WorksheetsRECOSUP
Total questions: 50
Worksheet time: 26mins
48
54
7
47
Se elimina el efecto inobservable fijo
MCO
Transformación de efecto aleatorios
Ninguna
Predicción de las variables explicativas es un modelo de dos partes
Los efectos fijos de ciudad explican una gran cantidad de la variación de los datos
Los coeficientes de las otras variables explicativas incluidas no cambiaran
Los efectos fijos en el tiempo no son importantes
Las variables explicativas incluidas, distintas de los efectos fijos de estado, no son importantes
Estadístico de la razón de verosimilitudes para probar las restricciones de exclusión en el modelo binario Probit
Estadístico de la razón de verosimilitudes para probar las restricciones de exclusión en el modelo Tobit
Estadístico de la razón de verosimilitudes para probar las restricciones de exclusión en el modelo binario Logit
Estadístico de la razón de verosimilitudes para probar las restricciones de exclusión en el modelo de variable de respuesta de conteo
Estadístico de la razón de verosimilitudes para probar las restricciones de exclusión en el modelo de dos partes
Para medir la bondad de ajuste de los modelos no lineales binarios (Logit y Probit), se usa:
Usa el porcentaje predicho correctamente o el pseudo R²
Usar la regresión R²
Trace los valores pronosticados y vea que tan cerca coinciden con los valores reales
Use el logaritmo de la función de probabilidad y compárelo con el valor de la función de probabilidad
Unión del Muestreo aleatorio en distintos momentos del tiempo
Panel
Corte transversal
Combinación de secciones cruzadas
Logitudinal
El estimador whithin es insesgado y consistente bajo:
Tiene que haber una transformación bethween
Exogeneidad contemporánea
Exogeneidad estricta
Bajo endogeneidad estricta
Supuestos de la regresión de efectos fijos y los errores estándar de la regresión de efectos fijos
El error de regresión puede estar correlacionado en el tiempo dentro de una entidad individual
La correlación dentro de una entidad individual, afecta a la varianza del estimador de efectos fijos y a como se calculan los errores estándar
Se debe calcular errores estándar agrupados HAC
La correlación dentro de una entidad individual no da lugar a sesgo o inconsistencia
La correlación dentro de una entidad individual da lugar a sesgo o inconsistencia
Efecto parcial promedio (EPP)
modelo de variable latente para Tobit
modelo de variable latente para modelos no lineales de respuesta binaria
modelo de variable latente para Poisson
modelo de variable latente para logit
modelo de variable latente para probit
Estrategia tradicional: asumir que ai es un parámetro que debe estimarse para cada i variable dummy para cada observación de corte transversal
Verdadero
Falso
Observaciones de las mismas unidades a lo largo del tiempo
Panel de datos
Combinación de cortes transversales
Series temporales
Combinación de secciones cruzadas
El modelo de regresión de efectos fijos
Puede tener diferentes interceptos
En un modelo log-log puede incluir logaritmos de las variables binarias, que controlan los efectos fijos
Se permite que los coeficientes de pendiente difieran entre las entidades, pero la intersección es "fija" (permanece sin cambios)
Ha "arreglado" (reparado) el efecto de heterocedasticidad
Valores ajustados negativos
Límites del MCO en variables dependientes de solución de esquina
Límites del MCO en variables dependientes de conteo
Límites del MCO en variables dependientes gamma
En todos los modelos de variables dependiente limitada resultantes de las estimaciones con MCO
Límites del MCO en variables dependientes binarias
Los errores estándar HAC y los errores estándar agrupados se relacionan de la siguiente manera:
Los errores estándar agrupados son un tipo de error estándar HAC
Los errores estándar agrupados son la raíz cuadrada de los errores estándar HAC
Son iguales si los datos son diferentes
Son los mismos
Al probar la hipótesis conjunta, puede utilizar
El estadístico de chi-cuadrado
Ninguna
Ya sea el estadístico (F) o el estadístico (X²)
El estadístico F
Efecto parcial de variables explicativas continuas para el modelo Poisson
Observaciones de las mismas unidades a lo largo del tiempo
Longitudinales
Combinación de secciones cruzadas
Series temporales
Combinación de cortes transversales
El modelo probit
No debe usarse ya que es demasiado complicado
Es el mismo que el modelo logit
Fuerza a los valores pronosticados a estar entre 0 y 1
Siempre da el mismo ajuste para los valores pronosticados que el modelo de probabilidad lineal para valores entre 0.1 y 0.9
Probabilidad de éxito predicha
Variación de la probabilidad de éxito al variar (xi)
Variación de la probabilidad de éxito al variar (xj), ceteris paribus
La probabilidad de éxito predicho es igual a
modelo de variable latente para Probit
modelo de variable latente para Tobit
modelo de variable latente para Probit y Logit
modelo de variable latente para Poisson
modelo de variable latente para Logit
Al probar la hipótesis conjunta, puede utilizar:
Ya sea el estadístico F o el estadístico chi-cuadrado
El estadístico de chi-cuadrado
Ninguna
El estadístico F
Efecto parcial en el promedio
El modelo de regresión de efectos fijos
Tiene n diferentes interceptos
En un modelo log-log puede incluir logaritmos de las variables binarias, que controlan los efectos fijos
Se permite que los coeficientes de pendiente difieran entre las entidades pero la intersección es "fija" (permanece sin cambios)
Ha "arreglado" (reparado) el efecto de heterocedasticidad
La estimación por MCO puede estar sujeta a problemas de exogeneidad si no eliminamos los efectos temporales
Verdadero
Falso
Es aconsejable usar errores estándar agrupados en regresiones de panel porque
Sin errores estándar agrupados, el estimador MCO está sesgado
Son más fáciles de calcular que los errores estándar de solo homocedasticidad
El estimador de efectos fijos tiene una distribución normal asintótica cuando n es grande
La prueba de hipótesis puede proceder de manera estándar incluso si hay pocas entidades (n es pequeño)
El estimador within es insesgado y consistente bajo
Tiene que haber una transformación bethween
Bajo endogeneidad estricta
Predicción de las variables explicativas en un modelo de dos partes
Evaluación de políticas públicas
Evaluación ex ante
Evaluación ex post
Seguimiento-Evaluación del proceso
Evaluación de impacto
Seguimiento-Evaluación del camino
El modelo de probabilidad lineal es:
Un ejemplo de estimación probit
La aplicación del modelo de regresión lineal múltiple a una variable dependiente binaria
La aplicación del modelo de regresión múltiple con una variable continua del lado izquierdo y una variable binaria como al menos uno de los regresores
Otra palabra para estimación logit
La función de máxima verosimilitud para logit y probit es:
Si X_it está correlacionado con X_is para diferentes valores de s y t, entonces:
Se dice que X_it está autocorrelacionado
Esto no tiene importancia práctica ya que estas correlaciones suelen ser débiles en aplicaciones
El estimador MCO no se puede calcular
La inferencia estadística no puede proceder de manera estándar incluso si se utilizan errores estándar agrupados
Los coeficientes probit o logit generalmente se estiman utilizando
Transformando las estimaciones del modelo de probabilidad lineal
El método de máxima verosimilitud
Mínimos cuadrados no lineales (NLLS)
El método MCO
En el MPL se supone que la probabilidad de respuesta es lineal en un conjunto de parámetros Bj. Para evitar las limitaciones del MPL, se considera: ¿Qué asegura G(.)?
0<G(z)<=1
Todas
0<=G(z)<1
Que la función asume valores estrictamente entre cero y uno
Determine por que es una función creciente
Es creciente debido a que aumenta con más rapidez a partir de z=-1
Es creciente debido a que aumenta con más rapidez a partir de z=0
Es creciente debido a que aumenta con más rapidez a partir de z=infinito
1[.]
Eventos cuantitativos
Eventos cualitativos
Función indicador
Variable ficticia
La función de distribución acumulada logística
Función de distribución normal estandar
Función de distribución exponencial
Función de distribución acumulada normal
El efecto parcial para una variable aproximadamente continua en los modelos no lineales logit y probit
El efecto parcial para una variable binaria en los modelos no lineales logit y probit
El efecto parcial para una variable cualitativa en los modelos no lineales logit y probit
El efecto parcial para una variable discreta en los modelos no lineales logit y probit
P(y=0|X)
P(Y=0)=1-P(Y=1)
P(Y=0)=1-P(Y=1|x)
P(Y=0)=1-[b0+b1X1+...+BkXk]
P(Y=0|x)=1-P(Y=1|x)
Sea Y una variable esencialmente continua a través de valores estrictamente positivos pero que asume un cero con probabilidad positiva
Modelo Logit
Modelo Probit
MPL
Modelo Tobit
Modelo de dos partes
El Bj mide la variación de la probabilidad de éxito de variar xj permaneciendo los demás factores constantes
Ceteris Paribus log-log
Ceteris Paribus logit
Ceteris Paribus MPL
Ceteris Paribus Probit
Función probabilística
Función de distribución acumulada normal
Función de distribución de probabilidad logística
Función logística
Dado que: Var(y|x)=σ²E(y|x)
σ²<1 subdispersion
σ²>0 Parametro desconocido
σ²=1 EMV
σ²>0 Cuasi-máxima verosimilitud
El F-Estadistico calculado usando estimadores de máxima verosimilitud se puede usar para probar hipótesis conjuntas
Verdadero
Falso
En el modelo de regresión de efectos de tiempo fijo, debe excluir una de las variables binarias para los periodos de tiempo cuando una intersección está presente en la ecuación
Porque ya hay demasiados coeficientes para estimar
Porque el primer periodo siempre debe excluirse de su conjunto de datos
Para evitar la multicolinealidad perfecta
Para permitir que se produzcan algunos cambios entre periodos de tiempo
En datos de panel, el error de regresión
Solo existe para el caso de T>2
Se ajusta a las descripciones anteriores
Debe calcularse teniendo en cuenta la heterocedasticidad, pero no la autocorrelación
Es probable que se correlacione con el tiempo dentro de una entidad
Valores ajustados negativos
En todos los modelos de variables dependiente limitada resultantes de las estimaciones MCO
Límites del MCO en variables dependientes de conteo
Límites del MCO en variables dependientes binarias
Límites del MCO en variables dependientes de solución de esquina
Límites del MCO en variables dependientes gamma
Para medir el ajuste del modelo probit o logit, debe:
Usar el porcentaje predicho correctamente o el pseudo R²
Trace los valores pronosticados y vea que tan cerca coinciden con los valores reales
Usar la regresión R²
Use el logaritmo de la función de probabilidad y compárelo con el valor de la función de probabilidad
