Ecometria

La figura 1 representa los residuos de una regresión a lo largo del tiempo. ¿Qué se desprende de ella?. La regresión está correctamente identificada porque los residuos son aleatorios. La regresión está correctamente identificada a pesar de que los residuos son aleatorios. Existe autocorrelación en los residuos. Existe heterocedasticidad en los residuos.

De acuerdo con la estimación del modelo 2. El modelo es globalmente significativo al 5% de significación. El modelo no es globalmente significativo al 5% de significación. El modelo es globalmente significativo al 1% de significación. El modelo no es globalmente significativo.

En el modelo 2, ¿qué implica que el R2-2.PNG sea de 0.53?. Las variables están positivamente correlacionadas. Un incremento en un 1% en los regresores implica un incremento de un 0.53% de la variable dependiente. La variable se ve afectada un 53% de las veces. Los regresores explican un 53% de la varianza de la variable dependiente.

De acuerdo con los resultados de la Tabla 3. No se rechaza la hipótesis de que los residuos resultantes del modelo estimado sean normales al 5% de significación, pero se rechaza la hipótesis de que sean homocedásticos al 5% de significación. Se rechaza tanto que los residuos resultantes del modelo sean normales como homocedásticos al 5% de significación. No se rechaza la hipótesis de que los residuos resultantes del modelo estimado sean normales al 5% de significación, pero se rechaza la hipótesis de que sean homocedásticos al 10% de significación. Se rechaza la hipótesis nula de residuos normales al 1% de significación y homocedasticidad al 5% de significación.

Si en el modelo lineal general se cumplen todas las hipótesis clásicas, pero existe un alto grado de correlación lineal entre las variables explicativas, entonces el estimador MCO de B : Es insesgado, pero no eficiente. Es eficiente, aunque no es insesgado. No es eficiente ni insesgado. Ninguna de las anteriores.

Al estimar el modelo 1, el software nos advierte que tenemos un problema de multicolinealidad aproximada. ¿Qué puede estar causándolo?. Los regresores están fuertemente correlacionados. Los errores son heterocedásticos. Existe autocorrelación. El estimador es ineficiente.