Prueba de Fundamentos de Econometria

¿Qué indicaría un coeficiente de correlación cercano a 1 entre dos variables explicativas en un modelo de regresión?. La variable dependiente está altamente correlacionada con una de las variables independientes. Hay multicolinealidad perfecta entre las variables. El modelo de regresión es altamente significativo.

Cuál es el principal objetivo de un modelo de regresión lineal?. Minimizar el error absoluto. Estimar la relación entre dos o más variables. Maximizar la varianza explicada por los errores.

En el contexto de un modelo de regresión lineal, ¿qué significa el término “homocedasticidad”?. Que los errores tienen varianza constante. Que las variables independientes están perfectamente correlacionadas. Que los errores son independientes entre sí.

¿Cuál de los siguientes es un supuesto clave del modelo de regresión lineal clásico?. Los errores deben seguir una distribución de Poisson. No debe haber correlación entre las variables independientes. Los errores deben tener una media de cero.

Si en un modelo de regresión lineal simple, el valor p de un coeficiente es 0.02, ¿qué podemos inferir?. La variable independiente es insignificante. La variable independiente es significativa al nivel de significancia del 5%. El modelo no es válido.

¿Qué indica el valor de R^2 en un modelo de regresión?. La proporción de la varianza de la variable dependiente explicada por las variables independientes. La correlación entre las variables independientes. La significancia global del modelo.

¿Qué problema surge cuando las variables independientes están altamente correlacionadas entre sí?. Homocedasticidad. Multicolinealidad. Endogeneidad.

¿Cuál es el propósito del término de error en un modelo de regresión?. Capturar el impacto de las variables independientes. Representar la relación lineal entre las variables. Capturar la variabilidad en la variable dependiente que no puede ser explicada por las variables independientes.

¿Qué método se utiliza comúnmente para estimar los coeficientes en un modelo de regresión lineal?. Método de máxima verosimilitud. Método de mínimos cuadrados ordinarios (MCO). Método de mínimos cuadrados generalizados (MCG).

¿Cuál de los siguientes es un test común para detectar heterocedasticidad?. Prueba de Durbin-Watson. Prueba de White. Prueba de Jarque-Bera.

En un modelo de regresión múltiple, ¿qué implica un valor de R^2 ajustado cercano a 1?. El modelo no explica ninguna variabilidad en la variable dependiente. La mayoría de la variabilidad en la variable dependiente es explicada por las variables independientes. Existe multicolinealidad severa entre las variables independientes.

¿Qué significa si un modelo de regresión tiene un valor p bajo para el estadístico F?. Que el modelo en su conjunto es significativo. Que ninguna variable independiente es significativa. Que el término de error tiene varianza constante.

¿Qué indica un coeficiente de regresión positivo en un modelo de regresión lineal simple?. Que a medida que la variable independiente aumenta, la variable dependiente también aumenta. Que no hay relación entre la variable independiente y la dependiente. Que la variable independiente está inversamente relacionada con la variable dependiente.

En presencia de multicolinealidad, ¿cuál de las siguientes es una consecuencia directa en las estimaciones de un modelo de regresión múltiple?. Los estimadores de los coeficientes serán insesgados pero con varianza aumentada. Los estimadores de los coeficientes serán sesgados y con varianza aumentada. Los estimadores de los coeficientes serán insesgados y con varianza reducida.

Si se sospecha de heterocedasticidad en un modelo de regresión, ¿cuál es una técnica recomendada para corregir este problema?. Usar errores estándar robustos (de White). Aumentar el tamaño de la muestra. Transformar las variables independientes.

En un modelo de regresión múltiple, si el valor de 𝑅^2 es cercano a 1, pero las pruebas t individuales de los coeficientes son insignificantes, ¿qué podría estar indicando este resultado?. La presencia de multicolinealidad entre las variables independientes. Que el modelo está perfectamente especificado. Que no hay una relación lineal significativa entre las variables.

¿Qué indica un alto valor de VIF (Factor de Inflación de la Varianza) en una variable independiente dentro de un modelo de regresión múltiple?. La variable independiente tiene una fuerte relación con la variable dependiente. Existe una fuerte multicolinealidad entre esa variable independiente y otras variables independientes en el modelo. La variable independiente no contribuye significativamente al modelo.

¿Qué es el "teorema de Gauss-Markov" en el contexto de la econometría?. Es el teorema que garantiza que los estimadores de MCO son los mejores, es decir, son insesgados y de varianza mínima entre todos los estimadores lineales insesgados. Es el teorema que describe la distribución de los errores en un modelo de regresión. Es el teorema que asegura la normalidad de los errores en un modelo de regresión.

¿Qué es una variable dependiente en un modelo de regresión?. La variable que se utiliza para explicar otra variable. La variable que se está tratando de predecir o explicar. Una variable que no tiene relación con el modelo.

¿Qué es una variable independiente en un modelo de regresión?. La variable que se predice o explica. La variable que se utiliza para explicar la variabilidad en la variable dependiente. Una variable que depende de la variable dependiente.

En un modelo de regresión lineal simple, ¿qué representa el término constante (intercepto)?. La pendiente de la línea de regresión. El valor esperado de la variable dependiente cuando la variable independiente es cero. La relación entre las variables dependiente e independiente.

¿Qué mide el coeficiente de una variable independiente en un modelo de regresión?. La fuerza y dirección de la relación entre las variables independiente y dependiente. La cantidad de varianza explicada por la variable independiente. La correlación entre las variables independiente y dependiente.

¿Qué se entiende por "insesgadez" de un estimador en econometría?. Que el estimador tiene la varianza mínima posible. Que el valor esperado del estimador es igual al verdadero valor del parámetro. Que el estimador siempre sobreestima el parámetro verdadero.

¿Qué se entiende por "multicolinealidad" en un modelo de regresión múltiple?. La situación en la que los errores no tienen varianza constante. La relación lineal entre dos o más variables independientes. Un modelo con múltiples variables dependiente.

¿Qué es la heterocedasticidad en un modelo de regresión?. Cuando los errores tienen una media distinta de cero. Cuando la varianza de los errores no es constante a lo largo de todas las observaciones. Cuando las variables independientes están correlacionadas.

¿Cuál es el propósito de realizar una prueba de hipótesis en econometría?. Determinar si las variables independientes están correlacionadas. Evaluar si los coeficientes estimados son estadísticamente significativos. Medir la relación entre las variables dependiente e independiente.

¿Qué es un intervalo de confianza en econometría?. Un rango de valores dentro del cual se espera que se encuentre el valor verdadero de un parámetro con un cierto nivel de confianza. La distancia entre la variable dependiente y su valor estimado. El margen de error en la estimación de los coeficientes.

¿Cuál es la diferencia entre heterocedasticidad y homocedasticidad en un modelo de regresión?. Heterocedasticidad se refiere a la constancia en la varianza de los errores, mientras que homocedasticidad indica variación en la varianza. Heterocedasticidad implica que la varianza de los errores cambia a lo largo de las observaciones, mientras que homocedasticidad significa que la varianza de los errores es constante. No existe ninguna diferencia significativa entre estos conceptos.

¿En qué se diferencian el sesgo y la varianza en la estimación econométrica?. El sesgo se refiere a la precisión del estimador, mientras que la varianza mide el grado de desviación respecto al valor verdadero. El sesgo es la desviación sistemática del estimador con respecto al valor verdadero del parámetro, mientras que la varianza mide la dispersión de las estimaciones alrededor del valor esperado. No hay una diferencia clara entre sesgo y varianza.

¿Cuál es la principal diferencia entre autocorrelación y multicolinealidad en un modelo de regresión?. La autocorrelación se refiere a la relación entre las variables independientes, mientras que la multicolinealidad se refiere a la correlación entre los errores. La autocorrelación se refiere a la correlación entre los errores en un modelo, mientras que la multicolinealidad se refiere a la correlación entre las variables independientes. Ambos conceptos se refieren a lo mismo, pero en diferentes contextos.

¿En qué se diferencian las pruebas t y F en el contexto de un modelo de regresión?. La prueba t evalúa la significancia conjunta de todos los coeficientes del modelo, mientras que la prueba F evalúa la significancia individual de cada coeficiente. La prueba t evalúa la significancia individual de cada coeficiente del modelo, mientras que la prueba F evalúa la significancia conjunta de todos los coeficientes. No hay diferencias; ambas pruebas se utilizan para los mismos propósitos.

¿Cuál es la diferencia entre un modelo de regresión simple y un modelo de regresión múltiple?. Un modelo de regresión simple tiene múltiples variables dependientes, mientras que un modelo de regresión múltiple tiene una sola variable dependiente. Un modelo de regresión simple tiene una variable dependiente y una variable independiente, mientras que un modelo de regresión múltiple tiene una variable dependiente y dos o más variables independientes. No existe una diferencia significativa; ambos modelos utilizan las mismas técnicas.

¿Cuál es la principal diferencia entre un modelo logit y un modelo probit?. El modelo logit utiliza una función logística, mientras que el modelo probit utiliza una función de distribución normal. El modelo logit se utiliza para variables dependientes continuas, mientras que el modelo probit se utiliza para variables dependientes discretas. No hay diferencia significativa entre ambos modelos.

¿En qué se diferencia un análisis de correlación de un análisis de regresión?. La correlación mide la fuerza y dirección de una relación lineal entre dos variables, mientras que la regresión cuantifica cómo una variable afecta a otra. La correlación es una técnica inferencial, mientras que la regresión es una técnica descriptiva. No hay una diferencia clara entre estos dos conceptos en el análisis de datos.

¿Qué problema se puede presentar si hay multicolinealidad en un modelo de regresión múltiple?. Los coeficientes de regresión se vuelven no significativos y difíciles de interpretar. El modelo puede no ajustarse bien a los datos, causando problemas de heterocedasticidad. Los valores de 𝑅^2 se reducen significativamente y la varianza de los errores se incrementa.

¿Qué significa un valor de 𝑅^2 cercano a 0 en un modelo de regresión?. El modelo explica muy bien la variabilidad de la variable dependiente. El modelo no explica adecuadamente la variabilidad de la variable dependiente. Los coeficientes del modelo son todos estadísticamente significativos.

¿Qué es una variable dicotómica?. Una variable que solo puede tomar dos valores distintos. Una variable que puede tomar cualquier número de valores enteros. Una variable que toma valores continuos en un rango definido.

¿Cuál es la principal ventaja de usar variables dicotómicas en un modelo de regresión?. Permiten analizar relaciones no lineales entre variables. Facilitan la interpretación de los efectos de una variable categórica en el modelo. Incrementan la complejidad del modelo, haciendo que sea más robusto.

¿Cómo afecta la inclusión de una variable dicotómica en un modelo de regresión lineal a los coeficientes del modelo?. No afecta los coeficientes del modelo. Los coeficientes representan la diferencia en la variable dependiente entre las dos categorías. Los coeficientes se interpretan como proporciones en la variable dependiente.

¿Cuál es el propósito de la codificación dummy en la regresión con variables dicotómicas?. Incrementar el número de variables en el modelo para mejorar el ajuste. Transformar las variables categóricas en variables numéricas para que puedan ser incluidas en el análisis. Reducir la multicolinealidad entre variables independientes.

¿Cómo se interpreta un intervalo de confianza del 95% para una media muestral?. Hay un 95% de probabilidad de que el intervalo contenga la media muestral. Hay un 95% de probabilidad de que la media poblacional esté dentro del intervalo de confianza. Hay un 95% de probabilidad de que el intervalo contenga el valor verdadero de la media poblacional.

En una prueba de hipótesis, ¿qué significa un valor p menor que 0.05?. La hipótesis nula es aceptada con un 95% de confianza. Hay evidencia suficiente para rechazar la hipótesis nula al nivel de significancia del 5%. La hipótesis alternativa es rechazada con un 95% de confianza.

¿Qué es una hipótesis alternativa?. La hipótesis que se prueba para confirmar que la hipótesis nula es incorrecta. La hipótesis que se asume como verdadera en ausencia de evidencia suficiente. La hipótesis que se acepta si el valor p es mayor que el nivel de significancia.

¿Cuál es la principal diferencia entre un modelo de regresión lineal y un modelo de regresión logarítmica?. La regresión lineal se usa para datos categóricos, mientras que la regresión logarítmica se usa para datos numéricos. En la regresión lineal, la relación entre las variables es lineal, mientras que en la regresión logarítmica, la relación se transforma mediante una función logarítmica. La regresión lineal ajusta los datos a una curva polinómica, mientras que la regresión logarítmica usa una línea recta.

¿Cómo se representa un modelo de regresión log-lineal?. y=β_0+β_1ln(x). ln(y)=β_0+β_1x.

¿Qué implica un modelo de regresión log-log?. La variable dependiente y la variable independiente están transformadas usando logaritmos naturales. Solo la variable dependiente se transforma usando un logaritmo natural. Solo la variable independiente se transforma usando un logaritmo natural.

¿Qué caracteriza a un modelo de regresión recíproco?. La variable dependiente es la inversa de la variable independiente. La variable independiente es la inversa de la variable dependiente. Tanto la variable dependiente como la independiente son transformadas recíprocamente.

¿Cuál es un problema común de inferencia en un modelo de regresión múltiple si hay alta multicolinealidad? . Los coeficientes de regresión pueden ser imprecisos y sus errores estándar pueden ser inflacionados. Los intervalos de confianza se vuelven más amplios, pero el valor 𝑅^2 mejora significativamente. l modelo no es capaz de ajustarse bien a los datos y produce un bajo 𝑅^2.

¿Qué efecto tiene el problema de especificación del modelo en la inferencia en un análisis de regresión múltiple?. La especificación incorrecta del modelo puede llevar a estimaciones sesgadas de los coeficientes y errores estándar. Mejora la capacidad predictiva del modelo al incluir variables irrelevantes. No afecta la precisión de las estimaciones ni la validez de las inferencias.

¿Qué es el problema de heterocedasticidad en el contexto de regresión múltiple y cómo afecta a la inferencia?. La heterocedasticidad implica que la varianza de los errores no es constante, lo que puede llevar a errores estándar incorrectos y a pruebas de hipótesis inválidas. La heterocedasticidad mejora el ajuste del modelo al hacer que los errores sean más grandes. La heterocedasticidad hace que los coeficientes de regresión sean inestables y difíciles de interpretar.

¿Qué es la multicolinealidad y cómo se puede detectar en un modelo de regresión múltiple?. La multicolinealidad se refiere a la falta de variabilidad en la variable dependiente; se detecta mediante un gráfico de dispersión de residuos. La multicolinealidad ocurre cuando las variables independientes están altamente correlacionadas entre sí; se puede detectar mediante el VIF (Factor de Inflación de la Varianza). La multicolinealidad se produce cuando las variables independientes están correlacionadas negativamente con la variable dependiente; se detecta mediante análisis de varianza (ANOVA).