robustos no son suficientes para corregir la heterocedasticidad?. Cuando el modelo tiene variables cualitativas. Cuando la muestra es pequeña o la heterocedasticidad tiene una estructura no aleatoria. Si hay colinealidad entre las variables explicativas. En modelos con datos balanceados y homocedásticos.

La heterocedasticidad ocurre cuando la varianza de los errores de un modelo de regresión no es constante a lo largo de las observaciones. ¿Cuál de los siguientes gráficos es más útil para detectar heterocedasticidad en una regresión. Gráfico de dispersión de residuos frente a valores ajustados. Matriz de correlación de variables explicativas. Histograma de frecuencias de la variable dependiente. Gráfico Q-Q para evaluar normalidad de los residuos.

¿Cuál es la característica principal de un modelo de elección discreta? ¿Cuál es la función esencial de estos modelos?. Explicar relaciones lineales entre variables continuas. Estimar la probabilidad de que se elija una alternativa entre un conjunto discreto de opciones. Aplicar técnicas de series temporales a datos cualitativos. Determinar la magnitud de efectos en variables de respuesta continua.

Cual es una de las principales desventajas del Modelo Lineal de probabilidad (MLP) al aplicarse a variables dependientes binarias. Qué inconveniente presenta el MLP?. Resulta excesivamente complejo de estimar en muestras pequeñas. Puede predecir probabilidades fuera del rango [0, 1]. Requiere transformaciones logarítmicas para interpretar los coeficientes. No permite la inclusión de variables independientes cualitativas.

Para modelar una variable dependiente binaria, ¿Qué distribución de probabilidad se utiliza como fundamento en el Modelo Lineal de Probabilidad ¿Con que distribución se sustenta este modelo?. Distribución Normal. Distribución Poisson. Distribución de Bernoulli. Distribución Exponencial.

¿Por qué un modelo de regresión lineal tradicional no es adecuado para analizar variables dependientes de naturaleza cualitativa? ¿Qué limitación presenta el modelo lineal en este contexto?. Porque los resultados se interpretan inadecuadamente en términos de probabilidades. Porque no admite variables independientes cuantitativas. Porque requiere siempre transformaciones logarítmicas en la variable dependiente. Porque sólo es aplicable a datos de series temporales.

¿Cómo se pueden clasificar los modelos de elección discreta según el número de alternativas que presenta la variable dependiente? ¿De qué forma se distinguen estos modelos. En modelos de elección binaria y modelos de elección multinomial. En modelos lineales y modelos no lineales. En modelos paramétricos y modelos no paramétricos. En modelos de series temporales y modelos de datos de panel.

Seleccione la afirmación correcta respecto a la heterocedasticidad en un modelo de regresión. La heterocedasticidad ocurre cuando la varianza de los errores es constante. La heterocedasticidad no afecta la varianza de los estimadores MCO. La heterocedasticidad indica que la varianza de los errores no es constante. La heterocedasticidad se resuelve eliminando variables explicativas.

¿Cómo afecta la autocorrelación a la capacidad predictiva de un modelo econométrico?. La varianza de los errores se mantiene sin sesgo. La varianza de los errores tiende a sobreestimarse. La varianza de los errores tiende a subestimarse, lo que sesga el cálculo de 𝑅2. La autocorrelación no afecta la estimación de la varianza de los errores.

Si se aplica la prueba de Breusch-Godfrey para detectar autocorrelación prob>chi 0.000. Se acepta la hipótesis nula y no hay autocorrelación. Se rechaza la hipótesis nula y se concluye que hay autocorrelación en los errores. Se acepta la hipótesis alternativa y se confirma que los errores siguen un proceso de ruido blanco. No se puede tomar una decisión ya que el valor-p no es relevante para esta prueba.

En un modelo de regresión, si queremos detectar autocorrelación en los errores permitiendo la inclusión de regresores no estocásticos y términos autorregresivos de orden superior, ¿cuál de las siguientes pruebas sería más adecuada?. Prueba de White. Prueba de Breusch-Godfrey. Prueba de Dickey-Fuller. Prueba de Jarque-Bera.

¿Qué ocurre con las pruebas de significancia t y F cuando hay autocorrelación. Siguen siendo válidas y eficientes. Se vuelven ineficientes y pueden generar conclusiones erróneas. La autocorrelación no afecta las pruebas de significancia. Solo la prueba F es afectada, la prueba t sigue siendo válida.

En un modelo de regresión, si la varianza de los errores no es constante y queremos detectar heterocedasticidad, ¿cuál de las siguientes pruebas sería más adecuada?. Prueba de Dickey-Fuller. Prueba de Ramsey RESET. Prueba de Breusch-Pagan. Prueba de Durbin-Watson.

Supongamos que tenemos un modelo de regresión múltiple con datos de series de tiempo y queremos evaluar si los residuos presentan correlación serial de orden superior. Además, nuestro modelo incluye variables explicativas rezagadas. ¿Cuál de las siguientes pruebas es la más adecuada para detectar este problema?. Prueba de Durbin-Watson. Prueba de Ljung-Box. Prueba de Breusch-Godfrey. Prueba de Engle-Granger).

En un modelo de regresión, se detecta que dos variables explicativas están altamente correlacionadas entre sí. Esto genera coeficientes inestables y valores de significancia estadística poco confiables. ¿Qué técnica sería adecuada para mitigar este problema?. Aplicar diferenciación a las variables. Transformar las variables a logaritmos. Usar la prueba de Jarque-Bera para verificar normalidad. Eliminar una de las variables correlacionadas o usar un método de regularización.

Un investigador desea determinar si dos variables de series de tiempo tienen una relación de largo plazo y se mueven juntas en el tiempo. ¿Qué prueba econométrica sería la más adecuada para este análisis?. Prueba de raíz unitaria ADF. Prueba de Engle-Granger. Prueba de Breusch-Godfrey. Prueba de White.

En un modelo VAR, ¿cuál de las siguientes afirmaciones sobre los errores Ut es correcta según sus supuestos?. Los errores siguen una distribución normal con media diferente de cero. La varianza de los errores no es constante en el tiempo. Los errores pueden estar correlacionados en el tiempo. Los errores son normales, de varianza constante y no presentan autocorrelación.

El problema de errores autorrelacionados en un modelo econométrico de series de tiempo puede invalidar las inferencias realizadas mediante Mínimos Cuadrados Ordinarios (MCO). ¿Cuál de las siguientes pruebas se utiliza para detectar autocorrelación en los residuos de un modelo econométrico?. Prueba de Breusch-Pagán. Prueba de Kolmogorov-Smirnov. Prueba de Durbin-Watson. Prueba de Chow.

El sesgo de selección ocurre cuando la muestra utilizada en la estimación no es representativa de la población objetivo, afectando la validez de los resultados. ¿Cuál de los siguientes métodos permite corregir el sesgo de selección en modelos econométricos?. Modelo de Mínimos Cuadrados Generalizados (GLS). Prueba de Hausman. Modelo de Heckman de dos etapas. Método de variables instrumentales (IV) con corrección bootstrap.

Los modelos de cointegración permiten analizar relaciones de equilibrio a largo plazo entre variables no estacionarias. ¿Qué prueba se utiliza combinada para determinar si existe una relación de cointegración entre dos o más series de tiempo?. Prueba de Durbin-Watson. Prueba de Johansen. Prueba de Dickey-Fuller aumentada. Modelos logarítmicos.

Los modelos bayesianos han ganado popularidad en econometría debido a su capacidad de incorporar información previa en la estimación de parámetros. ¿Qué distingue a la estimación bayesiana de los métodos frecuentistas en econometría?. La estimación bayesiana incorpora información previa mediante la distribución a priori y la actualización con los datos observados. La estimación bayesiana depende exclusivamente de la muestra sin considerar información previa. Los métodos frecuentistas utilizan distribuciones de probabilidad para estimar parámetros. La econometría bayesiana no se utiliza en modelos con datos de panel.

Los métodos de estimación en presencia de datos censurados o truncados requieren técnicas especializadas para evitar sesgos en los coeficientes estimados ¿Cuál es el modelo econométrico adecuado para estimar relaciones cuando la variable dependiente está censurada?. Modelo Probit para variables dicotómicas. Regresión por Mínimos Cuadrados Ordinarios (MCO). Modelo Tobit, basado en máxima verosimilitud. Modelo de series de tiempo.

Cuál sería la interpretación correcta del coeficiente de correlación estimado? años de educacion 0.5666. 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: Y= B0+B1X+B2X2+B3X2^2+E ¿A qué tipo de modelo econométrico hace referencia?. Modelo lineal. Modelo no lineal. Modelo exponencial. Modelo dinámico.

𝑠𝑙𝑒𝑒𝑝 ̃ = 3586.38 − 0.118 𝑡𝑜𝑡𝑤𝑟𝑘 (38.91) (0.017) 𝑛 = 706 | 𝑅 2 = 0.683. Entre paréntesis, los errores estándar 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. ¿A qué etapa del análisis econométrico hace referencia?. Especificación del modelo econométrico. Estimación del modelo econométrico. Validación o diagnóstico del modelo econométrico. Explotación (uso) del modelo econométrico.

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.

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): Radica principalmente en que, en el 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 ui, 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. ¿A qué parámetro de la regresión estimada hace referencia?. 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 La SCR hace referencia a: 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). Se debe interpretar a partir de: 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 unp-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. ¿A qué componente de una serie temporal, hace referencia?. 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 ¿Cuál es este componente?. 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 correlogramalos 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: todos pasan de 10 la prueba del vif menos una. El modelo no tiene multicolinealidad. El modelo tiene multicolinealidad. El modelo tiene heterocedasticidad. El modelo tiene autocorrelación.

prob> chi2 0.0002 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.

jarque bera 0.335933 probability 0.845382 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.

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: educ: 5833233. 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 De acuerdo con los resultados del modelo de regresión lineal estimado, se puede determinar que married: .6602419. 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.

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.

¿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.

¿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.

¿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.

¿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.

¿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.

¿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?. 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.

¿qué sucede si un modelo econométrico presenta multicolinealidad severa entre las variables explicativas?. Los coeficientes estimados serán insesgados pero tendrán varianzas más grandes, lo que reduce su precisión. El modelo será completamente inadecuado y sus predicciones no tendrán validez. Los coeficientes estimados serán sesgados e inconsistentes. No tendrá ningún efecto en los resultados del modelo.

Un economista estima un modelo de regresión lineal simple para analizar el impacto del ingreso (X) sobre el gasto en educación (Y). Los resultados del modelo son: Y=500+0.8XY (Error estándar del coeficiente de X: 0.2)Usando este modelo: 1. Interpreta el coeficiente de X. 2. Realiza una prueba de significancia para determinar si el coeficiente de X es estadísticamente diferente de cero, asumiendo un nivel de significancia del 5%. (Nota: Usa 𝑡 = 𝛽 𝑆𝐸 y compara con el valor crítico para t en una distribución con 30 grados de libertad). El coeficiente indica que un aumento de 1 en el ingreso incrementa el gasto en educación en 0.8 unidades; el valor t es 4, y el coeficiente es estadísticamente significativo. El coeficiente indica que un aumento de 1 en el ingreso incrementa el gasto en educación en 0.8 unidades; el valor t es 3, y el coeficiente no es estadísticamente significativo. El coeficiente indica que un aumento de 1 en el ingreso incrementa el gasto en educación en 500 unidades; el valor t es 4, y el coeficiente es estadísticamente significativo. El coeficiente indica que un aumento de 1 en el ingreso incrementa el gasto en educación en 0.8 unidades; el valor t es 2, y el coeficiente no es estadísticamente significativo.

Para clasificar las series temporales, es necesario conocer las diferencias entre series determinísticas y estocásticas. Determine una diferencia clave entre series determinísticas y estocásticas. Las determinísticas son completamente predecibles. Las estocásticas no tienen patrón. Las determinísticas dependen del azar. Las estocásticas tienen valores fijos.

En el análisis de series temporales, determine qué permite transformar una serie no estacionaria en estacionaria. Eliminar tendencias claras y ajustar la variabilidad. Aumentar la estacionalidad de la serie temporal. Mantener las tendencias constantes y estacionales. Reducir el número de observaciones de la serie.

En el contexto del análisis de series temporales, identifique tres aspectos clave: característica, problema y solución. Variabilidad constante - tendencia constante - no se transforma en estacionaria. Tendencia clara - variabilidad no constante - posible transformación para estacionariedad. Estacionalidad marcada - afinidad hacia valor constante - estacionaria directamente. Variabilidad constante - estacionalidad mínima -siempre no estacionaria.

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 lanormalidad. No se puede determinar si los datos tienen una distribución normal con esta.