Métodos y Modelos 01

Diga cuál de los siguientes síntomas es propio de la existencia de muestras pequeñas en el modelo. a) Incremento en la varianza de los estimadores de mínimos cuadrados ordinarios (MCO). b) Distorsión de los resultados de los contrastes de significación. c) Intervalos de predicción demasiado amplios. d) Todas las respuestas son correctas. e) Sólo son correctas las respuestas b y c.

¿Cuál de los siguientes síntomas NO es propio de la existencia de multicolinealidad aproximada en el modelo?. Un coeficiente de determinación corregido (𝑹̅2) bajo. Los contrastes de significación individual bajos. Los signos de los parámetros estimados contradictorios con la teoría económica subyacente. Los coeficientes de correlación lineal entre algunas variables explicativas del modelo muy elevado. Una alta sensibilidad de los parámetros a cambio en la muestra y a la inclusión o exclusión de variables en el modelo.

¿Cuál de estos métodos de estimación NO es utilizado para la corrección del cambio estructural?. Utilización de variables ficticias para recoger el cambio estructural. Estimación mediante las Switching Regression. Considerar a los parámetros estructurales como variables aleatorias y modelizar su comportamiento. Utilizar variables instrumentales para recoger el cambio estructural. Estimar un modelo para cada estructura.

La presencia de perturbaciones aleatorias no normales implica: La insuficiencia de grados de libertad. La media no nula en las perturbaciones aleatorias. La invalidación de los contrastes paramétricos del modelo de regresión. Que las estimaciones de los parámetros serán sesgadas. La existencia de cambio estructural.

Las causas directas más frecuentes que provocan la heterocedasticidad en el modelo básico de regresión son: Los incrementos en la magnitud de las variables llevan asociados incrementos en la dispersión. El cambio estructural. La omisión de variables relevantes. La forma funcional errónea. Los errores de especificación.

Indique cuál/es de los siguientes métodos NO se pueden utilizar para solucionar un problema de heterocedasticidad indirecta en un modelo econométrico: La inclusión de una variable relevante en el modelo. La eliminación de variables explicativas en el modelo. La conversión del modelo en lineal. La inclusión de una variable dummy. La transformación del modelo en logaritmos.

Indique cuál de las siguientes herramientas NO utilizaría para detectar la presencia de autocorrelación en un modelo econométrico: El contraste de Ljung-Box. El contraste de Breusch-Pagan. Los métodos gráficos de correlogramos total y parcial de los residuos del modelo estimado. Contraste de Durbin-Watson.

¿Cuál de las siguientes afirmaciones referidas al problema de la multicolinealidad en los datos de un modelo econométrico es cierta?. La multicolinealidad perfecta puede entenderse como el caso en el que una o varias variables explicativas no delimitan con claridad su parcela de explicación de la variable endógena. La multicolinealidad perfecta implica que las variables explicativas no prevean conjuntamente el comportamiento de la variable endógena. La presencia en un modelo estimado de multicolinealidad no desvirtúa el significado económico de los parámetros estructurales estimados. La multicolinealidad próxima puede entenderse como el hecho de que al menos una variable explicativa es una combinación lineal de otras variables. Todas las respuestas anteriores son falsas.

Los contrastes de las hipótesis básicas referidas a la perturbación aleatoria de un modelo estimado con datos anuales son: a)El test de Jarque-Bera para contrastar la normalidad. b) El test de Breush-Godfrey para detectar la ausencia de autocorrelación. c) El test de Chow para contrastar la permanencia estructural. d) El test de Reset de Ramsey para contrastar la forma funcional. e) Las respuestas a y b son correctas.

Dado el modelo econométrico 𝑦𝑖=𝛽0+𝛽1𝑥1𝑖+𝛽2𝑥2𝑖+𝑢𝑡 para el que contrastamos la heterocedasticidad con el test de Goldfeld Quandt, podemos afirmar que: El esquema de heterocedasticidad que se contrasta es 𝜎2𝑡=∫(𝑋1𝑡𝑋2𝑡). Debemos ordenar la variable X11 de menor a mayor, y en función de ella ordenar los residuos del modelo para poder calcular ese contraste para un esquema donde 𝜎𝑖2=∫(𝑋1𝑡). Este test se distribuye como una 𝝌𝟐 de n-k, donde n es el número de observaciones del modelo y k es el número de parámetros a estimar en el esquema de heterocedasticidad. Debemos calcular las sumas residuales del modelo inicial y de los modelos con las dos submuestras (antes y después del cambio estructural). Todas las respuestas son falsas.

Seleccione cuál de estas opciones NO es una técnica de estimación apropiada para la modelización en condiciones de cambio estructural. Switching Regression. Modelización de coeficientes aleatorios. Modelos de tipo explicativo del cambio estructural mediante inclusión de la variable de tipo tendencial. Contraste de Chow. Utilización de variables ficticias.

Dado el modelo econométrico y = Xβ+U donde 𝑢𝑡=𝑁(𝑢,𝜎2𝐼), nos indica que los estimadores serán: Insesgados, consistentes y eficientes. Insesgados, inconsistentes, pero al menos eficientes. Sesgados, inconsistentes e ineficientes. Sesgados, inconsistentes, pero al menos eficientes. Sesgados, consistentes e ineficientes.

El contraste de Breusch-Godfrey sirve para: Descartar el problema de heterocedasticidad de las perturbaciones aleatorias del modelo siempre que se acepte la hipótesis nula. Descartar el problema de heterocedasticidad de las perturbaciones aleatorias del modelo siempre que se rechace la hipótesis nula. Contrastar la hipótesis de normalidad de las perturbaciones aleatorias de un modelo econométrico. Comprobar si el modelo econométrico es lineal. Ninguna respuesta es correcta.

Una matriz de varianzas-covarianzas del término de error no escalar. Implica la existencia de una E(ut)= a (media no nula) en el modelo. Exige la utilización del estimador de Aitken para que se conserven las buenas propiedades de los parámetros. Implica la existencia de cambio estructural. Da lugar a parámetros óptimos si se estima por MCO. Da lugar a parámetros sesgados si se estima por MCO.

Dado el siguiente modelo uniecuacional que estimaremos con datos de frecuencia anual para el periodo 1990- 2015: 𝑉𝐴𝐵𝑉𝑡=𝛽1+𝛽2𝐸𝑉𝐶𝑀𝑡+𝛽3𝐴𝑌𝑈𝑡+𝛽4𝑈𝑉𝐴𝑡+3+𝑢𝑡 VABV: VAB en el sector vitivinícola en Castilla- La Mancha (Índice de volumen Base 2006) EVCM: empleo en el sector vitivínicola en Castilla-La Mancha (miles de personas) AYU: ayudas al fomento de ferias del vino en Castilla-La Mancha (miles de euros) UVA: producción de uva en Castilla-La Mancha (miles de toneladas) Podemos afirmar que: La estimación por MCO nos dará estimadores inconsistentes si, además del regresor estocástico, existiera un esquema autorregresivo en el término de error del modelo. Tendremos problemas de regresores estocásticos, independientemente de que exista un esquema autorregresivo en el término de error del modelo. Tendremos que utilizar la propuesta de Koyck para estimar el modelo. Tendremos que utilizar la propuesta de Almon para estimar el modelo y así evitar los problemas de multicolinealidad de los retardos. Con la información que nos dan del modelo no se plantea ningún tipo de problema en la estimación de la variable retardada.

Entre las causas de la autocorrelación en el modelo básico de regresión encontramos: La inercia de los acontecimientos. Omisión de variables relevantes. Cambio estructural. Manejo de datos. Todas las respuestas anteriores son verdaderas.

El contraste de verificación de la hipótesis de ausencia de autocorrelación h de Durbin es un contraste que se realiza: Siempre que exista un regresor estocástico en el modelo. Cuando existe en el modelo una variable explicativa desplazada en general. Cuando existe una variable endógena desplazada en la especificación del modelo. Cuando el test de Durbin-Watson nos da un valor de su estadístico situado según los valores de sus tablas en “zona de duda”. Ninguna de las respuestas anteriores es falsa.

Cuando el modelizador se enfrenta con un problema de muestras pequeñas ¿se puede afirmar que la esperanza del estimador se aproxima al valor del parámetro?. No, hay que utilizar MCG porque se corrige el problema del tamaño muestral. Si la muestra es pequeña no, pero si la muestra aumenta sí. No, porque tiene una mayor varianza. Si se utiliza MCO y los estimadores son insesgados, independientemente del tamaño muestral. Ninguna de las anteriores es correcta.

La presencia de elementos distintos de cero en la matriz de varianzas-covarianzas (Σ) de la perturbación aleatoria de un modelo econométrico: Es un claro síntoma de la presencia de autocorrelación. Es un claro síntoma de la presencia de heterocesdasticidad. Estas matrices siempre tienen elementos distintos de cero. En un MBRL es imposible que se den estas circunstancias. Ninguna de las respuestas es correcta.

¿Cuál de estas afirmaciones relacionadas a la problemática del cambio estructural No es correcta?. a) Las Switching Regression consiste básicamente en estimar el modelo para cada una de las distintas estructuras presentes en los datos. b) El test de Chow es un modelo de búsqueda de un posible punto de cambio estructural. c) El cambio estructural de tipo discreto es aquel que se produce de forma más o menos brusca en un corto periodo de tiempo. d) El cambio estructural de tipo continuo es aquel que se produce de forma lenta a lo largo de un periodo más o menos prolongado. e) Las respuestas c y d son correctas.

¿Qué condiciones han de darse para que un modelo econométrico estimado por MCO que incluye su especificación regresores estocásticos no vea afectada las propiedades deseables de sus estimadores como consecuencia de tal especificación?. La multicolinealidad próxima puede entenderse como el caso en el que una o varias variables explicativas no delimitan con claridad su parcela de explicación de la variable endógena. La multicolinealidad próxima no implica que las variables explicativas no prevean conjuntamente el comportamiento de la variable endógena. La presencia en un modelo estimado de multicolinealidad no desvirtúa el significado económico de los parámetros estructurales estimados. La multicolinealidad próxima puede entenderse como el hecho de que al menos una variable explicativa es aproximadamente una combinación lineal de las otras. Todas las respuestas anteriores son falsas.

¿Qué efecto origina sobre la calidad de los estimadores de mínimos cuadrados ordinarios (MCO) la omisión de variables relevantes (OVR) y la inclusión de variables no relevantes (IV-NR)?. a) En ambos casos siempre, originan estimadores sesgados, inconsistentes e ineficientes. b) La OVR origina sesgo en los estimadores y la IV-NR solo pérdida de eficiencia. c) La IV-NR origina sesgos en los estimadores y la OVR solo pérdida de eficiencia. d) En ambos casos siempre, los estimadores serán insesgados y consistentes, pero no eficientes. e) Todas las respuestas anteriores son falsas. f) Las respuestas a y b son correctas.

Dado el modelo econométrico y = Xβ+U donde 𝑢𝑡=𝑁(𝑢,𝜎2𝐼), nos indica que: Este modelo no cumple las hipótesis básicas de aleatoriedad referidas a la matriz de varianzas y covarianzas y los estimadores serán insesgados, inconsistentes, pero al menos eficientes. Este modelo no cumple la hipótesis de estabilidad de la media y los estimadores serán sesgados, inconsistentes e ineficientes. Este modelo no cumple ninguna de las hipótesis básicas referidas a la perturbación aleatoria y sus estimadores serán insesgados, consistentes pero ineficientes. Este modelo no cumple las hipótesis de ausencia de autocorrelación y homocedasticidad y los estimadores serán insesgados, inconsistentes e ineficientes. Ninguna de las respuestas anteriores es correcta.