WorksheetsEvaluación de Modelos Estadísticos (Temas 8.1, 8
Total questions: 15
Worksheet time: 5mins
Un modelo considerado “parsimonioso” se caracteriza por…
Tener demasiadas variables
Ser lo más simple posible sin perder capacidad explicativa
No requerir datos
Usar solo variables dummy
Un modelo con alta capacidad de generalización cumple con la propiedad de…
Estabilidad
Sobreajuste
Complejidad
Endogeneidad
Cuando se seleccionan variables basándose en su relación lógica con el fenómeno, se utiliza la identificación…
Estadística
Teórica
Aleatoria
Experimental
Cuando se elige un modelo comparando AIC y BIC se habla de…
Identificación teórica
Identificación estadística
Prueba de supuestos
Interpretación
Un modelo está mal especificado cuando…
Incluye todas las variables relevantes
Omite variables importantes
Usa series estacionarias
Sus residuos son ruido blanco
La adecuación del modelo se evalúa principalmente revisando…
Residuos
El tamaño de la matriz X
El número de categorías
La desviación estándar de la población
La multicolinealidad afecta la propiedad de que el modelo sea…
Robusto
Eficiente
Válido
Parsimonioso
Si un modelo muestra residuos autocorrelacionados no cumple la propiedad de…
Independencia
Normalidad
Linealidad
Consistencia
La propiedad de simplicidad del modelo se refiere a…
Tener muchas variables
Evitar el sobreajuste
Maximizar R² sin importar los supuestos
Aumentar la complejidad
Qué técnica se usa para identificar el orden de un modelo ARIMA?
ACF y PACF
Chi-cuadrado
Ji-Kruskal
Runs test
Una falla en la adecuación puede observarse cuando los residuos…
Son aleatorios
Presentan patrón o tendencia
Son ruido blanco
Siguen distribución normal
La identificación de un modelo de pronóstico incluye…
Validar supuestos de normalidad
Seleccionar estructura y variables
Probar hipótesis
Interpretar coeficientes
La propiedad de estabilidad implica que…
El modelo cambia drásticamente con pocos datos nuevos
Funciona bien pese a pequeñas variaciones
Tiene un R² bajo
No necesita datos históricos
El AIC es utilizado para…
Probar normalidad
Seleccionar modelos con mejor ajuste
Detectar autocorrelación
Evaluar causalidad
La adecuada especificación del modelo requiere…
Omisión intencional de variables
Coherencia teórica y estadística
Error estándar cero
Supuestos irrelevantes
