econometría

Cuando existe autocorrelación entre las perturbaciones: E(εt ,εs)=0 ∀t,s=1,2,...,n; t≠s. E(εt ,εs)=0 ∀t,s=1,2,...,n; t=s. E(εt ,εs)≠ 0 ∀t,s=1,2,...,n; t≠s. d) E(εt ,εs)≠0 ∀t,s=1,2,...,n; t=s.

El coeficiente de determinación general R2: Permite comprobar la existencia de Homoscedasticidad. Toma valores entre -1 y 1. Si R2 es nulo la SCE es igual a la SCT. Si R2 es nulo la SCR es igual a la SCT.

El SCT representa: Suma de cuadrados de los valores de la variable exógena alrededor de su media. Suma de cuadrados de los valores de la variable endógena explicada alrededor de su media. Suma de cuadrados de los valores de la variable endógena alrededor de su media. Suma cuadrática de los residuos.

Señale la afirmación correcta sobre R2. El R2 puede ser engañoso. El R2 es muy bajo en relaciones espurias. El coeficiente de determinación puede ser excesivamente bajo si ambas variables están evolucionando de una forma muy parecida o presentan una tendencia común. Todas son falsas.

En relación a la variable dependiente Y: Podemos denominarla regresando. Podemos denominarla variable regresora. Podemos denominarla variable regresada o variable predicha. a y c correctas.

La heteroscedasticidad: Es un problema que se da exclusivamente en datos de sección cruzada. Es un problema que se da exclusivamente en series temporales. Puede deberse a que se omitan del modelo algunas variables regresoras importantes y por tanto el modelo no está correctamente especificado. Implica que Var (εt)=E(εt)= Var (ut)=E()=; ∀t=1,2,...,n.

7-Si Var (εt)=E(εt)= Var (ut)=E()=; ∀t=1,2,...,n. Las varianzas de las perturbaciones son constantes e iguales. El modelo presenta homoscedasticidad. El modelo presenta multicolinealidad. El modelo presenta heteroscedasticidad.

Cuando hacemos referencia a cov (ui uj/Xi, Xj) = 0 indica para i≠j: Que las perturbaciones ui uj están correlacionadas. Que hay correlación serial. Todas son falsas. Que las observaciones se muestran de manera independiente.

Cuando hacemos referencia a cov (ui uj/Xi, Xj) = 0 indica para i≠j: Que las perturbaciones ui uj no están correlacionadas. Que no hay correlación serial. Todas son ciertas. Que las observaciones se muestran de manera independiente y por tanto no hay autocorrelación entre las perturbaciones.

10-Si Var (εt)=E(εt)= Var (ut)=E()=; ∀t=1,2,...,n. Las varianzas de las perturbaciones son diferentes. El modelo presenta homoscedasticidad. El modelo presenta multicolinealidad. El modelo presenta heteroscedasticidad.

¿Hay alguna diferencia en las propiedades del criterio de estimación por MCO?. No, ni algebraicas ni del término constante. Si, dependiendo de si el modelo incorpora o no incorpora término constante. No, es independiente de si el modelo o no incorpora término constante. El sistema de ecuaciones normales para un modelo con término constante es idempotente y tiene inversa.

12-u Nt(0,I) indica: Suposición de normalidad en las exógenas. Suposición de varianza constante. Suposición de normalidad en las perturbaciones. Suposición de parámetros que siguen una normal.

Las hipótesis que se deben cumplir en el MRL sobre las perturbaciones aleatorias o error son: Media cero, varianza constante, ausencia de autocorrelación en los residuos. Esperanza nula, heteroscedasticidad, asuencia de correlación en los residuos. Media cero, autocorrelación en los residuos. Que el valor de las variables explicativas sea constante en muestras repetidas.

Un histograma de residuos es: Es un simple dispositivo gráfico para saber algo sobre la forma de la función de densidad poblacional (FDP) de una variable aleatoria. No es aconsejable trazar el histograma de los residuos de cualquier regresión como método aproximado y rápido para probar el supuesto de normalidad. Permite calcular la asimetría y la curtosis. Proporciona una valor de los parámetros que maximiza la probabilidad o verosimilitud de que el método estimado proporcione los mismos datos de Y que los observados en realidad.

El R2 nunca disminuye cuando se agrega una variable independiente a la ecuación de regresión: Se debe a que el SCR nunca aumenta a medida que se agregan más variables independientes. Se debe a que el SCR nunca disminuye ya que en general aumenta al agregar variables independientes. Se debe al STC no al SCR. El R2 si puede disminuir al agregar una variable independiente.

Interprete todos los coeficientes del modelo. El coeficiente β3 mide el cambio esperado en las ventas cuando el gasto en publicidad cambia en una unidad permaneciendo el precio medio constante. El coeficiente Ai mide el cambio esperado en las ventas cuando el gasto en publicidad cambia en una unidad permaneciendo el precio medio constante. El coeficiente Ai mide el cambio esperado en las ventas cuando el gasto en publicidad cambia en una unidad permaneciendo el precio medio constante. Todas son incorrectas.

Indique las afirmaciones correctas: Todas las respuestas son validas. En muchos casos el termino independiente no es interpretable. El termino independiente implica que cuando ambos, precio y gasto en publicidad es cero los ingresos por ventas son 118.914€. Esto no es posible, a precio cero ingresos por ventas cero.

Tras plantear la hipótesis del contraste el resultado del estadístico para la variable A es: Seleccione una. -1.994. Todas son falsas. | -1.648 |. 1.99346.

Tras realizar el contraste de significación conjunta concluyo: Seleccione una: por lo tanto, rechazamos Ho para α =5% y concluyo que las variables exógenas P y A no son conjuntamente significativas. por lo tanto, rechazamos Ho para α =5% y concluyo que las variables exógenas P y A son conjuntamente significativas. Al ser el resultado menor que el valor de tablas rechazo que las dos variables sean significativas en su conjunto. Por lo tanto, rechazamos Ho para α =5% y la variable A es significativa.

En el supuesto de grados de libertad positivos: Seleccione una: Todas las respuestas son incorrectas. Es necesario disponer de tantos datos como variables regresoras a estimar. Todas las respuestas son correctas. Es necesario disponer de tantos datos como parámetros a estimar.

Un cambio de estructura admite diversos grados de complejidad según que: Seleccione una: Se incorporen nuevas variables al modelo (cambian los coeficientes), pero se mantiene básicamente el sistema original. Se mantengan las mismas variables del modelo y solo cambien el valor de los coeficientes. Se incorporen nuevas variables al modelo que corresponden a un nuevo sistema. Todas las respuestas son correctas.

El contraste de significación individual se puede concluir que: Seleccione una: Por lo tanto, aceptamos Ho para α =5% y la variable P es significativa. Por lo tanto, rechazamos Ho para α =5% y la variable P es significativa. Todas son incorrectas.

Tras realizar el contraste de significatividad individual es resultado del estadístico para la variable precio es: Seleccione una: |-7.215|. -7.125. 1.99346. |0.1386|.

Indique que define a los datos transversales: Seleccione una: Los datos hacen referencia a distintos individuos u objetos para un mismo momento del tiempo. Los datos hacen referencia a distintos individuos u objetos diferentes momentos del tiempo. Los datos cubren, a un tiempo, un espacio temporal y transversal. Los datos se refieren a los distintos periodos de un rango de tiempo.

Indique la opción correcta: Seleccione una: Un modelo estático no involucra dependencia explicita del tiempo. Un modelo dinámico es aquel en el cual el tiempo tiene un papel esencial. No es sencillo convertir un modelo estático en dinámico, no basta con añadir subíndices del tiempo. Todas las respuestas son validas.

La suma de cuadrados totales es: Seleccione una: es la medida de la variación total sobre la variable dependiente alrededor de la media de la muestra. es la variación total sobre la variable dependiente. es la media de la variación total sobre la variable dependiente. es le media de la variación total sobre la variable independiente alrededor de la media de la muestra.

Indique la opción correcta de los supuestos del MLG: Seleccione una: Los valores observados de las variables exógenas no deben cambiar al repetir el muestreo. Los regresores son linealmente dependientes. Los grados de libertad son la diferencia entre las variables explicativas y las regresoras. Los datos de las variables explicativas son diferentes en muestras repetidas.

Al pensar en el factor de la dinamicidad en los modelos econométricos frente a los económicos: Seleccione una: Las variables relevantes para los modelos económicos no suelen coincidir plenamente con las de los econométricos. En los modelos econométricos la dinamicidad propia de los sistemas legales obliga a considerar explícitamente el tiempo en la mayoría de modelos. En el modelo econométrico se establecen generalmente como relaciones deterministas con elementos al azar. En lo modelos econométricos la dinamicidad propia de los sistemas reales obliga a considerar explícitamente el tiempo en la mayoría de los modelos.

Homocedasticidad. Estamos suponiendo desigual variabilidad. Es cuando la variabilidad de las perturbaciones cambia con el tiempo. La varianza del termino de error es la misma sin importar el valor de X. Se debe cumplir la esperanza nula en todo instante de tiempo.

Al deflactar una serie Seleccione una: Debe observarse que índice diferente al deflactor que puede usarse para deflactar cualquier serie relacionada con la magnitud medida. Un deflactor u otro índice de precios cualquiera puede usarse para convertir a constantes una magnitud en corrientes y viceversa. Nunca podríamos usar IPC para convertir euros constantes las ventas de un centro comercial. Un deflactor u otro índice de precios cualquiera puede usarse para convertir a constante un magnitud en corrientes pero no al contrario.

El R2 nunca disminuye cuando se agrega una variable independiente a la ecuación de regresión: Se debe a que el SCR nunca aumenta a medida que se agregan más variables independientes. Se debe a que el SCR nunca disminuye ya que en general aumenta al agregar variables independientes. Se debe al STC no al SCR. El R2 si puede disminuir al agregar una variable independiente.

Nos referimos a la prueba de significancia general de la regresión muestral al indicar que: Y si está relacionada linealmente con X2. Y si está relacionada linealmente con X3. Y no está relacionada linealmente con X2 y X3 a la vez. Y está relacionada o no linealmente con X2 y X3 a la vez.

Si Var (ut)=; ∀t indica. Heterocedasticidad. Autocorrelación. Multicolinealidad. Homoscedasticidad.

En los casos de multicolinealidad: Una de las variables regresoras es combinación lineal del resto. Al menos una variable explicativa contiene información adicional sobre la endógena que está contenida en otras (variables explicativas). Las variables explicativas no son linealmente independiente por tanto || = 0. Todas son ciertas.

Var(β )=() indica: La mínima varianza de un estimador insesgado y lineal de beta cuando las perturbaciones tienen esperanza nula, hay heterocedasticidad, y ausencia de correlación. La máxima varianza de un estimador insesgado y lineal de beta cuando las perturbaciones tienen esperanza nula, hay homoscedasticidad, y ausencia de correlación. La mínima varianza de un estimador insesgado y lineal de beta cuando las perturbaciones no tienen esperanza nula, hay homoscedasticidad, y ausencia de correlación. La mínima varianza de un estimador insesgado y lineal de beta cuando las perturbaciones tienen esperanza nula, hay homoscedasticidad, y ausencia de correlación.

Los datos que combinan información referente a varios individuos (o unidades) a largo de intervalos regulares de tiempo se denominan: Datos de sección cruzada. Datos de panel. Datos de series temporales.

En relación con las hipótesis sobre el vector de perturbaciones U en el modelo lineal general Y= X + U , indique cuál de las siguientes afirmaciones es CIERTA: La insesgadez del estimador MCO de no requiere la hipótesis de que E[U/X ] = 0. El Teorema de Gauss‐Markov no requiere la hipótesis de que U sigue una distribución normal. El que la matriz de varianzas‐covarianzas del estimador MCO de sea igual a. (), no tiene nada que ver con la hipótesis de que la Var [U/X ] =I.

Si un modelo de regresión lineal general tiene término constante: Los residuos MCO siempre son ortogonales a las perturbaciones (errores). Los residuos MCO siempre son ortogonales a todas las variables explicativas. La suma de los residuos MCO siempre es positiva.

El coeficiente de determinación: Indica un buen ajuste lineal cuando se aproxima al cero. Indica un mal ajuste lineal cuanto más próximo a cero este y un buen ajuste lineal cuanto más próximo al uno. Indica un mal ajuste lineal cuando se aproxima al uno. Es lo mismo que el coeficiente de determinación corregido.

Dado el modelo estimado A t = 16,25 + 21,875Ct + 17,45Pt donde AV es el número artículos vendidos de cierto producto, C es el número de comerciales que se disponen en cada zona y P es una variable que toma el valor 1 si se ha realizado campaña publicitaria en una zona en concreto y 0 en caso contrario: el número de artículos vendidos aumenta 17'45 unidades en aquellas zonas donde se ha realizado campaña publicitaria con respecto a las zonas en las que no se hizo (independientemente del número de comerciales). el número de artículos vendidos aumenta 17'45 unidades en aquellas zonas donde se ha realizado campaña publicitaria con respecto a las zonas en las que no se hizo (siempre y cuando haya el mismo número de comerciales). en una zona donde se dispone de un comercial y no se ha realizado campaña publicitaria se estima que se venderán 16'25 artículos. ninguna de las opciones anteriores es cierta.

Dado el siguiente modelo estimado t = 0,271 0,0803Dt-1 + 0,394Bt sobre el reparto de dividendos de varias empresas: El coeficiente de los beneficios indica que, independientemente del reparto de dividendos en el ejercicio anterior, por cada unidad que aumenten sus beneficios el reparto de dividendos aumentará en 0'394 unidades. El coeficiente de los beneficios indica que conforme aumentan los beneficios disminuye el reparto de dividendos. Las opciones a) y b) son equivalentes y correctas. El coeficiente de los beneficios indica que, para empresas con igual reparto de dividendos en el ejercicio anterior, por cada unidad que aumenten sus beneficios el reparto de dividendos aumentará en 0'394 unidades.

Cuando un modelo de regresión lineal SIN término constante se estima por MCO: La suma de los residuos es cero. La suma total de cuadrados (STC) y la suma explicada de cuadrados (SCE) coinciden. La suma de los cuadrados de los residuos es mayor o igual que cero. El R‐cuadrado convencional es mayor o igual que cero y menor o igual que uno.

Entre todas las hipótesis clásicas que conforman el modelo Y = X +U , la hipótesis de que el vector de perturbaciones U sigue una distribución Normal Multivariante: Sólo es necesaria para calcular las previsiones puntuales de la variable endógena. Sólo es necesaria para estimar b por máxima verosimilitud. No es necesaria para calcular las previsiones por intervalo de la variable endógena. Permite obtener la distribución del estimador MCO de la varianza de las perturbaciones.

Se ha estimado por MCO (Mínimos Cuadrados Ordinarios) un modelo que explica el precio de la vivienda (PR) en miles de dólares en función de su tamaño (TA) medido en metros cuadrados, el número de habitaciones (HA) y el número de baños de la vivienda (BA). Los resultados de la estimación del modelo usando 19 viviendas vendidas en 1990 son (ln denota el logaritmo neperiano): ln(PRi ) = 7.46 + 0.634ln(TAi ) - 0.066HAi + 0.158BAi + Indique cuáles de las siguientes afirmaciones son FALSAS: 1. Un aumento de un 1% en el tamaño de la vivienda implica un aumento esperado en el precio aproximadamente igual al 0.634%. 2. Un aumento de 1 baño en la vivienda implica un aumento esperado en el precio del 0.158%. 3. Un aumento de 2 baños en la vivienda implica un aumento esperado en el precio aproximadamente igual al 31.6%. 4. Un aumento de 1 habitación en la vivienda supone un aumento esperado en el precio aproximadamente igual al 6.6%. Son falsas las afirmaciones 2 y 3. Son falsas las afirmaciones 1 y 4. Las cuatro afirmaciones son falsas. Son falsas las afirmaciones 2 y 4.

Si en el modelo lineal general Y = X +U se cumplen todas las hipótesis clásicas, pero existe un alto grado de correlación lineal entre las variables explicativas contenidas en la matriz X, entonces el estimador MCO de : Es insesgado pero no tiene varianza mínima. Es eficiente aunque no es insesgado. Es insesgado y eficiente porque la multicolinealidad aproximada no afecta a las propiedades estadísticas teóricas del estimador MCO de. No es único porque la matrizX es singular.