Jede Frage dieses Quiz ist zeitlich begrenzt. Drücke auf die Schaltfläche um das Quiz zu starten.
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 heterocedasticidad 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
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 semántica
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:
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.