Introdución a la Econometría

Señale cuál de las siguientes afirmaciones describe mejor la relación entre las distribuciones normal estandar y t de student. La distribución normal es igual a una t de student con cero grados de libertad. La distribución t de Student converge asintóticamente a la normal. La distribución normal converge asintóticamente a la t de Student. No hay ningún tipo de relación entre estas dos distribuciones.

La multicolinealidad perecta es un problema grave porque: Las variables económicas no suelen estar muy correlacionadas. Si se da, no es posible estimar el modelo. Con multicolinealidad perfecta los estimadores MCO tendrán varianzas elevadas. Ninguna de las anteriores.

Para constrastar si los errores estimados se distribuyen de forma normal, podemos emplear: El estadístico de Durbin y Watson. El estadístico de Mizon y Richard. El estadístico de Jarque Bera. Ninguna de las anteriores.

El denominado criterios de información de Schwarz puede emplearse para: Contrastar la significatividad global del modelo. Elegir entre modelos alternativos con la misma variable dependiente. Elegir entre modelos alternativos cuando en uno de ellos la variable dependiente está en logaritmos y en el otro no. Contrastar la hipótesis de no autocorrelación seria.

Si en un modelo de regresión hay variables irrelevantes. El estimador MCO será sesgado pero consistente. El estimador MCO será insesgado pero inconsistente. La estimación de los parámetros poblacionales tendrá menor precisión. Ninguna de las anteriores.

El sesgo inducido por la causalidad simultanea: Es en realidad un caso de sesgo de selección muestral. Afecta a la propiedades de los estimadores MCO solo si los errores son heterocedásticos o están autocorrelacionados (o ambas cosas). Es una situación que surge cuando hay un efecto causal bidireccional entre las variables X e Y. Ninguna de las anteriores.

Un investigador quiere estudiar cómo influye en el salario medio de un grupo de trabajadores el sexo y el estado civil. Diga cuál de las siguientes ecuaciones podría emplear (hombre, mujer, casado y soltero son variables binarias con la interpretacion habitual y X recoge otras variables de control): A. B. C. D.

Señale cuál de las siguientes afirmaciones es FALSA: Un elevado valor de R2 (o de ~R2) no significa necesariamente que los coeficientes de las variables explicativas midan el efecto causal de las mismas. Un elevado valor de R2 (o de ~R2) no significa necesariamente que engamos un conjunto de regresores apropiados. Un elevado valor de R2 (o de ~R2) significa cualquier variable añadida ya no será significativa. Un elevado valor de R2 significa que la suma cuadrática residual tiene un valor reducido en relación con el de la suma de los cuadrados total.

El supuesto de grandes atípicos poco frecuentes es crucial para: Establecer la insesgadez de los estimadores MCO. Establecer la consistencia de los estimadores MCO. Establecer la distribución asintótica de los estimadores MCO. Todas las anteriores.

SI para una determinada variable explicativa X1, el cociente ^B1 y su error estandar es muy elevado: El valor p será muy reducido. El valor p será muy elevado. No se podrá rechazar la hipotesis nula H0 : ^B1=0. La variable X1 es redundante.

El supuesto de no autocorrelación. Es más frecuente que se incumpla con datos de corte transversal. Es más frecuente que se incumpla con datos de series de tiempo. Es igualmente probable que se incumpla con datos transverales o de series temporares. Se incumple solo con datos de panel.

Un criterio alternativo al coeficiente de determinación corregido para elegir entre modelos alternativos, es el denomindado Criterio de Información de Akaike o AIC. Señale la afirmación correcta: El AIC penaliza más que el ~R2 la introducción de variables explicativas adicionales. Si hemos de elegir entre dos modelos en base al AIC, optaremos por aquel que presente un valor mayor de este estadístico. Salvo que el modelo incluya variables explicativas en logartimos, los valores AIC y ~R2 son idénticos. Ninguna de las anteriores es cierta.

Si la variable dependiente de un modelo de regresión simple está medida con error,. El estimador MCO de la pendiente será sesgado, siendo indeterminado el signo del sesgo. El estimador MCO de la pendiente será sesgado y el signo del sesgo será positivo si cov(X,Y)>0 y negativo si cov(X,Y)<0. El estimador MCO de la pendiente será sesgado y el signo del sesgo será positivo si cov(X,Y)<0 y negativo si cov(X,Y)>0. Ninguna de las anteriores.

Señale en cuál de las siguientes ecuaciones habría un problema de multicolinealidad perfecta: Si Yt y Xt son series temporales con frecuencia trimestral y pretendemos estimar la ecuación Yt=B1D1+B2D2i+B3D3i+B4D41+LamdaXt + ei donde las variables binarias Dji están definidas por trimestre. Si Yt es una serie temporal con frecuencia trimestral y pretendemos estimar la ecuación Yt=B1D1+B2D2i+B3D3i+B4D41+ ei onde las variables binarias Dji están definidas por trimestre. Si pretendemos estimar la ecuación Yi=B0+B1Xi+B2log(Xi)+ei. En ninguno de los casos anteriores habrá problemas de multicolinealidad perfecta.