Estimar por MCO

En la estimación MCO los estimadores hacen mínima:

• La suma de los residuos.

• El cuadrado de la suma de los residuos.

• La suma de los residuos al cuadrado.

• Todas son correctas.

Un estimador es insesgado cuando su Esperanza matemática es:

• Nula.

• Igual al valor poblacional.

• Es constante.

• En el límite es cero.

La hipótesis de rango pleno tiene que ver con el problema de:

• Multicolinealidad.

• Autocorrelación.

• Heteroscedasticidad.

• Suficiencia estadística.

La matriz de varianzas y covarianzas de u es por hipótesis:

• De orden n, simétrica y escalar

• De orden k, semidefinida positiva y no escalar.

• De orden n-k, simétrica y escalar.

• De orden n y no escalar.

La matriz de varianzas y covarianzas de los estimadores MCO es:

• Función de la varianza de la perturbación aleatoria.

• De orden k y simétrica.

• Función de la matriz inversa de X'X.

• Todas son ciertas.

El valor de la suma de los residuos al cuadrado es:

• ûû´

• û'û

• (X´X) X´(XB+U)

• uu´

En un modelo con término independiente se cumple siempre que:

• SCR=ST+SE

• SCR-SE=ST

• ST=SE+SCR

• SE=ST+SCR

¿Cuánto vale la suma de los residuos, si tenemos término independiente, estimada por MCO?

• Depende del modelo.

• La raíz cuadrada de la SCR.

• Cero.

• Ninguna es cierta.

Que la varianza del estimador sea mínima entre todas las de los estimadores lineales significa que ese estimador es:

• Eficiente.

• Eficaz.

• Consistente.

• Insesgado.

A partir de la siguiente matriz de varianzas y covarianzas de los estimadores MCO, la desviación típica del tercer y último estimador será:

• 1,54

• 1,24

• -0,84

• 2,37