EXAMEN ECONOMETRIA

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

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

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

La fase más importante de elaboración de un modelo econométrico es. La fase de estimación por MCO. 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?. El término de error aleatorio del modelo. Las variables explicativas del modelo. Los coeficientes (parámetros) 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 significatividad estadística de una variable explicativa en el contraste de significatividad individual?: H0 : B1 ≠ 0; ∀i = 1…K. H0 : B1 = B2 = … = Bk = 0. H0 : B1 = 0; ∀i = 1…K.

¿Qué significado tiene el término constante del modelo?. Indica la media mínima de la universidad que es estadísticamente significativa si la nota media del instituto y del acceso a la universidad son cero. Indica la nota mínima necesaria para acceder al universidad que es estadísticamente significativa. El término constante no tiene ningún significado en sí mismo a pesar de ser estadísticamente significativo.

¿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. Las muestras de datos de panel. Las muestras de sección cruzada.

A partir de una muestra de 141 estudiantes de la universidad más grande Madrid, se estima por MCO el modelo de regresión lineal múltiple ,con especificación log-log, para predecir la nota media en la universidad de un estudiante promedio (colGPS) a partir de la nota media del instituto (hsGPA) , el resultado de las prueba de acceso a la universidad (ACT) ,la edad (age), la media del número de clases perdidas por semana (skipped) y la media del número de días que bebe alcohol a la semana (alcohol) y se obtiene la siguiente función de regresión muestral: Modelo: MCO, usando las observaciones 1-141 (n = 91) Se han quitado las observaciones ausentes o incompletas: 50 Variable dependiente: l_colGPA Contraste de heterocedasticidad de White − Hipotesis nula: [No hay heterocedasticidad] Estadístico de contraste: LM = 18.8615 Con valor p = P(Chi-cuadrado(20) > 18.8615) = 0.530847 El programa utilizado indica que se ha reducido el tamaño muestral por pérdida de observaciones, ¿de qué variables crees que se han perdido las observaciones respecto del mismo modelo en nivel?. De las variables l_ACT y l_sGPA por la transformación logarítmica aplicada. De ñas variables l_colGPS y l_age por la transformación logarítmica aplicada. De las variables l_alcohol y l_skipped por la transformación logarítmica aplicada.

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 los signos estimados de B1 y B2 van a ser ambos positivos. 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. Que el estimador MCO con seguridad va a ser muy sensible a cambios muéstrales porque hay una alta multicolinealidad en el modelo (casi perfecta).

Si seleccionamos dos estudiantes A y B, con el mismo resultado en la prueba de acceso pero con diferente media en el instituto ( sabemos que la media de A es un punto más que la media de B) el modelo estimado nos permite predecir: Que el estudiante A tendrá una nota media en la universidad 0.453 puntos más alta que B (sin decirnos nada acerca de dos estudiantes en concreto. Tan solo es la mejor predicción). Que el estudiante A tendrá una nota media en la universidad un 4.53% más alta que B (sin decirnos nada acerca de dos estudiantes en concreto. Tan solo es la mejor predicción). Que el estudiante A tendrá una nota media en la universidad 0.459 puntos más alta que B (sin decirnos nada acerca de dos estudiantes en concreto. Tan solo es la mejor predicción).

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

¿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. La selección de una muestra no aleatoria para estimar el modelo especificado.

¿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. 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. 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).

A la vista del resultado de la estimación,¿ Qué calificación previa resulta más determinante a la hora de predecir la nota media de la de la universidad?. Tanto la nota media del instituto (hsGPA) como la nota de acceso (ACT) tienen el mismo impacto ya que ambas son estadísticamente significativas al 99% de confianza estadística. Con la información disponible no se puede responder a la pregunta planteada. La nota media del instituto (hsGPA) tiene un impacto cuantitativo mayor que la nota de acceso (ATC).

A partir de una muestra de 141 estudiantes de la universidad mas grande Madrid, se estima por MCO el modelo de regresión lineal múltiple ,con especificación log-log, para predecir la nota media en la universidad de un estudiante promedio (colGPS) a partir de la nota media del instituto (hsGPA) , el resultado de las prueba de acceso a la universidad (ACT) ,la edad (age), la media del número de clases perdidas por semana (skipped) y la media del número de días que bebe alcohol a la semana (alcohol) y se obtiene la siguiente función de regresión muestral: Modelo: MCO, usando las observaciones 1-141 (n = 91) Se han quitado las observaciones ausentes o incompletas: 50 Variable dependiente: l_colGPA Contraste de heterocedasticidad de White − Hipotesis nula: [No hay heterocedasticidad] Estadístico de contraste: LM = 18.8615 Con valor p = P(Chi-cuadrado(20) > 18.8615) = 0.530847 ¿Qué interpretación le darías al coeficiente estimado de la variable l-alcohol?. Ante un incremento de un 1% la media de días que el alumno promedio bebe alcohol a la semana, que al menos falta a una hora de clase a la semana, y si no falta a ninguna hora de clase a la semana, la nota media que obtiene en la universidad disminuye en un 0.0004%. Ante un incremento de un 1% la media de días que el alumno promedio bebe alcohol a la semana, que al menos falta a una hora de clase a la semana,, la nota media que obtiene en la universidad disminuye en un 4.19%. Ante un incremento de un 1% la media de días que el alumno promedio bebe alcohol a la semana, que al menos falta a una hora de clase a la semana, ceteris paribus, la nota media que obtiene en la universidad disminuye en un 0.04%.

¿Qué implica la hipótesis de “especificación correcta” de un doble econométrico?. 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.

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

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.

¿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. En economía se utilizaban datos de corte transversal.

Señala la respuesta correcta: El estimador MCO es lineal, insesgado y eficiente (ELIO). El estimador MCO es lineal, sesgado e ineficiente. El estimador MCO es lineal, sesgado y óptimo.

¿Qué establece la hipotesis alternativa del contraste de heterocedastidad de White?. H1: “la heterocedasticidad es de tipo multiplicativa”. H1 : var (ui) = σ2∀i. H1 : var (ui) ≠ σ2∀i.

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

¿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. La presencia de outliers influyentes algunas variables explicativas del modelo. La existencia de relaciones de dependencia lineal entre algunas variables explicativas del modelo.

¿Qué variable tiene mayor impacto para predecir la nota media de la universidad?. La nota media del instituto (hsGPA) y el número de clases perdidas a la semana (skipped), porque aunque tienen signos diferentes, ambas son estadísticamente significativas al mismo nivel de confianza estadística. La edad (age) porque tiene p valor más alto. No se puede analizar el impacto cuantitativo de las variables porque el modelo está especificado en nivel y las variables están expresadas en sus respectivas unidades de medida.

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.

DADOS DOS ESTIMADORES INSESGADOS, SIEMPRE PREFERIMOS AQUEL EN EL QUE SU VARIANZA SEA: El de mayor varianza. Varianza nula, ya que de esta forma los estimadores serán óptimos. El de menor varianza.

¿EN CUÁLES DE LAS SIGUIENTES SITUACIONES EL R^2 PODRÍA SER NEGATIVO?. En algunos modelos específicos de regresión a través del origen. En algunos modelos de regresión simple. Nunca, siempre alguna variable independiente tratará de explicar algún aspecto del modelo.

CUANDO SE PRODUCE UN AJUSTE PERFECTO SIGNIFICA QUE. El número de observaciones es igual al número de B a estimar, causando mucha variación e inestabilidad. Se encontró la mejor estimación que se ajusta perfectamente al modelo teórico. El R cuadrado es igual a “1”.

UNA MALA ESPECIFICACIÓN PUEDE CAUSAR HETEROCEDASTICIDAD?. No, esto únicamente hace que el modelo sea sesgado, expresándose en una alta significatividad estadística en el término constante. 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 término de error asumirá sus varianzas haciendo que la del mismo no sea constante.

COMO SE CALCULA EL ÍNDICE DE TOLERANCIA DE UNA VARIABLE EXPLICATIVA. 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. 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. 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.

¿CUÁL DE LAS SIGUIENTES SITUACIONES PUEDEN PROVOCAR MULTICOLINEALIDAD EN UN MODELO ECONOMÉTRICO 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.

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. El modelo se puede transformar en coeficientes beta y estimar por MCO para corregir la heterocedasticidad y obtener estimadores insesgados y eficientes. El modelo se puede estimar por mínimos cuadrados ponderados ya que este método siempre proporciona estimadores eficientes e insesgados. 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 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. 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 el modelo este correctamente especificado y no haya inclusión de variables irrelevantes. Que no haya outliers influyentes en la muestra. Que el modelo este correctamente especificado y no haya omisión de variables relevantes.

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.

SEÑALA LA RESPUESTA 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 positiva 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 negativa quiere decir que existen unos pocos valores positivos muy pequeños que tiran de la distribución hacia la izquierda.

DADOS LOS DOS MODELOS SIGUIENTES ESTIMADORES POR MCO SOBRE UNA MUESTRA DE TAMAÑO “n” TAL QUE: SI HAY EVIDENCIA ESTADISTICA DE QUE EN AMBOS MODELOS EL ESTIMADOR MCO ES LO MAS PRECISO POSIBLE: Elegiríamos el modelo 1 por ser parsimonioso. Elegiríamos el modelo 2 porque para el mismo coeficiente de determinación lineal ajustado que el modelo 1, tiene un coeficiente de determinación lineal sin ajustar mayor. Los dos son equivalentes porque tienen el mismo coeficiente de determinación lineal ajustado que es el que se utiliza para comparar modelos diferentes.

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 el modelo esté correctamente especificado de manera que no incluya ninguna variable explicativa redundante multicolinealidad. Que la distribución del término de error sea normal. Que la varianza del término de error sea constante a lo largo de la muestra.

¿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 redudantes.

SI EN UN MODELO HETEROCEDÁSTICO, SE DESCONOCE LA ESTRUCTURA DE LA HETEROCEDASTICIDAD. Las perturbaciones del modelo no son esféricas y estamos en el contexto del Modelo de Regresión Lineal Generalizado. Podemos usar la estimación de las 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. 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). Se alteran las pendientes y el termino constante del modelo que siempre es significativo. Se altera el término constante del modelo, pero las pendientes no se ven afectadas.

LA TRAMPA DE LAS VARIABLES FICTICIAS: Provoca sesgos 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. Provoca ineficiencia en los estimadores MCO de los coeficientes del modelo si no se corrige.

EL MODELO BÁSICO DE REGRESIÓN LINEAL (MBRL) SE DENOMINA " BÁSICO" PORQUE: Verifica 8 hipótesis estructurales ideales y las perturbaciones sonesféricas. Es el que se puede estimar de forma muy básica por MCO. Es el más sencillo que se puede construir.

A PARTIR DE UNA MUESTRA DE CORTE TRASVERSAL DE 100 EMPRESAS EUROPEAS SE HA ESTIMADO, MEDIANTE MCO, UN MODELO DE REGRESIÓN LINEAL MÚLTIPLE PARA ANALIZAR LA RELACIÓN TEÓRICA ENTRE LOS RENDIMIENTOS EMPRESARIALES OBTENIDOS Y UNA SERIE DE VARIABLES EXPLICATIVAS CUANTITATIVAS REPRESENTATIVAS DE SOLVENCIA, ENDEUDAMIENTO E INVERSIÓN Y SE HAN OBTENIDO ESTIMADORES ELIO DE LOS COEFICIENTES. AL OBJETO DE PRESENTAR LOS MISMOS RESULTADOS PARA ENTRAR A COTIZAR EN LA BOLSA DE NUEVA YORK, SE HAN CONVERTIDO LOS DATOS DE LOS BALANCES, EXPRESADOS INICIALMENTE EN EUROS, A DÓLARES AMERICANOS APLICANDO EL TIPO MEDIO DE CAMBIO €/$ DEL ÚLTIMO EJERCICIO ECONÓMICO. ¿CÓMO AFECTARÁ ESTE CAMBIO SOBRE LA MUESTRA, A LA ESTIMACIÓN POR MCO DEL MISMO MODELO A PARTIR DE LA MUESTRA EXPRESADA EN DÓLARES AMERICANOS?. A priori, no se puede saber cuáles son los efectos sobre los estimadores MCO del modelo de regresión lineal múltiple de cambios de escala en las variablesexplicativas. Sólo cambiará el coeficiente de terminación del nuevo modelo, por lo que habrá que considerar el coeficiente de determinación lineal ajustado para analizar la bondad de ajuste del nuevo modelo. Se producirán cambios en los coeficientes estimados, los errores estándar, en los intervalos de confianza y en los estadísticos t y F, pero dichas cambios no afectarán al impacto de las distintas variables, ni a los resultados de los contrastes de significatividad individual y conjunta.

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 esta correctamente especificado de manera que no se omita ninguna variable explicativa relevante.

SUPONGAMOS QUE DOS ANALISTAS LO ESTIMAN POR MCO DE MANERA DIFERENTE DE MANERA QUE: Los dos analistas cometen errores muy graves que invalidan los modelos estimados. El error de especificación cometido por el analista 2 es más grave que el error cometido por el analista 1 y su estimador heterocedasticidad. El error de especifiación cometido por el analista 1 es más grave que el error cometido por el analista 2 y su estimador �(( ****** obtenido con seguridad es sesgado.

CUANDO SE INCORPORAN VARIABLES FICTICIAS A UN MODELO ECONOMÉTRICO MEDIANTE EL MODELO DE EFECTOS ESPECÍFICOS CON EL ESQUEMA ADITIVO: Se incorporam tantas dummies como categorías tenga el atributo categorizado mediante la dummy pero se elimina el termino constante del modelo para evitar caer en la trampa de las ficticias. Ninguna de las anteriores es correcta. Se incorporan tantas dummies como categorías tenga el atributo categorizado mediante la dummy, menos una categoría.

SEÑALA LA AFIRMACIÓN CORRECTA: La presencia de valores atípicos que sean puntos palanca en la muestra puede provocar heterocedasticidad en el modelo a estimar por MCO. 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 para estimar por MCO.

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 siempre es una variable determinista. En el MBRL la variable dependiente puedes no ser un a variable aleatoria si se incumple alguna de las hipótesis básicas.

SE SABE QUE LA ESPECIFICACIÓN TEÓRICA DE UN MODELO ECONOMÉTRICO VIENE DADA POR LA SIGUIENTE FORMULACIÓN RESPALDADA POR LA TEORÍA ECONÓMICA: Yi = β0 + β1Xi1 + β2Xi2 + β3Xi3 + ui Supongamos que dos analistas lo estiman por MCO de manera diferente de manera que: El error de especificación cometido por el analista 1 es más grave que el error cometido por el analista 2 y su estimador ****** obtenido con seguridad no es robusto. El error de especificación cometido por el analista 1 es más grave que el error cometido por el analista 2 y si estimador …. Obtenido con seguridad es sesgado. El error de especificación cometido por el analista 1 es más grave que el error cometido por el analista 2 y su estimador optimo.

SEÑALA LA AFIRMACIÓN CORRECTA: La heterocedasticidad en problema característico de muestras de series temporales. La autocorrelación es un problema característico de muestras de corte transversal. Tanto a) como b) son erroneas.

LA TRAMPA DE LAS VARIABLES FICTICIAS: Causa heterocedasticidad imperfecta en el modelo básico de regresión lineal múltiple (MBRL). Son correctas a) y b). Causa multicolinealidad perfecta en el MBRL.

EL MODELO BÁSICO DE REGRESIÓN LINEAL (MBRL) SE DENOMINA " BÁSICO" PORQUE: Verifica 8 hipótesis estructurales ideales y las perturbaciones son esféricas. Es el que se puede estimar de forma muy básica por MCO. Es el más sencillo que se puede construir.

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.

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 proxy. Variables ficticias. Variables instrumentales.

Dado el modelo teórico : Si se subespecifica , omitiendo X2 , las consecuencias sobre β1 a la hora de estimarlo por MCO, son: Inciertas porque depende de si las variables explicativas están correlacionadas o no y el signo de dicha correlación. La omisión de X2 provoca sesgo positivo por omisión de variable relevante en β1. La omisión de X2 solo provoca sesgo por omisión de variable relevante en β0 y no afecta para nada a la estimación de β1.

¿Sobre la evidencia empírica proporcionada por qué contraste decidiremos aplicar Mínimos cuadrados ponderados para corregir la heterocedasticidad?. Contraste Reset de Ramsey. Contraste de White. Contraste de Breusch-Pagan.

Las consecuencias de la multicolinealidad aproximada sobre el MRLB cuando se utiliza método de estimación por mínimos cuadrados ordinarios son: Estimadores de los parámetros aproximadamente lineales, pero insesgados y eficientes. Estimadores de los parámetros ELIO pero poco robustos ( es decir, muy sensibles cambios en los valores muestrales). Estimadores sesgados e ineficientes.

En el análisis econométrico, el Principio de Parsimonia establece: 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. Los fundamentos metodológicos que deben guiar la transición del modelo teórica al empírico.

En un modelo ANOVA 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.

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.

El método de estimación por mínimos cuadrados ordinarios (MCO): Es el método de estimación más básico que se puede aplicar en econometría. Proporciona estimadores ELIO siempre, con independencia de que se trabaje en el contexto del modelo básico del modelo de regresión lineal generalizado (MRLG). Proporciona estimadores ELIO siempre que se trabaje en el contexto del modelo básico de regresión lineal (MBRL).

La heterocedasticidad: Es un problema característico de muestras de sección cruzada con elevada homogeneidad. Es un problema característico de muestras de series temporales. Es un problema característico de muestras de sección cruzada con elevada heterogeneidad.

Señala la respuesta correcta: Los valores de los parámetros de un modelo econométrico siempre son observables en la muestra y tienen un claro significado económico. El término de error de un modelo econométrico siempre es observable en la población y tiene un claro significado económico. Los valores de la variable respuesta en un modelo econométrico, siempre son observables en la población 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 cuando se trata de puntos influyentes. Genera una situación de alto riesgo de heterocedasticidad tanto cuando se trata de puntos influyentes como de punto palanca.

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 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. El modelo 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 esta ultima depende de la muestra concreta que se este 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.

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 solo pueden tomar valores positivos enteros,para que la media de todas ellas sea positiva 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.

Se dispone de los siguientes estadísticos calculados sobre la estimación MCO de un modelo de regresión lineal múltiple que se supone que verifica todas las hipótesis básicas ( Supuestos Gauss-Markov) estudiados en el curso: R-cuadrado = 0.85 Criterio de Akaike: 2736.108 Criterio de Schwarz: 2755.165 Crit. de Hannan-Quinn: 2743.837 D.T. de la regresión: 541.0577 A la vista de estos resultados se puede afirmar que: La capacidad predictiva del modelo es bastante pobre de manera que no se recomendaría su uso para hacer predicción. Los estadísticos proporcionados no permiten evaluar la capacidad predictiva del modelo. La capacidad predictiva del modelo es bastante buena de manera que se recomendaría su uso par hacer predicción.

¿Cuál de los siguientes estadísticos se utiliza para evaluar la capacidad predicitiva de un modelo econométrico de regresión lineal múltiple?: U de Theil. Criterio de Akaike. Coeficiente de determinación lineal (R2).

Si el análisis exploratorio de una variable explicativa estadísticamente significativa incluida en un modelo de regresión lineal múltiple en nivel, nos indica la presencia de outliers que generan heteocedasticidad de tipo multiplicativo y contrastamos que se cumplen el resto de hipótesis del MBRL: Desde el punto de vista de preservar las propiedades deseables de los estimadores bajo los criterios Gauss- Markov,podemos aplicar tanto MCP como estimar el modelo especificado en elasticidad constate por MCO ya que en ambos casos los estimadores obtenidos serán ELIO. Desde el punto de vista de preservar las propiedades deseables de los estimadores bajo los criterios Gauss- Markov, debemos aplicar la transformación logarítmica sobre el modelo , estimar el modelo en elasticidad constante por MCO y los estimadores obtenido serán ELIO. Desde el punto de vista de preservar las propiedades deseables de los estimadores bajo los criterios Gauss- Markov, debemos estimar el modelo por mínimos cuadros ponderados (MCP) utilizando la evidencia empírica proporcionada por el contaste en la hipótesis alternativa y los estimadores obtenido serán ELIO.

La heterocedasticidad provoca: Que los estimadores MCO del modelo sean poco robustos. Que los estimadores MCO del modelo sean sesgados. Que los estimadores MCO del modelo sean ineficientes.

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.

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. El término de error del modelo presenta autocorrelación de tipo AR (1) provocando un aumento de las varianzas de los coeficientes estimados. 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: Existen términos cuadráticos entre las variables explicativas cuantitativas y sería recomendable realizar el Test Reset de Ramsey para detectar otras posibles especificaciones polinómicas. Existen términos de interacción entre las variables explicativas cuantitativas. Cuando existen variables explicativas redundantes en el modelo, no es lógico suponer que el resto de las variables permanecen constantes (efecto céteris paribus) al existir altas correlaciones lineales entre las mismas.

Atendiendo a las consecuencias sobre las propiedades estadísticas estudiadas del estimador MCO del MBRL, ¿qué error de especificación es mas grave? : Incorporación errónea de términos cuadráticos. Incorporación de variables redundantes. Omisión de variable (s) revelantes(s).

Dado siguiente el modelo teórico de determinación del salario (wage) : wage = β0 + β1 edu + β2 abil + u Donde: edu: Años de educación abil: es un indicador de la habilidad profesional de los trabajadores Se subespecifica el modelo correcto , omitiendo abil , y se estima por MCO el modelo subespecificado denominando δ1 al coeficiente estimado. Si se tienen evidencias de que E( δ1 ) > β1 , entonces: Decimos que δ1 tiene un sesgo a la baja. Decimos que δ1 tiene un sesgo hacia cero. Decimos que δ1 tiene un sesgo al alza.

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”. 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.

Si en un modelo ANOVA estimado por MCO el contraste de Breusch-Pagan aporta evidencia empírica para rechazar la hipótesis nula y suponemos que se cumplen resto de hipótesis sobre el MBRL: Podemos estandarizar las variables, estimar el modelo en coeficientes beta por MCO y los estimadores obtenidos serán ELIO. Podemos aplicar la transformación logarítmica sobre el modelo, estimar el modelo en elasticidad constante por MCO y los estimadores obtenidos serán ELIO. Podemos estimar el modelo por mínimos cuadros ponderados (MCP) utilizando la evidencia empírica proporcionada por el contaste en la hipótesis alternativa y los estimadores obtenido serán ELIO.

Señala la afirmación correcta en relación al modelo de regresión lineal simple en coeficientes beta: La pendiente del modelo solo puede tomar valores entre 0 y 1. La variable dependiente tiene media 1y desviación típica 0. El término constante (intercepto) siempre se anula y por eso también se denomina “modelo en regresión por el origen”.

¿Cuál de las siguientes variables, si está disponible, puede ser utilizada como variable proxy para garantizar la consistencia del estimador MCO del modelo de regresión lineal múltiple cuando se comete un error de especificación por omisión de variable relevante?. La variable dependiente retardada. Una variable explicativa estadísticamente significativa, retardada. Una variable explicativa económicamente significativa, retardada.

Se dispone de los siguientes estadísticos calculados sobre la estimación MCO de un modelo de regresión lineal múltiple que se supone que verifica todas las hipótesis básicas ( Supuestos Gauss-Markov) estudiados en el curso: R-cuadrado = 0.6 Criterio de Akaike: 2736.108 Criterio de Schwarz: 2755.165 Crit. de Hannan-Quinn: 2743.837 Raíz del Error cuadrático medio: 0 A la vista de estos resultados se puede afirmar que: Los estadísticos proporcionados no permiten evaluar la capacidad predictiva del modelo.. La capacidad predictiva del modelo es bastante pobre de manera que no se recomendaría su uso para hacer predicción. La capacidad predictiva del modelo es bastante buena de manera que se recomendaría su uso para hacer predicción.

Se dispone de los siguientes estadísticos calculados sobre la estimación MCO de un modelo de regresión lineal simple que se supone que verifica todas las hipótesis básicas ( Supuestos Gauss-Markov) estudiados en el curso: Media de la vble. dep: 865.8644 D.T. de la vble. dep. 7.5893 D.T. de la regresión: 541.0577 A la vista de estos resultados se puede afirmar que: La capacidad predictiva del modelo es bastante pobre de manera que no se recomendaría su uso para hacer predicción. La capacidad predictiva del modelo es bastante buena de manera que se recomendaría su uso par hacer predicción. Los estadísticos proporcionados no permiten evaluar la capacidad predictiva del modelo.

Se dispone de los siguientes estadísticos calculados sobre la estimación MCO de un modelo de regresión lineal simple que se supone que verifica todas las hipótesis básicas ( Supuestos Gauss-Markov) estudiados en el curso: Media de la vble. dep: 865.8644 D.T. de la vble. dep. 7.5893 D.T. de la regresión: 541.0577 A la vista de estos resultados se puede afirmar que: La capacidad predictiva del modelo es bastante pobre de manera que no se recomendaría su uso para hacer predicción. La capacidad predictiva del modelo es bastante buena de manera que se recomendaría su uso par hacer predicción. Los estadísticos proporcionados no permiten evaluar la capacidad predictiva del modelo.

Se dispone de los siguientes estadísticos calculados sobre la estimación MCO de un modelo de regresión lineal múltiple que se supone que verifica todas las hipótesis básicas ( Supuestos Gauss- Markov) estudiados en el curso: R-cuadrado = 0.8 Criterio de Akaike: 2736.108 Criterio de Schwarz: 2755.165 Crit. de Hannan-Quinn: 2743.837 U de Theil: 0.83 A la vista de estos resultados se puede afirmar que: La capacidad predictiva del modelo es bastante pobre de manera que no se recomendaría su uso para hacer predicción. La capacidad predictiva del modelo es bastante buena de manera que se recomendaría su uso par hacer predicción. Los estadísticos proporcionados no permiten evaluar la capacidad predictiva del modelo.

Según lo estudiada en el curso, el uso adecuado del modelo en coeficientes beta en el análisis econométrico del MBRL es: - Analizar la significatividad económica de las variables explicativas en la estimación MCO del MBRL P. Supongamos que la especificación correcta de un modelo econométrico viene dada por: Y=β0+β1x1+β2x2+u (Modelo 1) Por una decisión basa en la teoría económica subyacente , el analista se ve obligado a reespecificar el modelo (1), de manera que estima por MCO el modelo: y=β1x1+β2x2+u (Modelo 2) Si en base a la teoría económica, el analista sabe que: β1>0 ,β2<0 y corr(x1,x2) =- 0.7 ¿Cómo es el estimador MCO obtenido a partir del modelo 2 suponiendo que el término de error es homocedástico?. El estimador MCO del modelo 2 presenta un sesgo negativo y es eficiente. El estimador MCO del modelo 2 presenta un sesgo positivo y es inconsistente. El estimador MCO del modelo 2 es insesgado y eficiente.

La encuesta de presupuestos familiares de 2009 suministra datos sobre ingresos y gastos de las familias así como información general sobre sus condiciones de vida. Con datos de Cataluña y el sector de la hostelería , se propone analizar el gasto en consumo de las familias catalanas. Para ello se parte de un modelo de elasticidad constante keynesiano , en el que el consumo depende su ingreso. La función de regresión muestral estimada pro MCO proporciona el siguiente resultado: Estimaciones de MCO Variable dependiente: lnconsumo (1) const 3.89*** lningresos 0.615*** n 95 R2 0.3292 Contraste de heterocedasticidad de White - con valor p = 0.981351 *** significativo al nivel del 1 por ciento Si en la ecuación original incluimos como variable explicativa el número de miembros de la unidad familiar (tamaño) podemos afirmar que: La introducción de la nueva variable explicativa con seguridad produciría sesgos en el estimador MCO, pero no se puede saber a priori cuál será su efecto sobre el resto de coeficientes del modelo La introducción de la nueva variable explicativa afectará al resto de coeficientes del modelo y aumentará el R2 solo en el caso de que sea estadísticamente significativa. . . La introducción de la nueva variable explicativa afectará al resto de coeficientes del modelo y aumentará el R2 con independencia de que sea estadísticamente significativa o no.

En un estudio que relaciona el peso de un recién nacido en onzas (bwght) con el nº de cigarrillos fumados al día por la madre durante la gestación (cigs) y el ingreso familiar anual en miles de dólares (faminc) se estima el modelo por MCO y se obtiene el siguiente resultado: Estimaciones de MCO Variable dependiente: bwght (1) const 117.0*** (1.049) cigs -0.4634*** (0.09158) faminc 0.09276*** (0.02919) n 1388 R2 0.298 Contraste de heterocedasticidad de White - con valor p = 0.981351 Desviaciones típicas entre paréntesis * significativo al nivel del 10 por ciento ** Significativo al nivel del 5 por ciento *** significativo al nivel del 1 por ciento Si en la ecuación original la variable faminc la medimos en dólares en lugar de en miles de dólares de manera que definimos: fincdol=1000*faminc,¿cómo cambian los coeficientes estimados a partir de la regresión por MCO cuando sustituyamos faminc por fincdol ?: El coeficiente de fincdol será igual=92.76 ,el coeficiente de cigs será igual= - 00004634 , el término constante será igual a=0.117 y los estadísticos de contraste se verán afectados por el cambio de unidades de la variable explicativa El cambio de unidades de la variable explicativa faminc solo afectará al peso de un recién nacido, medio en onzas, (bwght) que pasará a expresar en kgs. . -. El coeficiente de fincdol será igual=0.00009276 , el resto de coeficientes del modelo y los estadísticos de contraste no se verán alterados por el cambio de unidades de la variable explicativa.

¿Qué problema econométrico provoca la trampa de las variables ficticias?. Autocorrelación exacta en el modelo de regresión lineal múltiple. Heterocedasticidad exacta en el modelo de regresión lineal múltiple. Multicolinealidad exacta en el modelo de regresión lineal múltiple.

A partir del informe sobre desarrollo humano mundial de 2010, se obtiene datos de ingreso per cápita de 169 países en miles de dólares en términos de paridad de poder adquisitivo (PPA), el número de años de escolaridad promedio de la población y la proporción de usuarios de internet en cada país. Dados estos datos se plantea analizar si los ingresos per cápita y los años de estudio influyen en la proporción de la población usuaria de internet. ¿Qué modelo habría que especificar si adicionalmente se quisiera analizar si el efecto sobre los usuarios de internet de una variación porcentual en los ingresos depende de los años de educación?. lninternet =β0+β1lningresos+β2estudios+β3ingresos·estudios+u. Lninternet=β0+β1lningresos+β2estudios+u. internet=β0+β1lningresos+β2estudios+β3lningresos·estudios+u.

Supongamos que se desea estimar por MCO el siguiente modelo especificado: y =β0+β1x1+u ¿Qué tipo de muestra sería apropiado seleccionar para estimar el modelo anterior?. Se debería elegir una muestra en la que X1 hubiese permanecido relativamente constante para no generar heterocedasticidad en el modelo. Se debería elegir una muestra aleatoria estratificada. Se debería elegir una muestra en la que X1 hubiese variado mucho porque para poder estimar los coeficientes MCO de un modelo de regresión lineal, ninguna de las variables explicativas debe ser constante para poder cuantificar la intensidad de la relación entre la variable dependiente y las variables explicativas.

Supongamos que se desea estimar por MCO el siguiente modelo especificado: y=β0+β1x1+u ¿Qué tipo de muestra sería apropiado seleccionar para estimar el modelo anterior?. Se debería elegir una muestra en la que X1 hubiese permanecido relativamente constante para no generar heterocedasticidad en el modelo. Se debería elegir una muestra aleatoria estratificada. Se debería elegir una muestra en la que X1 hubiese variado mucho porque para poder estimar los coeficientes MCO de un modelo de regresión lineal, ninguna de las variables explicativas debe ser constante para poder cuantificar la intensidad de la relación entre la variable dependiente y las variables explicativas.

Supongamos que se estima por MCO un MRLM en nivel (Modelo 1) y que el contraste de White sobre los residuos ofrece el siguiente resultado: Contraste de heterocedasticidad de White - Hipótesis nula: [No hay heterocedasticidad] Estadístico de contraste: LM = 60.663 con valor p = P(Chi-cuadrado(20) > 60.663) = 0.62035 Por interés analítico, el analista estima por MCO la especificación en elasticidad constante del mismo modelo (modelo 2) y el contraste de White aplicado sobre los residuos del nuevo modelo ofrece el siguiente resultado: Contraste de heterocedasticidad de White - Hipótesis nula: [No hay heterocedasticidad] Estadístico de contraste: LM = 26.5731 con valor p = P(Chi-cuadrado(20) > 26.5731) = 0.0000147706 A la vista de los resultados obtenidos se puede afirmar: El modelo 2 es homocedástico. El modelo 1 tiene heterocedasticidad multiplicativa. El analista ha generado una pérdida de eficiencia del estimador MCO en modelo 2 por un error de especificación funcional.

Supongamos que se estima por MCO un MRLM en nivel (Modelo 1) y que el contraste de White sobre los residuos ofrece el siguiente resultado: Contraste de heterocedasticidad de White - Hipótesis nula: [No hay heterocedasticidad] Estadístico de contraste: LM = 60.663 con valor p = P(Chi-cuadrado(20) > 60.663) = 0.62035 Por interés analítico, el analista estima por MCO la especificación en elasticidad constante del mismo modelo (modelo 2) y el contraste de White aplicado sobre los residuos del nuevo modelo ofrece el siguiente resultado: Contraste de heterocedasticidad de White - Hipótesis nula: [No hay heterocedasticidad] A partir de una muestra de 758 trabajadores jóvenes del sector de hostelería en USA , se estima por MCO el modelo de regresión lineal múltiple que permita predecir el salario anual medio del sector en U$D (wageUSD) a partir de los años de experiencia que tiene cada trabajador en el sector en general (expr) , la edad del trabajador en años (age), los años de experiencia que lleva cada trabajador trabajando en la empresa actual (tenure) y el cociente intelectual de cada trabajador (iq) y se obtienen las siguientes funciones de regresión muestral : Variable dependiente: wageUSD (1) (2) const -4.972e+04*** (4313) -4.972e+04*** (5069) age 2625*** (171.3) 2625*** (188.8) expr -658.5*** (234.3) -658.5*** (253.3) tenure 20.27 20.27 (279.2) (272.1) iq 249.3*** (33.74) 249.3*** (35.22) n 758 758 R2 0.3505 0.3505 Contraste de White. P- valor= 5.90208e-006 5.90208e-006 Nota: El modelo 2 está estimado consistentemente (HC1) Señala la afirmación correcta: Con la información disponible se puede afirmar que el estimador MCO es lineal, sesgado e ineficiente en el modelo 1. Con la información disponible se puede afirmar que el estimador MCO es lineal, sesgado e ineficiente en los dos modelos. Con la información disponible se puede afirmar que el estimador MCO es lineal, sesgado e ineficiente en el modelo 2.

Se especifica un modelo econométrico para estudiar la relación inversa entre el tiempo dedicado a dormir (sleep) y el dedicado a trabajar (totwork) en minutos /semana , junto a los años de educación (educ), la edad de los individuos (age) y el género (male=1, masculino). sleep= β0+β1totwork+β2educ+β3age+β4male+u En ese modelo, la variable male se denomina:: categoría base o de referencia. variable instrumental. variable ficticia.

A partir de una muestra de 141 estudiantes de la universidad mas grande Madrid, se estima por MCO el moldelo de regresión lineal múltiple que permita predecir la nota media en la universidad (colGPS) a partir de la nota media del instituto (hsGPA) y el resultado de las prueba de acceso a la universidad (ACT) y se obtiene la siguiente función de regresión muestral Variable dependiente: colGPA (1) const 1.19*** (0.34) hsGPA 0.453*** (0.09) ACT 0.0094 (0.0107) n 141 R-cuadrado 0.17 Contraste de heterocedasticidad de White Estadístico con valor p : Señala la respuesta correcta: El estimador MCO es lineal, sesgado y óptimo. El estimador MCO es lineal, sesgado e ineficiente. El estimador MCO es lineal, insesgado y eficiente (ELIO).

Se especifica un modelo econométrico para estudiar la relación inversa entre el tiempo dedicado a dormir (sleep) y el dedicado a trabajar (totwork) en minutos /semana , junto a los años de educación (educ), la edad de los individuos (age) y el género (male=1, masculino==> female=0). ¿Cuál seria la forma adecuada de estimar el modelo por MCO si se desean estimar los efectos específicos de cada género sobre el sueño?. sleep =β0+β1totwork+β2educ+β3age+β4female+u. sleep=&1totwork+&2educ+&3age+&4male+&5female+u. sleep =β0+β1totwork+β2educ+β3age+β4male+β5female+u.

Si p-valor asociado a contraste de White es= 0.789534, podemos decir que. El estimador MCO del modelo 2 tiene un sesgo a la baja y es ineficiente. El estimador MCO del modelo 2 presenta un sesgo positivo y es ineficiente. El estimador MCO del modelo 2 tiene un sesgo al alza y es eficiente.

Supongamos que la especificación correcta de un modelo econométrico viene dada por: y =β0+β1x1+β2x2+u (Modelo 1) Por falta de información muestral, el analista se ve obligado a reespecificar el modelo (1), de manera que estima por MCO el modelo: y =β0+β2x2+u (Modelo 2) Si en base a la teoría económica, el analista sabe que: 0β1<0 y corr(x1,x2) = - 0.7 ¿Cómo es el estimador MCO obtenido a partir del modelo 2 suponiendo que p-valor asociado a contraste de White es= 0.0000789534?. El estimador MCO del modelo 2 presenta un sesgo negativo y es ineficiente. El estimador MCO del modelo 2 presenta un sesgo positivo y es consistente. El estimador MCO del modelo 2 presenta un sesgo positivo y es ineficiente.

¿Qué tipo de linealidad impone la hipótesis ideal del MBRL para garantizar que la estimación MCO proporcione estimadores ELIO?. Cualquier tipo de linealidad en el modelo estadístico de regresión múltiple , no seleccionado. Linealidad en las variables. Linealidad en los coeficientes del modelo.

SE HA ESTIMADO MEDIANTE MCO LA FUNCIÓN DE CONSUMO KEYNESIANA ESPECIFICADA EN LOGARITMOS, PARA UNA MUESTRA DE CORTE TRANSVERSAL DE TAMAÑO 98 Y SE HA OBTENIDO LA SIGUIENTE FUNCIÓN DE REGRESIÓN MUESTRAL: Estimación MCO Variable dependiente: lncons SABIENDO QUE CORR (LNCONS, LNYD) = 0.90 Y A LA VISTA DE LOS RESULTADOS OBTENIDOS PODEMOS AFIRMAR: Son correctas las respuestas a) y b). Las variaciones de la renta disponible explican un 82% de las variaciones del consumo medio y es coherente con lo que establece el modelo teórico. La propensión marginal consumir estimada es de un incremento en el consumo de un 0.9% por cada punto porcentual que aumenta la renta disponible (Yd) y es coherente con lo que establece el modelo teórico.

¿Qué hipótesis ideal incumple el siguiente modelo econométrico? Y=K^α*L^B+U. El modelo está correctamente especificado y no incumple ninguna hipótesis ideal. El modelo especificado no está correctamente especificado porque omite variables relevantes. El modelo especificado no es lineal.

El concepto económico ceteris paribus es indispensable en el análisis econométrico para. Hacer inferencia en el modelo de regresión lineal múltiple estimado por MCO. Estimar el modelo de regresión lineal múltiple por MCO. Establecer la relación causal (unidireccional) entre las variables explicativas y la variable a explicar.

¿Cuál de las siguientes situaciones puede provocar sesgos en el estimador MCO del MBRL?. La trampa de las variables ficticias. Sobreespecificación del modelo. Subespecificación del modelo.

Se especifica un modelo econométrico de precios hedónicos para estimar la semielasticidad del precio de las viviendas (lprice) al número de habitaciones (rooms) junto a otras variables explicativas , a partir de una muestra de 506 viviendas del área de Boston. Para captar el comportamiento marginal del tamaño se incorpora al modelo el término cuadrático de rooms (sq_rooms). La función de regresión muestral estimada es: Estimaciones de MCO Variable dependiente: lprice Desviaciones típicas robustas ante heterocedasticidad, variante HC1 (1) const 13.39*** (0.9016) lnox -0.9017*** (0.1277) l_dist -0.08678 (0.05551) rooms -0.5451** (0.2730) sq_rooms 0.06226*** (0.02045) stratio -0.04759*** (0.004700) n 506 R2 0.6028 Contaste de White.p- valor 6.94198e-024 Desviaciones típicas entre paréntesis *** significativo al nivel del 1 por ciento El valor crítico de rooms a partir de la ecuación anterior es igual a 4.4 y la información muestral al respecto de esta variable es: Estadísticos principales, usando las observaciones 1 - 506 para la variable rooms Media Mediana Mínimo Máximo 6.2841 6.2100 3.5600 8.7800 Desv. Típica. C.V. Asimetría Exc. de curtosis 0.70259 0.11181 0.40281 1.8595 Porc. 5% Porc. 95% Rango IQ Observaciones 5.3000 7.6295 0.74250 ausentes 0 A la vista de los resultados anteriores se puede afirmar: La semielasticidad precio con respecto a rooms es creciente conforme la variable rooms aumenta para valores superiores a 6.21 habitaciones y el estimador MCO obtenido es insesgado, pero eficiente de manera que este resultado puede interpretarse en muestras pequeñas. La semielasticidad precio con respecto a rooms es creciente conforme la variable rooms aumenta para valores superiores a 3.56 habitaciones y el estimador MCO obtenido es insesgado, pero eficiente de manera que este resultado puede interpretarse en muestras pequeñas.. La semielasticidad precio con respecto a rooms es creciente conforme la variable rooms aumenta para valores superiores a 4.4 habitaciones y el estimador MCO obtenido es sesgado, ineficiente y consistente de manera que este resultado debe interpretarse en muestras grandes.

Se especifica un modelo econométrico de precios hedónicos para estimar la semielasticidad del precio de las viviendas (lprice) al número de habitaciones (rooms) a partir de una muestra de 506 viviendas del área de Boston. Para captar el comportamiento marginal del tamaño se incorpora al modelo el término cuadrático de rooms (sq_rooms). La función de regresión muestral estimada es: Estimaciones de MCO Variable dependiente: lprice (1) const 13.39* rooms 0.5451*** sq_rooms -0.06226** n 506 R2 0.7028 Contaste de White.p- valor 0.79419 * significativo al nivel del 10 por ciento ** significativo al nivel del 5 por ciento *** significativo al nivel del 1 por ciento A la vista de la información disponible, ¿qué forma tiene la función cuadrática estimada?. Tiene forma de U con un efecto creciente de rooms sobre lprice. Tiene forma de U con un efecto decreciente de rooms sobre lprice. Tiene forma de U invertida con un efecto decreciente de rooms sobre lprice.

¿Cómo son los estimadores MCO estimados por HAC (HC1) en presencia de heterocedasticidad, suponiendo que se cumplen el resto de hipótesis ideales del modelo básico de regresión lineal (MBRL)?. Lineales, insesgados, ineficientes y consistentes. Lineales, insesgados, óptimos (ELIO) y consistentes. Lineales, insesgados, óptimos (ELIO) e inconsistentes.

¿Qué modelos hay que especificar si se quiere analizar si el efecto parcial, la elasticidad o semielasticidad de la variable a explicar con respecto a una variable explicativa, dependen de la magnitud de otra variable explicativa?. Los modelos ANOVA. Los modelos log-nivel o log-log. Los modelos de términos de interacción.

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?: HO=B1=B2...=BK=0. HO: Bi = 0, Ɐi=1... K.