TEST ECONOMETRÍA

cuando existe autocorrelación entre las perturbaciones: E (εt, εs) =0 ∀t, s=1, 2…, n; t≠s. E (εt, εs) =0 ∀t, s=1, 2…, n; t=s. E (εt, εs) ≠ 0 ∀t, s=1, 2…, n; t≠s. E (εt, εs) ≠0 ∀t, s=1, 2…, n; t=s.

El coeficiente de determinación general R2: Permite comprobar la existencia de Homocedasticidad. Toma valores entre -1 y 1. Si R2 es nulo la SCE es igual a la SCT. Si R2 es nulo la SCR es igual a la SCT.

El SCT representa. Suma de cuadrados de los valores de la variable exógena alrededor de su media. Suma de cuadrados de los valores de la variable endógena explicada alrededor de su media. Suma de cuadrados de los valores de la variable endógena alrededor de su media. Suma cuadrática de los residuos.

Señale la afirmación correcta sobre R2. El R2 puede ser engañoso. El R2 es muy bajo en relaciones espurias. El coeficiente de determinación puede ser excesivamente bajo si ambas variables están evolucionando de una forma muy parecida o presentan una tendencia común. Todas son falsas.

En relación a la variable dependiente Y. Podemos denominarla regresando. Podemos denominarla variable regresora. Podemos denominarla variable regresada o variable predicha. Podemos denominarla regresando o variable regresada o predicha.

La heteroscedasticidad: Es un problema que se da exclusivamente en datos de sección cruzada. Es un problema que se da exclusivamente en series temporales. Puede deberse a que se omitan del modelo algunas variables regresoras importantes y por tanto el modelo no está correctamente especificado. Implica que Var (εt) =E (𝜀𝑡2) = Var (ut)=E (𝑢𝑡2) = 𝜎2; ∀t=1, 2, …, n.

Si Var (εt) =E(εt2) = Var (ut)=E (𝒖𝒕𝟐) = 𝝈𝒕𝟐; ∀t=1, 2, …, n. Las varianzas de las perturbaciones son constantes e iguales. El modelo presenta homocedasticidad. El modelo presenta multicolinealidad. El modelo presenta heteroscedasticidad.

Cuando hacemos referencia a cov (ui uj/Xi, Xj) = 0 indica para i≠j: Que las perturbaciones ui uj están correlacionadas. Que hay correlación serial. Todas son falsas. Que las observaciones se muestran de manera independiente.

Cuando hacemos referencia a cov (ui uj/Xi, Xj) = 0 indica para i≠j: Que las perturbaciones ui uj no están correlacionadas. Que no hay correlación serial. Todas son ciertas. Que las observaciones se muestran de manera independiente y por tanto no hay autocorrelación entre las perturbaciones.

Si Var (εt) =E(𝜺𝒕𝟐) = Var (ut)=E (𝒖𝒕𝟐) = 𝝈𝟐; ∀t=1, 2, …, n. Las varianzas de las perturbaciones son diferentes. El modelo presenta homocedasticidad. El modelo presenta multicolinealidad. El modelo presenta heteroscedasticidad.

¿Hay alguna diferencia en las propiedades del criterio de estimación por MCO?. No, ni algebraicas ni del término constante. Si, dependiendo de si el modelo o no incorpora término constante. No, es independiente de si el modelo o no incorpora término constante. El sistema de ecuaciones normales para un modelo con término constante es idempotente y tiene inversa.

-u→ Nt (0, 𝝈𝒕𝟐I) indica: Suposición de normalidad en las exógenas. Suposición de varianza constante. Suposición de normalidad en las perturbaciones. Suposición de parámetros que siguen una normal.

Las hipótesis que se deben cumplir en el MRL sobre las perturbaciones aleatorias o error son: Media cero, varianza constante, ausencia de autocorrelación en los residuos. Esperanza nula, heteroscedasticidad, ausencia de correlación en los residuos. Media cero, autocorrelación en los residuos. Que el valor de las variables explicativas sea constante en muestras repetidas.

Un histograma de residuos es: Es un simple dispositivo gráfico para saber algo sobre la forma de la función de densidad poblacional (FDP) de una variable aleatoria. No es aconsejable trazar el histograma de los residuos de cualquier regresión como método aproximado y rápido para probar el supuesto de normalidad. Permite calcular la asimetría y la curtosis. Proporciona un valor de los parámetros que maximiza la probabilidad o verosimilitud de que el método estimado proporcione los mismos datos de Y que los observados en realidad.

El R2 nunca disminuye cuando se agrega una variable independiente a la ecuación de regresión: Se debe a que el SCR nunca aumenta a medida que se agregan más variables independientes. Se debe a que el SCR nunca disminuye ya que en general aumenta al agregar variables independientes. Se debe al STC no al SCR. El R2 si puede disminuir al agregar una variable independiente.

Nos referimos a la prueba de significancia general de la regresión muestral al indicar que: Y si está relacionada linealmente con X2. Y si está relacionada linealmente con X3. Y no está relacionada linealmente con X2 y X3 a la vez. Y está relacionada o no linealmente con X2 y X3 a la vez.

Si Var (𝒖𝒕)=𝝈𝒕𝟐; ∀t indica. Heterocedasticidad. Autocorrelación. Multicolinealidad. Homocedasticidad.

En los casos de multicolinealidad: Una de las variables regresaras es combinación lineal del resto. Al menos una variable explicativa contiene información adicional sobre la endógena que está contenida en otras (variables explicativas). Las variables explicativas no son linealmente independientes por tanto |𝑋𝑡∗ 𝑋|=0. Todas son ciertas.

Var(β̂)=σ2(𝑿𝒕X)−𝟏 indica: La mínima varianza de un estimador insesgado y lineal de beta cuando las perturbaciones tienen esperanza nula, hay heterocedasticidad, y ausencia de correlación. La máxima varianza de un estimador insesgado y lineal de beta cuando las perturbaciones tienen esperanza nula, hay homoscedasticidad, y ausencia de correlación. La mínima varianza de un estimador insesgado y lineal de beta cuando las perturbaciones no tienen esperanza nula, hay homoscedasticidad, y ausencia de correlación. La mínima varianza de un estimador insesgado y lineal de beta cuando las perturbaciones tienen esperanza nula, hay homoscedasticidad, y ausencia de correlación.

Los datos que combinan información referente a varios individuos (o unidades) a largo de intervalos regulares de tiempo se denominan: Datos de sección cruzada. Datos de panel. Datos de series temporales.