Intro. Econometría 2017

En un modelo de regresión el estadístico R2 corregido mide. El cociente entre SCE y SCT. El cociente entre SCR y SCT. El cociente entre SCE y SCT, cada una de ellas ponderada por sus respectivos grados de libertad. Ninguna de las anteriores.

Si un modelo tiene errores heterocedásticos. Los estimadores MCO será sesgados. Podemos emplear la transformación de Cochrane-Orcutt para corregir la heterocedasticidad. Podemos utilizar un estimador robusto. Salvo que estemos interesados en la predicción, no es necesario tomar ninguna medida.

El estadístico σ´2/σ2 se dsitribuye como. Una N(0,1). Una Tn-k-1. Una X^2 con n-k-1 gl. Una Fk-1;n-k-1.

En el modelo log(yi)=B0+B1X1+Ei. B1 es la elasticidad. B1 es el porcentaje de variación de Y ante una variación unitaria de X. 100B1 es el porcentaje de variación de Y ante una variación unitaria de X. 0,01B1 es el porcentaje de variación de Y ante una variación unitaria de X.

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. Los estimadores MCO son los de mínima varianza entre todos los estimadores insesgados. Los estimadores MCO son los de mínima varianza entre todos los estimadores lineales e insesgados.

Para construir un intervalo de confianza igual a 1-a del parámetro poblacional B2, emplearemos la expresión. B2`+/- Ta ee (B2`). B2+/- Ta ee (B2). B2`+/- Ta/2 ee (B2`). B2+/- Ta/2 ee (B2).

Señale cuál de las siguientes hipótesis no puede ser contrastada con los test F. B2=1-B3-B5-B4. B2=0. B2+B3=1 y B4=2B5. Todas ellas pueden serlo.

En general el sesgo debido a variables medidas con error surge cuando. Solo si la variable dependiente y la independiente están medidas con error. La variable independiente está medida con error. La variable dependiente está medida con error. Siempre está presente dado que en economía las variables nunca están medidas sin error.

Suponga que el estimador de la pendiente en un modelo de regresión lineal simple es 0. Entonces. R2<𝑅2corregido. 0<R2<1. R2=0. R2>SCR/SCT.

El supuesto de normalidad referido a las perturbaciones aleatoria. Es necesario para que se cumpla las propiedades de insesgadez y eficiencia de los estimadores MCO. Es necesario para que el estimador MCO sea eficiente pero no para su insesgadez. Solo afecta a la distribución de los estadísticos de contraste, pero no a las propiedades de los estimadores. Ninguna es correcta.

Si considera que el hecho de estar afiliado a un sindicato es relevante para explicar el salario de los trabajadores y trata de incorporar esa circunstancia en un modelo de regresión. La única opción es incluir una única variable dummy más el término independiente junto con el resto de variables explicativas. Pueden incluirse dos variables dummy si se excluye el término independiente. Deben incluirse necesariamente dos variables dummy. Ninguna de las anteriores es correcto.

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

En un modelo de regresión con k variables explicativas, hay varias variables irrelevantes. Entonces,. Ninguna de las características del modelo resulta afectada. b)Los estimadores MCO no serán insesgados. c)Los estimadores MCO no serán eficiente. b y c son correctas.

Diga cuál de las siguientes afirmaciones es correcta. El estadístico DW es aproximadamente igual a 1-p, siendo p= cov(ut, ut-1). El estadístico DW es aproximadamente igual a 1+p, siendo p el coeficiente de autocorrelación de primer orden de los residuos. El estadístico DW es aproximadamente igual a 1-p, siendo p el coeficiente de autocorrelación de primer orden de los residuos. Ninguna de las anteriores.

El estimador robusto a la heterocedasticidad y autocorrelación. Proporciona una estimación diferente para los coeficientes, sus varianzas y la SCR. Proporciona una estimación diferente para coeficientes y sus varianzas, manteniendo la misma SCR. Proporciona una estimación diferente solo para las varianzas de los estimadores de B. Ninguna de las anteriores es correcta.

Los denominados términos de interacción. Son productos de dos variables explicativas y sirven para contrastar el supuesto de homocedasticidad. Son variables explicativas binarias y sirven para medir la influencia de circunstancias cualitativas. Se introducen en el modelo de regresión cuando hay sospechas de elevada multicolinealidad. Son productos de dos variables explicativas y sirven para contrastar si el efecto de una variable esta ligada al valor de otra de las variables explicativas.

En el modelo Yi=B0+B1 log (X1)+ei. B1 es la elasticidad. B1 es el porcentaje de variación d eY ante una variación unitaria de X. 100B1 es el porcentaje de variación de Y ante una variación unitaria de X. 0,01B1 es la variación de Y ante una variación de un punto porcentual de X.

Suponiendo que se cumplen todos los supuestos del modelo de regresión, excepto el de normalidad de los errores, indica en cuál de los siguientes casos es posible encontrar un estimador con menos varianza que el MCO. siempre es posible encontrar un estimador con menos varianza. en ningún caso es posible encontrar un estimador con menos varianza. Sólo podría tener menos varianza un estimador que fuese no lineal y sesgado. sólo podría tener menos varianza un estimador no lineal o sesgado o no lineal y sesgado.

En el modelo Y𝑖=β₀+β₁X₁𝑖+β₂X₂𝑖+𝜖𝑖 que cumple todos los supuestos, sabemos que β₁>0 yβ₂<0 y que el coeficiente de correlación entre X₁𝑖 y X₂𝑖 es nulo. Si en estas condiciones estimamos Y𝑖=β₀+β₁X₁𝑖+𝜖𝑖. El estimador MCO de β₁ será sesgado siendo el sesgo positivo. El estimador MCO de β₁ será sesgado siendo el sesgo negativo. El estimador MCO de β₁ será sesgado siendo indeterminado el signo del sesgo. El estimador MCO de β₁ será insesgado.

En un modelo de regresión simple, el coeficiente R2 mide: El porcentaje de variación de Y explicado por el error. El porcentaje de variación de Y explicado por las exógenas. El porcentaje de variación de Y explicado por la endógena. Ninguna de las anteriores.

En el modelo log Yi=a+BX1+ei, la elasticidad viene dada por. B. BX. B/X. Ninguna de las anteriores.

Si en un modelo de regresión simple estimamos la pendiente a partir de la expresión Y/X dicho estimador será. Siempre sesgado. Sesgado a menos que la constante sea B0=0. Siempre insesgado. Insesgado a menos que la constante sea B0=0.