Está en la página 1de 3

Examen Parcial de Macroeconometra

f)

Profesor: Juan Manuel Rivas Castillo


Asistente: Anthonny Romero
1)

La consecuencia de
heterocedasticos es:
(a)
(b)
(c)
(d)
(e)

2)

tener

g)

errores
h)

Estimadores sesgados
Estimadores insesgados
Estimadores eficientes
Estimadores ineficientes
Estimadores inconsistentes

El supuesto de estimacin de un Modelo


de Regresin Lineal que posibilita que
E(e)=0, es

i)
j)
6)

Respecto al componente tendencial de una


serie se puede afirmar que:
k) Si es lineal la serie se incrementa en
una tasa porcentual constante
l) Si es exponencial, la serie se
incrementa en una cantidad constante
m) Si es lineal la serie de incrementa con
una tasa cada vez menor
n) Si es exponencial la serie de
incrementa a una tasa cada vez mayor
o) NA

7)

Sean los siguientes datos, N = 45, K =3 y


D= 0.48, se puede afirmar que existe
autocorrelacin de primer orden pues:

(f) Linealidad en los parmetros


(g) Linealidad en las variables
(h) Ortogonalidad entre el componente
determinstico y estocstico
(i) No multicolineaidad
(j) Homocedasticidad

3)

Para que un proceso sea estacionario en el


sentido dbil se debe de cumplir:
(k) Que todos los momentos muestrales
no dependan del tiempo
(l) Es suficiente que el primer momento
muestral no dependa del tiempo
(m) Es suficiente que el primer y segundo
momento muestral no dependan del
tiempo
(n) Es suficiente que el primero, el
segundo y el tercer momento
muestral no dependan del tiempo
(o) N.A.

4)

Respecto a los procesos Random walk with


drift se puede afirmar:
a)
b)
c)
d)
e)

5)

Se pueden volver estacionarios si


tomamos el primer rezago de todas
las variables consideradas
Se pueden volver estacionarios si
tomamos el primer rezago de la
variable dependiente
Se pueden volver estacionarios si
tomamos el primer rezago de las
variables explicativas
Se pueden volver estacionarios si
tomamos primeras diferencias.
N.A.

Solo la media depende del tiempo


Solo la varianza dependen del tiempo
Solo la covarianza depende del tiempo
La media y la varianza dependen del
tiempo
N.A.

Los procesos en los cuales la media va


cambiando en el tiempo se puede afirmar

a.
b.
c.
d.
e.

8)

La

El DL es 1.24
El DL es 1.26
El DL es 0.24
El DL es 0.26
N.A

diferencia

entre

un

proceso

no

estacionario en tendencia (PNT) y un


Random walk with drift (RWWD) es:

a.

b.

c.

En un PNT la media y la varianza


dependen del tiempo, mientras que
en un RWWD solo la media
depende del tiempo
En un PNT la media, la varianza y
la covarianza dependen del tiempo,
mientras que en un RWWD solo la
media depende del tiempo
En un PNT la media y la varianza
dependen del tiempo, mientras que
en un RWWD solo la varianza
depende del tiempo

d.

e.

9)

En un PNT la media depende del


tiempo, mientras que en un RWWD
la media y la varianza dependen
del tiempo
No existen diferencias en ambos
procesos.

e.

NA

11) Sea la siguiente estimacin realizada


mediante MCO

Sea
el
siguiente
grfico
de
la
autocorrelacin parcial de los residuos de
un modelo
Series e

0.8

EL F calculado toma un valor de:

0.4
0.2

100
110.15
111.15
112.15
113.15

0.0

Partial ACF

0.6

f.
g.
h.
i.
j.

-0.2

12)

10

En el test de BreuschGodfrey, la Chi2


se distribuye con los siguiente grados de
libertad

15

Lag

Estos se pueden modelar como:


a.
MA(1)
b.
MA(2)
c.
AR(1)
d.
AR(2)
e.
ARMA(1,1)

10) Sea la siguiente estimacin

a.

El
nmero
de
parmetros
estimados menos uno
b.
El nmero de observaciones menos
el nmero de parmetros
c.
El nmero de observaciones
d.
El nmero de parmetros
e.
N.A.
13) El Durbin-Watson calculado se calcula
mediante la siguiente formula:
T

(e
f.

t 2

et 1 ) 2

t
T

e
t 1

(e e
g.

t 2

t 1

e
t 1

De un modelo de retardos distribuidos finitos


de Fisher para 7 periodos, el efecto del ltimo
periodo sera:

(e
h.

t 2

0.0255
0.051
0,0765
0,102

2
t

et 1 )

e
t 1

a.
b.
c.
d.

)2

2
t

(e
i.

t 2

e
t 1

j.

et 1 )
t

N.A.

14) En la H de Durbin es posible aproximar el


valor de mediante la siguiente expresin:
a.
b.
c.
d.
e.

=1-d
=1+d
= 1 - 0.5 d
= 1 + 0.5 d
NA

15) Sea la siguiente estimacin mediante MCO


============================================================
Dependent Variable: LGFOOD
Method: Least Squares
Sample (adjusted): 1960 2003
Included observations: 44 after adjustments
============================================================
Variable
Coefficient Std. Error t-Statistic Prob.
============================================================
C
0.985780
0.336094
2.933054
0.0055
LGDPI
0.126657
0.056496
2.241872
0.0306
LGPRFOOD
-0.088073
0.051897 -1.697061
0.0975
LGFOOD(-1)
0.732923
0.110178
6.652153
0.0000
============================================================
R-squared
0.995879
Mean dependent var 6.030691
Adjusted R-squared
0.995570
S.D. dependent var 0.216227
S.E. of regression
0.014392
Akaike info criter-5.557847
Sum squared resid
0.008285
Schwarz criterion -5.395648
Log likelihood
126.2726
Hannan-Quinn crite-5.497696
F-statistic
3222.264
Durbin-Watson stat 1.112437
Prob(F-statistic)
0.000000
============================================================

Donde LGFOOD(-1) es el rezago de la


variable dependiente, el clculo de la H de
durbin resulta igual a:
f.
g.
h.
i.
j.

.33
2.33
3.33
4.33
5.33

16) El resultado de la siguiente operacin


(
) es:

17) Sean los siguientes datos trimestrales de


las ventas de bolsas de cemento (2 puntos)

Ao
1990q1
1990q2
1990q3

Ventas
6,00
10,00
2,00

1990q4
1991q1
1991q2
1991q3
1991q4
1992q1
1992q2
1992q3
1992q4

8,00
1,00
6,00
4,00
5,00
10,00
8,00
7,00
5,00

Se pide, considerando L =1 y F =1 calcular


la media mvil de la serie (componente
tendencial)

Ao
1990q1
1990q2
1990q3
1990q4
1991q1
1991q2
1991q3
1991q4
1992q1
1992q2
1992q3
1992q4
18) Con los resultados anteriores calcule el
componente estacional asumiendo una
relacin de tipo multiplicativa (2 puntos)

Ao
1990q1
1990q2
1990q3
1990q4
1991q1
1991q2
1991q3
1991q4
1992q1
1992q2
1992q3
1992q4