ECONOMETRIA

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:

El modelo clásico de regresión lineal normal puede dar solución a algo que los otros modelos

A que se refiere:

• 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

Teorema central del límite (TCL), es una teoría estadística que establece que, dada una muestra suficientemente grande de la población, la distribución de las medias muestrales seguirá una distribución normal.

¿Que nos demuestra este teorema?

• Demuestra que si existe un gran número de variables aleatorias dependientes con idéntica distribución.

• Demuestra la variación de las variables estimadas.

• Demuestra la diferencia entre las variables estimadas y la correlación de las variables.

• 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

Decimos que son estimadores y que sus valores cambiarán de muestra en muestra

¿Cómo se les denomina?

• Variables estimadas

• Variables proyectadas

• Variables aleatorias

• Variables estadísticas.

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?

• 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.

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?

• Máxima verosimilitud

• Mínimos cuadrados ordinarios

• Estimadores por intervalos

• Mínima verosimilitud

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.

• 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.

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?

• Modelo lineal en los parámetros.

• Media nula y exogeneidad estricta

• Homocedasticidad

• Todas las anteriores

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?

• Estimación y Prueba de hipótesis

• Varianza y Estimación

• Hipótesis y Varianza

• Regresión Lineal y Estimación

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?

• 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

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

• Margen de aceptación

• Margen de error

• Desviación estándar

• Perturbación estocástica o término de error estocástico.

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

Las razones son:

• 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

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:

• Estimador

• Estimación

• Perturbación

• Regresión

La regla básica de 2T

Señala que:

• Si el número de grados de libertad es 20 o más, y si α, el nivel de significancia, se fija 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.

• 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.

• 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.

• 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.

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

• Máxima Verosimilitud

• Mínima Verosimilitud.

• MCO

• Máximos Cuadrados Ordinarios

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:

• Jhon Arrow

• Gujarati

• Jhon Maynard Keynes

• Carl Friedrich Gauss

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

• FRP de una variable

• FRP de tres variables

• FRP de cuatro variables

• FRP de dos variables

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.

• 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.

• Los estimadores de MCA se expresan diversamente en términos de las cantidades (es decir, O y Y) observables (es decir, muestras

• Son estimadores impuntuales: dada la muestra, cada estimador proporciona un solo valor (puntual) del parámetro poblacional pertinente.

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….

• el investigador suele recabar los datos con algunos factores constantes y evaluar el efecto de otros en un fenómeno dado.

• el investigador suele recabar los datos con algunos factores constantes y evaluar el efecto de otros en un fenómeno dado

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

Simbólicamente

• E(Y | Xi ) _ f (Yi )

• E(Y | Xi ) _ f (Xi )

• E(Y | Yi ) _ f (Xi )

• E(Y | Xi ) _ f (YXi )

La relación sobre todo con modelos lineales en la estimación de FRP

El primer significado de Linealidad en las variables

• 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

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

• E(Y | Xi ) _ β1 + β2X2i

• E(Y | Yi ) _ β1 + β2X2i

• E(Y | Xi ) _ β1 + β2Y2i

• E(Y | Xi ) _ β1 + β2X1i

La linealidad en los parámetros es pertinente para el desarrollo de la teoría de regresión

Mencione las dos interpretaciones de linealidad

• 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

La línea de regresión poblacional

Desde el punto de vista geométrico, una curva de regresión poblacional

• 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.

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 :

• 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.

Construya un intervalo de confianza para β2 a 100(1 − α)%

La Regla de decisión nos indica

• 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.

la multicolinealidad, el interrogante natural es:

Determine cuál de las siguientes opciones se refiere a una de las advertencia de Kmenta:

• 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 NO 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

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:

• datos atípicos o aberrantes

• datos atípicos o significativos

• datos atípicos o lineales

• datos atípicos o regresión

El modelo de regresión lineal supone que no debe existir autocorrelación en los errores.

El término autocorrelación se define como:

• 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

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

• 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

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

¿Cuáles son?

• La media y la varianza

• La estimación y la media

• La media y las correlaciones

• Las correlaciones y la hipótesis

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?

• 100 datos o mas

• 300 datos o menos
  200 datos o mas
  100 datos o menos
  100 datos o mas
  300 datos o menos

• 200 datos o mas

• 100 datos o menos

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

• Son insesgados.

• Tienen varianza mínima.

• Presentan consistencia

• Todas las anteriores

Existe un método de estimación puntual con algunas propiedades teóricamente más fuertes que las del método de MCO.

¿Cómo se llama este método?

• método de máxima verosimilitud (MV)

• método de los mínimos cuadrados ordinarios

• modelo clásico de regresión lineal

• Modelo clásico de regresión lineal normal.

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?

• Francis Galton

• Francis Quesnay

• Milton Friedman

• Alfred Marshall

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:

• 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.

• 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.

• 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.

• Estimar o predecir la media o valor promedio poblacional de la segunda en términos de los valores variables (en muestras repetidas) de las segundas.

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.

• Recta Oblicua

• Recta semantica

• Recta de regresión

• Recta con dispersión

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:

• la propensión marginal decreciente

• la propensión marginal a producir

• la propensión promedio de la demanda

• la propensión marginal a consumir

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

• Variables aleatorias o estocásticas

• Variables explicativas o independientes

• Variables dependientes

• Variables de aquilatacion

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:

• “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”.

• “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”.

• “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”.

• “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”.

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

• medir la fuerza o el grado de asociación no lineal entre dos variables

• medir la relación inversa entre dos variables

• medir la fuerza o el grado de asociación lineal entre dos variables

• medir la fuerza o el grado de competitividad entre dos variables

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

• análisis de regresión múltiple

• análisis de regresión simple

• análisis de regresión aleatorio

• análisis de regresión transversales

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:

• series de tiempo, series explicativas e información combinada

• series de tiempo, series transversales e información múltiples

• series de tiempo, series transversales

• series de tiempo, series transversales e información combinada (combinación de series de tiempo y transversales).

El análisis de correlación 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:
El análisis de correlación 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:

• Medir la fuerza o el grado de asociación lineal entre dos variables.

• Medir el grado de asociación lineal entre variables.

• Medir la fuerza de asociación lineal entre dos empresa.

• Medir la fuerza lineal entre dos variables.

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, uno de ellos es:

• Pérdida residual

• Datos de series de tiempo

• Costes de fianza

• Econometría de series de tiempo

Una variable pertenece a esta categoría sólo si satisface la tercera propiedad de la escala de razón (es decir, el orden natural), como los sistemas de calificaciones por letras (A, B, C) o los niveles de ingresos alto, medio y bajo)

La escala de medición es:

• Escala nominal

• Escala ordinal

• Análisis de datos

• Costes de correlación

La micronumerosidad exacta surge cuando n, el tamaño de la muestra, es cero, en cuyo caso es imposible cualquier clase de estimación

¿Cuándo surge la casi micronumerosidad?

• Cuando el número de observaciones escasamente disminuye al número de parámetros que se va a estimar.

• Cuando el número de observaciones escasamente excede al número de parámetros que se va a estimar.

• Cuando el número de observaciones escasamente excede al número de límites que se va a estimar.

• Cuando el parámetro de observaciones escasamente excede al número que se va a estimar.

La detección de la multicolinealidad es el estudio de las características y las consecuencias de la misma.

¿Cómo conocer la presencia de colinealidad en cualquier situación dada, en especial en modelos con más de dos variables explicativas?

• 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 exclusivas que son no exóticas por supuestos, es una característica de la muestra y no de la región.

• Al enfrentar el problema de multicolinealidad grave, una de las soluciones “más simples” consiste en omitir del modelo de los supuestos del modelo clásico una de las variables colineales.

• La técnica atractiva, la mezcla de datos de series de tiempo y de corte transversal de esta forma puede crear problemas de interpretación.

En el modelo Ling-Long el coeficiente de la pendiente mide el cambio proporcional constante o relativo en Y para un cambio absoluto dado en la variable exógena.

Por lo tanto el modelo mide:

• Tendencias

• Tasas de inflación

• Tasas de interés

• Tasas de crecimiento

Los coeficientes de regresión β2 y β3 se conocen como los coeficientes de regresión parcial o coeficientes parciales de pendiente.

Por lo tanto ¿Cuál es el significado del coeficiente de regresión parcial?

• β2 mide el cambio en el valor de la media de Y

• β3 mide el cambio en el valor de la media de Y

• β3 mide el cambio en el valor de la media de X

• β2 mide el cambio en el valor de la media de X

La adicción de variables conduce al análisis de los modelos de regresión múltiple, es decir a modelos en los cuales la variable dependiente, o regresada, Y, depende de dos o más variables explicativas o regresaras
Por lo tanto el modelo de regresión múltiples más simple es la regresión de tres variables. ¿Cuáles son?

• Dos variable dependiente y una explicativa

• Una variable dependiente y dos explicativas

• Tres variables dependientes y una explicativa

• Una variable dependiente y tres explicativas

En este modelo, el término del intercepto está ausente o es cero
Según el enunciado a que se refiere:

• Regresión a través del origen.

• Variables

• Ecuación

• Derivadas

En la regresión polinomial se tiene una sola variable explicativa continua, x, pero se puede ajustar potencias mayores de x, como x2, x3 … y añadirlas al modelo, junto a x, para describir diversos tipos de curvatura en la relación y x.
¿Qué presentan las funciones polinomiales?

• Gran flexibilidad de formas, incluso al añadir un solo término cuadrático, dependiendo de los signos de los términos lineales y cuadráticos.

• Series de tiempo, series explicativas e información combinada

• Gran flexibilidad en los signos de los términos lineales y cuadráticos.

• Series de tiempo, series transversales

El R^2 es una herramienta estadística que se utiliza en modelos estadísticos como en una regresión para predecir futuros resultados.

¿Qué permite medir el R^2 ?

• La proporción de las series de tiempo.

• El punto en el que pudo ocurrir la ruptura de la relación subyacente.

• La proporción de la variación en la variable dependiente explicada por la(s) variable(s) explicativa(s).

• La proporción de series transversales.

Una vez fuera del mundo simple del modelo de regresión lineal con dos variables, las pruebas de hipótesis adquieren diversas e interesantes formas
Identifique cual pertenece a la Prueba de hipótesis en regresión múltiple

• Es decir, los términos de error en las regresiones de los subperiodos
  están normalmente distribuidos con la misma varianza
  Los dos términos de error (u1t y u2t) están independientemente distribuidos.

• Pruebas de que dos o más coeficientes son iguales a otro
  Pruebas de que los coeficientes de regresión parcial satisfacen ciertas restricciones
  Prueba de la estabilidad del modelo de regresión estimado a través del tiempo o en diferentes unidades de corte transversal

• La prueba de Chow dirá sólo si las dos regresiones señalará si la diferencia se debe a los intercepto o a las pendientes, o a ambos.
  La prueba de Chow supone que se conoce(n) el(los) punto(s) de ruptura estructural.

• Como en el caso de dos variables, el modelo de regresión múltiple sirve para fines de predicción
  de media y/o individual.

La selección entre un modelo de regresión lineal (la regresora es una función lineal de las regresoras) o un modelo de regresión log-lineal (el logaritmo de la regresora es función de los logaritmos de las regresoras) es la eterna pregunta en el análisis empírico

¿Se puede utilizar una prueba propuesta por MacKinnon, White y Davidson, que se denomina, por brevedad?

• Prueba MWD

• Prueba MDW

• Prueba DWM

• Prueba WDM

No hay una expresión más errónea, tanto en los libros de texto de econometría como en la bibliografía aplicada, que la de “problema de multicolinealidad”. Es un hecho que muchas variables explicativas presentan un alto grado de colinealidad; asimismo, resulta muy claro que existen diseños experimentales X´X (es decir, matriz de datos) que serían mucho más convenientes que los diseños que proporciona la experimentación natural (es decir, la muestra disponible).

¿Cuál es la naturaleza de la multicolinealidad?

• Multicolinealidad perfecta

• Relación lineal “perfecta”

• El lector puede verificar

• Error estocástico

Para referirse a la importancia del tamaño de la muestra, Goldberger acuñó el término micro- numerosidad, como contraparte del exótico nombre polisílabo de multicolinealidad. De acuerdo con Goldberger, la micronumerosidad exacta (la contraparte de multicolinealidad exacta) surge cuando n, el tamaño de la muestra, es cero, en cuyo caso es imposible cualquier clase de estimación.

¿Qué autores están en lo correcto al lamentar la falta de atención al problema del tamaño de la muestra, lo mismo que al problema de multicolinealidad?

• Peter Kennedy

• Beverly Hills

• MCO

• Leamer, Achen y Goldberger

Un enfoque alterno pero complementario al de intervalos de confianza para probar hipótesis estadísticas es el método de la prueba de significancia.

¿A que se refiere cuando habla del método de la prueba de significación?

• Conexión entre los enfoques de intervalo de confianza y prueba de significancia para realizar pruebas de hipótesis.

• Procedimiento que utiliza los resultados muestrales para verificar la verdad o falsedad de una hipótesis nula.

• A la hipótesis simple si especifica el valor preciso del parámetro de una función de densidad de probabilidad.

• Enfoques que plantean que la variable en consideración sigue alguna distribución de probabilidad.

La teoría de pruebas de hipótesis se refiere al diseño de reglas o procedimientos que permitan decidir si se rechaza o no la hipótesis nula.

¿Cuáles son los dos métodos mutuamente complementarios para
diseñar las reglas de La teoría de pruebas de hipótesis?

• Prueba bilateral e intervalo de confianza.

• Hipótesis mantenida y Plantada.

• La hipótesis nula y la hipótesis alternativa.

• El intervalo de confianza y la prueba de significancia.

Este tipo de prueba de normalidad es un simple dispositivo gráfico para saber algo sobre la forma de la función de densidad poblacional de una variable aleatoria.

A esta se la conoce como:

• Diagrama

• Histograma de residuos

• Gráfico de probabilidad normal

• Prueba Jarque-Bera

La prueba de normalidad es una prueba asintótica o de muestras grandes. También se basa en los residuos de MCO.

Según su concepto, esta prueba tiene un fin

• Establecer si el término de error sigue una distribución normal.

• Elaborar un estadístico de prueba.

• Examinar la distribución muestral

• Rechazar la hipótesis de los residuos

Las variables dicótomas pueden utilizarse en los modelos de regresión en forma tan fácil como las variables cuantitativas.

Tales modelos se denominan:

• Modelos de Análisis de Varianza (ANOVA).

• Variables Dicótomas.

• Datos de series de tiempo.

• Fuerza lineal entre dos variables.

Por lo general, en la mayor parte de la investigación económica, un modelo de regresión contiene diversas variables explicativas cuantitativas y otras cualitativas.

Los modelos de regresión que muestran una mezcla de variables cuantitativas y cualitativas se llaman:

• Modelos de análisis de covarianza (ANCOVA).

• Modelos de Análisis de Varianza (ANOVA).

• Modelos de Análisis de Costes de fianza

• Modelos de Análisis de series de tiempo

La presencia o ausencia de una “cualidad” o atributo, como femenino o masculino, negro o blanco, católico o no católico, demócrata o republicano, son variables en escala nominal esencialmente una manera de “cuantificar” tales atributos es mediante variables artificiales que toman los valores 0 o 1, donde 1 indica la presencia (o posesión) de ese atributo y 0 su ausencia.

Las variables que adquieren tales valores 0 y 1 se llaman

• Escala nominal

• Variables dicótomas

• Análisis de datos

• Costes de correlación

La técnica de variable dicótoma debe manejarse con cuidado, si la regresión contiene un término constante, el número de variables dicótomas debe ser menor que el número de clasificaciones de cada variable cualitativa
La categoría a la cual no se asigna variable dicótoma se conoce como:

• Escala real

• Categoría Base

• Análisis de regresión

• Costes de datos

Una serie de tiempo puede tener cuatro componentes: (1) estacional, (2) cíclico, (3) tendencia y (4) estrictamente aleatorio.

Identifique a qué serie de tiempo pertenecen las series de tiempos económicos importantes, como el índice de precios al consumidor (IPC), el índice de precios del productor (IPP) y el índice de producción industrial.

• Cíclico

• Estacional

• Tendencia

• Estrictamente aleatorio

En la teoría se analizan diversos temas relativamente avanzados que tienen que ver con las variables dicótomas, como 1) modelos de parámetros aleatorios o variables, 2) modelos de regresión cambiantes y 3) modelos de desequilibrio.

Identifique: qué modelo maneja una situación al permitir que el punto de ruptura sea en sí mismo una variable aleatoria y, mediante un proceso iterativo, determinar cuándo pudo acontecer realmente la ruptura.

• Modelo de parámetros aleatorios o variables

• Modelo de regresión cambiantes

• Modelos de desequilibrio

• Todas las anteriores

Una vez fuera del mundo simple del modelo de regresión lineal con dos variables, las pruebas de hipótesis adquieren diversas e interesantes formas.

¿Cuál de las siguientes no es una pruebas de hipótesis?

• Pruebas de hipótesis sobre un coeficiente de regresión parcial individual

• Pruebas de que dos o más coeficientes no son iguales a otro

• Pruebas de significancia global del modelo de regresión múltiple estimado.

• Pruebas sobre la forma funcional de los modelos de regresión.

La hipótesis nula es una hipótesis conjunta de que β2 y β3 son iguales a cero en forma conjunta o simultánea.

¿Cómo se denomina la prueba de tal hipótesis?

• Significancia de hipótesis sobre un coeficiente de regresión parcial

• significancia general de la línea de regresión observada o estimada

• significancia múltiple de regresión observada o estimada

• significancia línea múltiple observada o estimada

La prueba de la RV se basa en el principio de máxima verosimilitud (MV), Se muestra que para el modelo de regresión con dos variables los estimadores
¿Cuáles son los dos estimadores que se utilizan para el modelo de regresión con dos variables?

• MCO y MV

• LFVR Y MV

• CAPM Y MCO

• MV Y CAPM

Algunos modelos pueden parecer no lineales en los parámetros por ser inherente o intrínsecamente lineales, debido a que con una transformación adecuada pueden convertirse en modelos de regresión lineales en los parámetros.

Cuando los modelos inherente o intrínsecamente lineales no pueden alinearse en los parámetros se los conoce cómo?

• “Modelos de regresión lineales”.

• “Modelos de regresión intrínsecamente inherentes”.

• “Modelos de regresión intrínsecamente no lineales”.

• “Modelos de métodos de ensayo y error”.

Existen varios métodos o algoritmos para estimar los Métodos de Regresión No Lineales.
Cuáles son los métodos para estimar los MRNL?

• 1) Búsqueda directa o método de ensayo
  y error, 2) Optimización directa y 3) Linealización iterativa.

• 1) Método de paso ascendente, 2) Método de paso descendente y 3) Linealización iterativa.

• 1) Búsqueda directa o método de ensayo
  y error, 2) Optimización directa y 3) Método de paso descendente.

• 1) Búsqueda directa o método de ensayo y error, 2) Método de paso descendente y 3) Linealización iterativa.

Existen varios técnicas para linealizar una ecuación no lineal, pero hay una técnica principal

Cuáles es la técnica principal o más utilizada para linealizar una ecuación no lineal?

• Técnica Linealización descriptiva.

• Técnica de error estándar y coeficiente.

• Método Marquard

• Expansión de series de Taylor

El análisis empírico se basa en la recogida de una gran cantidad de datos a partir de un fenómeno natural y del análisis de la base de datos de una teoría o llegar a una conclusión particular.
En el análisis empírico existe la manipulación de datos diga ¿Qué otra fuente de manipulación existe?

• Factico

• interpolación o extrapolación

• Hipotético-deductivo

• Medición

El término autocorrelación se define como la “correlación entre miembros de series de observaciones ordenadas en el tiempo [como en datos de series de tiempo] o en el espacio [como en datos de corte transversal]”.

¿Cómo define Tintner a la autocorrelacion?

• “herramienta estadística utilizada frecuentemente en el procesado de señales”

• “correlación rezagada de una serie dada consigo misma, rezagada por un número de unidades de tiempo”

• “correlación entre miembros de series de observaciones ordenadas en el tiempo”

• “correlación rezagada entre dos series diferentes”.

El teorema de la telaraña es un modelo que representa y explica cómo se alcanza el equilibrio en determinados mercados, en lo que las decisiones de producción y consumo están alejadas en el tiempo.

¿En qué tipo de productos aparece el llamado fenómeno de la telaraña?

• Productos agrícolas

• Productos de manufactura

• Productos ganaderos

• Productos Químicos

Tipos de datos disponibles para el análisis empírico

De los cuales son tres:

• Series de tiempo, datos agrupados, datos individuales

• Transversales, series de tiempo y datos agrupados

• transversales, series de tiempo y datos individuales

• datos agrupados, datos individuales y transversales

Observamos que no todos los supuestos se cumplen con cualquier tipo de datos, como el transversal que no cumple o no siempre se sustenta con los problemas de homoscedasticidad

En otras palabras. ¿Los datos transversales a menudo están plagados de que problema?

• Heteroscedasticidad.

• Elasticidad

• Heteroelasticidad

• Homoelasticidad

A menudo los datos se recopilan con base en una muestra aleatoria de unidades como familias o empresas.
Esta característica ¿a qué tipo de dato corresponde?

• Dato serie de tiempo

• Dato transversal

• Datos agrupados

• Datos individuales

Estos datos siguen un ordenamiento natural respecto del tiempo, de modo que es muy posible que las observaciones sucesivas muestren intercorrelaciones, sobre todo si el intervalo entre observaciones sucesivas es muy corto, como un día, una semana o un mes, en lugar de un año.

Esta característica ¿a qué tipo de dato corresponde?

• Dato serie de tiempo

• Dato transversal

• Datos agrupados

• Datos individuales

Visualmente, es una curva que evoluciona a lo largo del tiempo. Por ejemplo, las ventas diarias de un producto.

¿A que nos referimos con esta definición?

• Dato serie de tiempo

• Dato transversal

• Datos agrupados

• Datos individuales

Son un tipo de datos recopilados mediante la observación de muchos sujetos (como individuos, empresas, países o regiones) al mismo tiempo, o sin tener en cuenta las diferencias en el tiempo. El análisis de los datos suele consistir en comparar las diferencias entre los sujetos.

¿A que nos referimos con esta definición?

• Dato serie de tiempo

• Dato transversal

• Datos agrupados

• Datos individuales

La correlación entre miembros de series de observaciones ordenadas en el tiempo como en (datos de series de tiempo) o en el espacio como en (datos de corte transversal).

¿A que nos referimos con esta definición?

• Dato serie de tiempo

• Dato transversal

• Datos agrupados

• Auto correlación

La oferta de muchos productos agrícolas refleja un fenómeno, en donde la oferta reacciona al precio con un rezago de un periodo debido a que la instrumentación de las decisiones de oferta tarda algún tiempo (periodo de gestación).

¿Cómo llamamos a este fenómeno?

• Dato serie de tiempo

• Dato transversal

• Fenómeno de la telaraña

• Datos individuales

En una regresión de series de tiempo del gasto de consumo sobre el ingreso no es extraño encontrar que el gasto de consumo en el periodo actual dependa, entre otras cosas, del gasto de consumo del periodo anterior.

¿A qué termino corresponde esta definición?

• Dato serie de tiempo

• Rezagos

• Datos agrupados

• Datos individuales

En el análisis empírico con frecuencia se “manipulan” los datos simples. Por ejemplo, en las regresiones de series de tiempo con datos trimestrales, por lo general estos datos provienen de datos mensuales a los que se agregan simplemente las observaciones de tres meses y se divide la suma entre 3.

¿A que hace referencia esta definición?

• Manipulación de Datos

• Rezagos

• Datos agrupados

• Datos individuales

Si se considera el modelo general de M ecuaciones con M variables endógenas dado en la ecuación pueden adoptarse dos enfoques para estimar las ecuaciones estructurales
Identificar los dos enfoques para la estimación de ecuaciones simultáneas

• Métodos de recolección de datos, Métodos simples.

• Métodos uniecuacionales, Métodos de
  Sistemas.

• Métodos avanzados, Métodos de cálculo.

• Método de ecuaciones, Método biecuacionales.

Estimación de una ecuación exactamente identificada:
el método de mínimos cuadrados indirectos (MCI). Para una ecuación estructural precisa o exactamente identificada, el método para obtener las estimaciones de los coeficientes estructurales a partir de las estimaciones por MCO de los coeficientes en forma reducida se conoce como método de mínimos cuadrados indirectos (MCI), y las estimaciones así obtenidas se conocen como estimaciones de mínimos cuadrados indirectos.

Determine uno de los tres pasos que comprende MCI:

• Las perturbaciones de diferentes ecuaciones en el mismo periodo no están correlacionadas (técnicamente, éste es el supuesto de cero correlaciones contemporáneas)

• MCO generalmente es inaplicable a modelos de ecuaciones simultáneas, se puede utilizar solamente como estándar o norma de comparación

• Se aplica MCO individualmente a las ecuaciones en la forma reducida. Esta operación es permisible puesto que las variables explicativas en estas ecuaciones están predeterminadas y, por tanto, no están correlacionadas con las perturbaciones estocásticas. Las estimaciones así obtenidas son consistentes.

• Hay una situación en la cual el método de MCO puede ser aplicado apropiadamente, aun en el contexto de las ecuaciones simultáneas. Es el caso de los modelos recursivos, triangulares o causales.

Tres métodos uniecuacionales comúnmente utilizados son: MCO, MCI y MC2E.
Identificar cuál de estos métodos es inapropiado en el contexto de los modelos de ecuaciones simultáneas

• MCO

• MCI

• MC2E

• Ninguna de las anteriores

El método de MCI es apropiado para ecuaciones precisas o exactamente identificadas. Mediante este método, se aplica MCO a la ecuación en la forma reducida, y es a partir de los coeficientes de dicha forma que se estiman los coeficientes estructurales originales. El método de MC2E está diseñado en especial para ecuaciones sobre identificadas, aunque también puede aplicarse a ecuaciones exactamente identificadas. Pero entonces los resultados de MC2E y MCI son idénticos. La idea básica detrás de MC2E es reemplazar la variable explicativa endógena (estocástica) por una combinación lineal de variables predeterminadas en el modelo y utilizar esta combinación como variable explicativa en lugar de la variable endógena original. El método MC2E se parece entonces al método de estimación de variables instrumentales, en el cual la combinación lineal de las variables predeterminadas sirve como instrumento o variable representante para la regresara endógena.
Determine una característica sobre MCI y MC2E:

• Una característica importante sobre MCI y MC2E es que las estimaciones obtenidas son relativas.

• Una característica importante sobre MCI y MC2E es que las estimaciones obtenidas son constantes.

• Una característica importante sobre MCI y MC2E es que las estimaciones obtenidas son permanentes.

• Una característica importante sobre MCI y MC2E es que las estimaciones obtenidas son consistentes.

Por razones de economía, errores de especificación, etc., los métodos uniecuacionales son los más comunes
Identifique una de las características de este método.

• Una característica es que se considera el modelo ingreso-oferta monetaria dado anteriormente en las ecuaciones

• Una característica única de estos métodos es que es posible estimar aisladamente una ecuación que forma parte de un modelo multiecuacional sin preocuparse mucho de las otras ecuaciones del sistema.

• Una característica que es fácil aplicar porque todo lo que se necesita saber es el número total de variables exógenas o predeterminadas en el sistema sin conocer ninguna otra variable en el mismo.

• Ningunas de las anteriores