TEMA 3 ECONOMETRIA

Una causa de autocorrelación es. Trabajar con variables explicativas aleatorias. La inclusión de variable relevante. Trabajar con variables explicativas retardadas. La omisión de variable relevante.

Cuando el gráfico temporal de los residuos tiene valores agrupados por encima y por debajo de la media. Estamos ante un problema de autocorrelación positiva. Estamos ante un problema de heteroscedastidicad. Estamos ante un problema de autocorrelación y heteroscedasticidad. Estamos ante un problema de autocorrelación negativa.

Cuando en un gráfico de dispersión nos encontramos que la nube de puntos se podría ajustar con una recta con pendiente negativa. No hay ninguna relación entre la variable que causa el problema entre la variable. Podemos afirmar que la relación entre la varianza y la variable es positiva. Podemos afirmar que la varianza de las perturbaciones disminuirá a medida que la variable aumente. La perturbación tiene un problema de heteroscedasticidad.

Si existe un problema de heteroscedasticidad causado por la variable explicativa con un esquema lineal en el siguiente modelo: Habrá que dividir al modelo entre y aplicar MCO. e.

Para detectar heteroscedasticidad no hay que utilizar el contraste. De Wallis. De White. De Glesjer. De Breusch-Pagan.

Para detectar autocorrelación no hay que utilizar el contraste. h de Durbin. Wallis. De Breusch-Pagan. De Durbin- Watson.

Si las perturbaciones no son esféricas: La matriz de varianzas y covarianzas de las perturbaciones deja de ser cuadrada. La esperanza de las perturbaciones es una constante no nula. La esperanza de las perturbaciones es diferente para cada observación. La matriz de varianzas y covarianzas de las perturbaciones es escalar.

Indicar qué afirmación es falsa sobre el estadístico Durbin.Watson. No se puede utilizar si la variable dependiente es aleatoria. No es válido si los datos tienen periodicidad trimestral. No se puede utilizar si hay regresores retardados. No se puede utilizar si los regresores son aleatorios.

Un problema de heteroscedasticidad. Ocasiona que la variable dependiente también sea heteroscedástica. Ocasiona que la variable dependiente sea estocástica. Ocasiona que la variable dependiente tenga autocorrelación. No afecta a la variable dependiente.

Indicar qué afirmación sobre las perturbaciones es correcta. Cuando las covarianzas son cero no podemos asegurar que no exista autocorrelación. Cuando las covarianzas son cero podemos asegurar que no existe autocorrelación. Podemos tener covarianzas cero y tener perturbaciones independientes. Ninguna de las opciones es correcta.

11. En presencia de heteroscedasticidad los estimadores por MCO son: Lineales, insesgados y eficientes. Ninguna de las opciones es válida. Lineales, sesgados y eficientes. Lineales, insesgados, pero no eficientes.

12. Indicar qué afirmación es verdadera: Todas las opciones son verdaderas. En los datos de sección cruzada no hay autocorrelación, solo en las series temporales. Cuando un regresor tiene autocorrelación, la perturbación también. La heteroscedasticidad es más propia de los datos de sección cruzada.

Perturbaciones heteroscedásticas. La variable dependiente no queda afectada. La variable dependiente deja de tener la misma esperanza. La variable dependiente ya no tiene la misma dispersión con la media para cada observación. La variable dependiente deja de distribuirse como una normal.

Si aceptamos la hipótesis nula del contraste de Durbin-Watson. Ninguna de las opciones es válida. Podemos asegurar que las perturbaciones no tienen autocorrelación. Podemos asegurar que las perturbaciones no tienen autocorrelación. No podemos asegurar que el modelo no tenga autocorrelación.

El método de estimación por MCP. Se utiliza cuando las varianzas de las perturbaciones son diferentes pata cada observación. Se utiliza cuando las perturbaciones presentan autocorrelación. Ninguna de las opciones es correcta. Se utiliza cuando las perturbaciones no son esféricas.

Indicar la afirmación incorrecta. La varianza de las perturbaciones diferente para cada observación indica que las perturbaciones no son esféricas. Que las perturbaciones no estén correlacionadas no garantiza perturbaciones no esféricas. Que los regresores no sean homoscedásticos garantizan que las perturbaciones no sean esféricas. Que las perturbaciones sean homoscedásticas no garantiza perturbaciones no esféricas.

El contraste de Wallis se hace para: Detectar autocorrelación cuando trabajamos con datos trimestrales. Para detectar autocorrelación cuando trabajamos con datos semestrales. Para detectar autocorrelación cuando trabajamos con datos cuatrimestrales. Es un contraste para detectar heteroscedasticidad.

En el siguiente modelo grafica. El contraste de significación individual no aporta la información deseada. e.