test econometria

Señala cuál de las siguientes hipótesis garantiza la eficiencia del estimador MCO para estimar el modelo de regresión lineal múltiple: Variables explicativas linealmente independientes. NS/NC. Heterocedasticidad termino de error. Homocedasticidad del término de error.

¿Cómo se denomina al componente no observable y sin significado económico del modelo de regresión lineal múltiple?. Perturbación aleatoria. Parámetro. NS/NC. Regresor.

Como se denomina al siguiente modelo econométrico? lnY=B0 +B1 lnX1 +B2lnX2 +u. Modelo de elasticidad constante. NS/NC. Modelo de coeficientes beta. Modelo en nivel.

La fase más importante de elaboración de un modelo econométrico es: La fase de estimación por MCO. NS/NC. La fase de inferencia y diagnosis. La fase de especificación.

¿Qué términos del modelo de regresión lineal múltiple son desconocidos en la población (modelo teórico) y deben de ser estimados a partir de una muestra aleatoria seleccionada de la población?. Los coeficientes (parámetros) del modelo. Las variables explicativas del modelo. El término de error aleatorio del modelo. NS/NC.

Dado el modelo de regresión lineal múltiple con "K" variables explicativas estimado a partir de una muestra aleatoria, ¿cuál es la hipótesis nula que establece la significatividad estadística de una variable explicativa en el contraste de significatividad individual?: NS/NC. H0 :B1 ≠ 0;Ai=1...K. H0 :B1=B2=...Bk =0. H0 :B1 = 0;Ai=1...K.

¿Qué tipo de estructura muestral es más proclive a generar heterocedasticidad en el término de error del modelo de regresión lineal múltiple?. Las muestras de series temporales. NS/NC. Las muestras de sección cruzada. Las muestras de datos de panel.

Dado el siguiente modelo de regresión lineal: Y=B0 +B1X1 +B2X2 +B3X3 +u Si se sabe que el coef. De correlación (X1,X2)=0.9 y que esta correlación es espuria, se puede afirmar: Que el estimador MCO con seguridad va a ser muy sensible a cambios muéstrales porque hay una alta multicolinealidad en el modelo (casi perfecta). Que el estimador MCO va a ser robusto porque la alta correlación observada entre las variables explicativas no se debe a relaciones de casualidad entre ellas y por tanto el estimador no se va a ver afectado. NS/NC. Que los signos estimados de B1 y B2 van a ser ambos positivos.

¿Qué provoca sesgos en la estimación por MCO el modelo de regresión lineal múltiple?. La inclusión de variables irrelevantes en un modelo que provoca una pérdida de grados de libertad para estimar el modelo con un tamaño muestral dado. La presencia de outliers de la variable dependiente que violan el supuesto de homocedasticidad del termino de error. NS/NC. La selección de una muestra no aleatoria para estimar el modelo especificado.

¿Cuál de los siguientes problemas impide estimar el modelo de regresión lineal múltiple por MCO?. Heterocedasticidad. NS/NC. Multicolinealidad exacta. Multicolinealidad aproximada.

¿Qué provoca la heterocedasticidad en el modelo de regresión lineal múltiple estimado por MCO?. Pérdida de robustez de los parámetros estimados que se vuelven muy sensibles a los cambios muéstrales. NS/NC. Impide estimar el modelo por MCO si no se elimina la variable causante de heterocedasticidad. Invalida las técnicas inferenciales habituales en muestras finitas (los contrastes de significatividad individual y conjunta).

¿En qué caso la transformación logarítmica de las variables explicativas corrige la heterocedasticidad y garantiza la optimalidad del estimador MCO en el modelo de regresión lineal múltiple, suponiendo que se verifican el resto de las hipótesis ideales del MBRL?. La transformación logarítmica nunca corrige la heterocedasticidad. Solo garantiza estimadores MCO consistentes (pero no óptimos). La trasformación logarítmica siempre corrige la heterocedasticidad con independencia de la estructura que tenga la varianza no constante del termino de error. NS/NC. Solo en el caso de que se trate de heterocedasticidad de tipo multiplicativa ( es decir, que la varianza del termino error tenga una estructura multiplicativa).

¿Qué implica la hipótesis de "especificación correcta" de un doble econométrico?. NS/NC. Que el modelo econométrico especificado no tiene termino de error. Que el modelo especificado no incluye variables explicativas linealmente dependientes. Que el modelo especificado no omite variables relevantes, no incluye variables redundantes y que la forma funcional es correcta.

¿Cuál de las siguientes es una causa frecuente de multicolinealidad en un modelo econométrico?. La omisión de variables relevantes. La presencia de outliers en las variables explicativas que introducen heterogeneidad en la muestra seleccionada para estimar el modelo especificado. La inclusión de variables irrelevantes en un modelo que provoca una pérdida de grados de libertad para estimar el modelo con un tamaño muestral dado. NS/NC.

El paso del modelo económico teórico al modelo econométrico se denomina: Formulación del modelo. Especificación del modelo. Identificación del modelo. NS/NC.

Sea un modelo de regresión lineal en el que hay heterocedasticidad, pero se verifican las demás hipótesis ideales. Indica cuál de las siguientes afirmaciones es FALSA: La varianza del estimador MCO no es la mínima varianza posible. Para hacer inferencia sobre los parámetros de forma correcta, hay que utilizar errores estándar robustos (HAC). El cumplimiento de o no del supuesto de homocedasticidad no afecta a las propiedades del estimador MCO. NS/NC.

¿Qué diferencia a los datos económicos de los datos utilizados en otras ciencias?. En economía se utilizan datos no experimentales que son fruto de la observación. En economía se utilizan datos experimentales que son controlables. NS/NC. En economía se utilizaban datos de corte transversal.

¿Qué establece la hipotesis alternativa del contraste de heterocedastidad de White?. NS/NC. H1"la heterocedasticidad es de tipo multiplicativa". var (Ui) = o^2Ai. var (Ui) ≠ o^2Ai.

El modelo de regresión lineal múltiple (MRLM) se denomina modelo básico (MBRL) o modelo clásico (MCRL) porque: Verifica las hipótesis ideales que garantizan la optimalidad del método de estimación por MCO según el teorema de Gauss 􏰂 Markov. Es el modelo más sencillo que se puede estimar.

¿Cuál es la causa más frecuente de que se observen signos en los parámetros estimados distintos de los signos teóricos (esperados) al estimar el modelo de regresión lineal múltiple por MCO?. La especificación errónea de la forma funcional del modelo. NS/NC. La existencia de relaciones de dependencia lineal entre algunas variables explicativas del modelo. La presencia de outliers influyentes algunas variables explicativas del modelo.

Dado el modelo de regresión lineal múltiple con "K" variables explicativas estimado a partir de una muestra aleatoria, ¿cuál es la hipótesis nula que establece la bondad de ajuste del modelo en el contraste de significatividad conjunta?: NS/NC. H0 :B1≠0;Ai=1...K. H0 :B1=B2=...;Bk=0. H0 :B1=0;Ai=1...K.

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. NS/NC.

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, varianza muy alta causa heterocedasticidad. NS/NC. 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. NS/NC. 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. NS/NC.

¿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. NS/NC.

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. NS/NC. 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 econometrico 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. NS/NC.

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. NS/NC.

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. NS/NC. 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. NS/NC.

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, puntos influyentes generan heterocedasticidad. NS/NC.

Señala la afirmacion 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. NS/NC.

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 multicolinealidad. NS/NC.

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. NS/NC.

¿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. NS/NC.

Si en un modelo heterocedástico, se desconoce la estructura de la heterocedasticidad: a) Las perturbaciones del modelo no son esféricas y estamos en el contexto del Modelo de Regresión Lineal Generalizado. b) 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. NS/NC. c) 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), al ser multiplicativa altera las pendientes. Sea altera el término constante del modelo, pero las pendientes no se ven afectadas. NS/NC. 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. NS/NC.

El modelo básico de regresión lineal (MBRL) se denomina " básico" porque: Verifica 8 hipótesis estructurales ideales y las perturbaciones sonesféricas. Es el más sencillo que se puede construir. NS/NC. Es el que se puede estimar de forma muy básica por MCO.

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. NS/NC.

Si en un modelo heterocedástico, se desconoce la estructura de la heterocedasticidad: a) No se puede estimar y hay que volver a especificarlo introduciendo nuevas variables explicativas, eliminado el término constante para no caer en la trampa de las variables ficticias. b) 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. NS/NC. c) Son correctas a y b.

Cuando se incorporan variables ficticias a un modelo econométrico mediante el modelo de efectos específicos con el esquema aditivo: Se incorporan tantas dummies como categorías tenga el atributo categorizado mediante la dummy, pero se elimina el término constante del modelo para evitar caer en la trampa de las ficticias. Se incorporan tantas dummies como categorías tenga el atributo categorizado mediante la dummy, menos una categoría. Ninguna de las anteriores es correcta. NS/NC.

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. La presencia de valores atípicos que sean puntos influyentes en la muestra, puede provocar heterocedasticidad en el modelo a estimar por MCO. NS/NC. La presencia de valores atípicos que sean puntos palanca en la muestra puede provocar heterocedasticidad en el modelo a estimar por MCO.

El paso del modelo económico (teórico) al econométrico (empírico) se realiza en la fase de: Diagnosis o validación del modelo. Estimación. NS/NC. Especificación.

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. NS/NC.

**¿Cuál de las siguientes situaciones pueden provocar heterocedasticidad en un modelo econométrico lineal?: Variables explicativas cualitativas con elevadas varianzas**. Omisión de variables explicativas relevantes. NS/NC. Incorporación de variables explicativas redundantes.

Señala la afirmación correcta: a) La heterocedasticidad en problema característico de muestras de series temporales. b) La autocorrelación es un problema característico de muestras de corte transversal. c) Tanto a) como b) son erróneas. NS/NC.

La trampa de las variables ficticias: a) Causa heterocedasticidad imperfecta en el modelo básico de regresión lineal múltiple (MBRL). b) Causa multicolinealidad perfecta en el MBRL. c) Son correctas a) y b). NS/NC.

Indique cuál de las siguientes afirmaciones es correcta: En el MBRL la variable dependiente es siempre una variable aleatoria. En el MBRL la variable dependiente puede no ser una variable aleatoria si se incumple algunas de las hipótesis básicas. En el MBRL la variable dependiente es siempre una variabledeterminista. NS/NC.

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. NS/NC.

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. NS/NC. Variables proxy.

**Dado el modelo teórico: Y=B0+B1X1+B2X2+u Si se subespecifica , omitiendo X2 , las consecuencias sobre β1 a la hora de estimarlo por MCO, son: La omisión de X2 solo provoca sesgo por omisión de variable relevante en β0 y no afecta paranadaalaestimaciónde β1**. Inciertas porque depende de si las variables explicativas están correlacionadas o no y el signo de dicha correlación. NS/NC. La omisión de X2 provoca sesgo positivo por omisión de variable relevante en β1**.

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. NS/NC.

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. NS/NC.

En un modelo ANCOVA de efectos diferenciales con esquema aditivo: Se modifica la pendiente de alguna de las variables explicativas del modelo por interacción de variable dummy con variable cuantitativa. Se incorporan términos de interacción entre las variables ficticias del modelo. Se generará un efecto diferenciado sobre el término independiente del modelo. NS/NC.

Tal y como se ha explicado en el curso el Contraste Reset de Ramsey se utiliza para contrastar: Errores de especificación por omisión de variables revelvantes. Errores de especificación por inclusión de variables redundantes. Errores de especificación por mala especificación funcional. NS/NC.

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. NS/NC.

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. NS/NC.

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

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. NS/NC.

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. NS/NC.

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. NS/NC.

Si en un modelo heterocedástico, se desconoce la estructura de la heterocedasticidad porque se ha aplicado el el contaste de White: Podemos usar la estimación MCO con 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 y los estimadores obtenidos serán consistentes e ineficientes. Podemos estimar el modelo por mínimos cuadrados ponderados (MCP) y los estimadores obtenidos serán consistentes y eficientes. Podemos transformar el modelo en logaritmos y estimar por MCO el modelo transformado y los estimadores obtenidos serán consistentes y eficientes. NS/NC.

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. NS/NC. 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 delas 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. NS/NC.

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. ncorporación de variables redundantes. NS(NC.

Señala la afirmación correcta en relación al modelo de regresión lineal simple en coeficientes beta: Se estima a partir de las variables estandarizadas y permite cuantificar la significatividad económica de la variable explicativa sobre la variable dependiente en términos de “desviaciones típicas”. Se estima a partir de las variables en escala logarítmica y permite cuantificar la significatividad económica de la variable explicativa sobre la variable dependiente en términos de “variaciones porcentuales”. c. Se estima a partir de las variables en niveles y permite cuantificar la significatividad económica de la variable explicativa sobre la variable dependiente en términos de las respectivas unidades de medida. NS/NC.

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. NS(NC.