Cuestionario de Econometria Terminado

8/17/2019 Cuestionario de Econometria Terminado

1/30

ECONOMETRÍA

1. ¿Qué es Econometría?

La Econometría es la medición de la economía. Hace referencia la aplicación a la

aplicación de la teoría económica para contrastar hipótesis y estimar y prever

fenómenos económicos.

2. ¿Cuál es el interés principal de la Econometría?

La Econometría está interesada principalmente en la verificación empírica de la teoría

económica.

3. Completar: La Econometría es una disciplina aparte porque es un conjuntode…

Teoría económica

Técnicas estadísticas

Economía matemática

Estadística económica

Estadística matemática

4. ¿Cuáles son los 8 pasos de la metodología de la Econometría?

Planteamiento de los objetivos (teoría o de la hipótesis)

Especificación del modelo matemático

Especificación del modelo econométrico de la teoría.

Obtención de datos.

Estimación de los parámetros.

Prueba de hipótesis.

Pronóstico o predicción.

Utilización del modelo para fines de control.

5. ¿Qué es un modelo?

Es una simplificación de la realidad, recoge aspectos fundamentales del mismo que

tienen interés para los objetivos del investigador o analista.


2/30

6. ¿Cuál es la diferencia entre un modelo econométrico y un modelo matemático?

En el modelo matemático existe una relación exacta o funcional deterministica entre la

variable dependiente y una o mas independiente. Mientras que en el modelo

econométrico se incluye el término de perturbación o de error (u) que tiene propiedades

probabilísticas claramente definidas.

7. Ponga un ejemplo de modelo matemático y uno de modelo econométrico.

Modelo Matemático: Y = b1 + b2Y

Modelo Econométrico: Y = b1 + b2Y + u

8. Represente gráficamente un modelo econométrico.

9. ¿Es el modelo matemático de importancia para el econometrista?

El modelo matemático es de interés limitado para el econometrista, ya que supone una

relación exacta entre las variables. Pero las relaciones entre variables económicas

generalmente son inexactas.

10. ¿Cuáles son los tipos de Econometría?

ECONOMETRÍA


3/30

11. ¿Qué es la Econometría Teórica?

La econometría teórica hace referencia a los métodos de medición de las relaciones

económicas. En este aspecto, la econometría se apoya en gran medida en la estadística

matemática.

12. ¿Qué es la Econometría Aplicada?Analiza los problemas encontrados, utiliza herramientas de la econometría teórica para

estudiar algunos campos especiales de la economía y los negocios, tales como: la

función de producción, la función de inversión, las funciones de demanda y oferta, etc.

13. ¿Qué es la regresión?

El análisis de regresión trata la relación casual entre una variable económica (variable

dependiente), en una o más variables; llamadas variables explicativas o independientes,con el objetivo de estimar y predecir la media o valor promedio poblacional de la

dependiente en términos de los valores conocidos o fijos de las explicativas.

14. Represente gráficamente una regresión.

CL SICA BAYESIANA CL SICA BAYESIANA

TEÓRICA APLICADA


4/30

15. Explique cuál es la diferencia entre relaciones estadísticas y relacionesdeterminísticas.

Las relaciones determinísticas manejan variables que no son aleatorias o estocásticas, es

decir, para cada valor de la variable independiente hay un solo valor de la variable

dependiente. Mientras que las relaciones estadísticas manejan variables aleatorias oestocásticas, esto es, variables que tienen distribuciones de probabilidad y, por lo tanto,

para cada valor de la variable independiente hay muchos valores de la variable

dependiente.

16. En econometría nos interesa estudiar las relaciones determinísticas y no lasprobabilísticas.

Verdadero Falso

¿Por qué?En la economía ninguna relación es exacta o determinística. Generalmente todas las

variables tienen relaciones inexactas o probabilísticas.

17. ¿Puede una relación estadística por sí sola implicar una causalidad lógica?

No, porque una relación estadística, sin importar que tan fuerte y sugestiva sea, nunca

podrá establecer una conexión casual. Para aducir causalidad se debe acudir a

consideraciones a priori o teóricas.


5/30

18. ¿Qué diferencia hay entre decir que la producción depende de la lluvia y que lalluvia depende de la producción?

Necesitamos establecer cual es la variable dependiente y cual es la independiente. En

este caso la lluvia no puede ser dependiente de la producción porque el sentido común

nos sugiere que sea al contrario, es decir, que la producción sea dependiente de la lluvia.

19. El análisis de correlación mide la fuerza o grado de asociación lineal entre dosvariables.

Verdadero Falso

20. Entre qué valores se encuentra el coeficiente correlación y qué significa.

a) Entre 0 y 100 b) Entre 0 y 1

c) Entre -1 y 0

d) Entre -1 y 1

El -1 nos indica una relación perfectamente inversa entre dos variables. Mientras 1 nos

indica una relación perfectamente directa.

21. ¿Cuál es la diferencia fundamental entre correlación y regresión?

En el análisis de correlación no existe una distinción entre la variable dependiente o

explicada e independiente o explicativa, en este caso ambas son aleatorias. Mientras

que en análisis de regresión se supone que la variable dependiente es aleatoria y que la

variable independiente tiene valores fijos.

22. ¿Qué significa el término estocástico? ¿Qué es una variable estocástica?

Estocástico.- Sinónimo de aleatorio o probabilístico. Una variable de este tipo esaquella que puede tomar cualquier conjunto de valores, positivos o negativos, con una

probabilidad dada.

23. Explique brevemente cada uno de los tipos de información.

Series de tiempo: Conjunto de observaciones sobre los valores que toma una

variable en diferentes momentos del tiempo. Ejemplo: El PIB.


6/30

Series de Corte Transversal: Consiste en datos de una o más variables

recogidos en el mismo momento de tiempo. Ejemplo: Encuestas y censos.

Información Combinada o Panel de Datos: Se mezclan las series de tiempo y

series de corte transversal. Recogiendo datos del mismo panel de encuestados a

lo largo del tiempo.

24. ¿Qué tipos de variables existen?

Cuantitativas: Pueden ser discretas y continuas.

Cualitativas: Conocidas como variables ficticias, (Dummy), dicotonicas o

categóricas.

25. Indique 4 razones por las que se obtiene una mala información.

Lo que sucede en la economía es subjetivo.

Generalmente los datos cuantitativos son redondeados.

Sesgo de no respuestas en las encuestas.

Comparar los resultados obtenidos de las diferentes muestras

Falta de información.

Guardar información confidencial.

26. ¿Qué son los valores observados o Yi?

Los valores de la variable dependiente se los conoce como valores observados Yi. Para

cada valor fijo de la variable independiente (X) hay muchos valores de la variable

dependiente (Y)

27. ¿Qué son los valores estimados o medias condicionales?

Para todos los valores observados, de cada valor fijo de la variable independiente, se

obtiene un solo valor promedio el cual se lo conoce como valor estimado o media

condicional.

28. ¿Cómo se obtienen los valores estimados o medias condicionales?

Para obtener estos valores estimados se utiliza la siguiente fórmula de la esperanza

condicional:


7/30

E (Y/X) = Yi P (Y/X)

29. ¿Qué es la Línea de Regresión Poblacional?

Es el lugar geométrico de las medias condicionales o esperanzas de la variabledependiente para los valores fijos de las variables explicativas

30. La llamada Línea de Regresión Poblacional puede tener la forma de…

a) línea recta

b) curva

c) ambas

31. ¿Qué es la Función de Regresión Poblacional o FRP?La FRP denota únicamente que la media poblacional de la distribución de Y dado Xi

está relacionada funcionalmente con Xi. En otras palabras, nos dice cómo la media de Y

varía con X.

32. ¿Cómo se representa linealmente a la FRP?

E (Y/Xi) = b1 + b2Xi

33. ¿Qué son b1 y b2?

Son parámetros no conocidos pero fijos y se los conoce como coeficientes de regresión.

A b1 y b2 se los conoce también como el intercepto y el coeficiente de la pendiente,

respectivamente.

34. ¿Qué se entiende como regresión lineal?

Se entiende como regresión lineal cuando los parámetros (betas) están elevados a la

potencia uno.

35. Indique cuales de las siguientes regresiones son lineales

E(Y/X) = b1 + b22X

E(Y/X) = b1 + b2X2 +b3X

E(Y/X) = b1 + 1/b2X

E(Y/X) = b1 + b2X


8/30

36. ¿Cuáles son los dos objetivos principales de la Econometría?

Los dos objetivos principales de la Econometría son estimar y predecir.

37. ¿Qué significa la perturbación estocástica o término de error estocástico?

La perturbación estocástica se la conoce también como ui, es un sustituto para todas

aquellas variables que se omiten del modelo pero que, colectivamente afectan a Y

38. ¿Cómo se interpreta ui = Yi - E( Y/Xi )?

Nos indica que la perturbación estocástica es la diferencia entre el valor observado Yi y

el valor esperado E( Y/Xi ).

39. ¿Cómo se interpreta Yi = E( Y/Xi ) + ui?

E( Y/Xi ) es la media de Y dado X o la media condicional, a este componente se le

conoce como determinístico o sistemático. ui es el componente aleatorio o no

sistemático. Entonces, Un valor observado es la suma del componente sistemático y del

componente no sistemático.

40. ¿Qué es la Función de Regresión Estocástica FRE y cómo se representa?

La FRE es igual a la FRP pero incluido el término estocástico o de error.

Yi = b1 + b2Xi + ui

41. ¿Qué significa E( ui/Xi ) = 0?

Es un supuesto de que la línea de regresión pasa a través de las medias condicionales de

Y, e implica que los valores de la media condicional de ui (condicionadas al valor dado

de X) son iguales a cero.

42. ¿Qué representa ui?

Ui es el margen de error, es un sustituto para todas las variables omitidas en el modelo

pero que, colectivamente, afectan a Y.

43. ¿Por qué se necesita ui?

Por vaguedad en la teoría.

Por no disponibilidad de información.


9/30

Por las decisiones humanas que son subjetivas.

Por dependencia de variables periféricas o secundarias.

Por el uso de variables próximas inadecuadas porque no dispongo de la variable

específica. Exclusión de variables relevantes en el modelo.

Forma funcional incorrecta en el modelo.

44. Siempre se puede usar la Función de Regresión Poblacional.

Verdadero Falso

¿Por qué?

Porque no siempre se tiene todos los datos de la población.

45. ¿Qué se hace para sustituir a la FRP?

Necesitamos una muestra de la población para encontrar estimadores que nos ayuden a

determinar las características poblacionales.

46. ¿Qué es la Función de Regresión Muestral o FRM?

Las líneas que se forman con cada muestra se llaman líneas de regresión muestral y sonsolamente una aproximación a la verdadera línea de regresión poblacional. Por lo tanto,

la FRM es un estimador de la FRP.

47. ¿Cómo se representa la FRM?

Yi* = b1* + b2*Xi

Nota: * quiere decir estimado.

48. ¿Cómo se representa la FRM en su forma estocástica?

Yi = b1* + b2*Xi + ui*

49. ¿Cuál es el objetivo en el análisis de regresión?

El objetivo es estimar Yi = b1 + b2Xi + ui (FRP) en base a Yi = b1* + b2*Xi + ui*

(FRM).

50. ¿Cómo se representa un valor observado en términos de la FRP y de la FRM?


10/30

En términos de FRM : Yi = Yi* + ui*

En términos de FRP: Yi = E( Y/Xi ) + ui

51. Represente gráficamente la línea de regresión muestral y la línea de regresión

poblacional con sus respectivas perturbaciones estocásticas.

52. ¿Qué se utiliza para calcular la FRM?

Utilizamos el llamado Método de Mínimos Cuadrados Ordinarios o MCO.

53. ¿En qué consiste el MCO?Consiste en trazar una línea que tenga a los valores observados y a los valores esperados

con la mínima distancia posible.

54. ¿Cuál es el objetivo final del MCO?

El objetivo final de este método es encontrar los betas estimados que permitan estimar

con la mayor precisión posible a los betas poblacionales.

55. ¿Cómo se deberían interpretar los betas en una función Y* = b1*+ b2*Xi?

b1*: Es el intercepto con la ordenada y determina cuanto es Y cuando X=0.

b2*: Es el coeficiente de la pendiente y determina en cuanto aumenta Y cuando

X aumenta en una unidad.


11/30

56. ¿Cuáles son los supuestos detrás del MCO?

Los betas deben estar elevados a la potencia uno para que el modelo de regresión

sea lineal.

La variable dependiente es aleatoria, mientras la variable independiente es fija.E( ui/Xi ) = 0, quiere decir que los valores positivos de ui se cancelan con los

valores negativos de ui.

Homocedasticidad o igual varianza de ui: Para cada valor de X hay muchos

valores de Y, los mismos que forman una distribución normal con media cero y

las varianzas de todas las distribuciones normales son iguales.

No autocorrelación entre las perturbaciones: COV( uiuj/XiXj ) = 0, es decir,

cada perturbación estocástica es independiente o aleatoria.COV( ui, Xi ) = 0, es decir, las perturbaciones estocásticas no dependen de X.

El número de observaciones (n) debe ser mayor al número de parámetros betas.

Los Xi no deben ser iguales ni tampoco muy cercanos porque no se pudiera

modelar la línea de regresión.

El modelo debe estar sustentado bajo un esquema teórico correcto, es decir, que

las variables dependientes e independientes estén bien especificadas.

No hay multicolinealidad perfecta: No hay relaciones perfectamente lineales

entre las variables explicativas o independientes.

57. ¿Qué es la varianza homocedástica y cómo se la calcula? Representargráficamente.

Para cada valor de X hay muchos valores de Y, los mismos que forman una distribución

normal con media cero y las varianzas de todas las distribuciones normales son iguales.

A esta varianza común se la conoce como varianza homocedástica.

2 = ui2 / n-2

Nota: Es n-2 porque estamos estimando dos parámetros.


12/30

58. ¿Qué es el error estándar del valor estimado y cómo se lo calcula?

Es la desviación estándar de los valores Y alrededor de la línea de regresión estimada, la

cual se utiliza frecuentemente como una medida resumen de la “bondad de ajuste” de

dicha línea.

Para su cálculo simplemente se saca la raíz cuadrada de la varianza homocedástica.

59. ¿Para qué se utiliza la varianza homocedástica?

La varianza homocedastica se utiliza para calcular los errores estándar de los betas

estimados.

60. ¿Qué nos indican los errores estándar de los betas estimados y para qué sirven?

Nos indican la variabilidad de cada uno de los betas estimados. Sirven para calcular el

valor t y, para realizar las pruebas de hipótesis que nos ayudaran a determinar si los

betas estimados son significativos o no.

61. ¿Cómo se calcula el valor t de cada beta estimado?

t = b*iee b*i

62. ¿Qué significa que en una prueba de hipótesis encontremos que algún beta

estimado es igual a 0?


13/30

Quiere decir que el beta estimado no es significativo y, por lo tanto, que la variable que

acompaña a aquel beta no es explicativa dentro del modelo.

63. Si en una prueba de hipótesis, para determinar si el beta estimado es

significativo o no, encontramos que el valor t cayó dentro de la región de rechazo…

a) el beta estimado no es significativo

b) el beta estimado es significativo

c) ninguna de las anteriores

64. ¿Para qué se construye un intervalo de confianza?

Para conocer entre que valores se encuentra el verdadero valor del beta estimado.

65. Si el valor 0 es parte del intervalo del beta estimado quiere decir que dicho betano es significativo.

Verdadero Falso

66. ¿Qué significa MELI?

a) Mayor Estimación Lineal

b) Mejor Estimador Lineal Insesgado

c) Menor Error Lineal

d) Ninguna de las anteriores

67. ¿Cuáles son las características de un estimador MELI?

Es lineal, es decir, función lineal de una variable aleatoria.

Es insesgado, es decir, su valor esperado E(b*2) es igual al verdadero valor

poblacional b2.

Es eficiente, es decir, un estimador insesgado con varianza mínima

68. ¿Qué es la bondad de ajuste y cómo se la determina?

La bondad de ajuste de la línea de regresión ajustada a un conjunto de datos, es decir,

nos indica que tan bien se ajusta la línea de regresión a los datos. Para su cálculo se

utiliza el coeficiente de determinación R 2.

69. ¿Cómo se interpreta el coeficiente de determinación?


14/30

El coeficiente de determinación es una medida resumen que nos dice que tan bien se

ajusta la línea regresión muestral a los datos

70. Para calcular el coeficiente de correlación podemos sacar la raíz cuadrada del

coeficiente de determinación.

Verdadero Falso

71. Represente gráficamente la variación total, la variación debido al residuo y lavariación debido a la regresión.

72. ¿Qué es un modelo de regresión simple? Ponga un ejemplo.

Un modelo de regresión simple es cuando tenemos una variable dependiente y una sola

variable independiente. Ejemplo: cantidad demandada Y depende del precioX.

Yi = b*0 + b*1Xi + u*i

73. ¿Cuáles son los inconvenientes de un modelo de regresión simple?

El modelo nos permite determinar las variaciones de una variable por la conducta de

otra. Sin embargo, en economía la variación de una variable no puede explicarse por un

solo factor sino por el comportamiento de varios factores.

74. En un modelo de regresión simple en donde el consumo familiar Y depende delingreso familiar X, tenemos la siguiente regresión:

Y*i = 24.45 + 0.51Xi


15/30

R 2 = 0.96 R = 0.98 2 = 42.16 eeb*1 = 6.41 eeb*2 = 0.04

Interpretar:

El ingreso familiar explica en un 96% al consumo familiar.

Ambas variables tienen un coeficiente de correlación 0,98. Lo cual indica una

relación casi perfectamente directa.

La varianza homocedástica es 42,16.

El error estándar del b*1 es 6,41. Y el error estándar del b*2 es 0,04.

Independientemente del ingreso el consumo es de 24,45 unidades monetarias.

Cuando el ingreso aumenta en una unidad monetaria el consumo aumenta en

0,51 unidades monetarias.

75. ¿Qué es un modelo de regresión múltiple? Ponga un ejemplo.

Un modelo de regresión múltiple es cuando tenemos una variable dependiente y varias

variables independientes. Ejemplo: La cantidad demandada de un producto Y depende

de el precio del producto P y del gasto en publicidad G.

Yi = b*1 + b*2Pi + b*3Gi + u*i

76. Un modelo de regresión múltiple puede ser fácilmente graficado como unmodelo de regresión simple.

Verdadero Falso

77. En un modelo de regresión múltiple, cuando se incluyen nuevas variablesexplicativas el coeficiente de determinación R 2 aumenta o como mínimo permaneceinalterado si las nuevas variables no contribuyesen en nada a la explicación de lavariable Y.

Verdadero Falso

78. ¿Qué se utiliza para comparar la bondad del ajuste de modelos con diferentesnúmeros de variables explicativas?

Se utiliza el coeficiente de determinación ajustado o R 2 ajustado.

79. ¿Cómo se calcula el R 2 ajustado?

R 2

ajustado = 1 – ( n- 1 ) x ( 1 – R 2

)( n – k – 1 )


16/30

80. Mientras más alto es el R 2 ajustado comparado con el R 2 ajustado del modeloanterior que tenía menos variables explicativas es mejor porque las nuevasvariables están aportando al modelo.

Verdadero Falso

81. ¿Los coeficientes de determinación son un test o solo son una medidadescriptiva?

No son un test propiamente dicho. Son medidas que ayudan a describir los modelos.

82. ¿Cuál es la diferencia entre el coeficiente de determinación y el coeficiente dedeterminación ajustado?

Cuando se incluyen nuevas variables explicativas al modelo de regresión múltiple, elcoeficiente de determinación ajustado reacciona aumentando si la nueva variable ayuda

a explicar a Y, y reacciona reduciéndose si la nueva variable no explica a Y. Mientras

que el coeficiente de determinación solo aumenta y cuando una nueva variable no

aporta al modelo este permanece inalterado.

83. ¿Qué prueba estadística nos puede ayudar a determinar si el modelo essignificativo o no en su conjunto?

Existe un estadístico basado en el análisis de varianza conocido como prueba F que nos

puede ayudar a verificar si el modelo es significativo o no en su conjunto.

84. ¿Cómo se plantearían la hipótesis nula y la hipótesis alternativa para realizarel estadístico F?

H0: b2 = b3 = … = bi = 0H1: No cumple H0

85. Si el valor F obtenido cae dentro de la zona de aceptación se verifica que elmodelo es significativo en su conjunto

Verdadero Falso

86. ¿Qué implica que todos los coeficientes de regresión del modelo son iguales acero?

Implica que, en conjunto, las variables no son explicativas de la variación de la variable

dependiente, y por lo tanto, el modelo no es significativo.


17/30

87. ¿Están relacionados la prueba F con el coeficiente de determinación R 2?

Existe una relación estrecha entre el coeficiente de determinación R 2 y la prueba F

utilizada en el análisis de varianza. Demostrado en la siguiente ecuación:

F = R 2 / (K – 1)(1 – R 2) / (n – K)

Así la prueba F nos mide la significancia global de la regresión estimada, es también

una prueba de significancia de R 2 en otras palabras, la prueba de la hipótesis nula ( Ho:

β2 = β3n = … = βk = 0) es equivalente a probar la hipótesis nula de que el R2

poblacional es cero.

88. ¿Cuál es la fórmula que indica una relación entre F y R 2?

F = R 2 / ( K – 1 )( 1 – R 2 ) / ( n – K )

89. ¿Qué indica la fórmula que relaciona F y R 2?

La formula muestra la forma como F y R2 están relacionados , estos dos varían en

relación directa . cuando R2 = 0, F es cero ipso facto. Cuanto mayor sea el R2, mayor

será el valor de F. en el limite, cuando R2 = 1, F es infinito.

90. ¿Qué supone aceptar un modelo con la prueba F y que el coeficiente dedeterminación sea bajo? ¿Qué se puede hacer en este caso?

Si aceptamos el modelo esperaríamos que R2 y por lo tanto F sean elevados siendo

todas las variables independientes conjuntamente explicativas y que el modelo en su

conjunto es significativo, pero al ser el coeficiente de determinación bajo nos indicaría

que no todas las variables están siendo explicativas, lo que se podría hacer es aumentaralguna variable que sea mas explicativa.

91. ¿Qué se utiliza cuando las variables independientes vienen dadas en unidadesdiferentes?

Se utilizan los coeficientes betas

92. ¿En qué consisten los coeficientes betas?


18/30

Son estimadores óptimos lineales insesgados. Consiste en transformar todos los valores

de las variables a valores de desviación estándar (unidades z) tipificados.

93. Si obtengo los coeficientes de regresión con los valores tipificados en unidades

de desviación estándar obtengo los coeficientes betas.

Verdadero Falso

94. ¿Cómo miden las variaciones en Y los betas normales y los coeficientes betas?

Los betas normales miden el cambio en Y producido por el cambio unitario en cada

variable explicativa, manteniendo el resto de las variables constantes. Los coeficientes

betas expresan el cambio en Y medido en unidades de desviación estándar, cuando una

variable independiente cambia en una unidad de desviación estándar.

95. ¿Qué es la tendencia?

Cuando dos variables presentan un comportamiento tendencial conjunto. Al realizar la

regresión de uno respecto a la otra pueden, erróneamente, inducirnos a pensar que son

variable causa y variable efecto.

96. ¿Cómo se elimina el problema de la tendencia?

La eliminación de la tendencia consiste en introducir en la regresión original el tiempo

como una variable explicativa. Con lo cual su coeficiente de regresión recoge su efecto

tendencial.

97. Cada valor estimado tiene una distribución normal, y por lo tanto, cada valortiene un intervalo en donde se encuentra su verdadero valor

Verdadero Falso

98. ¿Qué significa que el intervalo donde se encuentra el verdadero valor del Yestimado sea pequeño?

Significa que el error estándar es muy pequeño , lo que indica la precisión del valor

estimado frente al verdadero valor poblacional.

99. ¿De qué depende el tamaño de un intervalo?

El tamaño de un intervalo depende del error estándar del estimador. Es decir, entre masgrande sea el error estándar, mas amplio será el intervalo de confianza o de otra forma,


19/30

entre mas grande sea el error estándar del estimador, mayor será la incertidumbre de

estimar el verdadero valor del parámetro desconocido.

100. ¿Qué indica el coeficiente de correlación parcial (r)?

El coeficiente de correlación parcial mide la correlación neta entre la variable

dependiente y una variable independiente tras excluir la influencia común (es decir,

manteniendo constantes) las demás variables independientes del modelo.

101. ¿Para qué sirve el coeficiente de correlación parcial?

El coeficiente de correlación parcial sirven para el análisis de regresión múltiple para

determinar la importancia relativa de cada variable explicativa en el modelo. La variable

independiente con el mayor coeficiente de correlación parcial respecto a la variable

dependiente es la que mas contribuye al poder explicativo del modelo y es la que

primero se introduce en un análisis de regresión múltiple por pasos.

102. ¿Qué significa decir que rYX1.X2?

Es la correlación parcial entre Y y X1, tras eliminar la influencia de X2 tanto de Y como

de X1

103. ¿Qué significa decir que rYX1.X2 = 0?

Quiere decir que Y y X1 no están relacionados una vez eliminado el efecto de X2. Se

diría que X1 no tiene efecto directo sobre Y.

104. ¿Qué produce la omisión de variables relevantes?

La omisión de variables relevantes va a producir un sesgo en los estimadores osea que

la media de la media no es igual a la media de la población, y la distribución puede sercualquiera.

105. ¿Qué produce la inclusión de variables irrelevantes?

La inclusión de variables irrelevantes va hacer que me aumente la varianza y se me haga

mas dispersa la distribución e ineficiente.

106. El error tipo uno significa…

a) Probabilidad de decir que X no es significativo cuando en realidad sí lo es.


20/30

b) Probabilidad de decir que X sí es significativo cuando en realidad no lo es.

107. En un modelo de regresión múltiple en donde las ventas V dependen delprecio P y del gasto en publicidad G, tenemos el siguiente análisis:

Variable Coeficiente Error típico Estadístico t ProbabilidadIntercepto 10291.411 457.41946 22.498848 0.000Precio -90.071817 5.4432755 -16.547356 0.000Publicidad 30.433222 4.1849328 4.1849328 0.001

R 2 = 0.95R 2 ajustado = 0.94

2 = 217.68F = 171.48

Interpretar:

La regresión sería: V* = 10291.41 – 90.07P + 30.43G

Las ventas independientemente del precio y de la publicidad son de 10291.41

unidades.

Cuando el precio aumenta en una unidad las ventas disminuyen en 90.07

unidades, manteniéndose constante la publicidad.

Cuando la publicidad aumenta en una unidad las ventas aumentan en 30.43

unidades, manteniéndose constante el precio. El precio tiene mayor peso que la publicidad sobre las ventas.

El precio y la publicidad explican en un 95% a las ventas.

El coeficiente de determinación ajustado es de 0.94, el cual no puede ser

interpretado en este momento porque no hay un anterior coeficiente de

determinación ajustado para compararlo.

Loa varianza homocedástica es de 217.68.

El valor de F es un valor bastante alto lo que indica que el modelo en suconjunto sí es significativo.

Los estadísticos t para cada coeficiente son altos y por esta razón la probabilidad

de error en cada uno es 0%. Por lo tanto, el b0, b1 y b2 son significativos.

108. Al estudiar la regresión, esta puede ser una línea recta como una curva.

Verdadero Falso

109. ¿Cómo se convierte una forma funcional tipo curva en una línea recta?


21/30

Es posible transformar algunas funciones no lineales en funciones lineales, de forma

que se pueda seguir aplicando el método de MCO, algunas de las mas formas mas

comunes de para transformar son: Doble logaritmo, semi logaritmo, reciproca, y

polinomica.

110. ¿Se puede utilizar MCO en una forma funcional tipo curva?

No se puede utilizar MCO si la regresión no es lineal.

111. ¿Cómo se interpreta una regresión con logaritmos?

Una regresión con logaritmos de interpreta en porcentajes.

112. ¿Cuántos tipos de modelos con logaritmos existen? Explique cada uno y ponga

un ejemplo.

Modelo doble Logaritmo o doble Log : Cuando se incluye logaritmos en la variable

dependiente y en las variables independientes. Una de las ventajas de la forma doble

Log es que los parámetros de la pendiente representan elasticidades.

Ejemplo: LNY = LNb0 + b1LNX + LN e u

Modelo Semi logarítmico o semi Log: Cuando se incluyen logaritmos en solo una

parte del modelo. Resulta adecuada cuando la variable dependiente crece a una tasa

aproximadamente constante a lo largo del tiempo, como en el caso de la mano de

obra o la población.

Ejemplo: LNY = b0 + b1X + u

113. Indicar una función recíproca y cómo se la convierte en lineal.

Y = b0 +( b1/X) + u

En donde Z = 1/XY = b0 + b1Z + u114. Indicar una función polinomial y cómo se la convierte en lineal.

Y = b0 + b1X + b2X2 + u

En donde W = X2

Y = b0 + b1X + b2W + u

115. En un modelo econométrico donde Q = bo Pb1 Yb2 eu siendo Q la cantidaddemandada, P el precio y Y el ingreso; se utiliza logaritmos para obtener:


22/30

LNQ = LNb0 + b1LNP + b2LNY + u

¿Qué nos indica el modelo que utiliza logaritmos?

El b1 nos indica la elasticidad-precio de la demanda o en que porcentaje varía lacantidad demandada cuando el precio aumenta en 1%.

El b2 nos indica la elasticidad-ingreso de la demanda o en qué porcentaje varía

la cantidad demandada cuando el ingreso aumenta en 1%.

116. El intercepto es de mucho interés en un modelo doble Log porque nos indicael porcentaje de Y independientemente de las variables explicativas.

Verdadero Falso

117. En la regresión LNY = 1.96 – 0.26LNP + 0.39LNY siendo Y la cantidaddemandada, P el precio y Y el ingreso; indique la elasticidad-precio y laelasticidad-ingreso. Interprete cada una.

Elasticidad-precio = -0.26 y quiere decir que cuando el precio aumenta en 1% la

cantidad demandada disminuye en 0.26%.

Elasticidad-ingreso = 0.39 y quiere decir que cuando el ingreso aumenta en 1%

la cantidad demandada aumenta en 0.39%.

118. En un modelo econométrico de Cobb-Douglas donde Q = bo Lb1 K b2 eu siendoQ la cantidad producida, L el factor trabajo y K el factor capital; se utilizalogaritmos para obtener:

LNQ = LNb0 + b1LNL + b2LNK + u

¿Qué nos indica el modelo que utiliza logaritmos?

Este modelo de doble Log nos indica las elasticidades dentro del modelo

El coeficiente estimado b1 se refiere a la elasticidad producción del factor trabajo

El coeficiente estimado b2 se refiere a la elasticidad producción del factor capital.

119. En la regresión LNQ = -23.33 + 1.43LNL + 3.05LNK siendo Q la cantidadproducida, L el factor trabajo y K el factor capital; indique la participación delfactor trabajo y del factor capital dentro de la producción. Interprete cada una.


23/30

El coeficiente estimado 1.43 se refiere a la elasticidad producción del trabajo, osea

cuando el trabajo aumenta en 1% la producción aumenta en 1.43 %

El coeficiente estimado 3.05 se refiere a la elasticidad producción del capital, cuando el

capital aumenta en 1% la producción aumenta en 3.05%.

120. ¿Se puede utilizar variables cualitativas en una regresión y cómo se puedehacerlo?

Si se pueden introducir variables explicativas cualitativas en el análisis de regresión ,

asignando el valor 1 a una clasificación por ejemplo, tiempos de guerra y 0 a la otra por

ejemplo, tiempos de paz, estas variables también se conocen como variables dummy y

se utilizan como cualquier otra variable.

121. ¿Para qué se utilizan variables ficticias?

Las variables dummy se pueden utilizar para capturar cambios (desplazamientos) en el

punto de corte con el eje de las Y (ecuación 1), cambios en la pendiente (ecuación 2) y

cambios tanto en el punto de corte como en la pendiente (ecuación 3):

Ecuación 1: Y= bo + b1X + b2D + uEcuación 2: Y= bo + b1X + b2XD + u

Ecuación 3: Y= bo + b1X + b2D + b3XD + u

Donde D es 1 para una clasificación y 0 en caso contrario, y X la variable habitual.

Las variables dummy también se pueden utilizar para capturar las diferencias entre más

de dos clasificaciones, como entre distintas estaciones del año y regiones.

122. Si la variable explicativa cualitativa D no es significativa quiere decir que lasclasificaciones que D puede tomar no influyen en el modelo.

Verdadero Falso

123. Un modelo Y = b0 + b1X + b2D + u donde D=1 afecta…

a) la pendiente

b) el intercepto

c) la pendiente y el intercepto


24/30

124. Un modelo Y = b0 + b1X + b2XD + u donde D=1 afecta…

a) la pendiente

b) el intercepto

c) la pendiente y el intercepto

125. ¿Cómo debe ser el modelo para que D=1 afecte tanto a la pendiente como alintercepto?

Y = b0 + b1X + b2D + b3XD + u

126. La característica cualitativa más importante debe tomar el valor 1 y la otra demenor importancia debe tomar el valor de 0.

Verdadero Falso127. Cuando D toma el valor de 0, el modelo es de estado…

a) importante

b) natural

c) normal

d) ninguna de las anteriores

128. Una variable dependiente en el año presente puede depender de la variableexplicativa del año presente y también de la misma variable explicativa en el añoanterior.

Verdadero Falso

129. ¿Cuáles son dos dificultades para estimar un modelo de rezago distribuido?

Los datos de una observación o período de tiempo se pierden por cada valor

rezagado de X.

Es probable que las X estén relacionadas entre si, por lo que puede resultardifícil o imposible aislar el efecto de cada X sobre Y.

130. ¿Cómo se pueden superar las dificultades de un modelo de rezagodistribuido?

Mediante dos modelos: el modelo de rezago de Koyck y el modelo de rezago de Almon.

131. ¿En qué consiste el modelo de rezago de Koyck?


25/30

El modelo de Koyck consiste en determinar , el mismo que recoge el efecto de la

variable dependiente del año pasado sobre la variable dependiente del año presente.

132. Una vez determinado en el modelo de Koyck es posible determinar también

“a” que es el nuevo intercepto.

Verdadero Falso

133. puede tomar valores entre…

a) -1 a 1

b) -1 a 0

c) 0 a 100

d) 0 a 1

134. ¿En qué consiste el modelo de rezago de Almon?

Este modelo consiste en permitir una estructura de rezagos más flexible que se puede

aproximar empíricamente mediante un polinomio de, al menos, un grado más que el

número de puntos de inflexión de la función.

135. ¿A qué se refiere la predicción?

La predicción se refiere a la estimación del valor de la variable dependiente,Yf, dado el

valor real o proyectado de la variable independiente, Xf.

136. Con motivo de predecir, se puede escoger cualquier valor de la variableindependiente sin importar cual sea.

Verdadero Falso

137. ¿Qué valores de la variable independiente se pueden escoger para predecir?Se pueden escoger todos aquellos valores que se encuentren dentro del intervalo de la

variable independiente y también valores cercanos al intervalo.

138. Explique 4 razones por las que se presentan problemas en la predicción.

1) La naturaleza aleatoria del término de error.

2) Los parámetros estimados insesgados solo son iguales a la media del autenticovalor de los parámetros.

3)

Los errores al proyectar las variables independientes.


26/30

4) La incorrecta especificación del modelo.

139. ¿Cuáles son los 3 problemas más comunes en el análisis de regresión?

Multicolinealidad.

Heterocedastidad.

Autocorrelación.

140. ¿Qué es la multicolinealidad?

La multicolinealidad hace referencia al caso en el que dos a más variables explicativas

del modelo están altamente correlacionadas entre si, lo que hace difícil o imposible

aislar sus efectos individuales sobre la variable dependiente.

141. ¿Qué produce la multicolinealidad?

Los coeficientes estimados obtenidos con MCO pueden ser estadísticamente

insignificantes ( y aún tener el signo cambiado ) aunque R 2 sea alto y el F sea

significativo.

142. ¿Qué es multicolinealidad perfecta?Dos o más variables independientes son perfectamente colineales si una o más de las

variables pueden expresarse como una combinación lineal de la otra variable.

143. Cuando hay problema de multicolinealidad las desviaciones estándar…

a) crecen

b) decrecen

c) permanecen iguales

d) ninguna de las anteriores

144. Todas las variables económicas están relacionadas unas con otras. Elproblema de la multicolinealidad aparece cuando las relaciones son muy altas, poreso solo se aspira a una relación baja.

Verdadero Falso

145. ¿Cómo se detecta la multicolinealidad?

El caso clásico de la multicolinealidad sucede cuando ninguna de las variables

explicatorias en la regresión de MCO es estadísticamente significativa ( y algunas pueden tener el signo contrario ), aunque R2 puede ser alto ( por ejemplo, entre 0.7 y


27/30

1.0 ). En los casos menos definidos, la detección de multicolienealidad puede ser más

difícil. Los elevados coeficientes de correlación simples, o parciales, entre las variables

explicatorios, se usan a veces como una medida de multicolinealidad suficiente aun si

los coeficientes de correlación simples o parciales son relativamente bajos, es decir

menores a 0.5.

146. ¿Cómo se puede solucionar la multicolinealidad?

Ampliando el tamaño de la muestra de datos.

Utilizando información a priori ( es decir, es posible que conozcamos, de un

estudio anterior ).

Transformar la relación funcional

Omitiendo una de las variables altamente colineales, sin embargo, esto puede

llevar a sesgo de especificación o error si la teoría nos dice que la variable

omitida debe ser incluida en el modelo.

147. ¿Qué es la heterocedasticidad?

La heterocedasticidad se refiere al caso en el cual la varianza del termino error no es

constante para todos los valores de la variable independiente

148. ¿Qué produce la heterocedasticidad?

La heterocedasticidad produce estimaciones sesgadas e ineficientes, es decir, con

varianza mayor que la mínima, de los errores estándar y así pruebas estadísticas

incorrectas e intervalos de confianza también incorrectos.

149. El hecho de que cuando hay pocos empleados los salarios no varían mucho,mientras que cuando hay muchos empleados los salarios tienen grandesvariaciones; es un probable caso de heterocedasticidad.

Verdadero Falso

150. ¿Cómo se detecta la heterocedasticidad?

La presencia de heterocedasticidad se puede detectar mediante la prueba de Goldfield-

Quandt y es más apropiada para muestras grandes.


28/30

151. ¿En qué consiste la prueba de Goldfield-Quand?

Ordenar los datos según valores crecientes de la variable independiente X,

empleando aquella que se cree está generando heterocedasticidad.

Dividir los datos en dos partes según la regla del 1/5.Realizar dos regresiones, una para la primera parte de los datos, y otra para la

segunda parte de los datos.

Obtener la suma de errores al cuadrado de cada regresión.

Probar si la relación de suma de errores al cuadrado de la segunda a la primera

es significativamente diferente de 0 usando la tabla F. La distribución F se usa

para esta prueba con (n-d-2k)/2 grados de libertad, tanto para el denominador

como para el numerador, donde n es el numero total de observaciones, d elnumero de observaciones omitidas, y k es el numero de parámetros estimados.

152. Cuando el valor F encontrado mediante la prueba Goldfield-Quand caedentro de la región de aceptación…

a) comprobamos que hay homocedasticidad

b) comprobamos que hay heterocedasticidad

153. ¿Cómo se soluciona la heterocedasticidad?

Se puede superar la heterocedasticidad dividiendo cada término de la regresión por Xi y

luego reestimando la regresión usando las variables transformadas.

154. ¿Qué interesa determinar cuando corregimos la heterocedasticidad?

Lo que interesa determinar es el nuevo coeficiente beta de la variable independiente,

puesto que el original es falso por el problema de heterocedasticidad.

155. El nuevo coeficiente beta de la variable independiente que interesa determinarcuando se corrige la heterocedasticidad aparece como el intercepto en la regresióncon las variables transformadas.

Verdadero Falso

156. ¿El intercepto de la nueva ecuación corregida de la heterocedastidad es eloriginal de la primera regresión o aquel que aparece en la segunda regresión conlas variables transformadas?


29/30

El intercepto final es aquel que se obtiene de la primera regresión con las variables

normales.

157. ¿Qué es la autocorrelación?

Cuando el termino de error en un periodo esta correlacionado positivamente con el

termino de error en el periodo anterior, enfrentamos el problema de autocorrelacion.

158. ¿En qué tipo de análisis es común la autocorrelación?

En los análisis de series de tiempo.

159. ¿Qué produce la autocorrelación?

La autocorrelación produce errores estándar sesgados hacia abajo y así a pruebas

estadísticas en intervalos de confianza incorrectos.

160. ¿Cómo se detecta la autocorrelación?

La presencia de autocorrelacion se pude probar calculando el estadístico de Durbin-

Watson.

161. ¿En qué consiste Durbin-Watson?

Se obtiene el estadístico “d” en la regresión normal.

Se lo compara en la tabla de Durbin-Watson en donde se tiene un dL y un dU

con n observaciones y k variables explicativas.

Si el estadístico “d” es menor que el valor de dL se acepta la hipótesis de

autocorrelación de primer orden positivo.

162. Cuando el estadístico “d” se encuentra entre el dL y el dU se acepta lahipótesis de autocorrelación.

Verdadero Falso

¿Por qué?

Porque la zona entre dL y dU es una zona de incertidumbre en donde no se sabe si hay o

no autocorrelación.

163. ¿Cómo se corrige la autocorrelación?


30/30

La solución está en involucrar la variable dependiente con la misma variable

dependiente rezagada un periodo, y también con la variable independiente y con la

misma variable independiente rezagada un periodo. Esto se realiza para obtener que es

el efecto de la variable dependiente rezagada un periodo sobre la variable dependiente

presente. Una vez obtenido se transforman las variables y se obtiene el nuevo

coeficiente de la variable independiente porque el de la regresión original era falso por

el problema de autocorrelación.

164. ¿Qué son los errores en las variables?

Se refiere al caso cuando las variables en el modelo de regresión incluyen errores de

medición.

165. Los errores de medición en la variable dependiente se incorporan en eltérmino de error y no crean ningún problema especial.

Verdadero Falso

166. ¿Qué sucede cuando las variables explicativas están medidas con error?

Conducen a estimaciones de parámetros sesgados e inconsistentes.

167. ¿Cómo se pueden corregir los errores en las variables?

Una solución es remplazar la variable explicativa sujeta a errores de medición con otra

variable que sea altamente correlacionada con la variable original, pero que sea

independiente del término de error. Esto no siempre es fácil de realizar.

Otra solución cuando únicamente X está sujeta a errores es relacionar X con Y. A este

método se lo conoce como mínimos cuadrados inversos.

Documents

Cuestionario de Econometria Terminado