Econometría ADE Uned

Con datos de nacimientos en USA, se puede relacionar la variable peso del bebé al nacer y la media de cigarrillos que la madre fumó al día durante el embarazo. La siguiente regresión ha sido estimada usando n = 1388 nacimientos: Pnacimientos = 119, 77 − 0, 514cigs Cuáles de las siguientes afirmaciones son correctas: Se trata de una Función de Regresión Poblacional SIMPLE. Sobra el acento o ’gorrito’ sobre la palabra nacimientos. La variable explicativa es “Pnacimientos”. El peso se ha medido en unidades distintas de gramos.

Con datos de nacimientos en USA, se puede relacionar la variable peso del bebé al nacer y la media de cigarrillos que la madre fumó al día durante el embarazo. La siguiente regresión ha sido estimada usando n = 1388 nacimientos: Pnacimientos = 119, 77 − 0, 514cigs Cuáles de las siguientes afirmaciones son correctas: Si la madre fuma 20 cigarrillos (en media al día), el bebé pesará un 8,6 % menos que si la madre no fumara. Si la madre fuma 20 cigarrillos (en media al día), el bebé pesará 109,49 unidades de medida de peso. El modelo que hemos estimado carece de sentido racional. Parece que existe una relación causal entre cigarillos y peso al nacer, y además es una relación inversa.

Con datos de nacimientos en USA, se puede relacionar la variable peso del bebé al nacer y la media de cigarrillos que la madre fumó al día durante el embarazo. La siguiente regresión ha sido estimada usando n = 1388 nacimientos: Pnacimientos = 119, 77 − 0, 514cigs Si las unidades de medida han sido onzas, y queremos tener los resultados para unidades de medida en gramos, entonces señale las correctas, en su caso: La relación sería Pnacimientos = 3395 − 14, 57cigs. La relación no se podría estimar. El Rcuadrado no cambiaría. El Rcuadrado puede o no cambiar.

Tanto en el modelo de regresión lineal simple como en el múltiple se introduce el término ε. Esto se hace por varios motivos. Indique, si fuera el caso, cuál no es uno de ellos: Para capturar la influencia de miles de variables explicativas omitidas. Para incorporar los errores de medición de las variables explicativas. Para reflejar el comportamiento aleatorio humano. Para incorporar posibles nolinealidades de la relación funcional poblacional. Ninguna de las anteriores.

En el modelo de regresión simple, el valor esperado de la variable Y condicionado por X = 1 es. La media muestral de los valores de Y correspondientes para X = 1. β0 + β1 + ε. β1. Ninguno de los anteriores.

Suponga que especificamos para un conjunto de datos un modelo de regresión con constante y dos variables regresoras. El modelo estimado es Y = 2 + 3X1 + 4X2. Si conseguimos obtener una nueva observación para X1 = 5 y X2 = −2, entonces para esta nueva observación el valor asociado de Y será. 7. 9. 25. Imposible de determinar.

. Suponga que salario = β0+β1edad+ε y que dispone de 100 observaciones sobre salario y edad, cuyos valores medios muestrales son 70 y 30 respectivamente. Hacemos una regresión para estimar el coeficiente de pendiente habitual, y nos da 2. Considere ahora un nuevo individuo cuya edad es 20. Para este individuo el valor que predeciría la función de regresión muestral sería. 40. 50. 60. Imposible de determinar.

Suponga que hace una regresión de Y sobre X y sobre X2, entonces cabe decir: Las estimaciones no serán realistas. No tiene sentido usar el cuadrado de X como regresor. La regresión no se podrá efectuar porque no podremos invertir la matriz X'X. No habrá ningún problema por incluir ambas.

Considere el siguiente modelo Y = β0 + β1X1 + β1X2 1 + ε, y señale la afirmación más acertada. Es un modelo lineal porque su esperanza condicionada así lo indica. Es un modelo cuya esperanza condicionada es lineal en lo parámetros, pero no en las variables. Es un modelo cuya esperanza condicionada es lineal en las variables, pero no en los parámetros. La esperanza condicionada no es indicativa de si es lineal o no.

En un modelo de regresión simple, coeficiente R2 mide,. El porcentaje explicado de la varianza del error. El porcentaje explicado de la varianza de la exógena. El porcentaje explicado de la varianza de la endógena. El porcentaje explicado de la varianza de la endógena estimada.

La curva de regresión poblacional es “El lugar geométrico de las …”: “ medias incondicionales de la variable independiente para los valores fijos de la(s) variable(s) explicativa(s)”. “ medias incondicionales de la variable dependiente para los valores fijos de la(s) variable(s) explicativa(s)”. “ medias condicionales de la variable dependiente para los valores fijos de la(s) variable(s) explicativa(s)”. “ medias condicionales de la variable independiente para los valores fijos de la(s) variable(s) explicativa(s)”.

El coeficiente de determinación corregido o ajustado. Siempre será menor o igual que R2. Puede ser negativo aunque R2 sea siempre positivo. Puede obtenerse a partir de R2 ajustando por los grados de libertad. Son ciertas todas las anteriores.

Indique cuáles son las consecuencias del incumplimiento de la hipótesis de no autocorrelación. Los estimadores MCO son sesgados e inconsistentes. Los estimadores MCO son sesgados pero consistentes. Los estimadores MCO son insesgados y consistentes, pero no eficientes. Ninguna de las anteriores.

En un modelo simple log-lin el coeficiente de pendiente mide: El cambio proporcional en Y derivado de un cambio absoluto en X. El cambio proporcional en Y derivado de un cambio proporcional en X. La elasticidad. Son ciertas b) y c).

En una ecuación de regresión el número de grados de libertad es. El número de observaciones de la muestra. El número de observaciones de la muestra menos el número de parámetros estimados. El número de parámetros estimados menos el número de observaciones de la muestra. El número de parámetros de la ecuación.

Se dice que un estimador es ELIO si,. Es lineal y sesgado. Es insesgado. Es insuficiente. Ninguna de las anteriores.

En la regresión simple sobre variables estandarizadas. La relación se establece entre dos nuevas variables obtenidas restando las medias respectivas a las originales. Cuando la variable X cambia en una desviación estándar, la Y lo hace en (betaX) desviaciones estándar. Cuando la variable Y cambia en una desviación estándar, la X lo hace en βX unidades. Ninguna de las anteriores.

El supuesto de normalidad referido a los errores,. Es necesario para que se cumplan las propiedades de insesgadez y eficiencia de los estimadores MCO. Es necesario para que el estimador MCO sea eficiente pero no para su insesgadez. Solo afecta a la distribución exacta de los estadísticos de contraste, pero no a las propiedades de los estimadores. Ninguna de las anteriores es correcta.

El análisis de la tasa de paro correspondiente al mes de febrero de 2010 en las provincias españolas, es un ejemplo del empleo de. Series temporales. Datos de panel. Datos de sección cruzada. Datos experimentales.

Un estimador es,. Una variable aleatoria. Una cantidad no aleatoria. Eficiente si su valor coincide con el valor del parámetro poblacional. Ninguna de las anteriores.

La multicolinealidad no exacta o cuasi multicolinealidad,. No tiene importancia en el área de la Economía. Es un problema que solo se da en Economía. Implica que los estimadores MCO son sesgados. Significa que uno o más regresores tienen correlación elevada.

Cuando contrastamos una hipótesis conjunta,. Empleamos el estadístico t para cada una de las hipótesis individuales que la conforman. Empleamos el estadístico F y rechazamos todas las hipótesis si el estadístico excede al valor crítico en tablas. Empleamos el estadístico F y rechazamos al menos una de las hipótesis si el estadístico excede al valor crítico en tablas. Ninguna es correcta.

La consecuencia más importante de errores autocorrelacionados y heterocedásticos (errores no-esféricos) es que. Los coeficientes estimados son sesgados. La inferencia es sesgada. MCO deja de ser el estimador ELIO (BLUE). Ninguna de las anteriores.

Si la variable dependiente es el consumo agregado de electricidad para varias ciudades, entonces. Lo más probable es que el error sufra de heterocedasticidad. Lo más probable es que el error no sufra de heterocedasticidad. Lo más probable es que el error sufra de autocorrelación. Lo más probable es que el error no sufra de autocorrelación.

Si la variable dependiente es el consumo agregado de electricidad para varias ciudades, entonces si suponemos que los errores no son esféricos. deberíamos multiplicar algunas observaciones por el tamaño de la ciudad. deberíamos dividir todas, incluso la constante, las variables por el tamaño de la ciudad. deberíamos multiplicar todas las observaciones por la raíz cuadrada del tamaño de la ciudad. deberíamos dividir todas, incluso la constante, las variables por la raíz cuadrada del tamaño de la ciudad.