ECONOMETRIA

Pregunta 1 de 100

1

Este método de estimación suele ser más intuitivo y matemáticamente más sencillo.
A que método hace referencia el siguiente concepto general.

Selecciona una de las siguientes respuestas posibles:

Máxima Verosimilitud
MCO
Mínima Verosimilitud
Máximos Cuadrados Ordinarios

Explicación

Pregunta 2 de 100

1

El método de mínimos cuadrados presenta propiedades estadísticas muy atractivas que lo han convertido en uno de los más eficaces y populares del análisis de regresión.
Cual fue el autor de este método:

Selecciona una de las siguientes respuestas posibles:

Carl Friedrich Gauss
Gujarati
Jhon Maynard Keynes
Jhon Arrow

Explicación

Pregunta 3 de 100

1

Se pueden emplear en la función de regresión para poder analizar eficazmente datos estadísticos la función de regresión muestral.
A que hace referencia la siguiente formula:
Yi = B1+B2Xi+ ui

Selecciona una de las siguientes respuestas posibles:

FRP de una variable
FRP de tres variables
FRP de cuatro variables
FRP de dos variables

Explicación

Pregunta 4 de 100

1

Para poder determinar la FMR primero hay que establecer una ecuación que sea el paso inicial para poder realizar el respectivo desarrollo.
A que hace referencia esta fórmula:

Selecciona una de las siguientes respuestas posibles:

Muestra que los uˆi (los residuos) son simplemente las diferencias entre los valores observados y los estimados de Y.
Muestra que los uˆi (los residuos) son simplemente las diferencias entre los valores observados y los estimados de X.
No muestra que los uˆi (los residuos) son simplemente las diferencias entre los valores observados y los estimados de Y.
Muestra que los uˆi (los residuos) son simplemente las similitudes entre los valores observados y los estimados de Y.

Explicación

Pregunta 5 de 100

1

Propiedades numéricas son las que se mantienen como consecuencia del uso de mínimos cuadrados ordinarios, sin considerar la forma como se generaron los datos
Seleccione las propiedades estadísticas de los estimadores MCO.

Selecciona una o más de las siguientes respuestas posibles:

Los estimadores de MCO se expresan únicamente en términos de las cantidades (es decir, X y Y) observables (es decir, muestras). Por consiguiente, se calculan con facilidad.
Los estimadores de MCO se expresan diversamente en términos de las cantidades (es decir, X y Y) observables (es decir, muestras). Por consiguiente, se calculan con facilidad.
Son estimadores puntuales: dada la muestra, cada estimador proporciona un solo valor(puntual) del parámetro poblacional pertinente.
Son estimadores impuntuales: dada la muestra, cada estimador proporciona un solo valor (puntual) del parámetro poblacional pertinente.

Explicación

Pregunta 6 de 100

1

El modelo econométrico es empírico (práctico, basado en la experiencia y en la observación de los hechos), no determinista (teórico, totalmente predecible en un momento dado si fuera posible conocer todos los datos).
¿Cuál es el estimador que se expresa en términos de las cantidades?

Selecciona una de las siguientes respuestas posibles:

Máxima verosimilitud
Mínimos cuadrados ordinarios
Estimadores por intervalos
Mínima verosimilitud

Explicación

Pregunta 7 de 100

1

Una vez obtenidos los estimadores de MCO de los datos de la muestra, se obtiene sin problemas la línea de regresión muestral.
Seleccione la serie de pasos para obtener la línea de regresión muestral.

Selecciona una de las siguientes respuestas posibles:

Pasa a través de las medias muéstrales de Y y X. 2.- El valor medio de Y estimada Yˆi es igual al valor medio de Y real. 3.- El valor medio de los residuos uˆ1 es cero.4.- Los residuos uˆi no están correlacionados con el valor pronosticado de Yi 5.- Los residuos uˆi no están correlacionados con Xi; es decir, ˆu i Xi = 0.
El valor medio de Y estimada Yˆi es igual al valor medio de Y real. 2.- El valor medio de los residuos uˆ1 es cero. 3.- Los residuos uˆi no están correlacionados con el valor pronosticado de Yi 4.- Los residuos uˆi no están correlacionados con Xi; es decir, ˆu i Xi _ 0. 5.-Pasa a través de las medias muéstrales de Y y X.
El valor medio de Y estimada Yˆi es igual al valor medio de Y real. 2.- Los residuos uˆi no están correlacionados con el valor pronosticado de Yi 3.- El valor medio de los residuos uˆ1 es cero. 4.- Los residuos uˆi no están correlacionados con Xi; es decir, ˆu i Xi _ 0. 5.-Pasa a través de las medias muéstrales de Y y X.

Explicación

Pregunta 8 de 100

1

¿cómo se conoce a esta fórmula?

Selecciona una de las siguientes respuestas posibles:

Forma de desviación
Forma de correlación
Forma de estimación
Forma de auto desviación

Explicación

Pregunta 9 de 100

1

El modelo de Gauss, modelo clásico o estándar de regresión lineal (MCRL), es el cimiento de la mayor parte de la teoría econométrica.
Cuál de estos supuestos pertenece al teorema de Gauss Markov

Selecciona una de las siguientes respuestas posibles:

Modelo lineal en los parámetros.
Media nula y exogeneidad estricta
Homocedasticidad
Todas las anteriores

Explicación

Pregunta 10 de 100

1

La inferencia estadística es el conjunto de métodos y técnicas que permiten inducir, a partir de la información empírica proporcionada por una muestra, cual es el comportamiento de una determinada población con un riesgo de error medible en términos de probabilidad y consta de dos ramas.
Cuáles son estas ramas en las que se divide.

Selecciona una de las siguientes respuestas posibles:

Estimación y Prueba de hipótesis
Varianza y Estimación
Hipótesis y Varianza
Regresión Lineal y Estimación

Explicación

Pregunta 11 de 100

1

Decimos que son estimadores y que sus valores cambiarán de muestra en muestra.
¿Cómo se les denomina?

Selecciona una de las siguientes respuestas posibles:

Variables estimadas
Variables proyectadas
Variables aleatorias
Variables estadísticas.

Explicación

Pregunta 12 de 100

1

El modelo clásico de regresión lineal normal puede dar solución a algo que los otros modelos.
A que se refiere:

Selecciona una de las siguientes respuestas posibles:

El MCRLN hace suposiciones respecto a la naturaleza probabilística de ui.
Que trabaja con más variables.
Es más precisa que los otros modelos.
Engloba un amplio número de variables.

Explicación

Pregunta 13 de 100

1

En el contexto de regresión se supone, por lo general, que las u tienen la distribución de probabilidad normal. Si a los supuestos del modelo clásico de regresión lineal (MCRL) se añade el supuesto de normalidad para ui
Que se obtiene de esto?

Selecciona una de las siguientes respuestas posibles:

Obtenemos el MCO
Obtenemos el modelo clásico de regresión lineal normal (MCRLN).
Obtenemos el modelo clásico de regresión lineal.
Obtenemos el modelo de mínimos cuadrados.

Explicación

Pregunta 14 de 100

1

El modelo clásico de regresión lineal normal supone que cada ui está normalmente distribuida con algunos supuestos.
Estos supuestos se expresan de manera más compacta como:

Selecciona una de las siguientes respuestas posibles:

Explicación

Pregunta 15 de 100

1

Teorema central del límite (TCL)
¿Que nos demuestra este teorema?

Selecciona una de las siguientes respuestas posibles:

a) Demuestra que si existe un gran número de variables aleatorias dependientes con idéntica distribución.
b) Demuestra la variación de las variables estimadas.
c) Demuestra la diferencia entre las variables estimadas y la correlación de las variables.
d) Demuestra que, si existe un gran número de variables aleatorias independientes con idéntica distribución, entonces, con pocas excepciones, la distribución de su suma tiende a ser normal a medida que se incrementa al infinito el número de tales variables

Explicación

Pregunta 16 de 100

1

La distribución normal es una distribución comparativamente sencilla y requiere sólo dos parámetros.
Cuáles son?

Selecciona una de las siguientes respuestas posibles:

a) La media y la varianza
b) La estimación y la media
c) La media y las correlaciones
a) Las correlaciones y la hipótesis

Explicación

Pregunta 17 de 100

1

Si trabajamos con una muestra finita o pequeña, la suposición de normalidad desempeña un papel relevante
¿Cuantos datos u observaciones se necesitan para que se cumpla el papel relevante de la muestra?

Selecciona una de las siguientes respuestas posibles:

a) 100 datos o mas
b) 300 datos o menos
c) 200 datos o mas
d) 100 datos o menos

Explicación

Pregunta 18 de 100

1

Propiedades de los estimadores de MCO
según el supuesto de normalidad.
Seleccione la respuesta correcta.

Selecciona una de las siguientes respuestas posibles:

a) Son insesgados.
b) Tienen varianza mínima.
c) Presentan consistencia
d) Todas las anteriores

Explicación

Pregunta 19 de 100

1

Existe un método de estimación puntual con algunas propiedades teóricamente más fuertes que las del método de MCO.
¿Cómo se llama este método?

Selecciona una de las siguientes respuestas posibles:

a) método de máxima verosimilitud (MV)
b) método de los mínimos cuadrados ordinarios
c) modelo clásico de regresión lineal
d) modelo clásico de regresión lineal normal.

Explicación

Pregunta 20 de 100

1

A pesar de la tendencia de los padres de estatura alta a procrear hijos altos y los padres de estatura baja, hijos bajos, la estatura promedio de los niños de padres de una estatura determinada tendía a desplazarse.
Quien acuño el término de regresión.

Selecciona una de las siguientes respuestas posibles:

A) Francis Galton
B) Francis Quesnay
C) Milton Friedman
D) Alfred Marshall

Explicación

Pregunta 21 de 100

1

El análisis de regresión es el estudio de la dependencia de una variable dependiente respecto de una o más variables explicativas.
El objetivo que persigue es:

Selecciona una de las siguientes respuestas posibles:

A) Estimar o predecir la media o valor promedio poblacional de la primera en términos de los valores conocidos o fijos (en muestras no repetidas) de las segundas.
B) Estimar o predecir la media o valor promedio poblacional de la primera en términos de los valores conocidos o fijos (en muestras repetidas) de las segundas.
C) Estimar o predecir la media o valor promedio muestral de la primera en términos de los valores conocidos o fijos (en muestras repetidas) de las segundas.
D) Estimar o predecir la media o valor promedio poblacional de la segunda en términos de los valores variables (en muestras repetidas) de las segundas.

Explicación

Pregunta 22 de 100

1

En un ejemplo práctico, lo que interesa es predecir la estatura promedio de los hijos a partir de la estatura de sus padres.
Si esto, corresponde a un diagrama de dispersión, para su determinación se necesitara una línea recta.

Selecciona una de las siguientes respuestas posibles:

A) Recta Oblicua
B) Recta semántica
C) Recta de regresión
D) Recta con dispersión

Explicación

Pregunta 23 de 100

1

A un economista quizá le interese estudiar la dependencia del consumo personal respecto del ingreso personal neto disponible, después de
Impuestos.
Con un análisis de este tipo, en el diagrama de dispersión , se calcula:

Selecciona una de las siguientes respuestas posibles:

A) la propensión marginal decreciente
A) la propensión marginal a producir
C) la propensión promedio de la demanda
D) la propensión marginal a consumir

Explicación

Pregunta 24 de 100

1

En el análisis de regresión interesa lo que se conoce como dependencia estadística entre variables, no así la funcional o determinista, propia de la física clásica.
En las relaciones estadísticas, analizamos

Selecciona una de las siguientes respuestas posibles:

A) Variables aleatorias o estocásticas
B) Variables explicativas o independientes
C) Variables dependientes
D) Variables de aquilatacion

Explicación

Pregunta 25 de 100

1

A pesar de que el análisis de regresión tiene que ver con la dependencia de una variable respecto de otras variables, esto no implica causalidad necesariamente.
En otras palabras Kendall y Stuart manifiestan:

Selecciona una de las siguientes respuestas posibles:

A) “Una relación estadística, por más fuerte y sugerente que sea, siempre podrá establecer una conexión causal: nuestras ideas de causalidad deben provenir de estadísticas externas y, en último término, de una u otra teoría”.
B) “Una relación estadística, por más fuerte y sugerente que sea, nunca podrá establecer una conexión causal: nuestras ideas de causalidad deben provenir de estadísticas externas y, en último término, de una u otra teoría”.
C) “Una relación estadística, por más fuerte y sugerente que sea, nunca podrá establecer una conexión informal: nuestras ideas de causalidad deben provenir de estadísticas externas y, en último término, de una u otra teoría”.
D) “Una relación estadística, por más fuerte y sugerente que sea, nunca podrá establecer una conexión informal: nuestras ideas de causalidad deben provenir de estadísticas internas y, en último término, de una u otra teoría”.

Explicación

Pregunta 26 de 100

1

Se relaciona de manera estrecha con el de regresión, aunque conceptualmente los dos son muy diferentes.
En el análisis de correlación, el objetivo principal es

Selecciona una de las siguientes respuestas posibles:

A) medir la fuerza o el grado de asociación no lineal entre dos variables
B) medir la relación inversa entre dos variables
C) medir la fuerza o el grado de asociación lineal entre dos variables
D) medir la fuerza o el grado de competitividad entre dos variables

Explicación

Pregunta 27 de 100

1

Si se estudia la dependencia de una variable respecto de más de una variable explicativa, como el rendimiento de un cultivo, la lluvia, la temperatura, el Sol y los fertilizantes
A qué tipo de análisis se refiere

Selecciona una de las siguientes respuestas posibles:

A) análisis de regresión múltiple
B) análisis de regresión simple
C) análisis de regresión aleatorio
D) análisis de regresión transversales

Explicación

Pregunta 28 de 100

1

El éxito de todo análisis econométrico depende a final de cuentas de la disponibilidad de los datos recopilados.
Hay tres tipos de datos disponibles para el análisis empírico:

Selecciona una de las siguientes respuestas posibles:

a) series de tiempo, series explicativas e información combinada
B) series de tiempo, series transversales e información múltiples
C) series de tiempo, series transversales
D) series de tiempo, series transversales e información combinada (combinación de series de tiempo y transversales).

Explicación

Pregunta 29 de 100

1

Los datos recopilados por estas organizaciones pueden ser de naturaleza experimental o no experimental.
En los datos experimentales, frecuentes en las ciencias naturales, el investigador suele….

Selecciona una de las siguientes respuestas posibles:

ecabar los datos con algunos factores constantes y evaluar el efecto de otros en un fenómeno dado.
Recabar los datos con algunos factores constantes y evaluar el efecto de otros en un fenómeno dado.
cabar los datos con algunos factores constantes y evaluar el efecto de otros en un fenómeno dado.
abar los datos con algunos factores constantes y evaluar el efecto de otros en un fenómeno dado.

Explicación

Pregunta 30 de 100

1

La línea de regresión poblacional.
Desde el punto de vista geométrico, una curva de regresión poblacional.

Selecciona una de las siguientes respuestas posibles:

Es tan sólo el lugar geométrico de las medias condicionales de la variable dependiente para los valores fijos de las variables explicativas.
Es tan sólo el lugar geométrico de las medias condicionales de la variable independiente para los valores fijos de las variables explicativas.
Es tan sólo el lugar geométrico de las medias condicionales de la variable dependiente para los valores variables de las variables explicativas.
Es tan sólo el lugar geométrico de las medias condicionales de la variable dependiente para los valores fijos de las variables dependientes.

Explicación

Pregunta 31 de 100

1

La función de esperanza condicional (FEC), función de regresión poblacional (FRP) o regresión poblacional (RP).
Simbólicamente

Selecciona una de las siguientes respuestas posibles:

E(Y | Xi ) _ f (Yi )
E(Y | Xi ) _ f (Xi )
E(Y | Yi ) _ f (Xi )
E(Y | Xi ) _ f (YXi )

Explicación

Pregunta 32 de 100

1

β1 y β2 son parámetros no conocidos pero fijos
Que se denominan

Selecciona una o más de las siguientes respuestas posibles:

coeficientes de regresión
coeficientes de intersección y dependiente
Coeficientes independientes
Coeficientes lineales.

Explicación

Pregunta 33 de 100

1

La relación sobre todo con modelos lineales en la estimación de FRP
El primer significado de Linealidad en las variables

Selecciona una de las siguientes respuestas posibles:

Es aquel en que la esperanza condicional de X es una función lineal de Xi
Es aquel en que la esperanza condicional de Y es una función lineal de Yi
Es aquel en que la esperanza condicional de x es una función lineal de Yi
Es aquel en que la esperanza condicional de Y es una función lineal de Xi

Explicación

Pregunta 34 de 100

1

La linealidad se presenta cuando la esperanza condicional de Y, E(Y | Xi), es una función lineal de los parámetros, los β; puede ser o no lineal en la variable X.
Es un modelo de regresión lineal en el parámetro

Selecciona una de las siguientes respuestas posibles:

E(Y | Xi ) _ β1 + β2X2i
E(Y | Yi ) _ β1 + β2X2i
E(Y | Xi ) _ β1 + β2Y2i
E(Y | Xi ) _ β1 + β2X1i

Explicación

Pregunta 35 de 100

1

La linealidad en los parámetros es pertinente para el desarrollo de la teoría de regresión
Mencione las dos interpretaciones de linealidad

Selecciona una de las siguientes respuestas posibles:

Modelo de regresión lineal (en el parámetro) y modelo de regresión no lineal (en el parámetro)
Modelo de ascenso no lineal y modelo de regresión lineal
Modelo Semántico y modelo potencial
Modelo de regresión lineal (sin el parámetro) y modelo de regresión no lineal

Explicación

Pregunta 36 de 100

1

A medida que aumenta el ingreso familiar, el consumo familiar, en promedio, también aumenta.
¿Qué sucede con el consumo de una familia en relación con su nivel de ingreso fijo?

Selecciona una de las siguientes respuestas posibles:

El consumo de una familia en particular no necesariamente disminuye a medida que lo hace el nivel de ingreso
El consumo de una familia en particular no necesariamente aumenta a medida que lo hace el nivel de ingreso
El consumo de una familia en particular necesariamente aumenta a medida que lo hace el nivel de ingreso
El consumo de una familia no necesariamente es promedio a medida que lo hace el nivel de ingreso

Explicación

Pregunta 37 de 100

1

Es una variable aleatoria no observable que adopta valores positivos o negativos.
Técnicamente, ui se conoce

Selecciona una de las siguientes respuestas posibles:

Margen de aceptación
Margen de error
Desviación estándar
Perturbación estocástica o término de error estocástico.

Explicación

Pregunta 38 de 100

1

¿Por qué no se crea un modelo de regresión múltiple con tantas variables como sea posible?
Las razones son:

Selecciona una de las siguientes respuestas posibles:

Vaguedad de la teoría, falta de disponibilidad de datos
Variables centrales y variables periféricas, aleatoriedad intrínseca en el comportamiento humano, variables representantes (proxy) inadecuadas.
Principio de parsimonia, forma funcional incorrecta
Todas las anteriores

Explicación

Pregunta 39 de 100

1

Conocido también como estadístico (muestral), no es más que una regla, fórmula o método para estimar el parámetro poblacional a partir de la información suministrada por la muestra disponible.
Este concepto de aleatoriedad, pertenece a:

Selecciona una de las siguientes respuestas posibles:

Estimador
Estimación
Perturbación
Regresión

Explicación

Pregunta 40 de 100

1

La regla básica de 2T
Señala que:

Selecciona una de las siguientes respuestas posibles:

a) Si el número de grados de libertad es 20 o más, y si α, el nivel de significancia, se fi ja en 0.05, se rechaza la hipótesis nula β2 _ 0 si el valor de t [ _ β ˆ 2/ee (β ˆ 2)] es superior a 2 en valor absoluto.
b) Si el número de grados de libertad es 69 o más, y si α, el nivel de significancia, se fi ja en 0.10, se rechaza la hipótesis nula β2 _ 0 si el valor de t [ _ β ˆ 2/ee (β ˆ 2)] es superior a 6 en valor absoluto.
c) Si el número de grados de libertad es 10 o más, y si α, el nivel de significancia, se fi ja en 0.70, se rechaza la hipótesis nula β2 _ 0 si el valor de t [ _ β ˆ 2/ee (β ˆ 2)] es superior a 4 en valor absoluto.
d) Si el número de grados de libertad es 80 o más, y si α, el nivel de significancia, se fi ja en 0.30, se rechaza la hipótesis nula β2 _ 0 si el valor de t [ _ β ˆ 2/ee (β ˆ 2)] es superior a 7 en valor absoluto.

Explicación

Pregunta 41 de 100

1

Si, con base en una prueba de significancia, por ejemplo, la prueba t, decidimos “aceptar” la hipótesis nula,
Todo lo que se afirma es que:

Selecciona una de las siguientes respuestas posibles:

Con base en la evidencia dada por la muestra, existe
razón para aceptarla; no se sostiene que la hipótesis nula sea falsa con absoluta certeza.
Con base en la evidencia dada por la muestra, no existe
razón para rechazarla; no se sostiene que la hipótesis alternativa sea verdadera con absoluta certeza.
Con base en la evidencia dada por la muestra, no existe
razón para aceptarla; no se sostiene que la hipótesis alternativa sea verdadera con absoluta certeza.
Con base en la evidencia dada por la muestra, no existe
razón para rechazarla; no se sostiene que la hipótesis nula sea verdadera con absoluta certeza.

Explicación

Pregunta 42 de 100

1

Construya un intervalo de confianza para β2 a 100(1 − α)%
LA Regla de decisión nos indica

Selecciona una de las siguientes respuestas posibles:

Si el β2 en H1 se encuentra dentro de este intervalo de confianza, no rechace H1, pero si está fuera del intervalo, rechace H1.
Si el β2 en H1 se encuentra fuera de este intervalo de confianza, no rechace H0, pero si está fuera del intervalo, rechace H1.
Si el β2 en H0 se encuentra dentro de este intervalo de confianza, no rechace H0, pero si está fuera del intervalo, rechace H0.
Si el β2 en H1 se encuentra dentro de este intervalo de confianza, no acepte H1, pero si está fuera del intervalo, acepte H1.

Explicación

Pregunta 43 de 100

1

En la hipótesis estadística .
Se denomina simple cuando:

Selecciona una de las siguientes respuestas posibles:

Especifica los valores precisos de los parámetros de una función de densidad de probabilidad.
Especifica los valores inciertos de los parámetros de una función de densidad de probabilidad.
Especifica los valores imprecisos de los parámetros de una función de concentración de probabilidad.
No especifica los valores precisos de los parámetros de una función de densidad de probabilidad.

Explicación

Pregunta 44 de 100

1

UNA O VARIAS variables explicativas son una combinación lineal aproximada de otra(s)
Se refiere a:

Selecciona una de las siguientes respuestas posibles:

Multicolinealidad aproximada
Multicolinealidad exacta
Multicolinealidad continua
Multicolinealidad dispersa

Explicación

Pregunta 45 de 100

1

La implicación que produce la multicolinealidad aproximada
¿Qué problemas genera en la estimación?

Selecciona una de las siguientes respuestas posibles:

Cuanta mayor relación lineal entre X1 y el resto mayor varianza de β1. Estimación imprecisa e intervalos de confianza muy pequeñas.
Cuanta mayor relación lineal entre X0 y el resto mayor varianza de β0. Estimación imprecisa e intervalos de confianza muy pequeñas.
Cuanta mayor relación lineal entre X1 y el resto mayor varianza de β1.Estimación imprecisa e intervalos de confianza muy grandes.
Cuanta mayor relación lineal entre X0 y el resto mayor varianza de β0. Estimación imprecisa e intervalos de confianza muy grandes.

Explicación

Pregunta 46 de 100

1

En esta sección estudiamos el análisis de regresión desde el punto de vista del análisis de varianza, y nos introduciremos en una forma complementaria de mirar el problema de la inferencia estadística.

como se denominan estos componentes.

Selecciona una de las siguientes respuestas posibles:

análisis de varianza
análisis de factores
análisis de estimación.
análisis de varianza.

Explicación

Pregunta 47 de 100

1

Para “predecir” o “pronosticar” el salario promedio futuro Y correspondiente
a algún nivel dado de escolaridad X. Ahora, hay dos clases de predicciones
Señale la opción correcta:

Selecciona una de las siguientes respuestas posibles:

Predicción individual y predicción muestral
Predicción múltiple y predicción media
Predicción media y predicción múltiple
Predicción media y predicción individual.

Explicación

Pregunta 48 de 100

1

En el método clásico de la prueba de hipótesis
A la probabilidad se la conoce como valor p. Con que otro nombre se le conoce.

Selecciona una de las siguientes respuestas posibles:

Nivel estimado
Nivel clásico
Nivel observado
Nivel probabilístico

Explicación

Pregunta 49 de 100

1

La predicción del valor de la media condicional de Y correspondiente a un valor escogido X, por ejemplo, X0, que es el punto sobre la línea de regresión poblacional misma.

a que predicción hace referencia la siguiente formula.

Selecciona una de las siguientes respuestas posibles:

Predicción media.
Predicción individual.
Predicción múltiple.
Predicción de la varianza.

Explicación

Pregunta 50 de 100

1

La hipótesis del ingreso permanente de Milton Friedman

Afirma que:

Selecciona una de las siguientes respuestas posibles:

Que el consumo permanente es proporcional al ingreso permanente.
Que el consumo estático es proporcional al ingreso estático.
El consumo no permanente es proporcional al ingreso permanente.
El consumo inversamente proporcional al ingreso.

Explicación

Pregunta 51 de 100

1

Aunque generalmente la hipótesis se formula sin mencionar el carácter condicional de la varianza.
Defina que es la Heterocedasticidad.

Selecciona una de las siguientes respuestas posibles:

Es el análisis de regresión es un análisis de regresión condicional de “y” sobre “x”.
El modelo básico de regresión lineal exige, como hipótesis básica, que la varianza de las perturbaciones aleatorias, condicional a los valores de los regresores X
En un plano puramente analítico, la matriz de varianzas-covarianzas de las perturbaciones
Es una matriz de varianzas-covarianzas no escalar de las
perturbaciones aleatorias, la estimación máximo verosímil de los parámetros del modelo

Explicación

Pregunta 52 de 100

1

Lo que se conoce como el r 2 simple, es para el modelo de regresión a través del origen

Selecciona una de las siguientes respuestas posibles:

A pesar de que este r 2 simple satisface la relación 0 < r2 < 1, no es directamente comparable con el valor r 2 convencional.
Con estos resultados es fácil establecer relaciones entre estos dos conjuntos de parámetros estimados.
Los resultados de regresión basados en una escala de medición
la transformación de la escala (Y, X) a la escala (Y ∗, X ∗) no afecta las propiedades de los estimadores de MCO

Explicación

Pregunta 53 de 100

1

La presencia de Heterocedasticidad sobre el MBRL
estimado con Mínimos Cuadrados Ordinarios

Los efectos, son:

Selecciona una o más de las siguientes respuestas posibles:

El estimador de Mínimos Cuadrados Ordinarios sigue
siendo lineal, insesgado y consistente, pero deja de ser eficiente (varianza mínima).
Las varianzas del estimador de Mínimos Cuadrados Ordinarios, además de no ser mínimas, no pueden calcularse con la expresión utilizada en presencia de homocedasticidad
modelización de fenómenos que con
tienen un mecanismo de auto - aprendizaje en función de los errores (desajustes) previos.
menor tamaño del error, sino además una varianza progresivamente inferior.

Explicación

Pregunta 54 de 100

1

El poder explicativo del conjunto de variables Z sobre la representación de la varianza de las perturbaciones aleatorias es escaso.

Cuanto más cerca se encuentre de cero, las probabilidades del modelo son:

Selecciona una de las siguientes respuestas posibles:

operatividad
Heterocedasticidad
homocedasticidad
Covarianza

Explicación

Pregunta 55 de 100

1

La R*2, como proporción de la varianza de la endógena real que queda explicada por la estimada, debiera ser muy pequeña si la capacidad explicativa de los regresores considerados también es muy pequeña
Para encontrar el valor crítico en la HETEROCEDASTICIDAD

Selecciona una de las siguientes respuestas posibles:

Expresión deducida por Brucsh y Pagan como
producto del coeficiente u
Expresión deducida por Brucsh y Pigou como
producto del coeficiente O
Expresión deducida por Breusch y Pagan como
producto del coeficiente R*2
Expresión deducida por Bawek y Pagan como
producto del coeficiente R*2

Explicación

Pregunta 56 de 100

1

Como el coeficiente de la pendiente, β2, es tan sólo la tasa de cambio, ésta se mide en las unidades de la razón

a que se refiere, esta formula:

Selecciona una de las siguientes respuestas posibles:

Advertencia sobre la Interpretación.
Perturbación
Regresión sobre variables Estandarizadas
Cambios en las unidades de medición

Explicación

Pregunta 57 de 100

1

Variables estandarizadas
Se define como:

Selecciona una de las siguientes respuestas posibles:

Una variable es estandarizada si se resta el valor de la media de esta variable de sus valores individuales y se divide esa diferencia entre la desviación estándar de la variable.
Una variable es estandarizada si se suma el valor de la media de esta variable de sus valores individuales y se divide esa diferencia entre la desviación estándar de la variable.
Una variable es estandarizada si se multiplica el valor de la media de esta variable de sus valores individuales y se divide esa diferencia entre la desviación estándar de la variable.
Una variable es estandarizada si se divide el valor de la media de esta variable de sus valores individuales y se divide esa diferencia entre la desviación estándar de la variable.

Explicación

Pregunta 58 de 100

1

En la regresión de las variables la regresión de Y y X, si las redefinimos como:

A que variable hace referencia la siguiente formula

Selecciona una de las siguientes respuestas posibles:

Variables fijas
Variables estandarizadas
Variables estimadas
Variables proporcionales

Explicación

Pregunta 59 de 100

1

En las secciones que siguen consideraremos algunos modelos de regresión muy comunes, que pueden ser no lineales en las variables, pero sí lineales en los parámetros, o que pueden serlo mediante transformaciones apropiadas de
las variables.

Señale las formas funcionales de los modelos de regresión.

Selecciona una de las siguientes respuestas posibles:

1. El modelo log-cuadratico.2. Modelos semilogarítmicos 3. Modelos recíprocos.4 El modelo logarítmico recíproco.
1. El modelo lineal .2. Modelos logarítmicos 3. Modelos recíprocos.4 El modelo logarítmico recíproco.
1. El modelo log-lineal.2. Modelos semilogarítmicos 3. Modelos recíprocos.4 El modelo logarítmico lineal.
1. El modelo log-lineal.2. Modelos semilogarítmicos 3. Modelos recíprocos.4 El modelo logarítmico recíproco.

Explicación

Pregunta 60 de 100

1

Desde el principio conviene hacer una advertencia: el tema de la regresión con datos de panel es muy amplio, y parte de las matemáticas y las estadísticas que implica son muy complejas.

¿Cuál es una de las ventajas de los datos de panel respecto de los datos de corte transversal o de series de tiempo? Según Baltagi

Selecciona una de las siguientes respuestas posibles:

Al combinar las series de tiempo de las observaciones de corte transversal, los datos de panel proporcionan “una mayor cantidad de datos informativos, más variabilidad, menos colinealidad entre variables, más grados de libertad y una mayor eficiencia”.
Los datos de panel permiten estudiar modelos de comportamiento más complejos, al hacer disponibles datos para varios miles de unidades.
Al remplazar las observaciones en unidades de corte transversal repetidas, los datos de panel resultan más adecuados para estudiar la dinámica del cambio. Los conjuntos de datos respecto del desempleo, la rotación en el trabajo y la movilidad laboral se estudian mejor con datos de panel.
La regresión con datos de paneles muy amplio, y parte de las matemáticas y las estadísticas que implica son muy complejas.

Explicación

Pregunta 61 de 100

1

Las variables explicativas no son estocásticas. Si lo son, no están correlacionadas con el término de error.

¿Qué son las variables explicativas?

Selecciona una de las siguientes respuestas posibles:

regresiones
estrictamente exógenas
series de tiempo
heterogeneidad

Explicación

Pregunta 62 de 100

1

Advertencias sobre el modelo MCVD de efectos fijos
Un análisis precedente indica que el modelo MCVD presenta algunos problemas que es necesario tener en cuenta:

Selecciona una de las siguientes respuestas posibles:

Si se introducen demasiadas variables dicótomas, puede presentarse el problema de los grados de libertad, con tantas variables dicótomas en el modelo, tanto individuales como interactivas o multiplicativas, siempre está presente la posibilidad de la multicolinealidad, que puede dificultar la estimación precisa de uno o más parámetros y en algunas situaciones, es posible que el modelo de MCVD no identifique el efecto de las variables que no cambian con el tiempo.
Podemos suponer que la varianza del error es la misma para todas las unidades de corte transversal, o que la varianza del error es heteroscedástica.
Para cada individuo, podemos suponer que no existe autocorrelación a través del tiempo.
en un determinado tiempo es posible que, el termino de error de una unidad no esté correlacionado con el termino de error de otra unidad.

Explicación

Pregunta 63 de 100

1

En el método DG se expresa a cada variable como una desviación del valor medio de dicha variable.
¿Cuál es una desventaja de este estimador?

Selecciona una de las siguientes respuestas posibles:

analiza estimaciones de regresión inadecuadas
obtener estimaciones directas de los intercepto
agregación variables no relacionadas
puede distorsionar los valores de los parámetros y desde luego eliminar los efectos de largo plazo

Explicación

Pregunta 64 de 100

1

Al comentar sobre los MCVD, Kmenta escribe: Una pregunta obvia en conexión con el modelo de covarianza [es decir, MCVD] es si de verdad es necesario incluir variables dicótomas —con la consecuente pérdida de grados de libertad—.
El fundamento del modelo de covarianza es que:

Selecciona una de las siguientes respuestas posibles:

Al especificar el modelo de regresión, no hemos podido incluir variables explicativas relevantes que no varíen con el tiempo
En los valores del intercepto de cada unidad se reflejan en el término de error
En el modelo de componentes de error
las unidades se muestran en forma de un universo

Explicación

Pregunta 65 de 100

1

En un proceso estacionario, la velocidad de la reversión media depende de las autocovarianzas: es rápida si las autocovarianzas son pequeñas y lenta cuando son grandes, como veremos en breve.
¿Cuándo una serie de tiempo es estacionaria?

Selecciona una de las siguientes respuestas posibles:

Cuando tenga una media que varía con el tiempo o una varianza que cambia con el tiempo, o ambas.
cuando sólo podemos estudiar su comportamiento durante el periodo en consideración.
cuando su media, su varianza y su autocovarianza (en los diferentes rezagos) permanecen iguales sin importar el momento en el cual se midan; es decir, son invariantes respecto del tiempo.
cuando su media, su varianza y su autocovarianza (en los diferentes rezagos) permanecen diferentes

Explicación

Pregunta 66 de 100

1

Aunque la mayoría de las veces el interés se centra en las series de tiempo estacionarias, a menudo nos encontramos con series de tiempo no estacionarias, cuyo ejemplo clásico es el modelo de caminata aleatoria (MCA).
Hay dos tipos de caminatas aleatorias:

Selecciona una o más de las siguientes respuestas posibles:

caminata aleatoria sin deriva o sin desvió
caminata aleatoria con deriva o con desvió
caminata aleatoria sin error
caminata aleatoria con correlación

Explicación

Pregunta 67 de 100

1

Una prueba sencilla de estacionariedad se basa en la denominada función de autocorrelación (FAC).

La FAC en el rezago k, denotada por p_k, se define como:

Selecciona una de las siguientes respuestas posibles:

p_k=y_k/y_0
p_0=y_k/y_0
p_ko=y_k/y_0
p_k=y_0/y_k

Explicación

Pregunta 68 de 100

1

La autocorrelación se puede definir como la correlación entre miembros de series de observaciones ordenadas en el tiempo (información de series de tiempo) o en el espacio (información de corte de transversal).
Causa de la Autocorrelación:

Selecciona una de las siguientes respuestas posibles:

Trabajo con datos de serie temporal: cuando se trabaja con datos de corte longitudinal, resulta bastante frecuente que el término de perturbación en un instante dado siga una tendencia marcada por los términos de perturbación asociados a instantes anteriores. Este hecho da lugar a la aparición de autocorrelación en el modelo.
Omisión de variables estimadoras:
Especificación incorrecta de los datos
Transformaciones de los datos con tendencia errónea

Explicación

Pregunta 69 de 100

1

El mecanismo de corrección de errores (MCE), utilizado por primera vez por Sargan y popularizado más tarde por Engle y Granger, corrige el desequilibrio. Un importante teorema, conocido como teorema de representación de Granger.
¿Qué afirma este teorema?

Selecciona una de las siguientes respuestas posibles:

los datos poseen tendencia determinista
relaciona la estocacidad de las variables
si dos variables Y y X están cointegradas, la relación entre las dos se expresa como MCE.
Y y X son valores rezagados de la ecuación

Explicación

Pregunta 70 de 100

1

Los pronósticos a menudo son utilizados para poder predecir la demanda del consumidor de productos o servicios

En términos generales, hay cinco enfoques de los pronósticos económicos basados en series de tiempo.

Selecciona una de las siguientes respuestas posibles:

1) Métodos de Suavizamiento Exponencial, 2) Modelos de Regresión Uniecuacionales, 3) Modelos de Regresión de Ecuaciones Simultáneas, 4) Modelos Autorregresivos Integrados de Promedios Móviles (ARIMA) y 5) Modelos de Vectores Autorregresivos (VAR).
1) Métodos de Suavizamiento Exponencial, 2) Modelos de Regresión Ecuacionales, 3) Modelos de Regresión de Ecuaciones Simultáneas, 4) Modelos Regresivos Integrados de Promedios Móviles (ARIMA) y 5) Modelos de Vectores Autorregresivos (VAR).
1) Método Exponencial, 2) Modelos de Regresión Uniecuacionales, 3) Modelos de Regresión de Ecuaciones Simultáneas, 4) Modelos Integrados de Promedios Móviles (ARIMA) y 5) Modelos de Vectores Autorregresivos (VAR).
1) Métodos de Suavizamiento Exponencial, 2) Modelos de Regresión Uniecuacionales, 3) Modelos de Regresión de Ecuaciones, 4) Modelos Autorregresivos de Promedios Móviles (ARIMA) y 5) Modelos de Vectores Autorregresivos (VAR).

Explicación

Pregunta 71 de 100

1

Estos métodos eliminan las fluctuaciones aleatorias de la serie de tiempo, proporcionando datos menos distorsionados del comportamiento real de misma.
En los Métodos de Suavizamiento Exponencial existen diversos tipos identifique cuales son:

Selecciona una de las siguientes respuestas posibles:

Suavizamiento Exponencial Simple, Método Lineal de Holt y el Método de Holt-Winters, Metodo Autorregresivo.
Suavizamiento Exponencial Simple, Método Lineal de Holt y el Método de Holt-Winters.
Suavizamiento Exponencial Simple, Método Lineal de Holt.
Suavizamiento Exponencial Simple, Método Lineal de Holt y el Método de Holt-Winters, Metodo Autorregresivo, Metodo de Variacion.

Explicación

Pregunta 72 de 100

1

Para utilizar la metodología Box-Jenkins, debemos tener una serie de tiempo estacionaria o una serie de tiempo que sea estacionaria después de una o más diferenciaciones.
Identifique cuál de las opciones pertenece al objetivo de BJ [Box-Jenkins]

Selecciona una de las siguientes respuestas posibles:

Identificar y estimar un modelo de regresión de una serie de tiempo.
Identificar y estimar un modelo estadístico que se interprete como una serie de tiempo.
Identificar y estimar un modelo estadístico que se interprete como generador de los métodos exponenciales.
Identificar y estimar un modelo estadístico que se interprete como generador de los datos muestrales.

Explicación

Pregunta 73 de 100

1

La Metodología de Box-Jenkins de previsión consiste en encontrar un modelo matemático que represente el comportamiento de una serie temporal de datos.

Cuáles son los cuatro pasos que considera la Metodología de Box-Jenkins:

Selecciona una de las siguientes respuestas posibles:

Identificación, Estimación, Examen de diagnóstico, Modelo Econométrico.
Identificación, Estimación, Examen de diagnóstico, Autocorrelación.
Identificación, Estimación, Examen de diagnóstico, Pronóstico.
Identificación, Estimación, Examen de diagnóstico, Método Exponencial.

Explicación

Pregunta 74 de 100

1

Engle propuso el modelo ARCH, que significa modelo auto regresivo condicionalmente heterocedástico.
Determine en qué fecha se descubrió el modelo GARCH

Selecciona una de las siguientes respuestas posibles:

1988
1982
1984
1994

Explicación

Pregunta 75 de 100

1

La publicación de G. P. E. Box y G. M. Jenkins Time Series Analysis: Forecasting and Control, op. cit., marcó el comienzo de una nueva generación de herramientas de pronóstico.

La metodología de Box-Jenkins (BJ) también es conocida como:

Selecciona una de las siguientes respuestas posibles:

Metodología PREDICTIVA
Metodología UNIECUACIONALES
Metodología ARIMA
Parámetros ESTIMADOS

Explicación

Pregunta 76 de 100

1

En pocas palabras, la media y la varianza de una serie de tiempo débilmente estacionaria son………… y su………… es invariante en el tiempo.

Complete el siguiente enunciado:

Selecciona una de las siguientes respuestas posibles:

Constantes-Covarianza
Integradas-Covarianza
Autorregresivos-Covarianza
Integradas- Autorregresivo

Explicación

Pregunta 77 de 100

1

Proceso autorregresivo integrado de promedios móviles (ARIMA) utiliza variaciones y regresiones de datos estadísticos con el fin de encontrar patrones para una predicción hacia el futuro.

Cuál es el punto importante para utilizar la metodología Box-Jenkins

Selecciona una de las siguientes respuestas posibles:

debemos tener una serie de tiempo estacionaria o una serie de tiempo que sea estacionaria después de cero diferenciaciones.
debemos tener una serie de tiempo estacionaria o una serie de tiempo que sea autorregresiva después de una o más diferenciaciones.
debemos tener una serie de tiempo estacionaria o una serie de tiempo que sea integrada después de una o más diferenciaciones.
debemos tener una serie de tiempo estacionaria o una serie de tiempo que sea estacionaria después de una o más diferenciaciones.

Explicación

Pregunta 78 de 100

1

Después de seleccionar un modelo ARIMA particular y de estimar sus parámetros, tratamos de ver si el modelo seleccionado se ajusta a los datos en forma razonablemente buena, pues es posible que exista otro modelo ARIMA que también lo haga.

La Metodología de Box-Jenkins (BJ) considera cuatro pasos. Determinar a que paso corresponde el enunciado.

Selecciona una de las siguientes respuestas posibles:

Examen de diagnóstico.
Estimación
Identificación.
Pronóstico

Explicación

Pregunta 79 de 100

1

La esencia de los modelos VAR se propone un sistema de ecuaciones, con tantas ecuaciones como series a analizar o predecir, pero en el que no se distingue entre variables endógenas y exógenas.

Los modelos de vectores autorregresivos el término “autorregresivo” se refiere:

Selecciona una de las siguientes respuestas posibles:

A la aparición del valor rezagado de la variable dependiente en el lado izquierdo, y el término “vector” se atribuye a que tratamos con un vector de dos (o más) variables.
A la aparición del valor rezagado de la variable dependiente en el lado derecho, y el término “vector” se atribuye a que tratamos con un vector de cero variables.
A la aparición del valor rezagado de la variable dependiente en el lado perpendicular, y el término “vector” se atribuye a que tratamos con un vector de dos (o más) variables.
A la aparición del valor rezagado de la variable dependiente en el lado derecho, y el término “vector” se atribuye a que tratamos con un vector de dos (o más) variables.

Explicación

Pregunta 80 de 100

1

En el presente caso, en el que la variable explicativa es el uso de celulares en un 100%, donde las variables dependientes Y son el uso de internet, mismo que han variado por los cambios en el uso o no uso de celulares, desde un 9.198% a 19.408%, y la otra variable que no ha variado por el efecto de contribución del PIB es el del Ingreso de 10 mil USD

En términos matemáticos se representa como:

Selecciona una de las siguientes respuestas posibles:

Y_i=β_0 X_i^1+β_1 X_i^2+〖β_2 X〗_i^3+u_i
Y_i=β_0+β_1 X_i^1+〖β_2 X〗_i^2+u_i
Y_i=β_0+β_1 X_i^1+〖β_2 X〗_i^2
Y_i=β_0+β_1 X_i^1+〖β_2 X〗_i^2+u_i X_i^3

Explicación

Pregunta 81 de 100

1

Una medida que indique el grado de ajuste de la recta de regresión muestral con los datos se denomina medida de bondad del ajuste. Su medida más conocida es: el coeficiente de determinación o R cuadrado (R^2)

Esta medida se define de la siguiente manera:

Selecciona una de las siguientes respuestas posibles:

R^2=(∑_(i=1)^n▒〖〖(y ̂〗_i-y ̂ ̅)〗^2 )/(∑_(i=1)^n▒〖〖(y〗_i-y ̅)〗^2 )
R^2=SE/ST=(∑_(t=1)^T▒〖〖(y ̂〗_t-y ̅)〗^2 )/(∑_(t=1)^T▒〖〖(y〗_t-y ̅)〗^2 )
R^2=ST/SE=(∑_(t=1)^T▒〖〖(y ̂〗_t-y ̅)〗^2 )/(∑_(t=1)^T▒〖〖(y〗_t-y ̅)〗^2 )
R^2=SE/ST=(∑_(i=1)^n▒〖〖(y ̂〗_i-y ̂ ̅)〗^2 )/(∑_(i=1)^n▒〖〖(y〗_i-y ̅)〗^2 )

Explicación

Pregunta 82 de 100

1

El Software Eviews permite calcular directamente la significatividad conjunta de los parámetros estimados del modelo a través del p-valor del contraste de la F siempre y cuando se introduzca la ecuación que define el modelo.

¿Qué sucede al pulsar aceptar?

Selecciona una de las siguientes respuestas posibles:

al pulsar Aceptar se observa un p-valor de la F pequeño
al pulsar Aceptar se observa un p-valor de la F muy pequeño
al pulsar Aceptar se observa un p-valor de la F mediano
al pulsar Aceptar se observa un p-valor de la F grande

Explicación

Pregunta 83 de 100

1

Otra forma de eliminar la heteroscedasticidad es aplicado logaritmo natural al modelo de la ecuación

Dado el modelo y_i=β_1 X_1i+β_2 X_2i+u_i encontrar su forma de logaritmo natural

Selecciona una de las siguientes respuestas posibles:

ln⁡〖.log(y_i )〗=ln(β_1 X_1i+β_2 X_2i+u_i)
ln⁡(y_i )=log(β_1 X_1i+β_2 X_2i+u_i)
log⁡(y_i )=ln(β_1 X_1i+β_2 X_2i+u_i)
ln⁡(y_i )=ln(β_1 X_1i+β_2 X_2i+u_i)

Explicación

Pregunta 84 de 100

1

La prueba general de heteroscedasticidad propuesta por White no se apoya en el supuesto de normalidad y es fácil aplicarla. Como ilustración de la idea básica, considere el siguiente modelo de regresión:
y_i=β_1+β_2 X_2i+β_3 X_3i+u_i

Para realizar la prueba de White se procede de la siguiente forma:

Selecciona una o más de las siguientes respuestas posibles:

Paso 1. Dada la información, estime) y obtenga los residuos u ̂_i
Paso 2. Efectúe la siguiente regresión (auxiliar):u ̂_i^2=a_1+a_2 x_2i+a_3 x_3i+a_4 x_2ⅈ^2+a_5 x_3ⅈ^2+a_6 x_2i x_3i+v_i
Paso 3. Según la hipótesis nula de que no hay heteroscedasticidad,n⋅R_(asin) ̃^2 〖 X〗_gl^2
Paso 4. Si el valor ji cuadrada obtenido en (el paso 3) excede al valor ji cuadrada crítico en el nivel de significancia seleccionado, la conclusión es que hay heteroscedasticidad.
Paso 1. Dada la información, estime) y obtenga los residuos u ̂_i
Paso2.Según la hipótesis nula de que no hay heteroscedasticidad,n⋅R_(asin) ̃^2 〖 X〗_gl^2
Paso 3. Efectúe la siguiente regresión (auxiliar):u ̂_i^2=a_1+a_2 x_2i+a_3 x_3i+a_4 x_2ⅈ^2+a_5 x_3ⅈ^2+a_6 x_2i x_3i+v_i
Paso 4. Si el valor ji cuadrada obtenido en (el paso 3) excede al valor ji cuadrada crítico en el nivel de significancia seleccionado, la conclusión es que hay heteroscedasticidad.

Explicación

Pregunta 85 de 100

1

Las técnicas de estimación dependen de que se cuente con un panel corto o uno largo.
Existen cuatro posibilidades.

Selecciona una de las siguientes respuestas posibles:

Modelo de MCO agrupados.
Modelo de mínimos cuadrados con variable dicótoma (MCVD) de efectos fijos.
Modelo de efectos fijos dentro del grupo.
Modelo de efectos aleatorios (MEFA).
Modelo de MCO.
Modelo de mínimos cuadrados con variable dicótoma (MCVD) de efectos fijos.
Modelo de efectos fijos dentro del grupo.
Modelo de efectos aleatorios (MEFA).
Modelo de MCO agrupados.
Modelo de mínimos cuadrados con variable dicótoma (MCVD) de efectos reales.
Modelo de efectos fijos dentro del grupo.
Modelo de While
Modelo de MCO separados.
Modelo de mínimos cuadrados con variable dicótoma (MCVD) de efectos fijos.
Modelo de efectos de regresión.
Modelo de efectos aleatorios (MEFA).

Explicación

Pregunta 86 de 100

1

Para ver cómo el término de error se correlaciona con las regresoras, considere la siguiente revisión del modelo〖C 〗_it=β_1+β_2 〖PF〗_it+β_3 〖LF〗_it+β_4 M_it+u_it

Donde la variable adicional M filosofía de la administración o calidad de la administración. De las variables en la ecuación (dada), sólo la variable M es o porque varía entre sujetos, pero es constante a través del tiempo para un sujeto dado.

Selecciona una de las siguientes respuestas posibles:

invariante en el tiempo o regresora
invariante en el tiempo o constante en el tiempo
serie de tiempo o constante en el tiempo
invariante en el tiempo o MCO

Explicación

Pregunta 87 de 100

1

En el MEF se permite que el intercepto en el modelo de regresión difiera entre individuos, a manera de reconocimiento de que cada unidad individual, o transversal, pueda tener algunas características especiales por sí mismas. A fin de tomar en cuenta los distintos intercepto, se pueden utilizar variables dicótomas.

El MEF que emplea esas variables se conoce como:

Selecciona una de las siguientes respuestas posibles:

MCDV
MEFA
MCE
MCO

Explicación

Pregunta 88 de 100

1

El modelo de caminata aleatoria es un ejemplo de lo que se conoce como proceso de raíz unitaria.
Como este término es ya muy común en las referencias de series de tiempo, a continuación, explicaremos lo que es un proceso de raíz unitaria, como se escribe el MCA:

Selecciona una de las siguientes respuestas posibles:

Y_t=pY_(i-1)+u_t −1 ≤ ρ ≤ 2
Y_t=pY_(t-2)+u_t −1 ≤ u ≤ 1
y_t=pY_(t-t)+u_t −1 ≤ t ≤ 1
Y_t=pY_(t-1)+u_t −1 ≤ ρ ≤ 1

Explicación

Pregunta 89 de 100

1

Cointegración significa que, a pesar de no ser estacionarias en un nivel individual, una combinación lineal de dos o más series de tiempo puede ser estacionaria.
sirven para averiguar si dos o más series de tiempo están cointegradas.

Selecciona una o más de las siguientes respuestas posibles:

Engle-Granger (EG)
Dickey-Fuller (DF)
Dickey-Fuller Aumentada (DFA)
Engle-Granger aumentada (EGA)

Explicación

Pregunta 90 de 100

1

ˆi = 0.2033 + 0.6560Xt
ee = (0.0976) (0.1961)
r 2 = 0.397 SCR = 0.0544 SCE = 0.0358
donde Y = tasa de participación de la fuerza laboral (TPFL) de las mujeres en 1972 y X _=TPFL de las mujeres en 1968. Los resultados de la regresión se obtuvieron de una muestra de 19 ciudades de Estados Unidos.
Considere el siguiente resultado de una regresión:†

Selecciona una de las siguientes respuestas posibles:

No hay asociación positivas en la misma fecha en 1972 y 1968, lo que no es sorprendente en vista de la realidad desde la segunda guerra mundial se ha producido un aumento constantes en las mismas fechas de la mujer.
No hay asociación negativas en la misma fecha en 1972 y 1968, lo que no es sorprendente en vista de la realidad desde la segunda guerra mundial se ha producido un aumento constantes en las mismas fechas de la mujer.
No hay asociación positivas en la misma fecha en 1972 y 1968, lo que no es sorprendente en vista de la realidad desde la primera guerra mundial se ha producido un aumento constantes en las mismas fechas de la mujer.
No hay asociación positivas en la misma fecha en 1972 y 1968, lo que no es sorprendente en vista de la realidad desde la segunda guerra mundial se ha producido una disminución constantes en las mismas fechas de la mujer.

Explicación

Pregunta 91 de 100

1

¿Sería apropiado ajustar un modelo de regresión de dos variables a los datos? ¿Por qué? Si la respuesta es negativa, ¿qué tipo de modelo de regresión se ajustaría a los datos? ¿Cuenta con las herramientas necesarias para ajustar dicho modelo?
Determine la respuesta correcta del siguiente enunciado

Selecciona una de las siguientes respuestas posibles:

Como resultado de ello, si sería conveniente que se ajuste a un modelo de regresión lineal bivariado de los datos.
Como resultado de ello, no sería conveniente que se ajuste a un modelo de regresión lineal bivariado de los datos.
Como resultado de ello, tal vez sería conveniente que se ajuste a un modelo de regresión lineal bivariado de los datos.
Como resultado de ello, no sería conveniente que se ajuste a un modelo de regresión exponencial bivariado de los datos.

Explicación

Pregunta 92 de 100

1

Tal como se presenta, ¿es un modelo de regresión lineal? Si no es así, ¿qué “truco” podría utilizar, si acaso, para convertirlo en un modelo de regresión lineal? ¿Cómo interpretaría el modelo resultante? ¿En qué circunstancias sería adecuado dicho modelo?
Considere el siguiente modelo:
Yi = eβ1+β2Xi
1 + eβ1+β2Xi

Selecciona una de las siguientes respuestas posibles:

Tal como está, el modelo si es lineal en el parámetro.
Tal como está, el modelo tal vez es lineal en el parámetro.
Tal como está, el modelo no es lineal en el parámetro.
Tal como está, el modelo no es exponencial en el parámetro.

Explicación

Pregunta 93 de 100

1

Una hipótesis nula es una suposición que se utiliza para negar o afirmar un suceso en relación a algún o algunos parámetros de una población o muestra.
De acuerdo con la hipótesis nula afirma que:

Selecciona una de las siguientes respuestas posibles:

los residuos están normalmente no distribuidos.
los residuos están normalmente distribuidos.
los residuos están normalmente lineales.
los residuos están normalmente autoregresivos.

Explicación

Pregunta 94 de 100

1

Un enfoque alterno pero complementario al de intervalos de confianza para probar hipótesis estadísticas es el método de la prueba de significancia.
En el lenguaje de las pruebas de significancia se dice que:

Selecciona una de las siguientes respuestas posibles:

Un estadístico es estadísticamente significativo si el valor del estadístico de prueba no cae en la región crítica.
Un estadístico es estadísticamente significativo si el valor del estadístico de prueba pasa en la región crítica.
Un estadístico es estadísticamente significativo si el valor del estadístico de prueba se acerca en la región crítica.
Un estadístico es estadísticamente significativo si el valor del estadístico de prueba cae en la región crítica.

Explicación

Pregunta 95 de 100

1

Un enfoque alterno pero complementario al de intervalos de confianza para probar hipótesis estadísticas es el método de la prueba de significancia.
¿Cuál es la idea básica de las pruebas de significancia?

Selecciona una de las siguientes respuestas posibles:

Es la de un estadístico de prueba (una variable) y su distribución muestral según la hipótesis nula.
Es la de un estadístico de prueba (un autoregresor) y su distribución muestral según la hipótesis nula.
Es la de un estadístico de prueba (una determinante) y su distribución muestral según la hipótesis nula.
Es la de un estadístico de prueba (un estimador) y su distribución muestral según la hipótesis nula.

Explicación

Pregunta 96 de 100

1

La econometría se define como la ciencia que aplica herramientas de teoría económica, matemáticas e inferencia estadística al análisis de fenómenos económicos
En estadística, cuando se rechaza la hipótesis nula, se dice que el hallazgo es:

Selecciona una de las siguientes respuestas posibles:

estadísticamente insignificante
estadísticamente reciproco
estadísticamente determinante
estadísticamente significativo

Explicación

Pregunta 97 de 100

1

la multicolinealidad, el interrogante natural es:
Determine cuál de las siguientes opciones se refiere a una de las advertencia de Kmenta:

Selecciona una o más de las siguientes respuestas posibles:

La multicolinealidad es una cuestión de grado y no de clase La distinción importante no es entre presencia o ausencia de multicolinealidad, sino entre sus diferentes grados.
Como la multicolinealidad se refiere a la condición de las variables explicativas que son no estocásticas por supuestos, es una característica de la muestra y no de la población.
Como la multicolinealidad se refiere a la condición de las determinantes explicativas que son no estocásticas por supuestos, es una característica de la muestra y no de la población.
La multicolinealidad es la distinción importante no es entre presencia o ausencia de multicolinealidad, sino entre sus diferentes grados

Explicación

Pregunta 98 de 100

1

Se dice que un modelo de regresión lineal presenta heterocedasticidad cuando la varianza de las perturbaciones no es constante a lo largo de las observaciones.
La heteroscedasticidad también surge por la presencia de:

Selecciona una de las siguientes respuestas posibles:

datos atípicos o aberrantes
datos atípicos o significativos
datos atípicos o lineales
datos atípicos o regresión

Explicación

Pregunta 99 de 100

1

El modelo de regresión lineal supone que no debe existir autocorrelación en los errores.
El término autocorrelación se define como:

Selecciona una de las siguientes respuestas posibles:

la “correlación entre miembros de unidades de observaciones
ordenadas en el tiempo
la “correlación entre miembros de series de observaciones
ordenadas en las variables
la “negación entre miembros de series de observaciones
ordenadas en el tiempo
la “correlación entre miembros de series de observaciones
ordenadas en el tiempo

Explicación

Pregunta 100 de 100

1

Dado dos valores cualesquiera de X, Xi y Xj (i= j), la correlación entre dos ui y uj cualesquiera (i no es igual a j) es cero. En pocas palabras estas observaciones se muestran de manera independiente.
A que supuesto hace referencia este enunciado

Selecciona una de las siguientes respuestas posibles:

No hay auto correlación entre las perturbaciones
Si hay auto correlación entre las perturbaciones
Hay relación entre las perturbaciones
No hay relación entre las variables

	Creado por Andres Sanabria hace alrededor de 8 años

COMPLEXIVO DE ECONOMETRÍA

ECONOMETRIA

Pregunta 1 de 100

Este método de estimación suele ser más intuitivo y matemáticamente más sencillo. A que método hace referencia el siguiente concepto general.

Selecciona una de las siguientes respuestas posibles:

Explicación

Pregunta 2 de 100

El método de mínimos cuadrados presenta propiedades estadísticas muy atractivas que lo han convertido en uno de los más eficaces y populares del análisis de regresión. Cual fue el autor de este método:

Selecciona una de las siguientes respuestas posibles:

Explicación

Pregunta 3 de 100

Se pueden emplear en la función de regresión para poder analizar eficazmente datos estadísticos la función de regresión muestral. A que hace referencia la siguiente formula: Yi = B1+B2Xi+ ui

Selecciona una de las siguientes respuestas posibles:

Explicación

Pregunta 4 de 100

Para poder determinar la FMR primero hay que establecer una ecuación que sea el paso inicial para poder realizar el respectivo desarrollo. A que hace referencia esta fórmula:

Selecciona una de las siguientes respuestas posibles:

Explicación

Pregunta 5 de 100

Propiedades numéricas son las que se mantienen como consecuencia del uso de mínimos cuadrados ordinarios, sin considerar la forma como se generaron los datos Seleccione las propiedades estadísticas de los estimadores MCO.

Selecciona una o más de las siguientes respuestas posibles:

Explicación

Pregunta 6 de 100

El modelo econométrico es empírico (práctico, basado en la experiencia y en la observación de los hechos), no determinista (teórico, totalmente predecible en un momento dado si fuera posible conocer todos los datos). ¿Cuál es el estimador que se expresa en términos de las cantidades?

Selecciona una de las siguientes respuestas posibles:

Explicación

Pregunta 7 de 100

Una vez obtenidos los estimadores de MCO de los datos de la muestra, se obtiene sin problemas la línea de regresión muestral. Seleccione la serie de pasos para obtener la línea de regresión muestral.

Selecciona una de las siguientes respuestas posibles:

Explicación

Pregunta 8 de 100

¿cómo se conoce a esta fórmula?

Selecciona una de las siguientes respuestas posibles:

Explicación

Pregunta 9 de 100

El modelo de Gauss, modelo clásico o estándar de regresión lineal (MCRL), es el cimiento de la mayor parte de la teoría econométrica. Cuál de estos supuestos pertenece al teorema de Gauss Markov

Selecciona una de las siguientes respuestas posibles:

Explicación

Pregunta 10 de 100

Selecciona una de las siguientes respuestas posibles:

Explicación

Pregunta 11 de 100

Decimos que son estimadores y que sus valores cambiarán de muestra en muestra. ¿Cómo se les denomina?

Selecciona una de las siguientes respuestas posibles:

Explicación

Pregunta 12 de 100

El modelo clásico de regresión lineal normal puede dar solución a algo que los otros modelos. A que se refiere:

Selecciona una de las siguientes respuestas posibles:

Explicación

Pregunta 13 de 100

En el contexto de regresión se supone, por lo general, que las u tienen la distribución de probabilidad normal. Si a los supuestos del modelo clásico de regresión lineal (MCRL) se añade el supuesto de normalidad para ui Que se obtiene de esto?

Selecciona una de las siguientes respuestas posibles:

Explicación

Pregunta 14 de 100

El modelo clásico de regresión lineal normal supone que cada ui está normalmente distribuida con algunos supuestos. Estos supuestos se expresan de manera más compacta como:

Selecciona una de las siguientes respuestas posibles:

Explicación

Pregunta 15 de 100

Teorema central del límite (TCL) ¿Que nos demuestra este teorema?

Selecciona una de las siguientes respuestas posibles:

Explicación

Pregunta 16 de 100

La distribución normal es una distribución comparativamente sencilla y requiere sólo dos parámetros. Cuáles son?

Selecciona una de las siguientes respuestas posibles:

Explicación

Pregunta 17 de 100

Si trabajamos con una muestra finita o pequeña, la suposición de normalidad desempeña un papel relevante ¿Cuantos datos u observaciones se necesitan para que se cumpla el papel relevante de la muestra?

Selecciona una de las siguientes respuestas posibles:

Explicación

Pregunta 18 de 100

Propiedades de los estimadores de MCO según el supuesto de normalidad. Seleccione la respuesta correcta.

Selecciona una de las siguientes respuestas posibles:

Explicación

Pregunta 19 de 100

Existe un método de estimación puntual con algunas propiedades teóricamente más fuertes que las del método de MCO. ¿Cómo se llama este método?

Selecciona una de las siguientes respuestas posibles:

Explicación

Pregunta 20 de 100

A pesar de la tendencia de los padres de estatura alta a procrear hijos altos y los padres de estatura baja, hijos bajos, la estatura promedio de los niños de padres de una estatura determinada tendía a desplazarse. Quien acuño el término de regresión.

Selecciona una de las siguientes respuestas posibles:

Este método de estimación suele ser más intuitivo y matemáticamente más sencillo.
A que método hace referencia el siguiente concepto general.

El método de mínimos cuadrados presenta propiedades estadísticas muy atractivas que lo han convertido en uno de los más eficaces y populares del análisis de regresión.
Cual fue el autor de este método:

Se pueden emplear en la función de regresión para poder analizar eficazmente datos estadísticos la función de regresión muestral.
A que hace referencia la siguiente formula:
Yi = B1+B2Xi+ ui

Para poder determinar la FMR primero hay que establecer una ecuación que sea el paso inicial para poder realizar el respectivo desarrollo.
A que hace referencia esta fórmula:

Propiedades numéricas son las que se mantienen como consecuencia del uso de mínimos cuadrados ordinarios, sin considerar la forma como se generaron los datos
Seleccione las propiedades estadísticas de los estimadores MCO.

El modelo econométrico es empírico (práctico, basado en la experiencia y en la observación de los hechos), no determinista (teórico, totalmente predecible en un momento dado si fuera posible conocer todos los datos).
¿Cuál es el estimador que se expresa en términos de las cantidades?

Una vez obtenidos los estimadores de MCO de los datos de la muestra, se obtiene sin problemas la línea de regresión muestral.
Seleccione la serie de pasos para obtener la línea de regresión muestral.

El modelo de Gauss, modelo clásico o estándar de regresión lineal (MCRL), es el cimiento de la mayor parte de la teoría econométrica.
Cuál de estos supuestos pertenece al teorema de Gauss Markov

Decimos que son estimadores y que sus valores cambiarán de muestra en muestra.
¿Cómo se les denomina?

El modelo clásico de regresión lineal normal puede dar solución a algo que los otros modelos.
A que se refiere:

En el contexto de regresión se supone, por lo general, que las u tienen la distribución de probabilidad normal. Si a los supuestos del modelo clásico de regresión lineal (MCRL) se añade el supuesto de normalidad para ui
Que se obtiene de esto?

El modelo clásico de regresión lineal normal supone que cada ui está normalmente distribuida con algunos supuestos.
Estos supuestos se expresan de manera más compacta como:

Teorema central del límite (TCL)
¿Que nos demuestra este teorema?

La distribución normal es una distribución comparativamente sencilla y requiere sólo dos parámetros.
Cuáles son?

Si trabajamos con una muestra finita o pequeña, la suposición de normalidad desempeña un papel relevante
¿Cuantos datos u observaciones se necesitan para que se cumpla el papel relevante de la muestra?

Propiedades de los estimadores de MCO
según el supuesto de normalidad.
Seleccione la respuesta correcta.

Existe un método de estimación puntual con algunas propiedades teóricamente más fuertes que las del método de MCO.
¿Cómo se llama este método?

A pesar de la tendencia de los padres de estatura alta a procrear hijos altos y los padres de estatura baja, hijos bajos, la estatura promedio de los niños de padres de una estatura determinada tendía a desplazarse.
Quien acuño el término de regresión.

El análisis de regresión es el estudio de la dependencia de una variable dependiente respecto de una o más variables explicativas.
El objetivo que persigue es:

En un ejemplo práctico, lo que interesa es predecir la estatura promedio de los hijos a partir de la estatura de sus padres.
Si esto, corresponde a un diagrama de dispersión, para su determinación se necesitara una línea recta.

A un economista quizá le interese estudiar la dependencia del consumo personal respecto del ingreso personal neto disponible, después de
Impuestos.
Con un análisis de este tipo, en el diagrama de dispersión , se calcula:

En el análisis de regresión interesa lo que se conoce como dependencia estadística entre variables, no así la funcional o determinista, propia de la física clásica.
En las relaciones estadísticas, analizamos

A pesar de que el análisis de regresión tiene que ver con la dependencia de una variable respecto de otras variables, esto no implica causalidad necesariamente.
En otras palabras Kendall y Stuart manifiestan:

Se relaciona de manera estrecha con el de regresión, aunque conceptualmente los dos son muy diferentes.
En el análisis de correlación, el objetivo principal es

Si se estudia la dependencia de una variable respecto de más de una variable explicativa, como el rendimiento de un cultivo, la lluvia, la temperatura, el Sol y los fertilizantes
A qué tipo de análisis se refiere

El éxito de todo análisis econométrico depende a final de cuentas de la disponibilidad de los datos recopilados.
Hay tres tipos de datos disponibles para el análisis empírico:

Los datos recopilados por estas organizaciones pueden ser de naturaleza experimental o no experimental.
En los datos experimentales, frecuentes en las ciencias naturales, el investigador suele….

La línea de regresión poblacional.
Desde el punto de vista geométrico, una curva de regresión poblacional.

La función de esperanza condicional (FEC), función de regresión poblacional (FRP) o regresión poblacional (RP).
Simbólicamente

β1 y β2 son parámetros no conocidos pero fijos
Que se denominan

La relación sobre todo con modelos lineales en la estimación de FRP
El primer significado de Linealidad en las variables

La linealidad se presenta cuando la esperanza condicional de Y, E(Y | Xi), es una función lineal de los parámetros, los β; puede ser o no lineal en la variable X.
Es un modelo de regresión lineal en el parámetro

La linealidad en los parámetros es pertinente para el desarrollo de la teoría de regresión
Mencione las dos interpretaciones de linealidad

A medida que aumenta el ingreso familiar, el consumo familiar, en promedio, también aumenta.
¿Qué sucede con el consumo de una familia en relación con su nivel de ingreso fijo?

Es una variable aleatoria no observable que adopta valores positivos o negativos.
Técnicamente, ui se conoce