uned. predi

Los supuestos necesario s para el estimador MCO sea insesgados son: a)Linealidad, no multicolinealidad perfecta, exogeneidad. b)Linealidad, no multicolinealidad perfecta, exogeneidad y muestra aleatoria. c) Linealidad, no multicolinealidad perfecta, exogeneidad y grandes atçipicos frecuentes. d) Linealidad, no multicolinealidad perfecta, exogeneidad, muestra aleatoria y grandes atípicos pocos frecuentes.

Si los errores del modelo están autocorrelados,. Los estimadores MCO son insesgados y consistentes, pero no eficientes. Los estimadores MCO son insesgados y consistentes, pero no eficientes. Los estimadores MCO son insesgados pero consistentes. Ninguna es correcta.

El teorema de Gauss Markov asegura que,. Los estimadores MCO son los de mínima varianza. Los estimadores MCO son los de mínima varianza entre todos los estimadores lineales e insesgados. Los estimadores MCO son los de mínima varianza entre todos los estimadores lineales. Los estimadores MCO son los de mínima varianza entre todos los estimadores insesgados.

Si los errores del modelo están autocorrelados,. Los estimadores MCO son insesgados y consistentes, pero no eficientes. Los estimadores MCO son insesgados e inconsistentes. Los estimadores MCO son sesgados pero consistentes. Ninguna de las anteriores.

Si los errores del modelo son heterocedásticos,. Los estimadores MCO son insesgados. El método de mínimos cuadrados generalizados es la mejor solución cuando se conoce la varianza de los errores. Siempre lo mejor es utilizar un estimador robusto a la heterocedasticidad. ninguna de las anteriores.

Señale la afirmación INCORRECTA en realción con el estimador HAC de la varianza de los ^b. Permite realizar inferencia válida en caso de autocorrelación. Siempre produce errores estándar de los estimadores, lo que le convierte en un estimador ELIO. No requiere conocer la estructura de la autocorrelación. Permite realizar inferencia válida en caso de heterocedasticidad.