EXAMEN ECONOMETRÍA

El orden de las observaciones sobre cierta entidad o individuo: No importa si se trata de datos de sección cruzada. Sí importa si se trata de datos de series temporales. Ambas son correctas.

El punto de partida para llevar a cabo un análisis econométrico es: Formular claramente la pregunta de la investigación. Hacer 1000 regresiones y posteriormente formular la pregunta que queremos contestar en función de los resultados de las 1000 regresiones. Calcular el coeficiente de correlación lineal entre variables y asumir que si es muy alto implica causalidad entre esas dos variables.

Considere la siguiente nube de puntos entre dos variables. Claramente hay una relación lineal entre las dos variable. Claramente hay una relación positiva entre las dos variables. Claramente hay una relación no-lineal entre las dos variables.

La diferencia entre una relación estocástica y una relación determinista es: La relación determinista incorpora un término de error. La relación estocástica no incorpora un término de error. Ambas son correctas.

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 serie temporal. Datos de Panel.

Sea Y el salario/hora y X los años de educación. Disponemos de una muestra de 1000 individuos y el modelo de regresión lineal simple estimado por MCO es: Indique la respuesta correcta: El término constante es 3. La pendiente del modelo es 2. Para un individuo con 10 años de educación el salario/hora esperado es de 32.

Suponga la propiedad estadística de la insesgadez de un estimador: El estimador MCO es insesgado bajo un conjunto de supuestos. El estimador MCO es insesgado siempre. La insesgadez es una propiedad algebraica que se cumple siempre que estimemos por MCO.

Considere la siguiente información: Solo (I) y (IV) son correctas. Todas son incorrectas. Esta información es útil para determinar la bondad de ajuste del modelo.

Considere el valor del R-cuadrado-. Si el R-cuadrado es 0, el ajuste es perfecto ya que SCR=0. Si el R-cuadrado es 1, el ajuste es nulo ya que SCR=1. El R-cuadrado multiplicado por 100 se interpreta como el porcentaje de la varianza de la variable dependiente que se explica por el modelo.

En un modelo sin regresores: Elija la falsa. Sólo se usa información de la propia variable dependiente. La mejor estimación posible es la media. SEC es distinto de = 0.

En un modelo sin constante. La especificación sería: y = B0 + u. En general, será una estimación sesgada de B1. Ambas son correctas.

Suponga la siguiente relación entre la producción de soja y el uso de fertilizante. Elija la correcta. Solo (2) y (3) son correctas. Solo (1), (5) y (7) son correctas. Solo (2), (3), (4) y (6) son correctas.

Dada la siguiente información sobre la función de regresión poblacional. La Función de Regresión Poblacional (FRP) nos informa de cómo cambia la media de Y al cambiar X. La Función de Regresión Poblacional (FRP) pasa por las medias condicionadas. La Función de Regresión Poblacional (FRP) no pasa por las medias condicionadas.

Respecto al error poblacional. Es constante para cada individuo. Es la distancia de cada observación a la recta de regresión poblacional. También se llama residuo en la población.

Respecto a la estimación de la pendiente por MCO. Elija la verdadera. Si x e y están positivamente correlados, la pendiente será negativa. Si x e y están negativamente correlados, la pendiente será positiva. Todas son falsas.

Cuál de los siguientes supuestos no es necesario para la propiedad de insesgadez de los estimadores MCO: Media condicionada nula. E(u/x)=0. Variación muestral de la variable independiente. Homoscedasticidad o varianza constante.

Un estimador es eficiente si. Además de ser insesgado tiene una varianza constante. No es necesario que sea insesgado solo que tenga una varianza constante. La eficiencia no es una propiedad de los estimadores sino una propiedad algebraica de los MCO.

Siempre que estimamos por MCO se cumplen las siguientes propiedades algebraicas. La media del residuo es 0. La media de la variable dependiente e independiente siempre está sobre la recta de ajuste. Ambas son correctas.

Dada la varianza del estimador de la pendiente. Será mayor cuando: Sea mayor la varianza del error. Sea menor la variabilidad total de las X. Ambas son correctas.

En un modelo de regresión lineal simple: Elija la falsa. El término constante es la predicción de Y cuando X es 0. La pendiente nos indica el cambio en Y cuando la X varía. Ambas son incorrectas.

Cuáles son las ventajas del modelo lineal múltiple o modelo lineal general: (i), (ii), (iv) y (v) son correctas. Solo (i) y (v) son correctas. Solo (iii) es correcta.

Considere el siguiente modelo múltiple. Elija la falsa. B0 es la ordenada en el origen. B1 es la única pendiente del modelo. B1 a Bk son las pendientes del modelo.

Considere las siguientes afirmaciones y elija la verdadera. En un modelo múltiple, los parámetros son distintos para cada observación. En un modelo múltiple, los residuos son iguales para cada observación. Ambas son correctas.

Cuál de los siguientes supuestos no es necesario para que se cumpla la propiedad estadística de la insesgadez?. Homoscedasticidad, es decir varianza del error constante. Esperanza del error condicionado a los valores de las variables explicativas nulo. No colinealidad perfecta.

Supongo el siguiente modelo estimado en dolares: Por cada Dólar que se invierte en publicidad, se espera una disminución de las ventas de 2.20 dólares ya que este es el parámetro estimado correspondiente a la variable publicidad. Por cada dólar que aumenta el precio del producto se espera un aumento de 1,46 dólares en la venta de ese producto. Por cada dólar que aumenta el precio del producto se espera una disminución de 1,46 dólares en la venta de ese producto.

Considere la siguiente información gráfica. Los observaciones correspondientes a la variable explicativa son claramente homoscedasticas. Los observaciones correspondientes a la variable explicativa son claramente heterocedasticas, ya que sus distribuciones correspondientes son iguales. Los observaciones correspondientes a la variable explicativa son claramente heterocedasticas, ya que sus distribuciones correspondientes son diferentes.

Sabiendo que la varianza de cualquier estimador Beta la podemos calcular como: Cuanto mayor es la varianza del error de la regresión, mayor varianza del estimador Beta y por tanto seremos más precisos. Cuanto mayor es la varianza del error de la regresión, mayor varianza del estimador Beta y por tanto seremos menos precisos. No se dispone de la suficiente información para interpretar la varianza del estimador.

Considere la siguiente información sobre la propiedad de consistencia de un estimador: La consistencia es una propiedad estadística por la que el estimador mejora si aumentamos el tamaño de la muestra. La consistencia es una propiedad algebraica por la que el estimador mejora si aumentamos el tamaño de la muestra. La consistencia es una propiedad estadística por la que el estimador no mejora si aumentamos el tamaño de la muestra.

Respecto a las propiedades algebraicas de los estimadores, considere la siguiente identidad: Esta propiedad se cumple en modelos con término constante. Esta propiedad no se cumple en modelos sin término constante. Ambas son correctas.

Considere el siguiente contraste de significación individual: En este caso la hipótesis nula indica que el parámetro es igual a 0, por lo que si no se rechaza admitimos que el parámetro es estadísticamente significativo. En este caso la hipótesis nula indica que el parámetro es distinto de a 0, por lo que admitimos que el parámetro no es estadísticamente significativo. No disponemos de la suficiente información para determinar a qué pregunta se quiere contestar con la hipótesis nula.

Si quisiéramos realizar un contraste global sobre las pendientes el estadístico de contraste que deberíamos utilizar sería. El estadístico t. El estadístico F. Ninguna es correcta.