Free Printable TEMA 4 ECONOMETRIA

Worksheets

TEMA 4 ECONOMETRIA

Total questions: 65

Worksheet time: 33mins

Name

Class

Date

Si omitimos las variables relevantes en un modelo:

Tanto las estimaciones de los coeficientes de regresión y la varianza estimada del término de error estarán sesgadas.

Las estimaciones de los coeficientes de regresión no serán parciales, pero la varianza estimada del error se muestra sesgada.

Ninguna de las opciones es correcta.

Cuando se estima por el método de mínimos cuadrados ordinarios (MCO) un modelo econométrico de regresión inicial en el que se han omitido variables explicativas relevantes, entonces:

Aumenta la potencia de los contrastes.

La varianza estimada de la perturbación aleatoria es sesgada.

Se seguirán obteniendo estimaciones insesgadas de todos los coeficientes de regresión del modelo.

Cuando en un clásico modelo de regresión lineal múltiple, se omiten m variables explicativas relevantes:

No se alteran las propiedades estadísticas de las estimaciones de los coeficientes de regresión.

Se obtendrán estimaciones por MCO insesgadas, pero no óptimas.

Se obtendrán estimaciones por MCO insesgadas ortogonales.

Ninguna de las respuestas anteriores es correcta.

La inclusión de variables irrelevantes en un modelo de regresión lineal supone un problema, ya que:

Las estimaciones de los coeficientes de regresión de las variables explicativas relevantes del modelo resultan ser insesgadas e inconsistentes.

Las estimaciones de los coeficientes de regresión de las variables explicativas relevantes del modelo resultan ser insesgadas, pero no de mínima varianza.

Las estimaciones de los coeficientes de regresión de todas las variables explicativas del modelo resultan ser sesgadas y consistentes.

Cuando en un modelo de regresión lineal múltiple se incluyen m variables irrelevantes, entonces:

Se obtendrán estimaciones insesgadas únicamente de los coeficientes de regresión asociados a las variables consideradas como relevantes.

Se obtendrán estimaciones insesgadas únicamente de los coeficientes de regresión asociados a las variables consideradas como irrelevantes.

Se obtendrán estimaciones insesgadas de todos los coeficientes de regresión del modelo.

Uno de los problemas inherentes a tener errores de especificación en un modelo de regresión lineal es el hecho de que los elementos de la matriz de varianzas-covarianzas estimada de los estimadores de los parámetros del modelo presenten valores elevados, lo cual conlleva que:

Los estadísticos de la t-Student para los contrastes de significatividad individual de las variables explicativas tiendan a tomar valores bajos.

Los estadísticos de la t-Student para los contrastes de significatividad individual de las variables explicativas tiendan a tomar valores altos.

Se obtengan intervalos de confianza para la predicción de valores de la variable explicada de poca amplitud.

El test RESET de Ramsey se utiliza para detectar la posible existencia de problemas de especificación en un modelo de regresión, tales como:

Errores de medición en la variable explicada.

Omisión de variables relevantes.

Multicolinealidad.

El test RESET de Ramsey se puede aplicar con el fin de detectar:

La existencia de multicolinealidad perfecta.

La elección de una forma funcional inadecuada.

La evidencia de heterocedasticidad.

Cuando se especifica un modelo de regresión, se tiene que:

Si hay errores de medición en la variable explicada, las estimaciones de los coeficientes de regresión son sesgadas.

Si hay errores de medición en las variables explicativas, las estimaciones de los coeficientes de regresión son insesgadas y consistentes.

Si se elige una forma funcional equivocada, los coeficientes estimados por MCO pueden ser estimaciones sesgadas de los parámetros poblacionales del modelo que resulta más adecuado en la realidad.

10.

Cuando en un modelo de regresión lineal múltiple se escoge una forma funcional incorrecta, entonces:

El método de estimación más adecuado es el de mínimo cuadrados generalizados (MCG).

Los estimadores de los coeficientes de regresión del modelo son sesgados.

Los estimadores de los coeficientes de regresión del modelo no se ven gravemente afectados y siguen siendo insesgados y óptimos.

11.

El test de Ramsey se puede aplicar con el fin de detectar:

La elección de una forma funcional inadecuada.

La existencia de multicolinealidad perfecta.

La inclusión de variables irrelevantes en el modelo.

12.

Cuando se especifica un modelo de regresión se tiene que:

Si hay errores de medición en la variable explicada, las varianzas de las estimaciones MCO de los coeficientes de regresión son insesgadas aunque mayores que en el caso de que no existiera ese error.

Si hay errores de medición en la variable explicada, las estimaciones de los coeficientes de regresión resultan ser sesgadas.

Aunque se elija la forma funcional equivocada, los coeficientes estimados por MCO serán siempre estimaciones insesgadas de los parámetros poblacionales del modelo que resultaría más adecuado en la realidad.

13.

Cuando se especifica un modelo de regresión, se tiene que:

Aunque se elija una forma funcional equivocada, los coeficientes estimados por MCO serían estimaciones insesgadas de los parámetros poblacionales del modelo que resulta más adecuado en la realidad.

Si hay errores de medición en la variable explicada, las estimaciones de los coeficientes de regresión son sesgadas.

Si hay errores de medición en las variables explicativas, las estimaciones de los coeficientes de regresión son sesgadas e inconsistentes.

14.

Cuando en un modelo de regresión lineal múltiple se comenten errores de medida en y:

Se obtendrán estimaciones por MCO sesgadas y no óptimas.

Se obtendrán estimaciones por MCO sesgadas y óptimas.

Se obtendrán estimaciones por MCO insesgadas y no óptimas.

15.

Cuando en un modelo de regresión lineal múltiple se comenten errores de medida en X:

No se alteran las propiedades estadísticas de las estimaciones de los coeficientes de regresión.

Se obtendrán estimaciones por MCO insesgadas.

Ninguna de las anteriores es correcta.

16.

Para detectar la presencia de multicolinealidad en un modelo econométrico clásico de regresión lineal múltiple se puede emplear:

El contraste de Glejser.

La técnica del Factor de Agrandamiento de la Varianza (FAV) de Klein.

El contraste de Breusch-Godfrey.

17.

Para detectar la presencia de multicolinealidad en un modelo econométrico clásico de regresión lineal múltiple se puede emplear:

La representación de los correlogramas.

El contraste de White.

El factor de inflación de la varianza.

18.

Para detectar la presencia de multicolinealidad en un modelo econométrico clásico de regresión lineal múltiple se puede emplear:

El test de Reset de Ramsey.

El análisis de la matriz de correlaciones de las variables explicativas del modelo.

El factor de inflación de la media.

19.

Considere el siguiente modelo de regresión lineal Yi = β1 + β2X2i + β3X3i + β4X4i + ui, la presencia de un alto grado de correlación lineal entre ambas variables explicativas da lugar a que:

Los coeficientes estimados sean sensibles a pequeños cambios en los datos recogidos en la muestra.

Se acepte la hipótesis de no significatividad conjunta del modelo.

Aumente la precisión de las estimaciones de los coeficientes de regresión y de las predicciones.

20.

La existencia de un alto grado de correlación lineal entre las variables explicativas de un modelo de regresión lineal múltiple se asocia con que:

Aumente la precisión de las estimaciones de los coeficientes de regresión y de las predicciones.

Se acepte la hipótesis de no significatividad global de un modelo.

Los coeficientes estimados sean sensibles a pequeños cambios en los datos recogidos en la muestra.

21.

La existencia de un alto grado de correlación lineal entre las variables explicativas de un modelo de regresión lineal múltiple se asocia con que:

Aumente la amplitud de los intervalos de confianza de las estimaciones de los coeficientes de regresión y de las predicciones.

Se acepte la hipótesis de no significatividad global de un modelo.

Los coeficientes estimados sean estables ante pequeños cambios en los datos recogidos en la muestra.

22.

La presencia de multicolinealidad aproximada en un modelo de regresión conlleva que:

Disminuye la probabilidad de rechazar hipótesis nulas que pueden ser falsas.

No se pueden estimar los coeficientes de regresión de forma única, sino solo determinadas combinaciones lineales de ellos.

Los intervalos de confianza para los coeficientes de regresión son de pequeña amplitud y por tanto afinan la precisión de las estimaciones.

23.

La presencia de multicolinealidad aproximada en un modelo de regresión conlleva que:

Los intervalos de confianza para los coeficientes de regresión son de pequeña amplitud y, por tanto, afinan la precisión de las estimaciones.

Aumenta la probabilidad de aceptar hipótesis nulas que pueden ser falsas.

No se pueden estimar los coeficientes de regresión de forma única, sino solo determinadas combinaciones lineales de ellos.

24.

Ante la existencia de multicolinealidad perfecta en un modelo de regresión lineal, se tiene que:

Resulta imposible obtener cualquier tipo de estimación del modelo.

Resulta posible obtener una estimación de una combinación lineal de los coeficientes de regresión del modelo, pero no estimar estos de forma única.

Resulta posible obtener una estimación única de los coeficientes de regresión del modelo, aunque deje de ser ELIO.

25.

¿Cuál de los siguientes contrastes para detectar la heterocedasticidad es no paramétrico?

Prueba de Golfed-Quandt

Prueba de Park

Contraste de Rangos de Spearman

26.

Para detectar la posible presencia de heterocedasticidad entre las perturbaciones aleatorias, cierto test efectúa diversos ajustes entre el logaritmo neperiano de los cuadrados de los residuos hallados por el método de mínimos cuadrados ordinarios (MCO) y el logaritmo neperiano de la variable explicativa que a priori se supone que puede ocasionar el problema de heterocedasticidad. Este test es el de:

Glesjer

Park

White

27.

Para detectar la posible presencia de heterocedasticidad entre las perturbaciones aleatorias, cierto test efectúa diversos ajustes entre cuadrados de los residuos hallados por el método de mínimos cuadrados ordinarios (MCO) y las variables explicativas y las variables explicativas al cuadrado que a priori se supone que puede ocasionar el problema de heterocedasticidad. Este test es el de:

Glesjer

Park

White

28.

El estadístico de White sigue una:

F de Fisher-Snedecor distribución.

T-distribución de Student.

Chi-cuadrado la distribución.

29.

¿Cuál de los siguientes contrastes para detectar la heterocedasticidad es paramétrico?

Prueba de White

Prueba de Breusch-Godfrey

Prueba de Durbin-Watson

30.

Para detectar la posible presencia de heterocedasticidad entre las perturbaciones aleatorias, cierto test efectúa diversos ajustes entre el valor absoluto de los residuos hallados por MCO y distintas formas de regresión sobre la variable explicativa que a priori se supone que puede ocasionar el problema de heterocedasticidad. Este test es el de:

Glesjer

Park

White

31.

En un modelo de regresión lineal cuyas perturbaciones aleatorias son heterocedásticas, si se lleva a cabo la estimación consistente de White resulta que:

Las estimaciones de los coeficientes de regresión obtenidos coinciden con las calculadas por MCO.

Las estimaciones de los errores estándar de los coeficientes de regresión estimados coinciden con las calculadas por MCO.

Tanto las estimaciones de los coeficientes de regresión con las estimaciones de los errores estándar de estos son distintas a las obtenidas por MCO.

32.

Supóngase que la perturbación aleatoria de un modelo clásico de regresión lineal presenta heterocedasticidad. En este caso, los estimadores por mínimos cuadrados ordinarios (MCO) de los coeficientes de regresión se caracterizan por ser:

Insesgados, pero no de mínima varianza

Insesgados y de mínima varianza

Sesgados, pero de mínima varianza

33.

En un modelo simple, la varianza de las perturbaciones aleatorias sigue un comportamiento inversamente proporcional a la variable explicativa, entonces, el proceso de estimación MCG exige multiplicar todas las variables por

La variable explicativa en el modelo.

La inversa de la variable explicativa incluida en el modelo.

La raíz cuadrada de la variable explicativa incluida en el modelo.

34.

En un modelo simple, la varianza de las perturbaciones aleatorias sigue un comportamiento proporcional a la variable explicativa, entonces, el proceso de estimación MCG exige multiplicar todas las variables por

La variable explicativa en el modelo.

La inversa de la raíz cuadrada de la variable explicativa incluida en el modelo.

La raíz cuadrada de la variable explicativa incluida en el modelo.

35.

En un modelo simple, con ordenada en el origen, la varianza de las perturbaciones aleatorias sigue un comportamiento proporcional a la variable explicativa al cuadrado, entonces, el proceso de estimación MCG:

La inversa de la raíz cuadrada de la variable explicativa incluida en el modelo.

El modelo transformado mantiene la ordenada en el origen.

El modelo transformado pierde la ordenada en el origen.

36.

En un modelo simple, con ordenada en el origen, la varianza de las perturbaciones aleatorias sigue un comportamiento proporcional a la variable explicativa, entonces, el proceso de estimación MCG:

La inversa de la variable explicativa incluida en el modelo.

El modelo transformado mantiene la ordenada en el origen.

El modelo transformado pierde la ordenada en el origen.

37.

En el modelo Yi = β1 + β2 Xi + ui; i = 1, ..., n, cuyas perturbaciones ui no están autocorrelacionadas y verifican que Var(ui) = σ^2/xi^2, ¿Cuál es el estimador más adecuado de entre los siguientes?

El estimador MCO obtenido a partir del modelo: $Y_i/X_i = \beta_2 + \beta_1\,(1/X_i) + u_i/X_i$

El estimador MCO obtenido a partir del modelo: $Y_i\,X_i = \beta_1 X_i + \beta_2 X_i^2 + u_i X_i$

Ninguna de las respuestas anteriores es correcta.

38.

La estimación consistente de White, ante un problema de heterocedasticidad se caracteriza por:

Depender su eficiencia del número de observaciones muestrales.

Ser siempre un método menos eficiente que el MCO.

Ser siempre un método más eficiente que el MCG.

39.

Si el estadístico Durbin-Watson arroja un resultado muy próximo a 4, podemos decir:

Las perturbaciones siguen un proceso estocástico autorregresivo de orden 1 positivo.

Las perturbaciones siguen un proceso estocástico de medias móviles de orden 1 negativo.

Las perturbaciones siguen un proceso estocástico autorregresivo de orden 1 negativo.

40.

Si el valor del estadístico de Durbin-Watson fuese 4, eso implicaría:

Presenta autocorrelación negativa de tipo AR(1).

No presenta autocorrelación de tipo AR(1).

Presenta autocorrelación positiva de tipo AR(1).

41.

Si el valor del estadístico de Durbin-Watson fuese 2, eso implicaría:

Presenta autocorrelación negativa de tipo AR(1).

No presenta autocorrelación de tipo AR(1).

Presenta autocorrelación positiva de tipo AR(1).

42.

Si el estadístico Durbin-Watson arroja un resultado muy próximo a 2, podemos decir:

El coeficiente de autocorrelación estimado es nulo.

Existe autocorrelación positiva de orden 1.

Existe autocorrelación negativa de orden 1.

43.

Si el estadístico Durbin-Watson arroja un resultado muy próximo a 0, podemos decir:

El coeficiente de autocorrelación estimado es nulo.

Existe autocorrelación positiva de orden 1.

Existe autocorrelación negativa de orden 1.

44.

Si el valor del estadístico de Durbin-Watson fuese 0, eso implicaría:

Presenta autocorrelación negativa de tipo AR(1).

No presenta autocorrelación de tipo AR(1).

Presenta autocorrelación positiva de tipo AR(1).

45.

El estadístico de Durbin-Watson se caracteriza porque:

Su resultado es concluyente a la hora de estudiar la posible existencia de autocorrelación en el modelo y la estructura exacta de comportamiento de la misma.

Toma valores negativos en presencia de autocorrelación negativa y valores positivos en presencia de autocorrelación positiva.

Sus valores tabulados dependen del número de variables explicativas del modelo analizado.

46.

El estadístico de Breusch-Godfrey se caracteriza por seguir una distribución de tipo:

F de Fisher-Snedecor.

Normal.

Chi-cuadrado.

47.

El estadístico de Breusch-Godfrey que se utiliza para contrastar la ausencia de autocorrelación se caracteriza por seguir una distribución de tipo:

F de Fisher-Snedecor.

T-Student.

Chi-cuadrado.

48.

Para contrastar la hipótesis nula de ausencia de autocorrelación de p retardos en las perturbaciones aleatorias de un modelo de regresión lineal, se utiliza el contraste de:

Breusch-Godfrey

Durbin-Watson

Park

49.

El test de Breusch-Godfrey permite:

Contrastar si un modelo presenta o no autocorrelación y, en caso afirmativo, determinar el orden del retardo de la misma.

Contrastar si un modelo presenta o no autocorrelación y, en caso afirmativo, determinar si es de tipo AR o MA.

Contrastar si un modelo presenta o no autocorrelación y, en caso afirmativo, determinar si es de tipo AR o MA, así como también el orden de retardo de la misma.

50.

Considérese un modelo de regresión lineal cuya perturbación aleatoria sigue un proceso AR(1). Este viene caracterizado por:

ui = ρui−1 + αεi−1 + εi , donde εi es un ruido blanco

ui = αεi−1 + εi , donde εi es un ruido blanco

𝐮𝐢 = 𝛒𝐮𝐢−𝟏 + 𝛆𝐢 , donde 𝛆𝐢 es un ruido blanco.

51.

Considérese un modelo de regresión lineal cuya perturbación aleatoria sigue un proceso MA(1). Este viene caracterizado por:

ui = ρui−1 + αεi−1 + εi , donde εi es un ruido blanco.

𝐮𝐢 = 𝛂𝛆𝐢−𝟏 + 𝛆𝐢 , donde 𝛆𝐢 es un ruido blanco.

ui = ρui−1 + εi , donde εi es un ruido blanco.

52.

En un modelo de regresión lineal múltiple, la presencia de autocorrelación en las perturbaciones aleatorias implica que:

En ningún caso pueden existir errores de especificación.

Los estimadores MCO de los coeficientes de regresión son lineales, insesgados y de varianza mínima.

Los estimadores MCO del modelo, convenientemente transformados, son lineales, insesgados y de varianza mínima.

53.

En un modelo de regresión lineal múltiple, la presencia de autocorrelación en las perturbaciones aleatorias implica que:

En ningún caso pueden existir errores de especificación

Los estimadores MCO de los coeficientes de regresión son lineales, insesgados y no de varianza mínima.

Los estimadores MCG del modelo, convenientemente transformados son lineales, insesgados y de varianza mínima.

54.

En un modelo de regresión lineal múltiple, la presencia de autocorrelación en las perturbaciones aleatorias implica que:

En ningún caso, pueden existir errores de especificación.

Los estimadores MCO de los coeficientes de regresión son lineales, insesgados y de mínima varianza.

Van a existir problemas de estimación debido al elevado número de coeficientes que han de ser estimados.

55.

Cuando se detecta autocorrelación en un modelo econométrico ello supone que:

Los valores de la covarianza de la perturbación aleatoria correspondientes a distintas observaciones son positivos siempre que las variables explicativas sean cuantitativas.

Los valores de las covarianzas de la perturbación aleatoria correspondientes a distintas observaciones pueden ser tanto positivos como negativos con independencia del tipo que sean las variables explicativas.

Los valores de las covarianzas de la perturbación aleatoria correspondientes a dichas observaciones pueden ser tanto positivos como negativos siempre que las variables explicativas sean cualitativas.

56.

La estimación de un modelo de regresión lineal por el método de mínimos cuadrados generalizados (MCG) ofrece estimadores:

Sesgados y de mínima varianza.

Ninguna de las otras respuestas es correcta

Insesgados y de mínima varianza.

57.

Para poder estimar por el método de mínimos cuadrados generalizados (MCG) un modelo de regresión lineal con presencia de autocorrelación:

Ninguna de las otras respuestas es correcta.

Bastaría con identificar el orden del retardo que sigue la perturbación aleatoria, sin importar el tipo de esquema correcto de su comportamiento (AR, MA…)

Bastaría con identificar el tipo de esquema de comportamiento que sigue la perturbación aleatoria (AR, MA…), sin importar el orden de su retardo.

58.

Una perturbación aleatoria no esférica en un modelo de regresión lineal conlleva que:

La estimación de los coeficientes de regresión sea sesgada y de mínima varianza.

La estimación de los coeficientes de regresión sea insesgada y de mínima varianza.

La estimación de los coeficientes de regresión sea insesgada, pero no de mínima varianza.

59.

Una perturbación aleatoria no esférica en un modelo de regresión lineal conlleva que la estimación de los coeficientes de regresión por MCO sea:

Sea sesgada y de mínima varianza.

Sea insesgada y de mínima varianza.

Sea insesgada, pero no de mínima varianza.

60.

En un modelo clásico de regresión lineal, las perturbaciones esféricas se caracterizan por:

Tener media constante positiva y varianza constante.

Tener media cero y autocorrelación.

Ninguna de las otras respuestas es correcta.

61.

En un modelo de regresión lineal general $Y = X\beta + u$ , donde $E(u) = 0$ y $\operatorname{Var} - \operatorname{Cov}(u) = \sigma_u^2\, \Omega$ , siendo $\Omega \neq I$ , el estimador por mínimos cuadrados generalizados (MCG) de los coeficientes de regresión $\hat{\beta}_{MCG}$ se puede obtener a partir de la expresión:

$\hat{\beta}_{MCG} = (X'X)^{-1} X'Y$

$\hat{\beta}_{MCG} = (X'\Omega^{-1}X)^{-1} X'\Omega^{-1}Y$

$\hat{\beta}_{MCG} = \sigma_u^2\,(X'\Omega^{-1}X)^{-1}$

62.

En un modelo de regresión lineal general $Y = X\beta + u$ , donde $E(u) = 0$ y $\operatorname{Var} - \operatorname{Cov}(u) = \sigma_u^2\, \Omega$ , siendo $\Omega \neq I$ , la expresión para el cálculo de la matriz de varianzas y covarianzas del estimador por mínimos cuadrados generalizados (MCG) de los coeficientes de regresión, $\operatorname{Var}(\hat{\beta}_{MCG})$ , es:

$\operatorname{Var}(\hat{\beta}_{MCG}) = \sigma_u^2\,(X'\Omega^{-1}X)^{-1}$

$\hat{\beta}_{MCG} = \sigma_u^2\,(X'X)^{-1}\,(X'\Omega X)\,(X'X)^{-1}$

$\hat{\beta}_{MCG} = \sigma_u^2\,(X'X)^{-1}$

63.

Supongamos que un modelo de regresión sufra una autocorrelación; si asumimos solamente que las covarianzas son diferentes a cero, entonces se verifica que:

Los elementos fuera de la diagonal de la matriz de varianza y covarianza se reducen a n parámetros, los cuales tienen que ser estimados.

El número total de parámetros a estimar en el modelo sería: k + n − 1.

El número total de parámetros a estimar sería menor que el número de observaciones.

Ninguna de las opciones anteriores es correcta.

64.

Para una muestra de tamaño n, en un modelo de regresión lineal múltiple con k variables explicativas y cuyas perturbaciones aleatorias son no esféricas, inicialmente:

El sistema de ecuaciones normales para la estimación de sus parámetros MCO presenta una única solución.

El sistema de ecuaciones normales para la estimación de sus parámetros por MCO no tiene solución.

El sistema de ecuaciones normales para la estimación de sus parámetros por MCO presenta infinitas soluciones.

65.

Considérese un modelo econométrico con k variables explicativas (incluida la ordenada en el origen) y n observaciones. Dentro del proceso de optimización matemática que supone la estimación de dicho modelo a través de mínimos cuadrados ordinarios (MCO), se obtienen:

k ecuaciones normales.

n ecuaciones normales.

n−k ecuaciones normales.

Reset

TEMA 4 ECONOMETRIA

Total questions: 65

Worksheet time: 33mins

Similar Resources on Wayground