A) La regresión múltiple solo se usa en mercados financieros
B) La regresión simple es más precisa que la regresión múltiple
C) La regresión simple tiene una sola variable independiente, mientras que la regresión múltiple tiene varias
D) La regresión simple no necesita realizar pruebas de significancia

A) Análisis de componentes principales
B) Método de descomposición LU
C) Método de máxima verosimilitud
D) Mínimos cuadrados ordinarios

A) Modelo de regresión logística
B) Modelo general de regresión lineal
C) Modelo predictivo de crecimiento económico
D) Modelo integrado autoregresivo de media móvil

A) Presencia de tendencias lineales en los datos
B) Cambio en la distribución de probabilidad de los datos
C) Media y varianza constantes a lo largo del tiempo
D) Estabilidad en la correlación entre variables

A) La correlación entre variables macroeconómicas
B) La estabilidad del mercado financiero
C) El crecimiento económico sostenible
D) La volatilidad condicional en la serie temporal

A) Errores tipo I: No tener suficientes datos. Errores tipo II: Tener demasiada información.
B) Errores tipo I: Aceptar una hipótesis nula falsa. Errores tipo II: Rechazar una hipótesis nula verdadera.
C) Errores tipo I: Rechazar una hipótesis nula verdadera. Errores tipo II: Aceptar una hipótesis nula falsa.
D) Errores tipo I: No considerar la heterocedasticidad. Errores tipo II: Ignorar la multicolinealidad.

A) Modelo de regresión simple
B) Modelo de series temporales estacionarias
C) Modelo autorregresivo condicional de heterocedasticidad
D) Modelo de pronóstico de ventas

A) Método para ajustar los coeficientes a los datos
B) Método para evaluar si los coeficientes son estadísticamente diferentes de cero
C) Método para predecir futuros eventos económicos
D) Método para aumentar la multicolinealidad en el modelo

A) Cuando el modelo no considera las variables temporales
B) Cuando una variable explicativa está correlacionada con el término de error
C) Cuando la varianza de los errores cambia con el tiempo
D) Cuando las variables independientes están altamente correlacionadas

A) Para modelar la relación lineal entre variables explicativas
B) Para introducir sesgo en los modelos econométricos
C) Para evaluar la precisión de los coeficientes estimados
D) Para aumentar la heterocedasticidad en los residuos

A) Metodología para la identificación, estimación y diagnóstico de modelos ARIMA
B) Modelo de regresión multinomial
C) Modelo de regresión logística
D) Modelo predictivo de corto plazo

A) Relación estacional entre variables censuradas
B) Relación temporal perfecta entre dos variables
C) Relación entre variables independientes en modelos de regresión
D) Relación de largo plazo entre series de tiempo no estacionarias