Intro. Econometría 2019

En el modelo ln (Yi) = β0 + β1X1i + Ei el parámetro β1 mide,. La elasticidad de Y con respecto a X. La variación absoluta en Y ante un cambio proporcional unitario en X. La variación absoluta en Y cuando X cambia en una unidad. Ninguna es correcta.

Diga cuál de las siguientes expresiones NO corresponden al coeficiente de determinación en un modelo de regresión simple: R2 = SCE/SCT. R2 = β1^2 ΣXi Yi/ΣY^2i. R2 = β1 ΣXi Yi/ΣY^2i. R2 = β1^2 ΣX^2i Yi/ΣY^2i.

El supuesto de no multicolinealidad perfecta implica. Ninguna de las variables explicativas puede expresarse como una combinación lineal perfecta del resto de los regresores. Ninguna de las variables explicativas puede expresarse como una combinación lineal perfecta de la variable endógena. La matriz de correlaciones entre las variables explicativas no puede tener ningún elemento nulo. Ninguna es correcta.

Suponga que para estimar la pendiente de un modelo de regresión simple, plantea el esta disco B`=(Y-Y`)/(X-X`). Sera necesariamente sesgado. Será insesgado con independencia del tamaño de la muestra. Será insesgado solo asintóticamente. No puede saberse se será insesgado o sesgado.

El IC al 95% para xBj calculado a partir de una muestra de 1000 observaciones sera. Bjx-1,96 ee(Bj)x;Bjx+ 1,96 ee(Bj)x. Bj`x-1,96 ee(Bj´)x;Bj´x+ 1,96 ee(Bj´)x. Bjx-1,96 ee(Bj´)x;Bjx+ 1,96 ee(Bj´)x. Ninguna de las anteriores.

Si se cumplen la hipótesis de homocedasticidad y no autocorrelación (I es la matriz identidad). E(ɛ̂ `ɛ̂ /X) = σ2I. E(ɛ`ɛ /X) = σ2I. E(ɛ`ɛ /X) = σi2I. Ninguna es correcta.

Cuando llevamos a cabo un contraste de hipótesis normalmente estamos interesados en encontrar evidencia empírica. A favor de la hipótesis nula. A favor de la hipótesis alternativa. A favor de la hipótesis nula y de la alternativa. Ni a favor de la hipótesis nula ni la alternativa.

La hipótesis de no autocorrelación postula: Que la varianza de las perturbaciones es constante. La varianza de las perturbaciones está autocorrelacionada dando lugar a un modelo ARCH. Los valores de cov (Ei, Ej)= 0 i,j. Los valores de cov (Ei, Ej)≠ 0 i,j.

En una ecuación de regresión simple se ha omitido una variable relevante que está negativamente correlacionada con la variable explicativa X. Entoncés. B1 estará sesgado al alza. B1 estará sesgado a la baja. B1 estará sesgado al alza o a la baja. Bj podría ser insesgado.

En el modelo Yi = β0 + β1log(X1i)+B2X2 + Ei el parámetro β1 mide,. Es la elasticidad de Y con respecto a X. Indica que Y se incrementa en B1 unidades si se incrementa en un 1%. Indica que Y se incrementa en 100B1 unidades si se incrementa en un 1%. Ninguna es correcta.

Un resultado teórico es que el estimador MCO de B1 es una regresión simple, se distribuye asintóticamente como una normal con media B1 y varianza. Los supuestos necesarios para alcanzar este resultado son. Todos los supuestos del modelo de regresión (linealidad, exogeneidad, muestra aleatorias, momentos de orden 4 finitos y distintos de cero, homocedasticidad, no autocorrelación y normalidad). Todos excepto la normalidad de rroes. Todos menos el de normalidad de errores, homocedasticidad y no autocorrelacion. Basta con el de linealidad y muestra aleatoria.

Según el teorema de Gauss Markov. No puede haber ningún estimador insesgado con menos varianza que el MCO. Dentro de los de su clase (estimadores lineales e insesgados), el estimador MCO es consistente. Dentro de los de su clase (estimadores lineales e insesgados), el estimador MCO es eficiente. La varianza del estimador MCO es menor que la cota de Cramer-Rao.

Considere la regresión Y=B0+B1Di, donde Di es una variable binaria. Entonces. B0 es la media de Y para los valores en los que Di=0 y B1 es la media de Y para todos los valores en los que Di=1. B0 es la media de Y para los valores en los que Di=0 y B0+B1 es la media de Y para todos los valores en los que Di=1. B1 es la media de Y para los valores en los que Di=1 pero B0 es un mero parámetro de ajuste sin ninguna interpretación especial. Ninguna de las anteriores es correctas.

La curva de Phillips postula una relación inversa entre la inversión y el paro. Indique cuáles serían las hipótesis nula y alternativa más apropiadas en este caso para llevar a cabo un contraste de significatividad de B1. H0:B1=0,H1:B1≠0. H0:B1=0,H1:B1>0. H0:B1=0,H1:B1<0. H0:B1=0,H1:B1≥0.

Suponga que desea contrastar la hipótesis de que los años de educación ejercen una influencia distinta sobre el salario, en función del sexo del trabajador. Si los años de educación y la experiencia laboral, fuesen las únicas variables explicativas y mujer una dummy que toma el valor 1 para las mujeres, una ecuación apropiada para contrastar dicha hipótesis sería. Yi=B0+B1X1+B2X2+B3mujer+Ei. Yi=B0+B1X1+B2X2+B3mujer+B4X1Mujer+Ei. Yi=B0+B1X1+B2X2+B3mujer+B4X2mujer+Ei. Yi=B0+B1X1+B2X2+B3X2mujer+Ei.

Sea el modelo Y=b0+b1x1+ei, pero en lugar de X1 observamos X1*=X1+wi, representa un error de medida. Si Xt y wi estan correlacionadas, el estimador B1 será. Sesgado pero consistente. insesgado pero inconsistente. Sesgado e inconsistente. Insesgado y consistente.

Considera la ecuación de regresión log (salario)=B0+B1D1+B2D2+B3D1D2+Ei, donde D1 y D2 son dummies que representa si el trabajador es universitario y mujer. Señale la correcta. El parámetro B3 mide la diferencia salario entre una mujer que es graduada y una que no lo es. La ecuación anterior no se puede estimar debido a un problema de multicolinealidad perfecta. El parámetro B3 mide el efecto diferencial para hombre y mujeres de poseer un grado universitario. Ninguna de las anteriores.

Considera la estimación Y=B0+B1X1. Si se dividen entre 1000 todos los valores de Yi y volvemos a estimar el modelo por MCO, los estimadores de B0 y B1 resultantes de la nueva estimación. Quedarán ambos divididos entre 1000 respecto de los de la primera estimación. Quedarán ambos multiplicados entre 1000 respecto de los de la primera estimación. El estimador de la pendiente queda dividido por 1000 respecto al de la primera estimación, pero el del término independiente no varía. Ninguna de las anteriores.

Señale cuál de las siguientes igualdades es correcta. R2=R2*(n-k-1)/n-1. R2=(SCE/n-1)/(SCT/n-k-1). R2=1-(SCR/n-1)/(SCT/n-k-1). Ninguna de las anteriores.

En el modelo Y=2+2X-0,8X^2, cuando X=1 Yi varia en. 1,2. 0,4. 2. No es posible conocer la variación de Y.

Decimos que el estimador mínimo cuadrático en el modelo de regresión simple, es consistente porque. La esperanza condicionada del estimador, coincide con el parámetro poblacional. A medida que crece el tamaño muestral, la esperanza del estimador está cada vez más próxima al parámetro poblacional. A medida que crece el tamaño muestral, el estimador está cada vez más próxima al parámetro poblacional. Ninguna de las anteriores.

Cuando a partir de la estimación se quiere contrastar H0:B2=0. A partir de una muestra de 30 observaciones se obtiene un ratio t=4,81. Entonces. Se puede rechazar H0 en un test unilateral tanto si es por la cola de la izquierda como la derecha. Se puede rechazar H0 tanto si es contraste es bilateral como unilateral por la cola de la derecha. Se puede rechazar H0 tanto si es contraste es bilateral como unilateral por la cola de la izquierda. No es posible rechazar H0 en ningún caso.

Cuando a partir de la estimación tratamos de contrastar la hipótesis conjunta H0:B1=B2=0. Empleamos el estadístico t para cada una de las hipótesis individuales que la conforman y rechazamos la hipotesis nula si se rechaza cada una de las hipótesis individuales en un test bilateral. Empleamos el estadístico F y si el estadístico calculado excede el valor crítico en tablas rechazamos tanto la hipótesis nula de que B1=0 como la hipótesis nula de que B2=0. Empleamos el estadístico F y rechazamos la hipótesis nula si el estadístico calculado excede el valor critico en las tablas. Ninguna de las anteriores.

Señale cuál de las siguientes igualdades expresa el supuesto de exogeneidad del modelo de regresión. 𝐸(𝜀𝑖|𝑋) =0. 𝐸(𝜀𝑖) =0. 𝐸(𝜀𝑖`|𝑋) =0. 𝐸(𝜀𝑖´) =0.

En una regresión con datos trimestrales entre las variables Yt y Xt se quiere eliminar el efecto de la estacionalidad. Si definimos cuatro variables binarias estacionales D1,D2,D3 y D4, señale cual de los siguientes modelos No es apropiado. Y=B0+B1Xt+λ2D2t+λ3D3t+λ4D4t+Et. Y=B0+B1Xt+λ1D1t+λ2D2t+λ3D3t+4D4t+Et. Y=B1Xt+λ1D1t λ2D2t+λ3D3t+λ4D4t+Et. Y=B0+B1Xt+λ1D1t+λ2D2t+λ3D3t+Et.

Considere el modelo Y=B0+B1X1t+B2X2t+Et. Se sabe que B1=4 y B2>0 y que la correlación entre X1 y X2 es 0,7. Si se estima una regresión simple que excluya la variable X2, el estimador de B1 será. Necesariamente mayor que 4. Necesariamente menor que 4. Podría ser mayor o menos que 4. Necesariamente 4.