TALLER 1 ECONOMETRÍA

JUAN GAMBOA Cód. 2018998

1. Un modelo económico es:
a) Una representación simplificada de la realidad económica mediante la expresión
matemática de una determinada teoría económica.
b) Un modelo que contiene todos los elementos necesarios para ser estudiado desde un
punto de vista empírico.
c) Es un modelo que desfila por poco dinero.
d) Lo mismo que un modelo econométrico.
JUSTIFICACION: Tal como se establece en el texto de [Barbancho, A. G. (1960), PAG. 37], un
modelo económico es la expresión matemática de una determinada teoría.

2. La elaboración de un modelo econométrico se puede dividir en:

a) Tres fases: especificación, estimación y validación.
b) Cuatro fases: especificación, estimación, validación y explotación.
c) Tres fases: estimación, validación y explotación.
d) Las opciones a) y b) son equivalentes.
JUSTIFICACION: Según los datos compartidos por la docente, encontramos que dentro de la fase
de construcción de un modelo se plantean tres fases que son: especificación estimación de los
parámetros y contrastes diagnósticos o validación.

3. La fase de estimación de un modelo econométrico consiste en:

a) La explotación del modelo para realizar predicción.
b) Proponer la forma matemática de la relación que liga las distintas variables presentes
en el modelo.
c) La obtención de valores numéricos de las cantidades constantes del modelo
econométrico.
d) Decidir el número de variables y ecuaciones que forman el modelo.
JUSTIFICACIÓN: Según los datos compartidos por la docente, la etapa de estimación de un modelo
consiste en determinar la magnitud estimada de los parámetros desconocidos del modelo, lo que se
puede traducir a la obtención de valores numéricos del modelo econométrico.

4. Las variables:
a) Son unas de las principales componentes de un modelo econométrico.
b) Son las cantidades constantes del modelo econométrico.
c) Se dividen entre observables y no observables. Y dentro de las primeras se tienen a las
variables endógenas y exógenas.
d) Las opciones a) y c) son correctas.
JUSTIFICACIÓN: Inicialmente para poder plantear la estimación de un modelo econométrico es
necesario poder disponer de la información estadística necesaria, que es este caso corresponde a
las variables que se emplearán en la construcción del mismo.
 5. El modelo lineal uniecuacional múltiple:
a) Analiza la relación lineal entre una variable dependiente y más de una variable
independiente.
b) Analiza la relación no lineal entre una variable dependiente y más de una variable
independiente.
c) Analiza la relación lineal entre una variable exógena y más de una variable endógena.
d) Las opciones a) y c)
JUSTIFICACIÓN: Según el concepto de modelo lineal uniecuacional múltiple encontramos que se
analiza la relación lineal entre una variable dependiente Y, y más de una variable independiente X i,
i = 1, ….k, k.. >1

6. Algunas de las hipótesis básicas del modelo son:

a) Que la suma de cuadrados de los residuos ha de ser mínima.
b) Que la perturbación aleatoria tiende a cero, varianza constante y es incorrelada.
c) Que no hay relación entre la variable endógena y la perturbación aleatoria.
d) Que la matriz formada por las variables independientes o exógenas, X, es no
observable.
JUSTIFICACIÓN: Dentro de las hipótesis estadísticas del modelo encontramos la perturbación
aleatoria, la cual es una variable no observable que cuenta con ciertas propiedades donde su
esperanza matemática es cero y además estas perturbaciones aleatorias tienen la misma varianza,
es decir la varianza de las perturbaciones aleatorias del modelo es constante y por tanto
independiente del tiempo o de las variables predeterminadas, lo que la hace a su vez incorrelada.

7. El teorema de Gauss-Markov afirma:

a) Que los estimadores obtenidos por MCO son lineales, insesgados y óptimos (es decir,
tienen varianza mínima entre la clase de estimadores lineales e insesgados).
b) Que los estimadores obtenidos por MCO son lineales, sesgados y óptimos (es decir,
tienen varianza mínima entre la clase de estimadores lineales e insesgados).
c) Que los estimadores obtenidos por MCO son no lineales, insesgados y óptimos (es
decir, tienen varianza mínima entre la clase de estimadores lineales e insesgados).
d) Que los estimadores obtenidos por MCO son lineales, insesgados y óptimos (es decir,
tienen menor varianza que cualquier otro estimador).

JUSTIFICACIÓN: Según la teoría, se debe cumplir un estimador de Mínimos Cuadrados Ordinarios

para que se considere ELIO (Estimador lineal insesgado óptimo), donde debe cumplir con ciertos
criterios como: *Debe ser lineal, es decir, función lineal de una variable aleatoria, como la variable
dependiente Y en el modelo de regresión. * Debe ser insesgado es decir, su valor promedio o
esperado (^B2) es igual al valor verdadero B 2. * Debe tener una varianza mínima dentro de la clase
de todos lo estimadores lineales.
 8. El estimador por MCO de los coeficientes de los regresores es:

9. Los datos de corte transversal:

a) Son un conjunto de datos formado por unidades observadas en un momento
determinado.
b) Son un conjunto de datos formado por observaciones de una misma variable a lo largo
del tiempo.
c) Son un conjunto de datos que combinan una dimensión temporal con otra transversal.
d) Ninguna de las opciones anteriores es cierta.
JUSTIFICACIÓN: Dado el concepto de corte trasversal, tendremos que es básicamente un estudio
que analiza datos de variables recopiladas en un momento específico y por lo general estas
investigaciones se utilizan para determinar lo que sucede en tiempo real, en un momento
determinado.

10. Dado V t =β 1+ β 2∗Gt+¿ u ¿, donde V es el número de ventas de un determinado

t

producto y G es el gasto en publicidad realizado sobre dicho producto, se tiene:

a) Un modelo económico.
b) Un modelo econométrico.
c) La fase de validación de un modelo econométrico.
d) Las opciones a) y b) son ciertas.
JUSTIFICACIÓN: Es un modelo econométrico dado a que en este caso establece una relación entre
dos variables endógenas y exógenas respectivamente que son: venta de un determinado producto
(V) y el gasto (G)
11. El precio diario del carburante a lo largo de un año es:
a) Un conjunto de datos de corte transversal.
b) Un conjunto de datos longitudinal.
c) Un conjunto de datos de series temporales.
d) Un conjunto de datos de panel.
JUSTIFICACIÓN: En este caso se estaría observando el precio del carburante en un orden
cronológico ya que menciona “a lo largo de un año”, de manera que podemos asociarlo a un
conjunto de datos de series temporales.
 12. El coeficiente de determinación:
a) Varía entre 0 y 1 (siempre que el modelo tenga término independiente).
b) Aumenta al incluir nuevas variables en el modelo.
c) Las opciones a) y b) son correctas.
d) Indica un buen ajuste lineal cuando se aproxima al cero.
JUSTIFICACIÓN: Según la teoría, el coeficiente de determinación de un modelo penaliza la inclusión
de variables; en este sentido, aunque las variables que incluyamos no sean relevantes aumentará el
coeficiente de determinación.

13. Dado el modelo estimado C ^ t=0,0149+ 0,4862 Rt sobre el consumo (en miles de
euros) familiar:
a) El término de la pendiente significa que el consumo familiar disminuye en 486,2 euros
cuando la renta familiar aumenta en 1000 euros.
b) El término de la pendiente significa que el consumo familiar aumenta en 1000 euros
cuando la renta familiar aumenta en 486,2 euros.
c) El término de la pendiente significa que el consumo familiar aumenta en 486,2 euros
cuando la renta familiar disminuye en 1000 euros.
d) El término independiente se interpreta como el consumo familiar cuando la renta es
cero (en este caso, sería de 14,9 euros).

14. Elige la expresión incorrecta:

15. El coeficiente de determinación:

a) Indica un buen ajuste lineal cuando se aproxima al cero.
b) Indica un mal ajuste lineal cuando más próximo a cero esté y un buen ajuste cuanto
más próximo al uno.
c) Indica un mal ajuste lineal cuando se aproxima al uno.
d) Es lo mismo que el coeficiente de determinación corregido.
JUSTIFICACIÓN: El coeficiente de determinación oscila entre 0 y 1. Cuanto más cerca de 1 se sitúe
su valor, mayor será el ajuste del modelo. De forma inversa, cuanto más cerca de cero este, menos
ajustado estará el modelo y, por tanto, menos fiable será.

16. Los criterios de selección del modelo:

a) Son usados para elegir un modelo cuando se comparan varios entre sí.
b) Se obtienen a partir de la suma de los cuadrados de los residuos y un factor que
favorece la inclusión de parámetros en el modelo.
c) Se usan de la siguiente forma: se elige aquel modelo con un mayor valor en los criterios
usados.
d) Ninguna de las anteriores es correcta.

17. Dado el modelo estimado ^ AV t=16,25+ 21,875C t +17,45 Pt donde AV es el número de

artículos vendidos de cierto producto, C es el número de comerciales que se disponen
en cada zona y P es una variable que toma el valor 1 si se ha realizado campaña
publicitaria en una zona concreta y 0 en lo contrario:

a) El número de artículos vendidos aumenta 17,45 unidades en aquellas zonas donde se

ha realizado campaña publicitaria con respecto a las zonas en las que no se hizo
(independientemente del número de comerciales).
b) El número de artículos vendidos aumenta 17,45 unidades en aquellas zonas donde se
ha realizado campaña publicitaria con respecto a las zonas en las que no se hizo (siempre y
cuando haya el mismo número de comerciales).
c) En una zona donde se dispone de un comercial y no se ha realizado campaña
publicitaria se estima que se venderán 16,25 artículos
d) Ninguna de las opciones anteriores es cierta

18. Indica la expresión incorrecta.

19. El análisis de la varianza:

20. El contraste de permanencia estructural:

a) Es usado para contrastar si la relación estimada se mantiene para la información no
presente en la muestra observada.
b) Consiste en realizar predicción puntual en el modelo econométrico.
c) Es usado para contrastar si una variable independiente influye en la dependiente.
d) Las opciones a) y b) son correctas.
JUSTIFICACIÓN: Ya que si no se tiene en cuenta el cambio estructural que ponen de manifiesto las
observaciones, el ajuste no es bueno y los estimadores que se obtienen de B son aproximadamente
una media ponderada de los estimadores que se obtendrían considerando el cambio de la existencia
estructural.

21. Para el modelo estimado

^Pt =2,17 PGt +1,52 PE t + 0,028 PP t + 0,015GF t−0,062GC t Donde P son los puntos obtenidos
por cada equipo en la primera división de futbol en la temporada 2011/2012, PG son los
partidos ganados, PE son los partidos empatados, PP son los partidos perdidos, GF
son los goles a favor y GC son los goles en contra:
a) El coeficiente de la variable PP indica que a mayor número de partidos perdidos mayor
número de goles encajados (siempre y cuando el resto de variables se mantenga constante).
b) El coeficiente de la variable GC implica que conforme aumentan los puntos obtenidos
aumentan los goles en contra.
c) El coeficiente de la variable PE significa que dos equipos con igual número de partidos
ganados y perdidos y con el mismo número de goles a favor y en contra, aumentarán 1,52
puntos por cada partido empatado.
d) El coeficiente de la variable GF implica que a mayor número de goles marcados menor
número de puntos obtenidos.

22. Para el modelo estimado ^ Et =4,57 S t donde E es el esfuerzo del trabajador y S es el

sueldo mensual del mismo se ha obtenido R2=−0,12:
a) Entonces debe haber algún error ya que el R2 no puede ser negativo.
b) La estimación realizada es muy buena ya que el R2 está próximo al 1.
c) El valor del R2 significa que hay que incluir más variables en el modelo como, por
ejemplo, la talla de pantalón de los trabajadores.
d) Debido a que en el modelo no hay término independiente es posible obtener un R2
negativo.
JUSTIFICACIÓN: Inicialmente descartamos la A debido a que aunque el coeficiente de
2
determinación oscila entre 0 y 1 puede darse el caso de que R sea negativo cuando no se tiene el
termino independiente o en el modelo el que llamamos B 0. Descartamos la opción B porque
obviamente no se está aproximando a 1, o sea cuando está así de bajito se dice que no se ajusta
mucho a los verdaderos valores, mientras que cuando está próximo a 1 es un buen modelo. En
cuanto a la C la descartamos porque incluir esa variable no representaría ninguna relación.
Finalmente la D viene siendo la correcta ya que según el texto el R 2 puede ser negativo cuando en el
modelo no se está incluyendo el intercepto o el término independiente.

23. Indica la expresión correcta:

 JUSTIFICACIÓN: Inicialmente se puede establecer que la opción A es la correcta ya que esta
fórmula como tal nos sirve para determinar la varianza covarianza, igualmente podemos decir
que la C es errónea, debido a que la esperanza del ^B es = al Beta normal y en cuanto a la D
también la descartamos ya que por ejemplo en el libro de Gujarati no encontramos una
fórmula similar a esa, entonces la opción correcta sería la B.

24. El intervalo de confianza para el coeficiente β i es:

JUSTIFICACIÓN: Ninguna coincide con la fórmula que se encuentra en el libro de Gujarati

para poder hallar el intervalo de confianza para determinado coeficiente B i, en este caso la
formula correcta corresponde a la siguiente suponiendo que se fuera al buscar el intervalo de
confianza para el coeficiente B2:

25. Al rechazar la hipótesis nula Ho: β i=0 :

a) Se verifica que el modelo es conjuntamente significativo.
b) Se verifica que la variable asociada al coeficiente β i ha de estar en el modelo ya que
sus variaciones influyen en la variable dependiente.
c) Se rechaza también la hipótesis nula Ho: β 1=…=β k =0 .
d) Se está afirmando que cero pertenece al intervalo de confianza de β i.
JUSTIFICACIÓN: Si rechazamos la hipótesis nula cero, se traducirá a que dicha variable es
significativa y por ende va a influir en la variable endógena o dependiente , sin embargo es necesario
verificar que esta variable que se encuentra asociada al B i este dentro del modelo a estimar.

26. El predictor puntual óptimo:

a) Es lineal, insesgado y óptimo (en el sentido de mínima varianza).
 b) Responde a la expresión X t0 ^β donde X 0 contiene los valores de las variables
independientes para lo que se quiere obtener la predicción.
c) Las opciones a) y b) son correctas.
d) Es lineal, sesgado y óptimo.

JUSTIFICACIÓN: Si tenemos en cuenta el teorema de Gauss-Markov que afirma: Que los

estimadores obtenidos por MCO son lineales, insesgados y óptimos (es decir, tienen varianza
mínima entre la clase de estimadores lineales e insesgados), podremos establecer que la opción
A es correcta, además si observamos B también es corrector mencionar que la expresión X t0 ^β la
cual es la misma que solemos denotar en el modelo como Y, donde el X 0 contiene los valores de
las variables independientes para lo que se quiere obtener la predicción, entonces en este caso
la respuesta es A y B son correctas.

27. Dado el modelo estimado

Donde entre paréntesis se tienen las desviaciones típicas estimadas y S es el salario de los
trabajadores, A los años que llevan trabajando en la empresa y V las ventas mensuales que
realiza cada trabajador:
a) Se verifica que los años trabajados influyen en el salario a un 5% de significación.
b) Se verifica que las ventas influyen en el salario a un 5% de significación.
c) Al ser la variable A significativa, se tiene que por cada unidad que aumenta, el salario lo
hace en 13,29 unidades.
d) Las opciones a) y c) son correctas.
13,29
JUSTIFICACIÓN: Realizando la operación para estimar el t calculado obtendremos t= =2,36
5,63
Dirigiéndonos a la tabla en el libro de Gujarati, tendremos que la probabilidad es 0,025 o 0,05 lo que
quiere decir que se rechaza la hipótesis nula (ver gráfica) y si rechazo H0 quiere decir que es
significativa al 5%, por lo tanto se puede establecer que los años trabajados influyen en el salario a
un 5% de significancia.

Realizando el mismo proceso podremos obtener que la variable ventas no influye en el salario al no
ser significativa, por tal motivo la descartamos. En cuanto a la C, la variable A qué viene siendo la
que aumenta en una unidad y al ser significativa influye para predecir el salario, haciendo que el
salario se aumente en 13,29 unidades, lo que nos lleva a concluir que A y C son correctas. La B la
rechazamos ya que al realizar el mismo procedimiento para hallar la t calculado de ventas tendremos
1, 72 de manera que no se rechaza la hipótesis nula y por tal motivo esta variable no es significativa.
 28. Dado el modelo estimado

Donde H es el número de hipotecas concedidas por trimestre, E es el Euribor promedio de

cada trimestre y P es la tasa de paro promedio en cada trimestre:
a) Conforme aumenta la tasa de paro en un 1% disminuye el número de hipotecas
concedidas en 2225,5 (ya que la variable P es significativa al 5%).
b) No se puede afirmar que conforme aumenta el Euribor en una unidad disminuye el
número de hipotecas concedidas en 22889,8 (ya que la variable E no es significativa).
c) Se puede afirmar que conforme aumenta el Euribor aumenta la tasa de paro.
d) Se puede afirmar que conforme aumenta el Euribor en una unidad disminuye el número
de hipotecas concedidas en 22889,8 (ya que la variable E no es significativa).
JUSTIFICACIÓN: Realizando la operación para estimar el t calculado de la opción A obtendremos
2225,5
t= =2,69
825,91
Dirigiéndonos a la tabla en el libro de Gujarati, tendremos que la probabilidad con 50 grado de
libertad es 0,025 o 0,05 lo que quiere decir que se rechaza la hipótesis nula (ver gráfica) y si
rechazo H0 quiere decir que si es significativa al 5%

Entonces podríamos decir que la A es correcta, pese a que está mencionando que conforme
aumenta la tasa de paro en 1% disminuye el número de hipotecas, esto debido a que en el modelo
estimado se están dando valores absolutos, debería ser un 1 porcentual mientras que la A lo plantea
en un uno por ciento o sea si la tasa esta medida en porcentajes es un punto absoluto no un 1 por
ciento. Si observamos la opción B y aplicamos nuevamente la fórmula de t calculada, tendremos que
se rechaza la hipótesis nula, entonces en este caso E si es significativa, de manera que queda
descartada. La C también podemos descartarla de inmediato debido a su signo negativo y en el caso
de la opción D también la descartamos porque ya hemos visto que la E si es significativa.

29. Dado el modelo estimado

Donde I es la inversión anual (en millones de euros), TI es el tipo de interés (en porcentaje) y
PIB es la variación anual del PIB (en millones de euros):
a) No se puede afirmar que el tipo de interés influya negativamente en la inversión ya que
dicha variable no es significativa al 5%.
b) No se puede afirmar que la variación del PIB influya positivamente en la inversión ya
que dicha variable no es significativa al 5%.
c) Se puede afirmar que el tipo de interés influye positivamente en la inversión.
 d) Se puede afirmar que por cada millón de euros que aumenta la variación anual del PIB
la inversión disminuye en 6,125 millones.
0,875
JUSTIFICACIÓN: Realizando la operación para estimar el t calculado obtendremos t= =1,39
0,63
Dirigiéndonos a la tabla en el libro de Gujarati, tendremos que la probabilidad con 60 de libertad es
de 0,025 o 0,05, si miramos la siguiente grafica podemos observar que no se rechaza la hipótesis
nula:

Lo que quiere decir que la variable correspondiente al tipo de interés no es significativa al 5%, por lo
tanto no se puede afirmar que dicha variable influya negativamente en la inversión solamente por
ser un valor negativo, es decir la A es correcta. Ahora bien la opción B la descartamos dado que al
realizar el mismo proceso y hallar su t calculado = 10, 90, tendremos que se rechaza la hipótesis
nula lo cual significa que si es significativa y en la opción aparece no significativa. La C se descarta
dado que el coeficiente de la variable es negativo y según la estimación, se dice lo contrario.
Finalmente la D la descartamos porque está planteada al contrario de lo que nos indica el enunciado.

30. Dado el modelo estimado

Donde C es el consumo de distintos productos en España, TP es la tasa de paro de la región

donde se mide el consumo e IV A es el IA de cada producto:
a) Se puede afirmar, al 5% de significación, que la tasa de paro y el IVA influyen
conjuntamente en el consumo de los productos.
b) Se puede afirmar, al 5% de significación, que la tasa de paro no influye negativamente
en el consumo de los productos (ya que dicha variable no es significativa).
c) Se puede afirmar, al 5% de significación, que el IVA no influye negativamente en el
consumo de los productos (ya que dicha variable no es significativa).
d) Las opciones a) y c) son correctas.
JUSTIFICACION: Realizando la operación para estimar el t calculado para las variables TP e IVA
11,734 2,034
respectivamente obtendremos t= =5,38 t= =6,56
2,18 0,31
Dirigiéndonos a la tabla en el libro de Gujarati, tendremos que la probabilidad con 60 de libertad es
de 0,025 o 0,05, si miramos la siguiente grafica podemos observar que se rechaza la hipótesis nula
en ambas variables:
Por lo que podemos inferir que la opción A es correcta ya que al rechazarse la hipótesis nula
tendremos que ambas variables son significativas y por ende influirán en el consumo de los
productos. En cuanto a la opción B y C, las podemos descartar dado que ya verificamos que tanto
que tanto la tasa de paro y el IVA son significativas debido a que se rechaza la hipótesis nula.

31. Como consecuencia de la hipótesis

Se verifica que:

JUSTIFICACIÓN: Como consecuencia de que los errores tengan como parámetro el vector
nulo cero, o sea en promedio cero de los errores y varianza constante el parámetro, la más
acertada sería la B porque estamos hablando de parámetros y según el enunciado los errores
tienen parámetros y cuando hay parámetros no hay estimadores, por esta razón es la B.
Descarto la A y D porque esa fórmula no tienen nada que ver con la hipótesis

32. Indica la expresión incorrecta:

JUSTIFICACIÓN: Descartamos A y B porque tal como hemos venido trabajando, la primera si

corresponde a la Esperanza de beta estimado igual al beta y lo mismo pasa con la fórmula
para hallar la varianza de los betas estimados, es decir esas dos son correctas, en cuanto a la
última formula (D) también es correcta, porque el R es un vector de las hipótesis, o sea el
 vector de las hipótesis por ejemplo es 0-0, algunas veces no solo se iguala la hipótesis a cero
sino a 1 u otro valor, entonces ahí forman el R. Finalmente podemos concluir que la formula
Incorrecta es la C, ya que pese a ser similar a la opción B, lleva un símbolo de estimado que
abarca la varianza y el beta estimado a la vez y en la teoría no he visto una formula como esa.

33. Para contrastar una hipótesis nula sobre que combinaciones lineales de los
coeficientes del modelo se usará:
a) La distribución normal asociada a los ^β .
b) Una distribución F de Snedecor con q y n-k grados de libertad.
c) La distribución chi-cuadrada asociada a σ^2.
d) Una distribución F de Snedecor con n y n-k grados de libertad.
JUSTIFICACIÓN: Para contrastar una hipótesis se puede hacer a través de una matriz R de
restricciones sobre los betas, pero en este caso, si nos vamos por el lado de la distribución de Fisher
podríamos descartar las opciones A y C, y nos quedarían B y D, sin embargo si hablamos de q
grados de libertad podemos descartar la D, que nos muestra es n grados, la cual es el tamaño de
muestra en el numerador y n-k grados de libertad en el denominador, en lugar de eso es q grados de
libertad con los parámetros no con el tamaño de muestra en lo que es el numerador y en el
denominador si es tamaño de muestra menos parámetro n-k, por tal motivo la respuesta es la B.

34. La hipótesis nula correspondiente a la región de rechazo

Es:
a) Ho: β 1=4
b) Ho: β i=−3
c) Ho: β 2=4
d) Ho: β 2=−4

JUSTIFICACIÓN: Podemos suponer que esta hipótesis es individual y no de conjunto porque está
distribuido con una t de Studen no con una f de Fisher, ahora bien si tenemos en cuenta la fórmula
B 2¿ −B
de t = podemos suponer también que se está aplicando la regla t de oro que es donde aplican valor
ee ¿ ¿
absoluto.
Ahora, si planteamos la región de rechazo de esta manera

Podremos establecer que la hipótesis nula correspondiente al rechazo es H 0: B2 = 4, es

decir la C y es B2 porque en este caso y teniendo en cuenta la formula anterior ese B 2 es el
 estimador y el parámetro sería 4. Por tal motivo descartamos los B1 y Bi, porque estamos
mirando es el B2.

35. En el análisis de la varianza:

a) Al rechazar la hipótesis nula existe un coeficiente que es no nulo y, por tanto, hay algún
tipo de asociación entre las variables independientes y la dependiente.
b) La hipótesis nula es Ho: β 1=…=β k =0 .
c) La hipótesis nula es Ho: β 1=0.
R2
d) La región de rechazo es > 1,96.
1−R2
JUSTIFICACIÓN: En este caso la respuesta correcta es la A ya que nos estaría explicando el uso de
la varianza, además es verídico que al rechazar la hipótesis nula haya algún tipo de asociación entre
las variables independientes y la dependiente debido a que serían variables significativas. Podemos
descartar la D debido a que no tiene coherencia ya que el 1,96 no estaría dentro del rango donde se
presenta un buen ajuste del modelo, que en este caso es 1. En cuanto a las opciones B y C si hacen
parte del análisis pero no son las más completas, en este caso la más complementaria es la A.

36. El intervalo de confianza para σ 2 es:

JUSTIFICACIÓN: En primer lugar un intervalo de confianza se construye con el estimador de

la varianza ± un nivel de confianza de la tabla del libro de Gujarati, cabe resaltar que esta
varianza está dada para la predicción individual de un valor; en la varianza no se usa la t de
Studen sino el Chi cuadrado (X 2), en este caso el estimador de la varianza del modelo no son
los betas por lo que podemos ir descartando la opción A, entonces tenemos que para estimar
la varianza necesitamos n-k por la varianza estimada del modelo con límite inferior X 2 (aquí el
nivel de confianza es una X 2 para una varianza) con n-k grados de libertad con una
probabilidad de alfas medios y para el caso del límite superior deberá ser una X 2 con n-k
grados de liberta por 1 – alfa medios, teniendo así que para este caso la respuesta correcta es
la B. En cuanto a la opción C la podemos descartar ya que incluye Fisher

37. El intervalo de confianza para el valor esperado de la variable dependiente es:

 JUSTIFICACIÓN: Primeramente hay que resaltar que en este caso la variable dependiente no
la están denotando como Y sino como X t0 ; entonces tendremos que X t0 * ^B es el estimador ±
el coeficiente de nivel de confianza tn – k,1 – α / 2^v multiplicado por el error estándar de ese
estimador que es el resto de la formula, entonces buscamos cual es la varianza de la variable
dependiente estimada, que para este caso debe ser la varianza estimada, de manera que
podemos ir descartando la C y la D porque la varianza no está con el gorrito; nos queda solo
A y B de la cual descartamos el que tiene 1 + es decir la B ya que en la A finalmente se está
multiplicando por el error estándar.
38. Dado el modelo estimado

Donde entre paréntesis se tienen las desviaciones típicas estimadas y C es el consumo

familiar (en miles de euros), R es la renta familiar (en miles de euros) y H es el número
de hijos en cada familia:
a) La variable correspondiente a la renta familiar influye en el consumo al 5% de
significación.
b) Por cada 1000 euros que aumenta la renta familiar el consumo lo hace en 481 euros.
c) No se puede afirmar que por cada nuevo hijo el consumo aumenta en 230 euros ya que
la variable correspondiente no es significativa al 5% de significación.
d) Todas las opciones anteriores son ciertas.
JUSTIFICACIÓN: Realizando la operación para estimar el t calculado de las variables R y H
0,481 0,23
respectivamente obtendremos t= =10,23 t= =0,29
0,047 0,8
Dirigiéndonos a la tabla en el libro de Gujarati, tendremos que la probabilidad con 19 grados de
libertad es de 0,025 o 0,05, si miramos la siguiente grafica podemos observar que no se rechaza la
hipótesis nula:

Entonces es correcto afirmar que tanto la A como la C son correctas debido a que la variable renta al
ser significativa influye en el consumo al 5% de significancia, mientras que la variable H al no ser
rechazada directamente se considera no significativa por lo que no se puede afirmar que por cada
nuevo hijo el consumo aumente 230 euros. Si miramos la opción B y multiplicamos la propensión
marginal a consumir que en este caso es 0, 481 y si lo multiplicamos por 1000 nos da un consumo
de 481, por lo que también podemos decir que esta opción también es correcta. En conclusión la
opción es la D que acoge todas las demás.

39. Dado el modelo estimado

Donde O es la tasa de ocupación de hoteles de la costa española y P es la tasa de paro

de la región donde se encuentra cada hotel:
a) Se puede afirmar que la tasa de paro influye negativamente en la ocupación hotelera ya
que dicha variable es significativa al 5%.
b) Se puede afirmar que cuando aumenta la tasa de paro aumenta la ocupación hotelera
en un 0,62% (ya que dicha variable es significativa al 5%).
c) Se puede afirmar que el ajuste realizado es muy bueno ya que el coeficiente de
determinación es próximo a cero.
d) Se puede afirmar que la tasa de paro no influye negativamente en la ocupación hotelera
ya que dicha variable no es significativa al 5%.
JUSTIFICACIÓN: Realizando la operación para estimar el t calculado de variable P obtendremos
0,26
t= =0,94
0,276
Dirigiéndonos a la tabla en el libro de Gujarati, tendremos que la probabilidad con 70 grados de
libertad es de 0,025 o 0,05, si miramos la siguiente grafica podemos observar que no se rechaza la
hipótesis nula:

Por tal motivo tendremos que la tasa de paro si influye negativamente en la ocupación hotelera ya
que al rechazarse la hipótesis nula, tendremos que esta variable es significativa al 5%, de manera
que la A es la respuesta correcta. En cuanto a la opción B la podemos descartar dado a que dicha
afirmación es contraria de lo que se plantea en el modelo estimado. Por otro lado la opción C se
descarta dado a que es sabido que una aproximación a cero indica que el modelo no es un buen
ajuste. Finalmente se descarta también la D debido a que ya comparamos que la tasa de paro si es
una variable significativa al 5%.

40. Dado el modelo estimado

Donde H es el número de hipotecas concedidas por trimestre, E es el Euribor promedio

de cada trimestre y P es la tasa de paro promedio en cada trimestre:
a) Se puede afirmar que tanto el Euribor como la tasa de paro influyen negativamente en
el número de hipotecas concedidas al 5% de significación.
 b) Se puede afirmar que el valor del Euribor no influye en el número de hipotecas
concedidas ya que dicha variable no es significativa al 5%.
c) Se puede afirmar que conforme aumenta la tasa de paro lo hace también el número de
hipotecas.
d) Se puede afirmar que conforme aumenta el Euribor lo hace también el número de
hipotecas.
JUSTIFICACIÓN: Realizando la operación para estimar el t calculado de las variables E y P
22889,8 2225,5
respectivamente obtendremos t= =3,29 t= =2,69
6970,88 825,91
Dirigiéndonos a la tabla en el libro de Gujarati, tendremos que la probabilidad con 50 grados de
libertad es de 0,025 o 0,05, si miramos la siguiente grafica podemos observar que no se rechaza la
hipótesis nula:

Entonces es correcto afirmar que la A es correcta debido a que ambas variables E y P rechazan la
hipótesis nula por lo que son variables con significancia al 5% de manera que las dos variables
influirán de manera negativa sobre el número de hipotecas. La B la podemos descartar ya que
hemos comprobado que el Euribor es una variable significativa al 5%. Finalmente la C y D también
se descartan ya que la relación enunciada es inversa a la señalada en el modelo estimado.

41. Dado el modelo estimado

Donde I es la inversión anual (en millones de euros), TI es el tipo de interés (en

porcentaje) y PIB es la variación anual del PIB (en millones de euros), ¿se puede afirmar
que el modelo es conjuntamente significativo al 5%?
R2
k −1
a) Si, ya que a partir de la región de rechazo F exp= > Fk −1 , n−k (1−α ) se rechaza la
1−R 2
n−k
β
hipótesis nula Ho: 2 3 .
=β =0
SCE
k−1
b) No, ya que a partir de la región de rechazo F exp= > F k−1 , n−k (1−α ) se rechaza la
SCR
n−k
β
hipótesis nula Ho: 2 3 .
=β =0
SCE
k−1
c) Si, ya que a partir de la región de rechazo F exp= > F k−1 , n−k (1−α ) no se rechaza la
SCR
n−k
hipótesis nula Ho: β 2=β 3=0 .
 d) Ninguna de las opciones anteriores es correcta.
JUSTIFICACIÓN: Si desarrollamos la fórmula planteada en la opción A de Fisher tendremos:
recordemos que k = número de parámetros
0,9187
3−1 0,46
= =339,03
1−0,9187 0,00136
63−3
Si lo graficamos tendremos lo siguiente

Entonces si podemos afirmar que se rechaza la hipótesis nula, por lo que se determina que el
modelo es conjuntamente significativo al 5%, entonces tendremos que la A es la correcta además
podemos encontrar esta fórmula en el libro de Gujarati, descartamos la B debido a que dice que no
es significativa y en cuanto a la C también la descartamos porque dice que no se rechaza el H 0,
cuando en la gráfica podemos ver claramente que si se rechaza la hipótesis nula.

42. El método de estimación por Mínimos Cuadrados Ordinarios MCO:

a) Se basa en minimizar la suma de cuadrados de los residuos.
n
b) Tiene como consecuencia que X t . e=0k∗1 y ∑ ei=0 (siempre y cuando el modelo tenga
i=1
termino independiente).
c) Las opciones a) y b) son correctas.
d) Se basa en maximizar la suma de cuadrados de los residuos.
JUSTIFICACION: El método de los mínimos cuadrados se utiliza para calcular la recta de regresión
lineal que minimiza los residuos, esto es, las diferencias entre los valores reales y los estimados por
la recta, de manera que la respuesta correcta es la C, ya que también las variables x y el termino de
error son variables independientes y el valor esperado del error condicionado a las variables
explicativas es cero; podemos descartar la D directamente ya que en esta menciona que se
maximiza la suma de dichos cuadrados, lo que es erróneo.

43. Dado el modelo estimado ^ Pt =1,09707+0,00231 B t donde P es el precio del

carburante (en euros/litro) y B es el precio del barril de Brent (dólares/litro):
a) El término independiente se interpreta como el valor estimado para el precio del
carburante cuando el precio del barril de Brent es cero.
b) La pendiente significa que el precio del carburante aumenta 0,00231 euros/litro
cuando el precio del barril de Brent disminuye en 1 dólar /litro.
c) La pendiente significa que el precio del carburante aumenta 0,00231 euros/litro
cuando el precio del barril de Brent aumenta en 1 dólar /litro.
 d) Las opciones a) y c) son correctas.
JUSTIFICACION: La respuesta correcta es la D es decir tanto la A como la B son acertadas ya que
al aumentar Brent (dólares/litro) se estima el precio del carburante (dólares/litro), además también
podemos interpretar que en la C nos plantea que existe una relación directamente proporcional entre
estas dos variables. En cuanto a la opción B es errónea ya que cuando aumenta una variable la otra
también deberá aumentar.

44. El estimador de la varianza de la perturbación aleatoria es:

JUSTIFICACION: Podemos expresar que el estimador de la varianza de la perturbación es un

estimador insesgado de la varianza de la población ya que su esperanza matemática coincide
con el parámetro que se estima, además si observamos la fórmula de la opción B podemos
establecer que es acertada con base en el libro de Gujarati, por lo que la respuesta correcta
es la C. Descartamos la opción D porque aquí nos muestra es la fórmula para hallar los betas
transpuestos.

45. Dado el siguiente modelo estimado ^ D t =0,271−0,083 D t + 0,394 B t sobre el reparto de

dividendos de varias empresas:
a) El coeficiente de los beneficios indica que, independientemente del reparto de
dividendos en el ejercicio anterior, por cada unidad que aumenten sus beneficios el reparto de
dividendos aumentará en 0,394 unidades.
b) El coeficiente de los beneficios indica que conforme aumentan los beneficios disminuye
el reparto de dividendos.
c) Las opciones a) y b) son equivalentes y correctas.
d) El coeficiente de los beneficios indica que, para empresas con igual reparto de
dividendos en el ejercicio anterior, por cada unidad que aumenten sus beneficios el reparto de
beneficios aumentará en 0,394 unidades.
JUSTIFICACION: En este caso la respuesta correcta es la A ya que en efecto los dividendos del
ejercicio anterior no influyen mientras que si vemos la opción B la podemos descartar de inmediato
ya que expresa una relación inversa a la del modelo estimado. La D también podemos descartarla ya
que como se mencionó anteriormente no se debe tener en cuenta el reparto de dividendos en el
ejercicio anterior, ya que por lo general para el reparto de dividendos lo que se tiene en cuenta es la
utilidad generada del ejercicio anterior.

46. Indica la expresión o afirmación correcta:

a) Que el R2 o Ŕ2 estén próximos a 1 indica que el modelo es siempre valido ya que se
tiene garantizado entonces que se verifican las hipótesis básicas.
b) R2 < Ŕ2
c) R2 ¿ Ŕ 2
 d) El R2 resuelve el problema de que el Ŕ2 aumenta al introducir nuevas variables en el
modelo.
JUSTIFICACION: Tomando como texto guía el libro de Gujarati, encontramos que la expresión
correcta es la C ya que dicha fórmula esta expresada en el libro, más específicamente en la página
493, donde muestra como la R2 ajustada penaliza cuando se integran más variables o regresoras.
Podemos descartar las demás ya que por ejemplo en la D la información esta invertida, ya que la
teoría señala que es el Ŕ2 quien resuelve el problema del R2.

47. Que las variables independientes del modelo lineal uniecuacional múltiple sean
linealmente independientes:
a) Implica que la matriz formada de dichas variables sea de rango completo por columnas,
es decir, se verifica que rg(X)=k.
b) Significa que el determinante de la matriz formada por dichas variables, X, es cero.
c) Implica que el número de observaciones, n, ha de ser menor que el número de
variables independientes, k.
d) Las opciones b) y c) son correctas.
JUSTIFICACIÓN: Según el texto de Introducción a la Econometría. James Stock. Una de las
propiedades del modelo lineal uniecuacional múltiple es la Linealidad en los parámetros, establece la
linealidad en la relación entre la variable endógena (a explicar) y las exógenas (explicativas). Por otro
lado las variables independientes del modelo lineal uniecuacional múltiple son linealmente
independientes ya que la matriz X no es estocástica y de rango completo por columnas es decir rg
(X)= K y como consecuencia n es mayor que K y las columnas de X es decir Xi; i= 1,2,,,,,,n son
linealmente independientes, esto quiere decir si una variable no se puede expresar como
combinación lineal de la otra variable, por esto la respuesta es la A

48. El estimador de la varianza de la perturbación aleatoria es:

JUSTIFICACIÓN: Una vez deducida una fórmula para la estimación para la determinación de los
parámetros del modelo a través de los MCO comprueba fácilmente que dichos estimadores son
lineales, insesgados, óptimos y coexistentes. Así a la primera propiedad, la linealidad, es fácil de
escribir los estimadores MCO como una combinación lineal de las perturbaciones aleatorias del
modelo.
 49. El coeficiente de determinación:
a) Se define como el porcentaje de variabilidad explicada por el modelo ajustado.
b) Se define como el porcentaje de variables explicadas por el modelo ajustado.
c) Se define como el cociente entre la suma de los cuadrados de los residuos y de la
suma de cuadrados totales.
SCR
d) Es igual a 1− .
SCE
JUSTIFICACIÓN: Al coeficiente de determinación se le denomina 𝑅2 y es la medida específica que
cuantifica la intensidad de la relación lineal entre dos variables en un análisis de correlación. Es decir
R2 mide la proporción o el porcentaje de la variación total en Y explicado por el modelo de regresión.
Por esta razón la respuesta correcta sería la A.

50. El coeficiente de determinación corregido:

2 2 n−1
a) Es Ŕ =(1−R ) .
n−k
b) Resuelve el problema de que el R2 aumenta al introducir nuevas variables al modelo.
c) Cuando es cercano a 1 indica un mal ajuste lineal.
d) Ninguna de las opciones anteriores es correcta.
JUSTIFICACIÓN: El coeficiente de determinación corregido o R2 ajustado, es una medida que
considera el número de variables que existen en un modelo. Se considera a R 2 una medida que
contiene sesgo. A medida que se incorporan más variables, R 2 tiende a sobreestimar el poder
predictivo del modelo, aunque las variables no sean significativas, de tal manera que el coeficiente
de determinación ajustado es la medida que soluciona los problemas que presenta el coeficiente de
determinación R2. Podemos descartar el resto ya que por ejemplo cuando es cercano a 1 presenta
un buen ajuste del modelo y en la C menciona que es un mal ajuste, afirmación que es errónea.