Facultad de Economía y Empresa

UNIVERSIDAD (3643) Modelos Econométricos

GRADO EN MARKETING
DE MURCIA
DEPARTAMENTO DE MÉTODOS CUANTITATIVOS
PARA LA ECONOMÍA Y LA EMPRESA

Datos a rellenar por el alumno:

APELLIDOS_____________________________________________ NOMBRE ______________________

DNI __________________________________ GRUPO _________________________________________

Examen test
1. Los cambios de escala en las variables de un modelo econométrico:

a) Afectan a los coeficientes estimados, pero nunca al R 2 .

b) Afectan a los coeficientes estimados y al R 2 .
c) Afectan al R 2 pero no a los coeficientes estimados.

2. Dado el modelo econométrico y = β0 + β1 x1 + β2 x2 + β3 x3 + ε , si x1 = x2 + x 3 entonces:

a) Hay multicolinealidad exacta, lo que impide obtener el estimador MCO.

b) Hay multicolinealidad fuerte lo que afecta a la varianza (precisión) de los estimadores.
c) Hay multicolinealidad exacta lo que afecta a la varianza (precisión) de los estimadores.

3. Dados los modelos: [M1] yi = β0 + β1 xi + β 2 zi + ε i , y [M2] yi = β0 + β1 xi + ε i′ . [M1] es el

modelo verdadero que cumple los supuestos de Gauss Markov, pero por error estimamos [M2]

a) El estimador MCO de β1 en [M2] es siempre insesgado.

b) El estimador MCO de β1 en [M2] es siempre sesgado.
c) Si la covarianza muestral entre x y z es distinta de 0, el estimador MCO de β1 en [M2] es
sesgado.  
 
4.   Dado el modelo yi = β0 + β1 x1i + β2 x2i + ε i , donde se cumplen los cinco supuestos de Gauss-
Markov, la varianza del estimador MCO de β2 , V(βˆ2 ) :

a) Será mayor cuanto mayor sea la varianza muestral de x2 .

b) Será menor cuanto mayor sea la varianza muestral de x2 .
c) Será menor cuanto mayor sea la correlación entre x1 y x2 .
5. Considere el modelo de regresión yi = β0 + β1 xi + ε i , que cumple los cinco supuestos de Gauss-
Markov. Señale cuál es la afirmación incorrecta:

a) La recta de regresión MCO pasa por el punto de medias ( y , x ) .

b) ∑ ei2 = 0 , donde ei son los residuos de la regresión MCO.
σ2
c) V ( βˆ1 ) = , donde β̂1 es el estimador MCO de β1 y σ 2 = V (ε i ) .
∑ (x − x )
i
2

6. En el modelo: yi = β0 + β1x1i +…+ β k xki + ε i , el estimador MCO de la varianza del término de error
( s 2 ) es:

a) ∑e 2
i

N −K
b) ∑ ei2
N
c) ∑e 2
i

STC

7. En el modelo de regresión yi = β1x1i +…+ β k xki + ε i se cumple que:

a) ∑e = 0
i

b) yˆi = yi
c) ∑x e = 01i i

Nota: ei son los residuos de la regresión MCO, e yˆi es la serie estimada por MCO.

8. En el modelo de regresión lineal con término constante:

a) El R-cuadrado ajustado está entre 0 y 1.

b) El R-cuadrado está entre 0 y 1.
c) El R-cuadrado puede ser negativo.

9. Los 3 primeros supuestos de Gauss-Markov (linealidad, media condicionada nula y no

multicolinealidad exacta) garantizan:

a) Que el estimador MCO es insesgado.

b) Que el estimador MCO es el de mínima varianza entre todos los estimadores lineales e
insesgados.
c) Que el estimador MCO minimiza la suma de los residuos al cuadrado.
La estimación MCO de una ecuación de salarios ha dado el siguiente resultado:
ˆ i ) = 2.01 + 0.07educi + 0.035expi − 0.002 exp i2 , donde sal es salario, educ es educación y exp es
log( sal
experiencia.

10. Señale la afirmación correcta:

a) La variable experiencia tiene un efecto marginal decreciente sobre el logaritmo del salario.
b) La variable experiencia tiene un efecto marginal constante sobre el logaritmo del salario.
c) La variable experiencia tiene un efecto marginal creciente sobre el logaritmo del salario.

11. Señale la afirmación correcta:

a) En promedio, un año más de educación provoca un incremento salarial de 0.07 unidades

monetarias.
b) En promedio, un año más de educación provoca un incremento salarial del 7%.
c) En promedio, un incremento de un 1% en educación provoca un incremento salarial del
0.07%.

El siguiente modelo (M1) relaciona el salario de los directores generales de una empresa con los
resultados obtenidos por ésta, en términos de ventas y rentabilidad:

M1: log( salary ) i = β 0 + β1 log( sales) i + β 2 roei + ε i

donde salary es el salario anual en miles de dólares, roe es el rendimiento medio de las acciones de
la empresa durante los tres años anteriores (medido en porcentaje), y sales son las ventas anuales de
la compañía, medidas en millones de dólares. Con los datos correspondientes a una muestra de 209
empresas se ha estimado el modelo por MCO.

Los resultados obtenidos con el programa Eviews se muestran a continuación:

Dependent Variable: LOG(SALARY)

Method: Least Squares
Sample: 1 209
Included observations: 209
Variable Coefficient Std. Error t-Statistic Prob.
C 4.362168 0.293878 14.84348 0.0000
LOG(SALES) 0.275087 0.033254 8.272323 0.0000
ROE 0.017872 0.003955 4.518784 0.0000
R-squared 0.281989 Mean dependent var 6.950386
Adjusted R-squared 0.275018 S.D. dependent var 0.566374
S.E. of regression 0.482244 Akaike info criterion 1.393518
Sum squared resid 47.90727 Schwarz criterion 1.441494
Log likelihood -142.6226 F-statistic 40.45179
Durbin-Watson stat 2.032574 Prob(F-statistic) 0.000000
12. Según la estimación del modelo M1:

a) Un incremento de un 1% en las ventas de la compañía provoca un aumento salarial de un

0.275%, aproximadamente.
b) Un incremento de un 1% en las ventas de la compañía provoca un aumento salarial de un
27.5%, aproximadamente.
c) Un incremento de un 1% en las ventas de la compañía provoca un aumento salarial de 0.275
miles de $.

13. La varianza estimada del término de error del modelo M1 es:

a) 0.482244 2

b) 0.5663742

c) 47.90727

14. Si se estima el modelo M2: salary i = β 0 + β1 salesi + β 2 roei + ε i , el R-cuadrado y el R-cuadrado

ajustado son: R 2 = 0.0292 Ra2 = 0.0197 . Señale la afirmación correcta:

a) En términos de bondad del ajuste, el mejor modelo es M1 porque su “R2-ajustado” es mayor.

b) No podemos comparar la bondad del ajuste de los modelos M1 y M2, porque ni el “R2” ni el
“R2 -ajustado” permiten comparar modelos donde la variable dependiente no es la misma.
c) Podemos utilizar el “R2” para comparar los modelos M1 y M2 porque ambos tienen el mismo
número de variables explicativas.

15. En el modelo M1:

a) Un 28.19% de la varianza muestral de la variable dependiente corresponde a la varianza de los
residuos de la regresión.
b) Un 27.50% de la varianza muestral de la variable dependiente viene explicada por la función
de regresión muestral.
c) Un 28.19% de la varianza muestral de la variable dependiente viene explicada por la función
de regresión muestral.

SOLUCIONES

1. a 6. a 11. b
2. a 7. c 12. a
3. c 8. b 13. a
4. b 9. a 14. b
5. b 10. a 15. c