Free Printable TEMA 3 ECONOMETRIA

Worksheets

TEMA 3 ECONOMETRIA

Total questions: 50

Worksheet time: 25mins

Name

Class

Date

El contraste de Jarque-Bera, aplicado a las perturbaciones aleatorias en un modelo de regresión lineal, establece como hipótesis nula que:

La distribución de probabilidad del estadístico de prueba es del tipo t-Student con n-2 grados de libertad.

La distribución de probabilidad de las perturbaciones aleatorias es del tipo χ² con 2 grados de libertad.

La distribución de probabilidad de las perturbaciones aleatorias es de tipo Normal.

El contraste de Jarque-Bera, aplicado a las perturbaciones aleatorias en un modelo de regresión lineal, establece como hipótesis nula que la probabilidad de la misma es del tipo:

t-Student con n-2 grados de libertad.

Chi-cuadrado con 2 grados de libertad.

Normal.

El contraste de Jarque-Bera, aplicado a las perturbaciones aleatorias en un modelo de regresión lineal múltiple, utiliza como estadístico de prueba:

t de Student con n-2 grados de libertad.

χ² con 2 grados de libertad.

Normal.

El contraste de Jarque-Bera verifica que:

El estadístico de prueba sigue una distribución de probabilidad Normal (0,1).

El estadístico de prueba sigue una distribución de probabilidad Chi-cuadrado con 2 grados de libertad.

Ninguna de las respuestas anteriores es correcta.

El estadístico de prueba que se utiliza en el contraste de jarque-Bera sigue una distribución de probabilidad de tipo:

Normal

Chi-cuadrado

T-Student

El contraste de Jarque-Bera, aplicado a las perturbaciones aleatorias en un modelo de regresión lineal múltiple, se basa en:

En las perturbaciones.

En los residuos MCO.

En los coeficientes de asimetría y de Curtosis de las perturbaciones.

La prueba de Jarque-Bera se utiliza para estudiar:

El significado de los coeficientes de regresión del modelo especificado.

La normalidad de la serie analizada.

Ninguna de las anteriores es correcta.

El contraste de Jarque-Bera, aplicado a la perturbación aleatoria en un modelo de regresión lineal, se emplea para:

Construir un intervalo de confianza para la perturbación aleatoria.

Estudiar la normalidad de la perturbación aleatoria.

Analizar la significatividad de dicha perturbación aleatoria.

La amplitud de los intervalos de confianza de los coeficientes de regresión de un modelo está relacionada con la varianza de los estimadores de dichos coeficientes de forma

Directa.

Indirecta, pues no interviene en la construcción de dichos intervalos.

Indirecta.

10.

La amplitud de los intervalos de confianza de los coeficientes de regresión de un modelo está relacionada con la varianza de los estimadores de dichos coeficientes de forma

Directa.

Inversa.

Depende del signo del coeficiente de regresión.

11.

¿Es posible contrastar la significatividad individual de un coeficiente de regresión a través de su intervalo de confianza?

Sí, siempre.

No, nunca.

Depende de si el modelo presenta o no ordenada en el origen.

12.

En un modelo de regresión lineal múltiple, si el cero no pertenece al intervalo de confianza del coeficiente de regresión de la variable X_j para un nivel de significación alfa, se puede afirmar que

Ni el modelo ni la variable explicativa X_j son significativos para dicho nivel de significación alfa.

La variable X_j es significativa para dicho nivel de significación alfa.

El modelo es globalmente significativo para dicho nivel de significación alfa.

13.

En un modelo de regresión lineal múltiple, si el 0 no pertenece al intervalo de confianza del coeficiente de regresión de la variable X_j para un nivel de significación alfa, se puede afirmar que

El modelo es globalmente significativo para dicho nivel de significación alfa.

La variable X_j es significativa para dicho nivel de significación alfa.

Ni el modelo ni la variable explicativa X_j son significativas para dicho nivel de significación alfa.

14.

La construcción de un intervalo de confianza para la varianza de la perturbación aleatoria de un modelo se realiza a partir de un estadístico que sigue una distribución de probabilidad

Chi-cuadrado

T-Student

F de Fischer-Snedecor

15.

En un modelo de regresión lineal múltiple, se conoce que para un nivel de significación α

$\left(\frac{\text{SCR}}{\chi^2_{n-k-1;\,\alpha}},\ \frac{\text{SCR}}{\chi^2_{n-k;\,\alpha}}\right)$

$\left(\hat{\beta}_j - t_{n-k-1,\,\alpha}\,\cdot\, ES(\hat{\beta}_j);\ \hat{\beta}_j + t_{n-k-1,\,\alpha}\,\cdot\, ES(\hat{\beta}_j)\right)$

Ninguna de las anteriores es correcta.

16.

Para realizar contrastes de hipótesis sobre la varianza de las perturbaciones en un modelo de regresión lineal simple se emplea la distribución:

$t$ de Student con $n-2$ grados de libertad

$\chi^2$ con $n-2$ grados de libertad

$F$ de Fisher–Snedecor con $n$ y $2$ grados de libertad

17.

En relación al contraste de significatividad individual de una variable explicativa de un modelo clásico de regresión lineal, se verifica que:

Se puede emplear como estadístico de prueba un estadístico $F$ con $1$ y $n-k$ grados de libertad

Únicamente se puede emplear como estadístico de prueba un estadístico que sigue una distribución $t$

El modelo restringido tiene una variable explicativa más que el modelo sin restringir

18.

En relación al contraste de significatividad individual de una variable explicativa de un modelo clásico de regresión lineal, se verifica que:

Se puede emplear como estadístico de prueba un estadístico $F$ con $n$ y $k$ grados de libertad

Únicamente se puede emplear como estadístico de prueba un estadístico que sigue una distribución $t$

El modelo restringido tiene una variable explicativa menos que el modelo sin restringir

19.

En relación al contraste de significatividad global de un modelo clásico de regresión lineal múltiple, se verifica:

Se puede emplear como estadístico de prueba un estadístico $F$ con $1$ y $n-k$ grados de libertad

Se puede emplear como estadístico de prueba un estadístico $\chi$ -cuadrado con $n-k$ grados de libertad

El modelo restringido tiene únicamente ordenada en el origen

20.

La validez de un modelo de regresión lineal simple se puede contrastar indistintamente a través de dos estadísticos: uno que sigue una distribución $t$ de Student ( $t$ ) y otro una $F$ de Fisher–Snedecor ( $F$ ). La relación entre ambos es:

$t^2 = F$

$t = F^2$

$t = 2F$

21.

La significatividad en un modelo clásico de regresión lineal puede estudiarse a través de su parámetro correspondiente mediante estadísticos con distintas distribuciones de probabilidad, como la $t$ de Student o la $F$ de Fisher–Snedecor. En particular, estos verifican:

$t_{n-k} = F^2_{1,n-k}$

$t^2_k = F_{k,n-k}$

$t^2_{n-k} = F_{1,n-k}$

22.

La significatividad en un modelo clásico de regresión lineal puede estudiarse a través de:

Del contraste de significatividad individual

De la $F$ de Fisher–Snedecor

Ambos métodos son correctos

23.

Para realizar contrastes de hipótesis referidos a un conjunto de q restricciones lineales sobre los coeficientes de un modelo clásico de regresión lineal con n-k grados de libertad, se puede emplear el estadístico de Wald o el estadístico F de Fisher-Snedecor. La relación entre ellos es:

$F^{\text{exp}} = q \cdot \widehat{W}$

$\widehat{W} = q \cdot F^{\text{exp}}$

Los valores de ambos estadísticos siempre coinciden.

24.

F de Fisher-Snedecor con q y n-k grados de libertad.

$\chi^2$ con q grados de libertad.

t de Student con n-k grados de libertad.

25.

F de Fisher-Snedecor con q y n-k grados de libertad.

Chi-cuadrado con q grados de libertad.

t de Student con n-k grados de libertad.

26.

Los contrastes de hipótesis referidos a un conjunto de restricciones lineales sobre los coeficientes de un modelo clásico de regresión lineal se pueden llevar a cabo:

Únicamente a través del estadístico de Wald.

Únicamente a través del estadístico F de Fisher-Snedecor.

Comparando el modelo original con el restringido.

27.

Dentro del contexto de la realización de contrastes de hipótesis sobre los coeficientes de regresión de un modelo econométrico, un modelo restringido es aquél que:

Ninguna de las otras respuestas es correcta.

Presenta en su definición un número de coeficientes de regresión menor que el original.

Presenta en su definición un número de coeficientes de regresión mayor que el original.

28.

Para realizar contrastes de hipótesis sobre un conjunto de restricciones lineales referidas a los coeficientes de regresión de un modelo clásico de regresión lineal, se emplea un estadístico F de Fisher-Snedecor con $n_1$ y $n_2$ grados de libertad, donde:

$n_1$ es el número de restricciones que se contrastan y $n_2$ es el número de observaciones muestrales.

$n_1$ es el número de variables explicativas del modelo y $n_2$ es el número de observaciones muestrales.

$n_1$ es el número de restricciones que se contrastan y $n_2$ son los grados de libertad del modelo.

29.

Bajo las hipótesis usuales del modelo clásico de regresión lineal, el estimador hallado por MC Restringidos coincidirá con el estimador MCO si y sólo si:

El estimador MCO cumple las restricciones impuestas sobre los coeficientes del modelo.

La matriz de varianzas-covarianzas del estimador MCR es superior a la del estimador MCO.

El estimador MCR es sesgado.

30.

Bajo las hipótesis usuales del modelo clásico de regresión lineal, el estimador hallado por MC Restringidos:

Nunca coincide con el estimador MCO.

La matriz de varianzas-covarianzas del estimador MCR es inferior a la del estimador MCO.

El estimador MCO es sesgado.

31.

Bajo las hipótesis usuales del modelo clásico de regresión lineal, el estimador hallado por MC Restringidos:

El estimador MCO siempre cumple las restricciones impuestas sobre los coeficientes del modelo.

La matriz de varianzas-covarianzas del estimador MCR es superior a la del estimador MCO.

El estimador MCR puede ser insesgado.

32.

En el contraste de Chow, el modelo restringido es:

El modelo único para toda la muestra.

El que considera modelos distintos para distintas submuestras.

El que supone existencia de cambio estructural.

33.

La hipótesis nula del test de Chow establece:

La presencia de cambio estructural en el modelo.

La ausencia de cambio estructural en el modelo.

La normalidad de la perturbación aleatoria del modelo.

34.

Si se aplica el contraste de Chow para h submuestras en un modelo de regresión lineal múltiple, se verifica:

El modelo restringido es el que considera h modelos uno por submuestras.

El estadístico de prueba sigue una distribución Chi-cuadrado con k grados de libertad.

La hipótesis alternativa establece la existencia de cambio estructural.

35.

El test de Chow se emplea para estudiar:

La significatividad global del modelo considerado.

La significatividad individual de las variables explicativas del modelo especificado.

La presencia de cambio estructural en el modelo planteado.

36.

Del test de Chow, se puede decir:

Se utiliza la distribución F.

Se tiene la hipótesis nula como la presencia de cambios estructurales en el modelo.

El modelo restringido considera diferentes modelos para diferentes submuestras.

37.

El estadístico del contraste de Chow es en realidad:

Un estadístico que contrasta la normalidad de la perturbación aleatoria para distintos subperiodos.

Un contraste de significatividad global aplicado a modelos de distintos subperiodos.

Un estadístico que confronta un modelo restringido frente a un modelo sin restringir.

38.

En la modelización econométrica, el valor que se estima $\hat Y_i$ hace referencia a:

La estimación de la variabilidad del valor real de $Y_i$ .

La estimación del valor esperado de $Y_i$ , condicionado al valor de las variables explicativas.

La estimación del valor real de $Y_i$ .

39.

En un modelo clásico de regresión lineal, los errores de la predicción $e_0$ se definen como:

$e_0 = Y_0 - \hat Y_0$

$e_0 = \mathbb{E}[Y_0] - Y_0$

$e_0 = Y_0 - \mathbb{E}[\hat Y_0]$

40.

En un modelo clásico de regresión lineal, con ordenada en el origen, la precisión de la predicción puntual será:

Mayor que la precisión de la predicción media.

Mayor a mayor tamaño muestral.

Menor a mayor varianza muestral de la variable X.

41.

Las predicciones a partir de un modelo de regresión lineal estimado por MCO serán más precisas:

Cuanto mayor sea el tamaño muestral.

Cuando los valores de las estimaciones de las varianzas de los coeficientes de regresión estimados sean mayores.

Cuando el valor de la estimación de la varianza de las perturbaciones aleatorias sea mayor.

42.

Entre las condiciones que debe cumplirse para que una predicción sea fiable, se encuentra:

Que el horizonte de la predicción sea suficientemente lejano.

Que no existan errores de especificación en el modelo estimado.

Que no resulte posible conocer los valores futuros de las variables explicativas.

43.

De las siguientes propiedades, el error de predicción puntual $e_0$ no verifica:

Su valor esperado es nulo.

Sigue una distribución normal.

Su varianza aumenta conforme disminuye la varianza de la perturbación aleatoria.

44.