Cuestionario 1-Econometria

EL MÉTODO DE ESTIMACIÓN POR MÍNIMOS CUADRADOS ORDINARIOS GARANTIZA QUE LOS ESTIMADORES OBTENIDOS SEAN: -Lineales, sesgados y eficientes. -Óptimos, lineales y eficientes. -Lineales, insesgados y eficientes.

DADOS DOS ESTIMADORES INSESGADOS, SIEMPRE PREFERIREMOS AQUEL EN EL QUE SU VARIANZA SEA: -Varianza nula, ya que de esta forma los estimadores serán óptimos. -El de menor varianza. -El de mayor varianza.

¿EN CUÁLES DE LAS SIGUIENTES SITUACIONES EL R^2 PODRÍA SER NEGATIVO?. -Nunca, siempre alguna variable independiente tratará de explicar algún aspecto del modelo. -En algunos modelos de regresión simple. -En algunos modelos específicos de regresión a través del origen.

CUANDO SE PRODUCE UN AJUSTE PERFECTO SIGNIFICA QUE: - El R cuadrado es igual a “1”. - Se encontró la mejor estimación que se ajusta perfectamente al modelo teórico. - El número de observaciones es igual al número de B a estimar, causando mucha variación e inestabilidad.

¿UNA MALA ESPECIFICACIÓN PUEDE CAUSAR HETEROCEDASTICIDAD?. No, ya que esta solo es provocada por la presencia de valores atípicos en las variables incorporadas al modelo. Si, debido a que si no se incorporan las variables relevantes, el termino de error asumirá sus varianzas haciendo que la del mismo no sea constante. No, esto únicamente hace que el modelo sea sesgado, expresándose en una alta significatividad estadística en el término constante.

COMO SE CALCULA EL ÍNDICE DE TOLERANCIA DE UNA VARIABLE EXPLICATIVA. Haciendo una regresión auxiliar de la variable que se quiere estudiar con respecto a las demás variables del modelo y restando a la unidad el coeficiente de determinación de dicha regresión. Con la diferencia de los intervalos de confianza de una variable explicativa a un nivel de confianza seleccionado, para así saber qué tipo de multicolinealidad tenemos. Determinando el coeficiente de la variable explicativa, el cual si es mayor la significatividad económica también lo será, pudiendo determinar el bajo nivel de tolerancia que tiene esta variable ya que con pequeños cambios ocasiona grandes variaciones.

¿CUÁL DE LAS SIGUIENTES SITUACIONES PUEDEN PROVOCAR MULTICOLINEALIDAD EN UN MODELO ECONOMÉTRICO LINEAL?. Especificación incorporando términos de interacción entre variables explicativas cuantitativas. Mala especificación funcional detectada por el Test Reset de Ramsey. Incorporación de variables explicativas redundantes.

SI EN UN MODELO DE REGRESIÓN LINEAL MULTIPLE CON EVIDENCIAS ESTADISTICA DE QUE EL TERMINO DE ERROR ES HETEROCEDASTICO, SE DESCONOCE LA ESTRUCTURA DE LA HETEROCEDASTICIDAD: Podemos usar la estimación de las desviaciones típicas robustas a heterocedasticidad de White ya que este filtro permite utilizar los contrastes de significatividad individual y conjunta (t y F) sobre los estimadores obtenidos por mínimos cuadrados ordinarios. El modelo se puede estimar por mínimos cuadrados ponderados ya que este método siempre proporciona estimadores eficientes e insesgados. El modelo se puede transformar en coeficientes beta y estimar por MCO para corregir la heterocedasticidad y obtener estimadores insesgados y eficientes.

EL CEO DE UNA FABRICA DE FRASCOS DE VIDRIO, TIENE QUE DECIR QUE TAMAÑO ES EL ADECUADO DE JARRAS TIENE QUE FABRICAR PARA INCREMENTAR SU CIFRA DE VENTAS. DISPONE DE UN ESTUDIO DE MERCADO CON DATOS SOBRE LOS VOLUMENES DE VENTAS POR TAMAÑO DE LOS FRASCOS. ¿EN QUE MEDIDA ESTADISTICA DEBE BASAR EL CEO SU DECISION?. En el volumen de vetas de tamaño mediano si hay outliers en la muestra. En el volumen de ventas del tamaño modal con independencia de si hay outliers o no. En el volumen de ventas del tamaño medio si no hay outliers en la muestra.

EN EL CONTEXTO DEL MODELO BASICO DE REGRESION LINEAL (MBRL) INDICA QUE HIPOTESIS TIENE QUE VERIFICARSE EN LA ESPECIFICACION TEORICA DEL MODELO PARA QUE EL ESTIMADOR MCO SEA INSESGADO: Que no haya outliers influyentes en la muestra. Que el modelo este correctamente especificado y no haya inclusión de variables irrelevantes. Que el modelo este correctamente especificado y no haya omisión de variables relevantes.

DADA LA SIGUIENTE MATRIZ DE COVARIANZAS CORRESPONDIENTE A UNA DISTRIBUCION MILTIDIMENSIONAL PODEMOS AFIRMAR: - No tenemos suficiente información para evaluar la matriz. - La matriz es correcta. - La matriz es errónea.

SEÑALA LA AFIRMACION CORRECTA: - La presencia de valores atípicos que sean puntos palanca en la muestra puede provocar heterocedasticidad en el modelo a estimar. - La presencia de valores atípicos que sean puntos influyentes en la muestra puede provocar multicolinealidad en el modelo a estimar. - La presencia de valores atípicos que sean puntos influyentes en la muestra puede provocar heterocedasticidad en el modelo a estimar.

SEÑALA LA RESPUESTA CORRECTA: Cuando una distribución de frecuencias es asimétrica negativa quiere decir que existen unos pocos valores positivos muy pequeños que tiran de la distribución hacia la derecha. Cuando una distribución de frecuencias es asimétrica negativa quiere decir que existen unos pocos valores positivos muy pequeños que tiran de la distribución hacia la izquierda. Cuando una distribución de frecuencias es asimétrica positiva quiere decir que existen unos pocos valores positivos muy pequeños que tiran de la distribución hacia la izquierda.

SE SABE QUE LA ESPECIFICACION TEORICA DE UN MODELO ECONOMETRICO VIENE DADA POR LA TEORIA ECONOMICA QUE ESTABLECE EL MRLC PARA K=3 + TERMINO CONSTANTE. SUPONGAMOS QUE DOS ANALISTAS ESTIMAN DICHO MODELO POR MCO DE MANERA DIFERENTE DE MANERA QUE: Elegiríamos el modelo 1 por ser parsimonioso. Elegiríamos el modelo 2 porque para el mismo coeficiente de determinación lineal ajustado que el modelo 1, tiene un coeficiente de determinación lineal sin ajustar mayor. Los dos son equivalentes porque tienen el mismo coeficiente de determinación lineal ajustado que es el que se utiliza para comparar modelos diferentes.

LA FASE MAS IMPORTANTE EN LA ELABORACION DE UN MODELO ECONOMETICO DE REGRESION LINEAL MULTIPLE ES: La estimación. La especificación. La diagnosis (validación).

EN EL CONTEXTO DEL MODELO BÁSICO DE REGRESIÓN LINEAL (MBRL) Y = XΒ + U, INDICA CUÁL DE LAS SIGUIENTES HIPÓTESIS IDEALES ES NECESARIA PARA QUE EL ESTIMADOR Β�MCO SEA ÓPTIMO: - Que la varianza del término de error sea constante a lo largo de la muestra. - Que la distribución del término de error sea normal. - Que el modelo esté correctamente especificado de manera que no incluya ninguna variable explicativa redundante.

Si hay evidencia estadística de que solo el β�MCO del modelo 2 es ELIO: Elegiríamos el modelo 1 por el principio de parsimonia. Elegiríamos el modelo 2 porque, con seguridad, el estimador MCO de los coeficientes del modelo 1 es sesgado. Elegiríamos el modelo 2 porque, con seguridad, el estimador MCO de los coeficientes del modelo 1 es heterocedástico.

LA TRANSFORMACIÓN LOGARÍTMICA DE LAS VARIABLES EXPLICATIVAS EN EL MODELO BÁSICO DE REGRESIÓN LINEAL GENERALIZADO: Corrige siempre la heterocedasticidad. No corrige la heterocedasticidad pero permite recuperar la validez de los estadísticos t y F y para hacer inferencia. Solo corrige la heterocedasticidad si el modelo original no es lineal y presenta heterocedasticidad multiplicativa.

¿CUÁL DE LAS SIGUIENTES SITUACIONES PUEDE PROVOCAR MULTICOLINEALIDAD EN LA ESTIMACIÓN POR MCO DE LOS COEFICIENTES DE UN MODELO DE REGRESIÓN LINEAL MÚLTIPLE?: La especificación de formas funcionales cuadráticas. Omisión de variables explicativas relevantes. Incorporación de variables explicativas redundantes.

SI EN UN MODELO HETEROCEDÁSTICO, SE DESCONOCE LA ESTRUCTURA DE LA HETEROCEDASTICIDAD: Las perturbaciones del modelo no son esféricas y estamos en el contexto del Modelo de Regresión Lineal Generalizado. Podemos usar la estimación de las desviaciones típicas robustas a heterocedasticidad ya que este filtro permite utilizar los contrastes de significatividad individual y conjunta (t y F) sobre los estimadores obtenidos por mínimos cuadrados ordinarios. Son correctas las respuestas a) y b).

CUANDO SE INCORPORAN VARIABLES FICTICIAS A UN MODELO ECONOMÉTRICO MEDIANTE EL MODELO DE EFECTOS DIFERENCIALES CON EL ESQUEMA MULTIPLICATIVO: Se alteran las pendientes del modelo de regresión (una o varias, dependiendo de las interacciones cualitativas/cuantitativas que se hayan especificado) a. Sea altera el término constante del modelo, pero las pendientes no se ven afectadas. Se alteran las pendientes y el termino constante del modelo que siempre es significativo.

LA TRAMPA DE LAS VARIABLES FICTICIAS: Provoca sesgos en los estimadores MCO de los coeficientes del modelo si no se corrige. Provoca ineficiencia en los estimadores MCO de los coeficientes del modelo si no se corrige. Directamente impide estimar el modelo lineal por MCO si no se corrige.

EL MODELO BÁSICO DE REGRESIÓN LINEAL (MBRL) SE DENOMINA " BÁSICO" PORQUE: Verifica 8 hipótesis estructurales ideales y las perturbaciones son esféricas. Es el más sencillo que se puede construir. Es el que se puede estimar de forma muy básica por MCO.

A PARTIR DE UNA MUESTRA DE CORTE TRASVERSAL DE 100 EMPRESAS EUROPEAS SE HA ESTIMADO, MEDIANTE MCO, UN MODELO DE REGRESIÓN LINEAL MÚLTIPLE PARA ANALIZAR LA RELACIÓN TEÓRICA ENTRE LOS RENDIMIENTOS EMPRESARIALES OBTENIDOS Y UNA SERIE DE VARIABLES EXPLICATIVAS CUANTITATIVAS REPRESENTATIVAS DE SOLVENCIA, ENDEUDAMIENTO E INVERSIÓN Y SE HAN OBTENIDO ESTIMADORES ELIO DE LOS COEFICIENTES. AL OBJETO DE PRESENTAR LOS MISMOS RESULTADOS PARA ENTRAR A COTIZAR EN LA BOLSA DE NUEVA YORK, SE HAN CONVERTIDO LOS DATOS DE LOS BALANCES, EXPRESADOS INICIALMENTE EN EUROS, A DÓLARES AMERICANOS APLICANDO EL TIPO MEDIO DE CAMBIO €/$ DEL ÚLTIMO EJERCICIO ECONÓMICO. ¿CÓMO AFECTARÁ ESTE CAMBIO SOBRE LA MUESTRA, A LA ESTIMACIÓN POR MCO DEL MISMO MODELO A PARTIR DE LA MUESTRA EXPRESADA EN DÓLARES AMERICANOS?. Se producirán cambios en los coeficientes estimados, los errores estándar, en los intervalos de confianza y en los estadísticos t y F, pero dichos cambios no afectarán al impacto de las distintas variables, ni a los resultados de los contrastes de significatividad individual y conjunta. Sólo cambiará el coeficiente de terminación del nuevo modelo, por lo que habrá que considerar el coeficiente de determinación lineal ajustado para analizar la bondad de ajuste del nuevo modelo. A priori, no se puede saber cuáles son los efectos sobre los estimadores MCO del modelo de regresión lineal múltiple de cambios de escala en las variables explicativas.

SE HA ESTIMADO MEDIANTE MCO LA FUNCIÓN DE CONSUMO KEYNESIANA ESPECIFICADA EN LOGARITMOS, PARA UNA MUESTRA DE CORTE TRANSVERSAL DE TAMAÑO 98 Y SE HA OBTENIDO LA SIGUIENTE FUNCIÓN DE REGRESIÓN MUESTRAL: La propensión marginal consumir estimada es de un incremento en el consumo de un 0.9% por cada punto porcentual que aumenta la renta disponible (Yd) y es coherente con lo que establece el modelo teórico. Las variaciones de la renta disponible explican un 82% de las variaciones del consumo medio y es coherente con lo que establece el modelo teórico. Son correctas las respuestas a) y b).

LA FUNCIÓN DE CONSUMO KEYNESIANA ESTIMADA EN LA PREGUNTA Nº 11 CORRESPONDE A LA ESTIMACIÓN DE UNA ESPECIFICACIÓN TEÓRICA QUE SE DENOMINA: Modelo en coeficientes beta. Modelo de elasticidad constante. Modelo en nivel de renta disponible.

EN EL CONTEXTO DEL MODELO BÁSICO DE REGRESIÓN LINEAL (MBRL) Y = XΒ + U, INDICA QUÉ TIENE QUE VERIFICARSE EN LA ESPECIFICACIÓN TEÓRICA DEL MODELO PARA QUE EL ESTIMADOR Β�MCO SEA INSESGADO: Que no haya outliers influyentes en la muestra. Que modelo esté correctamente especificado de manera que no se incorpore ninguna variable explicativa redundante. Que modelo esté correctamente especificado de manera que no se omita ninguna variable explicativa relevante.

INDICA CUÁL DE LAS SIGUIENTES AFIRMACIONES SON CORRECTAS, REDONDEANDO LOS RESULTADOS ANTERIORES A DOS DECIMALES. La variación porcentual aproximada de las ventas con respecto a una variación absoluta de mil euros en el gasto en publicidad es igual a un128.62%. El aumento porcentual aproximado de las ventas con respecto a un aumento de un 1% en el precio es igual a un 0.63%. El aumento medio de las ventas con respecto a una reducción de 1000€ en el precio medio es igual a 630.401€.

LOS DATOS UTILIZADOS EN EL ANÁLISIS ANTERIOR SON: Datos de seriestemporales. Datos de sección cruzada. Son correctas a y b.

SEÑALA LA AFIRMACIÓN CORRECTA: La presencia de valores atípicos que sean puntos influyentes en la muestra, puede provocar multicolinealidad en el modelo a estimar por MCO. a presencia de valores atípicos que sean puntos influyentes en la muestra, puede provocar multicolinealidad en el modelo a estimar por MCO. La presencia de valores atípicos que sean puntos palanca en la muestra puede provocar heterocedasticidad en el modelo a estimar porMCO.

INDICA CUÁL DE LAS SIGUIENTES AFIRMACIONES ES CORRECTA: En el MBRL la variable dependiente siempre es una variable aleatoria. En el MBRL la variable dependiente puedes no ser un a variable aleatoria si se incumple alguna de las hipótesis básicas. En el MBRL la variable dependiente siempre es una variable determinista.

SEÑALA LA AFIRMACIÓN CORRECTA: La heterocedasticidad en problema característico de muestras de series temporales. La autocorrelación es un problema característico de muestras de corte transversal. Tanto a) como b) son erróneas.

LA TRAMPA DE LAS VARIABLES FICTICIAS: Causa heterocedasticidad imperfecta en el modelo básico de regresión lineal múltiple (MBRL). Causa multicolinealidad perfecta en el MBRL. Son correctas a) y b).

SI LOS FINES QUE SE PERSIGUEN CON LA CONSTRUCCIÓN DEL MODELO SON PREDICTIVOS, EL PROBLEMA DE LA MULTICOLINEALIDAD IMPERFECTA NO ES TAN RELEVANTE PORQUE: La multicolinealidad imperfecta permite estimar el modelo por MCO. La capacidad explicativa conjunta de las variables no se ve alterada por causa de la multicolinealidad imperfecta y, por tanto, su capacidad predictiva tampoco. El enunciado no es correcto, ya que la pérdida de robustez de los estimadores MCO por presencia de multicolinealidad imperfecta en el modelo provoca que las predicciones puntuales sean muy inestables y que varíen de una muestra a otra.

Cómo se denomina a las variables que se utilizan para corregir el sesgo del estimador MCO del modelo de regresión lineal múltiple (MRL) mediante el procedimiento de solución por sustitución de variables omitidas. Variables instrumentales. Variables ficticias. Variables proxy.

¿Sobre la evidencia empírica proporcionada por qué contraste decidiremos aplicar Mínimos cuadrados ponderados para corregir la heterocedasticidad?. Contraste de Breusch- Pagan. Contraste de White. Contraste Reset de Ramsey.

Las consecuencias de la multicolinealidad aproximada sobre el MRLB cuando se utiliza método de estimación por mínimos cuadrados ordinarios son. Estimadores de los parámetros ELIO pero poco robustos (es decir, muy sensibles cambios en los valores muestrales). Estimadores sesgados e ineficientes. Estimadores de los parámetros aproximadamente lineales, pero insesgados y eficientes.

En el análisis econométrico, el Principio de Parsimonia establece: Los fundamentos metodológicos que deben guiar la transición del modelo teórico al empírico. Que los bienes complementarios perfectos no son rivales en el consumo. Que los bienes sustitutivos son rivales en el consumo porque satisfacen las mismas necesidades.

El método de estimación por mínimos cuadrados ordinarios (MCO): Proporciona estimadores ELIO siempre que se trabaje en el contexto del modelo básico de regresión lineal (MBRL). Proporciona estimadores ELIO siempre, con independencia de que se trabaje en el contexto del modelo básico del modelo de regresión lineal generalizado (MRLG). Es el método de estimación más básico que se puede aplicar en econometría.

La heterocedasticidad: Es un problema característico de muestras de sección cruzada con elevada homogeneidad. Es un problema característico de muestras de sección cruzada con elevada heterogeneidad. Es un problema característico de muestras de series temporales.

Señala la respuesta correcta: Los valores de los parámetros de un modelo econométrico siempre son observables en la muestra y tienen un claro significado económico. El término de error de un modelo econométrico siempre es observable en la población y tiene un claro significado económico. Los valores de la variable respuesta en un modelo econométrico, siempre son observables en la población y tienen un claro significado económico.

La presencia de outliers en la muestra: Genera una situación de alto riesgo de heterocedasticidad cuando se trata de puntos palanca. Genera una situación de alto riesgo de heterocedasticidad tanto cuando se trata de puntos influyentes como de punto palanca. Genera una situación de alto riesgo de heterocedasticidad cuando se trata de puntos influyentes.

Señala la respuesta correcta al respecto de los modelos de coeficientes beta y de elasticidad constante estudiados en el curso: El modelo en coeficientes beta y el de elasticidad constante son adimensionales y permiten analizar la significatividad económica que para los economistas es más importante que la significatividad estadística, porque ésta última depende de la muestra concreta que se esté utilizando y la significatividad económica es la que debe ser coherente con la teoría económica subyacente que sirve de base a la especificación del modelo. El modelo en coeficientes beta y el de elasticidad constante son adimensionales y permiten analizar la significatividad económica y estadística de manera que ,comparando los dos , se elegirá como modelo favorito entre los dos el que tenga mayor R2 y mayor número de variables explicativas estadísticamente significativas. El modelo en coeficientes beta y el de elasticidad constante son adimensionales y permiten analizar la significatividad estadística de manera que , comparando los dos , se elegirá como modelo favorito entre los dos el que tenga mayor R2.

Señala la afirmación correcta en relación al modelo de regresión lineal múltiple en coeficientes beta: Todas las variables incluidas en el modelo son adimensionales y solo pueden tomar valores positivos enteros, para que la media de todas ellas sea uno y su desviación típica sea cero. Todas las variables incluidas en el modelo son adimensionales y pueden tomar valores negativos y positivos no enteros, siempre que la media de todas ellas sea cero y su desviación típica sea uno. Todas las variables incluidas en el modelo son adimensionales y solo pueden tomar valores positivos enteros, para que la media de todas ellas sea positiva y su desviación típica sea cero.

¿Cuál de los siguientes estadísticos se utiliza para evaluar la capacidad predicitiva de un modelo econométrico de regresión lineal múltiple?: U de Theil. Criterio de Akaike. Coeficiente de determinación lineal (R2).

Si el análisis exploratorio de una variable explicativa estadísticamente significativa incluida en un modelo de regresión lineal múltiple en nivel, nos indica la presencia de outliers que generan heteocedasticidad de tipo multiplicativo y contrastamos que se cumplen el resto de hipótesis del MBRL: Desde el punto de vista de preservar las propiedades deseables de los estimadores bajo los criterios Gauss- Markov, debemos estimar el modelo por mínimos cuadros ponderados (MCP) utilizando la evidencia empírica proporcionada por el contaste en la hipótesis alternativa y los estimadores obtenido serán ELIO. Desde el punto de vista de preservar las propiedades deseables de los estimadores bajo los criterios Gauss- Markov, debemos aplicar la transformación logarítmica sobre el modelo, estimar el modelo en elasticidad constante por MCO y los estimadores obtenido serán ELIO. Desde el punto de vista de preservar las propiedades deseables de los estimadores bajo los criterios Gauss- Markov, podemos aplicar tanto MCP como estimar el modelo especificado en elasticidad constate por MCO ya que en ambos casos los estimadores obtenidos serán ELIO.

La heterocedasticidad provoca: Que los estimadores MCO del modelo sean ineficientes. Que los estimadores MCO del modelo sean sesgados. Que los estimadores MCO del modelo sean poco robustos.

El Contraste de White indica la presencia de heterocedasticidad en un modelo de regresión lineal múltiple estimado por MCO cuando: La esperanza del término de error del modelo no es nula., provocando un efecto sistemático desconocido estadísticamente significativo, sobre la variable a explicar. El término de error del modelo presenta autocorrelación de tipo AR (1) provocando un aumento de las varianzas de los coeficientes estimados. La varianza del término de error del modelo no es constante, provocando un aumento de las varianzas de los coeficientes estimados.

Al afirmar que: “la multicolinealidad imperfecta no permite interpretar los coeficientes de cada variable explicativa como los indicadores de los efectos parciales de cada variable explicativa (…)” se está haciendo referencia al hecho de que: Cuando existen variables explicativas redundantes en el modelo, no es lógico suponer que el resto de las variables permanecen constantes (efecto céteris paribus) al existir altas correlaciones lineales entre las mismas. Existen términos de interacción entre las variables explicativas cuantitativas. Existen términos cuadráticos entre las variables explicativas cuantitativas y sería recomendable realizar el Test Reset de Ramsey para detectar otras posibles especificaciones polinómicas.

Atendiendo a las consecuencias sobre las propiedades estadísticas estudiadas del estimador MCO del MBRL, ¿qué error de especificación es mas grave?: Omisiónn de variable (s) revelantes(s). Incorporación errónea de términos cuadráticos. Incorporación de variables redundantes.

Señala la afirmación correcta en relación con el modelo de regresión lineal simple en coeficientes beta: La pendiente del modelo solo puede tomar valores entre 0 y 1. El término constante (intercepto) siempre se anula y por eso también se denomina “modelo en regresión por el origen”. La variable dependiente tiene media 1y desviación típica 0.