Tema 3 Econometria

En el sig modelo yt= B1 + B2xt2 + B3+Xt3+ ut con v(ut)= _^2t. Al hacer el contraste de significación individual rechazaremos siempre la hipótesis nula. El contraste de significación individual no aporta la información deseada. El contraste de significación individual no se puede realizar, pero sí el de significación conjunta. Al hacer el contraste de significación individual aceptaremos siempre la hipótesis nula.

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

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

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

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

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

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

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

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

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

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

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

Indicar la afirmación incorrecta. Que las perturbaciones sean homoscedásticas no garantiza perturbaciones no 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. La varianza de las perturbaciones diferente para cada observación indica que las perturbaciones no son esféricas.

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

Si las perturbaciones no son esféricas: La matriz de varianzas y covarianzas de las perturbaciones es escalar. 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.

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

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

Si omitimos una variable explicativa. Ocasionaremos un problema de autocorrelación. Ocasionaremos un problema de heteroscedasticidad. Puede que ocasionaremos un problema de autocorrelación y heteroscedasticidad. El problema de autocorrelación es por incluir una variable relevante.