Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Abreviaturas. MCO: Mı́nimos Cuadrados Ordinarios. rg: rango. MLG: Modelo Lineal General.
MLS: Modelo Lineal Simple. m.a.s: muestreo aleatorio simple.
A Los regresores son linealmente indep. C Las N filas de X son linealmente indep.
B y es comb. lineal de los regresores. D Las opciones anteriores son incorrectas.
Explicación: Si rg(X) = k quiere decir que entre las columnas de X hay k columnas linealmente
independientes. Como la matriz solo tiene k columnas, todos los regresores son son linealmente
independientes.
La variable y serı́a una combinación lineal de las k columnsa de X si no estuviera presente el
término de error eb (. . . pero está presente).
Puesto que hay más filas que el rango de la matriz, (N > k) las filas son linealmente dependientes.
A Las ecuaciones normales tienen una única C Las N filas de X son linealmente indep.
solución. D Las opciones anteriores son incorrectas.
B Algún regresor es combinación lineal del
resto
Explicación: Véase las explicaciones de las preguntas anteriores.
Si X es una matriz de rango completo por columnas, entonces la matriz cuadrada X| X necesaria-
mente es de rango completo. Es decir, si X| Xv = 0, entonces v = 0. Veamos la demostración:
X es de rango completo por columnas, si y solo si Xv = 0 ⇔ v = 0. Por otra parte, si X| Xv = 0,
entonces vX| Xv = v · 0 = 0; pero como vX| Xv = (Xv) · Xv = 0, resulta que cero es la norma al
cuadrado del vector Xv, ası́ que necesariamente Xv = 0 lo que implica que v = 0 (por ser X de
rango completo por columnas).
b = X| y es compatible
Como la matriz de coeficientes X| X es de rango completo, el sistema X| X β
determinado.
Catalogo provisional
|P-6 [Ecuaciones Normales - Rango completo por columnas - 1]i En el ajuste y = X βb + eb , donde
X , la condición rg(X) = k < N implica que:
[N ×k]
|P-7 [Ecuaciones Normales - Rango completo por columnas - 2]i En el ajuste y = X βb + eb , donde
X , la condición rg(X) = k < N implica que:
[N ×k]
|P-8 [Ecuaciones Normales - Rango completo por columnas - 3]i En el ajuste y = X βb + eb , donde
X , la condición rg(X) = k < N implica que:
[N ×k]
|P-9 [Ecuaciones Normales - Rango completo por columnas - 4]i En el ajuste y = X βb + eb , donde
X , la condición rg(X) = k < N implica que:
[N ×k]
c1 1 + β
|P-10 [Ajuste MCO del MLS - Pendiente - 1]i En el ajuste y = β c2 x + eb , el parámetro β
c2
ajustado por MCO
A Es directamente proporcional al coeficiente de correlación lineal simple entre y y x.
B Es igual a la covarianza muestral entre y y x, dividida por la varianza muestral de y.
C Es igual a la varianza muestral de x, dividida por la covarianza muestral entre y y x.
D Las opciones anteriores son incorrectas.
c1 1 + β
|P-11 [Ajuste MCO del MLS - Pendiente - 2]i En el ajuste y = β c2 x + eb , el parámetro β
c2
ajustado por MCO
A Es proporcional al cuadrado del coeficiente de correlación lineal simple entre y y x.
B Es igual a la covarianza muestral entre y y x, dividida por la varianza muestral de x.
C Es igual a la varianza muestral de x, dividida por la covarianza muestral entre y y x.
D Las opciones anteriores son incorrectas.
c1 1 + β
|P-12 [Ajuste MCO del MLS - Pendiente - 3]i En el ajuste y = β c2 x + eb , el parámetro β
c2
ajustado por MCO
A Es igual al coeficiente de correlación lineal simple entre y y x multiplicado por la varianza
muestral de x y dividido por la varianza muestral de y.
B Es igual a la covarianza muestral entre y y x, dividida por la varianza muestral de y.
C Es igual al coeficiente de correlación lineal simple entre y y x multiplicado por la varianza
muestral de y y dividido por la varianza muestral de x.
D Las opciones anteriores son incorrectas.
c1 1 + β
|P-13 [Ajuste MCO del MLS - Pendiente - 4]i En el ajuste y = β c2 x + eb , el parámetro β
c2
ajustado por MCO
A Es proporcional al cuadrado del coeficiente de correlación lineal simple entre y y x.
B Es igual a la covarianza muestral entre y y x, dividida por la varianza muestral de y.
C Es igual a la varianza muestral de x, dividida por la covarianza muestral entre y y x.
D Las opciones anteriores son incorrectas.
c1 1 + β
|P-14 [Ajuste MCO del MLS - Pendiente - 5]i En el ajuste y = β c2 x + eb , el parámetro β
c2
ajustado por MCO
A Es igual al coeficiente de correlación lineal simple entre y y x multiplicado por la varianza
muestral de x y dividido por la varianza muestral de y.
B Es igual a la covarianza muestral entre y y x, dividida por la varianza muestral de y.
C Es igual al coeficiente de correlación lineal simple entre y y x multiplicado por la desviación
tı́pica de y y dividido por la desviación tı́pica de x.
D Las opciones anteriores son incorrectas.
c1 1 + β
|P-15 [Ajuste MCO del MLS - Pendiente - 6]i En el ajuste y = β c2 x + eb , el parámetro β
c2
ajustado por MCO
A Es igual al coeficiente de correlación lineal simple entre y y x multiplicado por la varianza
muestral de x y dividido por la varianza muestral de y.
B Es igual a la covarianza muestral entre y y x, dividida por la desviación tı́pica y.
C Es cero si la covarianza entre y y x es cero.
D Es uno si la covarianza entre y y x es uno.
c1 1 + β
|P-16 [Ajuste MCO del MLS - Pendiente - 7]i En el ajuste y = β c2 x + eb , el parámetro β
c2
ajustado por MCO
A Es igual al coeficiente de correlación lineal simple entre y y x multiplicado por la varianza
muestral de x y dividido por la desviación tı́pica y.
B Es igual a la covarianza muestral entre y y x, dividida por la varianza muestral de y.
C Es igual a la covarianza entre y y x si la varianza de x es uno.
D Es cero si la covarianza entre y y x es uno.
c1 1 + β
|P-17 [Ajuste MCO del MLS - Pendiente - 8]i En el ajuste y = β c2 x + eb , el parámetro β
c2
ajustado por MCO
A Es igual al coeficiente de correlación lineal simple entre y y x.
B Es igual a la covarianza muestral entre y y x, dividida por la varianza muestral de y.
C Es la inversa de la varianza de x si la covarianza entre y y x si es uno.
D Es igual a la media de y y si la media de x es uno.
c1 1 + β
|P-18 [Ajuste MCO del MLS - Pendiente - 9]i En el ajuste y = β c2 x + eb , el parámetro β
c2
ajustado por MCO
A Es igual al coeficiente de correlación lineal simple entre y y x.
B Es igual a uno si la varianza de x es igual a la covarianza entre y y x.
C Es la inversa de la varianza de x si la covarianza entre y y x es cero.
D Es igual a la media de y y si la media de x es uno.
c1 1 + β
|P-19 [Ajuste MCO del MLS - Pendiente - 10]i En el ajuste y = β c2 x + eb , el parámetro
c2 del ajuste MCO
β
A Es cero si la covarianza entre y y x es uno.
B No está definido si la varianza de x es igual a cero.
C Es igual a uno si la varianza de x es uno.
D Es igual a la media de y y si la media de x es uno.
|P-20 [Ajuste MCO del MLS - Ajuste si X tiene media cero - 1]i En el ajuste MCO del modelo
y =βc1 1 + βc2 x + eb , si la media de x es cero (x = 0), entonces:
P
c2 =
A β Pxn2yn = x·y
c2 .
c1 = y − β
xn x·x . C β
B La recta de regresión pasa por (0, 0). D Todas las anteriores son incorrectas.
|P-21 [Ajuste MCO del MLS - Ajuste si X tiene media cero - 2]i En el ajuste MCO del modelo
y =βc1 1 + βc2 x + eb , si la media de x es cero (x = 0), entonces:
P 2
c2 =
A β P xn = x·x c1 = y − β
C β c2 .
xn yn x·y .
B La recta de regresión pasa por (0, 0) si D Todas las anteriores son incorrectas.
y = 0.
|P-22 [Ajuste MCO del MLS - Ajuste si X tiene media cero - 3]i En el ajuste MCO del modelo
y =βc1 1 + βc2 x + eb , si la media de x es cero (x = 0), entonces:
P 2
c2 =
A β P xn = x·x c1 = y.
C β
xn yn x·y .
B La recta de regresión pasa por el (0, 0). D Todas las anteriores son incorrectas.
|P-23 [Ajuste MCO del MLS - Ajuste si X tiene media cero - 4]i En el ajuste MCO del modelo
y =βc1 1 + βc2 x + eb , si la media de x es cero (x = 0), entonces:
P 2
c2 =
A β P xn = x·x c1 = y − β
C β c2 .
xn yn x·y .
B La recta de regresión pasa por el (0, 0). D Todas las anteriores son incorrectas.
|P-24 [Ajuste MCO del MLS - Ajuste si X tiene media cero - 5]i Considere el ajuste MCO: y =
c1 1 + β
β c2 x + eb . Si la media muestral x es cero el ajuste MCO del término constante:
A Es la media del regresando: y. C Puede ser positivo, negativo o cero con in-
c2 es distinta de uno. dependencia de β c2 .
B Es igual a cero si β
c2 es negativa.
D Es negativo si β
|P-25 [Ajuste MCO del MLS - Ajuste si X tiene media cero - 6]i Considere el ajuste MCO: y =
c1 1 + β
β c2 x + eb . Si la media muestral de las observaciones x es cero, la estimación MCO del
término constante:
A Es igual a 0. C Es la media de y.
c2 cuando y > 0.
B Tiene signo opuesto a β D Es igual a 1.
|P-26 [Ajuste MCO del MLS - Ajuste de CTE si X e Y tienen misma media - 1]i Considere el
ajuste MCO: y = β c1 1 + β c2 x + eb . Si las medias muestrales y y x son positivas e iguales
entre sı́, el ajuste MCO del término constante:
|P-27 [Ajuste MCO del MLS - Ajuste de CTE si X e Y tienen misma media - 2]i Considere el
ajuste MCO: y = β c1 1 + β c2 x + eb . Si las medias muestrales y y x son positivas e iguales
entre sı́, el ajuste MCO del término constante:
A Es la media del regresando: y. C Puede ser positivo, negativo o cero con in-
c2 es igual a uno. dependencia de β c2 .
B Es igual a cero si β
c2 es negativa.
D Es negativo si β
|P-28 [Ajuste MCO del MLS - Ajuste de CTE si X e Y tienen misma media - 3]i Considere el
ajuste MCO: y = β c1 1 + β c2 x + eb . Si las medias muestrales y y x son positivas e iguales
entre sı́, el ajuste MCO del término constante:
A Es la media del regresando: y. C Puede ser positivo, negativo o cero con in-
c2 es igual a cero. dependencia de β c2 .
B Es igual a cero si β
c2 es negativa.
D Es positivo si β
|P-29 [Ajuste MCO de MLS - Ajuste de CTE si X e Y con misma media postiva - 1]i Considere
el ajuste MCO: y = βc1 1 + β c2 x + eb . Si las medias muestrales de las observaciones disponibles x
e y son ambas iguales y positivas, la estimación MCO del término constante en el modelo anterior:
|P-30 [Ajuste MCO de MLS - Ajuste de CTE si X e Y con misma media postiva - 2]i Considere
el ajuste MCO: y = βc1 1 + β c2 x + eb . Si las medias muestrales de las observaciones disponibles x
e y son ambas iguales y positivas, la estimación MCO del término constante en el modelo anterior:
|P-31 [Ajuste MCO de MLS - Ajuste de CTE si X e Y con misma media negativa - 1]i Con-
sidere el ajuste MCO: y = β c1 1 + β c2 x + eb . Si las medias muestrales de las observaciones
disponibles x e y son ambas iguales y negativas, la estimación MCO del término constante en el
modelo anterior:
|P-32 [Ajuste MCO de MLS - Ajuste de CTE si X e Y con misma media negativa - 2]i Con-
sidere el ajuste MCO: y = β c1 1 + β c2 x + eb . Si las medias muestrales de las observaciones
disponibles x e y son ambas iguales y negativas, la estimación MCO del término constante en el
modelo anterior:
|P-33 [Ajuste MCO de MLS - Ajuste de CTE si X e Y con media cero - 1]i Considere el ajuste
MCO: y = β c1 1 + β c2 x + eb . Si las medias muestrales de las observaciones disponibles x e y
son ambas iguales a cero, la estimación MCO del término constante en el modelo anterior:
|P-34 [Ajuste MCO de MLS - Ajuste de CTE si X e Y con media cero - 2]i Considere el ajuste
MCO: y = β c1 1 + β c2 x + eb . Si las medias muestrales de las observaciones disponibles x e y
son ambas iguales a cero, entonces:
|P-35 [Ajuste MCO del MLS - Ajuste si Y tiene media cero - 1]i Considere el ajuste MCO: y =
c1 1 + β
β c2 x + eb . Si la media muestral de las observaciones y es cero, la estimación MCO del
término constante en el modelo anterior:
A Es igual a 0. c2 es cero.
C Es la media de x si β
c2 es -1.
B Es la media de x si β D Es igual a 1.
|P-36 [Ajuste MCO del MLS - Ajuste si Y tiene media cero - 2]i Considere el ajuste MCO: y =
c1 1 + β
β c2 x + eb . Si la media muestral de las observaciones y es cero, la estimación MCO del
término constante en el modelo anterior:
A Es igual a 0. C Es la media de x.
B Tiene signo opuesto a la pendiente si la c2 es cero.
D Es la media de x si β
media de x es positiva
|P-37 [Ajuste MCO del MLS - Ajuste si Y tiene media cero - 3]i Considere el ajuste MCO: y =
c1 1 + β
β c2 x + eb . Si la media muestral de las observaciones y es cero, la estimación MCO del
término constante en el modelo anterior:
A Es la media de y. C Es la media de x.
c2 es −2.
B Es el doble de la media de x si β c2 es cero.
D Es la media de x si β
|P-38 [Ajuste MCO del MLS - Ajuste si Y tiene media cero - 4]i Considere el ajuste MCO: y =
c1 1 + β
β c2 x + eb . Si la media muestral de las observaciones y es cero, la estimación MCO del
término constante en el modelo anterior:
A Es cero. C Es la media de x.
c2 es 0.
B Es el doble de la media de x si β c2 si la media de x es −1.
D Es igual a β
|P-39 [Ajuste MCO del MLS - Ajuste si Y tiene media cero - 5]i Considere el ajuste MCO: y =
c1 1 + β
β c2 x + eb . Si la media muestral de las observaciones y es cero, la estimación MCO del
término constante en el modelo anterior:
c2 = sx y c2 también es cero y
y el de la pendiente β s2x . Por tanto, si sxy es cero, entonces β
c1 = −β
β c2 · x = 0.
|P-40 [Ajuste MCO - Propiedades de los residuos - 1]i Los residuos eb del ajuste MCO del modelo
lineal y = X βb + eb :
A Suman cero si el modelo incluye término C Tienen correlación cero con los regresores.
constante. D Las opciones anteriores son incorrectas.
B Son ortogonales a los regresores sólo si el
modelo incluye término constante.
Explicación:
Por construcción, el término de error MCO, eb , es siempre es ortogonal a los regresores.
Es esta propiedad de ortogonalidad lo que caracteriza a la estimación MCO (haya término
constante o no).
eb · z
seb z = − eb · z = −b
e · z;
N
pues eb · z = 0 por ser un ajuste MCO. El producto eb · z puede ser distinto de cero si z 6= 0
y eb 6= 0 (para esto último no debe haber término constante). Pero puede NO haber término
constante y que sin embargo la correlación sea cero (siempre y cuando z = 0).
|P-41 [Ajuste MCO - Propiedades de los residuos - 2]i Los residuos eb del ajuste MCO del modelo
lineal y = X βb + eb :
A Suman cero si el modelo no incluye tér- C Tienen correlación cero con los regresores.
mino constante. D Las opciones anteriores son incorrectas.
B Son ortogonales a los regresores independi-
entemente de que haya término constante.
Explicación: Por construcción, el término de error MCO, eb , es ortogonal a todos y cada uno de
los regresores. Es esta propiedad de ortogonalidad lo que caracteriza a la estimación MCO.
Catalogo provisional
|P-42 [Ajuste MCO - Propiedades de los residuos - 3]i Los residuos eb del ajuste MCO del modelo
lineal y = X βb + eb :
A Suman cero si el modelo no incluye tér- C Tienen correlación cero con los regresores
mino constante. si el modelo incluye término constante.
B Son ortogonales a los regresores sólo si el D Las opciones anteriores son incorrectas.
modelo incluye término constante.
eb · z
seb z = − eb · z = −b
e · z; (pues eb · z = 0).
N
|P-43 [Ajuste MCO - Propiedades de los residuos - 4]i Los residuos eb del ajuste MCO del modelo
lineal y = X βb + eb :
A Suman cero si el modelo no incluye tér- C Tienen correlación cero con los regresores.
mino constante. D Las opciones anteriores son incorrectas.
B Son ortogonales a los regresores sólo si el
modelo incluye término constante.
|P-44 [Ajuste MCO con un regresor constante - Medias Muestrales - 1]i Cuando un modelo de
regresión lineal CON término constante se estima por MCO:
Explicación:
y = yb + eb , multiplicando ambos lados por 1 tenemos 1 · y = 1 · yb + 1 · eb . Pero como
hay P constante en la regresión, necesariamente 1 · eb = 0. Ası́, 1 · y = 1 · yb , es decir,
P término
y = yb. Basta dividir por N para ver que y = yb.
SRC = eb · eb , que sólo puede ser cero si eb = 0, algo que no suele suceder.
Cuando hay término constante, R2 es igual al cuadrado del coeficiente de correlación lineal
simple entre yb e y.
Cuando hay término constante, ST C = SEC + SRC, ¡y todos los sumandos son positivos!
Catalogo provisional
|P-45 [Ajuste MCO con un regresor constante - Medias Muestrales - 2]i Cuando un modelo de
regresión lineal CON término constante se estima por MCO:
|P-46 [Ajuste MCO con un regresor constante - Medias Muestrales - 3]i Cuando un modelo de
regresión lineal CON término constante se estima por MCO:
|P-47 [Ajuste MCO con un regresor constante - Medias Muestrales - 4]i Cuando un modelo de
regresión lineal CON término constante se estima por MCO:
|P-48 [Ajuste MCO con un regresor constante - SRC y R2 - 1]i Cuando un modelo de regresión
lineal CON término constante se estima por MCO:
A La SRC puede calcularse conociendo tan C La ST C puede ser menor que la SEC.
sólo la ST C y la SEC. D Las opciones anteriores son incorrectas.
B El R2 puede resultar negativo.
Explicación: Cuando el ajuste tiene un regresor constante, ST C = SEC + SRC, donde las tres
sumas de cuadrados son mayores o iguales a cero; y además el coeficiente de determianción en este
caso particular es igual a SEC
ST C .
|P-49 [Ajuste MCO con un regresor constante - SRC y R2 - 2]i Cuando un modelo de regresión
lineal CON término constante se estima por MCO:
|P-50 [Ajuste MCO con un regresor constante - SRC y R2 - 3]i Cuando un modelo de regresión
lineal CON término constante se estima por MCO:
A La suma SRC puede resultar negativa. C La SEC puede ser menor que la ST C.
B El R2 puede resultar negativo. D Las opciones anteriores son incorrectas.
|P-51 [Ajuste MCO con un regresor constante - SRC y R2 - 4]i Cuando un modelo de regresión
lineal CON término constante se estima por MCO:
A La suma SRC puede resultar negativa. C La suma ST C puede ser menor que la
B El R2 puede resultar negativo. suma SEC.
D Las opciones anteriores son incorrectas.
|P-52 [Ajuste MCO SIN regresor constante - Sumas de Cuadrados y R2 - 1]i Cuando un modelo
de regresión lineal SIN término constante se estima por MCO:
Explicación: Cuando no se incluye un regresor constante, el ajuste puede ser tan malo que la
SRC sea enorme, mucho más grande que la ST C del regresando. Puesto que R2 = 1 − SRC ST C , si
SRC > ST C, entonces R2 es negativo.
Además, SRC = eb · eb , que sólo puede ser cero si eb = 0, algo que no suele suceder.
|P-53 [Ajuste MCO SIN regresor constante - Sumas de Cuadrados y R2 - 2]i Cuando un modelo
de regresión lineal SIN término constante se estima por MCO:
A El R2 está comprendido entre cero y uno. C La suma ST C y la suma SRC son iguales.
B La suma SRC puede ser mayor que la D Las opciones anteriores son incorrectas.
suma ST C.
Explicación: Véase las explicaciones de las preguntas anteriores.
|P-54 [Ajuste MCO SIN regresor constante - Sumas de Cuadrados y R2 - 3]i Cuando un modelo
de regresión lineal SIN término constante se estima por MCO:
Explicación: La ST C se define como (y − y)·(y − y), ası́ que por definición es N veces la varianza
muestral de y.
Para el resto de opciones véase las explicaciones de las preguntas anteriores.
|P-55 [Ajuste MCO SIN regresor constante - Sumas de Cuadrados y R2 - 4]i Cuando un modelo
de regresión lineal SIN término constante se estima por MCO:
Explicación: Cuando no hay regresor constante, la media de los errores es en general distinta de
cero. Consecuentemente las medias de y y yb son distintas, por lo que SEC ya no es N veces la
varianza de yb , y por tanto, tampoco ST C = SEC + SRC.
Catalogo provisional
|P-56 [Y=B+U - Sumas de cuadrados - 1]i En el ajuste MCO: y = βb 1 + eb , la “suma explicada de
cuadrados” SEC:
|P-57 [Y=B+U - Sumas de cuadrados - 2]i En el ajuste MCO: y = βb 1 + eb , la “suma explicada de
cuadrados” SEC:
|P-58 [Y=B+U - Sumas de cuadrados - 3]i En el ajuste MCO: y = βb 1 + eb , la “suma de residuos al
cuadrado” SRC:
|P-59 [Y=B+U - Sumas de cuadrados - 4]i En el ajuste MCO: y = βb 1 + eb , la “suma explicada de
cuadrados” SEC:
|P-60 [Y=B+U - Coeficiente de determinacion R2 - 1]i En el ajuste MCO: y = βb 1 + eb , el coefi-
ciente de determinación R2 :
|P-61 [Y=B+U - Coeficiente de determinacion R2 - 2]i En el ajuste MCO: y = βb 1 + eb , el coefi-
b:
ciente de correlación, ry yb , entre los datos y y los valores ajustados y
2 2
SEC SEC × SEC SEC 2 N s N 2 s
R2 = = = =
yby
= 2 q
y
by
= ryb y 2 ,
ST C ST C × SEC ST C × SEC 2
N sy × N syb 2 N s2y × s2yb
syb y
donde ryb y = syb ×sy es el coeficiente de correlación lineal simple entre yb e y.
|P-62 [Y=B+U - Coeficiente de determinacion R2 - 3]i En el ajuste MCO: y = βb 1 + eb , el coefi-
ciente de determinación R2 :
Explicación:Tanto R2 como SEC son cero, y por tanto son iguales. Véase las explicaciones de las
preguntas anteriores.
|P-63 [Y=B+U - Coeficiente de determinacion R2 - 4]i En el ajuste MCO: y = βb 1 + eb , el coefi-
ciente de determinación R2 :
|P-64 [Y=B+U - Coeficiente de determinacion R2 - 5]i En el ajuste MCO: y = βb 1 + eb , el coefi-
ciente de determinación R2 :
|P-65 [Y=B+U - Varios]i Si se ajusta por MCO: y = βb 1 + eb usando la muestra y = 4 5 6 7 8
es falso que:
Explicación:
En este modelo βb es igual a la media aritmética de y.
|P-66
[Y=B+U - Varios
(2)]i Si se ajusta por MCO: y = βb 1 + eb usando la muestra y =
5 6 7 8 9 entonces:
|P-67 b b
[Y=B+U - Varios (3)]i Si se ajusta por MCO: y = β 1 + e usando la muestra y =
−1 3 7 11 15 entonces:
|P-68 b b
(4)]i Si se ajusta por MCO: y = β 1 + e
[Y=B+U - Varios usando la muestra y =
13 11 9 7 5 entonces:
|P-69 [Y=B+U - cual es falsa - 1]i Para el ajuste MCO: y = βb 1 + eb , cuál de las siguientes
afirmaciones es falsa:
|P-70 [Y=B+U - cual es falsa - 2]i Para el ajuste MCO: y = βb 1 + eb , cuál de las siguientes
afirmaciones es falsa:
|P-71 [Y=B+U - cual es falsa - 3]i Para el ajuste MCO: y = βb 1 + eb , cuál de las siguientes
afirmaciones es falsa:
|P-72 [Y=B+U - cual es falsa - 4]i Para el ajuste MCO: y = βb 1 + eb , cuál de las siguientes
afirmaciones es falsa:
|P-73 [Hipotesis
... del MLG - Consecuencias
... de tres supuestos - 1]i Los supuestos: Y = X β +U,
E U X = 0 y E
U 2 X = σ 2; ¿qué implican?
...
1. E Y X es X β. 4. El modelo es correcto, ası́ que las esti-
maciones MCO permiten una buena inter-
2. El vector β está identificado.
... pretación de las relaciones entre los datos.
V
3. ar Y | X es constante.
Explicación: La primera afirmación es correcta puesto que (por los dos primeros supuestos):
... ... ...
EY X = EXβ + U X = Xβ + E
U X = X β.
La segunda afirmación solo es cierta si la matriz E(X × X ) es de rango completo (si los regresores
son linealmente indendientes). Y ese supuesto no está incluido en el enunciado.
La tercera afirmación es correcta puesto que (por los supuestos primero y tercero):
... ...
V V
ar Y | X = ar X β + U | X
... ... ...
V V
= ar X β | X + ar U | X C
pues ov X β, U | X por ser U ortogonal a X
2
=0 + σ
Los tres supuestos indicados no implican que el modelo sea correcto, ni que los resultados sean
interpretables; por lo que la cuarta afirmación es falsa.
|P-77 [Hipotesis del MLG - Rango E(XTX) - 1]i En el modelo Y = X β + U, la hipótesis “E(X × X )
es invertible” implica que:
...
A Los regresores son linealmente indep. C E U X = 0.
B Y es comb. lineal de los regresores. D Las opciones anteriores son incorrectas.
por lo que las k columnas de E(X × X ) también deberı́an ser linealmente dependientes y conse-
cuentemente rg(E(X × X )) serı́a menor que k (. . . y se incumplirı́a el supuesto).
La variable Y serı́a una combinación lineal de los k regresores X si no estuviera presente el término
de las perturbaciones U (. . . pero está presente).
|P-79 [Hipotesis del MLG - Reconocer Linealidad en los parametros - 1]i Indique en cuál de
los siguientes modelos de regresión NO se cumple la hipótesis del MLG de LINEALIDAD en los
parámetros :
A Y = β1 1 + β22 X + U. C ln Y = β1 1 + β2 ln X + U.
B Y = β1 1 + β2 1/X + U. D Y = β1 1 + β2 X 2 + U.
Explicación: Si X = 1; X son los regresores y β = (β1 , β2 ) un vector con los parámetros, y f (·)
y g(·) son dos funciones cualesquiera. El modelo es lineal en los parámetros si es de la forma
Y = β1 f (X ) + β2 g(X ) + U;
(nótese que parte del modelo es una suma ponderada de los parámetros donde las ponderaciones
son f (X ) y g(X )). El modelo es lineal en los regresores si es de la forma:
Y = f (β) 1 + g(β) X + U.
(nótese que parte del modelo es una suma ponderada de los regresores donde las ponderaciones
son f (β) y g(β)).
El modelo Y = β1 1 + β22 X + U no es lineal en los parámetros, puesto que β2 aparece elevado al
cuadrado. Aunque sı́ lo es en los regresores (usando la descripción de más arriba, donde f (β) = β1
y g(β) = β22 .
|P-80 [Hipotesis del MLG - Reconocer Linealidad en los parametros - 2]i Indique en cuál de
los siguientes modelos de regresión CUMPLE la hipótesis del MLG de LINEALIDAD en los
parámetros :
A Y = β1 1 + (1/β2 )X + U. C Y = β1 1 + β2X + U.
B ln Y = β1 1 + ln β2 X + U. D Ninguno de los modelos anteriores.
|P-81 [Hipotesis del MLG - Reconocer Linealidad en los parametros - 3]i Indique en cuál de
los siguientes modelos de regresión CUMPLE la hipótesis del MLG de LINEALIDAD en los
parámetros :
A Y = β1 1 + β22 X + U. C ln Y = β1 1 + β2 ln X + U.
B Y = β1 1 + (1/β2 )X + U. D Ninguno de los modelos anteriores.
|P-82 [Hipotesis del MLG - Reconocer Linealidad en los parametros - 4]i Indique en cuál de
los siguientes modelos de regresión NO se cumple la hipótesis del MLG de LINEALIDAD en los
parámetros :
A Y = β1 1 + β2 1/X + U. C Y = β1 1 + β2 X 2 + U.
B ln Y = β1 1 + β2 ln X + U. D En todos los anteriores se cumple.
|P-83 [Hipotesis del MLG - Reconocer Linealidad en los parametros - 5]i Indique en cuál de
los siguientes modelos de regresión NO se cumple la hipótesis del MLG de LINEALIDAD en los
parámetros :
A Y = exp(β1 1 + β2 X + U). C Y = β1 1 + β2 X 2 + U.
B ln Y = β1 1 + β2 ln X + U. D En todos los anteriores se cumple.
|P-85 [Y=B+U - B es media aritmetica de Y - 2]i Si el modelo Y = β 1 + U cumple los supuestos
clásicos, la estimación MCO de β:
Explicación: Por ser un modelo en el que el único regresor es 1, la estimción MCO resulta ser
βb = y; y la media muestral y tomará un valor mayor, igual o menor que cero dependiendo de cada
muestra particular.
|P-86 [Y=B+U - B es media aritmetica de Y - 3]i Si el modelo Y = β 1 + U cumple los supuestos
clásicos, la estimación MCO de β:
A Es siempre cero si y tiene media cero. C Es siempre un valor entre cero y uno.
B Es siempre menor que uno. D Las opciones anteriores son incorrectas.
|P-87 [Y=B+U - B es media aritmetica de Y - 4]i Si el modelo Y = β 1 + U cumple los supuestos
clásicos, la estimación MCO de β:
|P-88 [Hipotesis muestral del MLG - Rango E(XTX) - 1]i Considere un m.a.s Y = X β + U del
modelo Y = X β + U de k regresores. La hipótesis muestral: rg(E(X | X )) = k implica que:
|P-89 [Hipotesis muestral del MLG - Rango E(XTX) - 2]i Considere un m.a.s Y = X β + U del
modelo Y = X β + U de k regresores. La hipótesis muestral: rg(E(X | X )) = k implica que:
Explicación: Por la pregunta anterior sabemos que rg(E(X | X )) = k implica que las columnas de
X son idepedientes. Es decir, X c = 0 si y solo si c = 0.
Supongamos que X | X c = 0, entonces, multiplicando por c tenemos que
c · X | X c =c · 0 = 0
cX | · X c =0
X c · X c =0
kX ck2 =0 ⇔ X c = 0.
|P-90 [Hipotesis muestral del MLG - Rango E(XTX) - 3]i Considere un m.a.s Y = X β + U del
modelo Y = X β + U de k regresores. La hipótesis muestral: rg(E(X | X )) = k implica que:
...
A Y es comb. lineal de los regresores.
...
C Var U | X = σ2 I .
B E U 2 X = σ 2. D Las opciones anteriores son incorrectas.
|P-91 [Hipotesis del MLG - Estimable por MCO si es lineal en beta - 1]i Considere las sigu-
ientes afirmaciones e indique más abajo la opción correcta:
1. Aunque Y = β1 1 + β2 1/X + U NO es 3. El modelo Y = β1 1 + β2 X + β3 X 2 + U
lineal con respecto a X, los parámetros β1 es lineal respecto a β1 , β2 y β3 , y dichos
y β2 pueden estimarse por MCO. parámetros pueden estimarse por MCO.
2. Aunque Y = β1 1 + (β1 β2 )X + U es li- 4. Los parámetros
βi del modelo
neal con respecto a X, el parámetro β1 NO Y = β1 1 + β2 1/X β3 + U NO pueden
puede estimarse por MCO. estimarse por MCO.
Explicación: Si X es un regresor y β un vector con los parámetros, y f (·), g(·) y h(·) son tres
funciones cualesquiera. El modelo es lineal en los parámetros si es de la forma
(nótese que parte del modelo es una suma ponderada de los parámetros donde las ponderaciones
son f (X), g(X) y h(X)).
El modelo es lineal en los regresores si es de la forma:
(nótese que parte del modelo es una suma ponderada de los regresores donde las ponderaciones
son f (β), g(β) y h(β)).
En alguno de los modelos el tercer regresor (el correspondiente a β3 ) es el cuadrado del segundo
regresor.
|P-92 [Hipotesis del MLG - Estimable por MCO si es lineal en beta - 2]i Considere las sigu-
ientes afirmaciones e indique más abajo la opción correcta:
1. Aunque Y = β1 1 + β2 1/X + U es li- 3. Y = β1 1 + β2 X + β3 X 2 + U NO es
neal con respecto a X, los parámetros β1 lineal respecto a β1 , β2 y β3 , que por tanto,
y β2 NO pueden estimarse por MCO. NO pueden estimarse por MCO.
2. Aunque Y = β1 1 + (β1 β2 )X + U es li- 4. Los parámetros
βi del modelo
neal con respecto a X, el parámetro β1 NO Y = β1 1 + β2 1/X β3 + U NO pueden
puede estimarse por MCO. estimarse por MCO.
|P-93 [Hipotesis del MLG - Estimable por MCO si es lineal en beta - 3]i Considere las sigu-
ientes afirmaciones e indique más abajo la opción correcta:
1. Aunque Y = β1 1 + β2 1/X + U NO es 3. Y = β1 1 + β2 X + β3 X 2 + U es lin-
lineal con respecto a X, los parámetros β1 eal con respecto a β1 , β2 y β3 , y dichos
y β2 pueden estimarse por MCO. parámetros pueden estimarse por MCO.
2. Aunque Y = β1 1 + (β1 β2 ) · X + Un NO 4. Los parámetros
βi del modelo
es lineal con respecto a X, el parámetro Y = β1 1 + β2 1/X β3 + U pueden es-
β1 puede estimarse por MCO. timarse por MCO.
|P-94 [Hipotesis del MLG - Estimable por MCO si es lineal en beta - 4]i Considere las sigu-
ientes afirmaciones e indique más abajo la opción correcta:
1. Aunque Y = β1 1 + β2 1/X + U es li- 3. Y = β1 1 + β2 X + β3 X 2 + U NO es
neal con respecto a X , los parámetros β1 lineal respecto a β1 , β2 y β3 , que por tanto,
y β2 NO pueden estimarse por MCO. NO pueden estimarse por MCO.
2. Aunque Y = β1 1 + β1 β2 X + Un NO 4. Los parámetros
βi del modelo
es lineal con respecto a X, el parámetro Y = β1 1 + β2 1/X β3 + U pueden es-
β1 puede estimarse por MCO. timarse por MCO.
|P-95 [Hipotesis del MLG - Estimable por MCO si es lineal en beta - 5]i Considere las sigu-
ientes afirmaciones e indique más abajo la opción correcta:
1. Aunque Y = β1 1 + β2 1/X + U es li- 3. Como Y = β1 1 + β2 X + β3 X 2 + U
neal con respecto a X, los parámetros β1 NO es lineal respecto a X, los parámetros
y β2 NO pueden estimarse por MCO. βi NO pueden estimarse por MCO.
2. Como Y = β1 1 + β1 β2 X + Un es li- 4. Los parámetros
en
el modelo
neal con respecto a X, el parámetro β2 Y = β1 1 + β2 1/X β3 + U NO pueden
puede estimarse por MCO. estimarse por MCO.
|P-96 [Hipotesis del MLG - Estimable por MCO si es lineal en beta - 6]i Considere las sigu-
ientes afirmaciones e indique más abajo la opción correcta:
1. Aunque Y = β1 1 + β2 1/X + U es lin- 3. Y = β1 1 + β2 X + β3 X 2 + U NO es
eal con respecto a X, los parámetros β1 y lineal respecto a β1 , β2 y β3 , que por tanto,
β2 NO pueden estimarse por MCO. NO pueden estimarse por MCO.
2. Aunque Y = β1 1 + β1 β2 X + Un es li- 4. Los parámetros
βi del modelo
neal con respecto a X, el parámetro β1 NO Y = β1 1 + β2 1/X β3 + U pueden es-
puede estimarse por MCO. timarse por MCO.
|P-97 [Hipotesis del MLG - Estimable por MCO si es lineal en beta - 7]i Considere las sigu-
ientes afirmaciones e indique más abajo la opción correcta:
1. Aunque Y = β1 1 + β2 1/X + U NO es 3. Y = β1 1 + β2 X + β3 X 2 + U NO es
lineal respecto a X, los parámetros β1 y β2 lineal respecto a β1 , β2 y β3 , que por tanto,
pueden estimarse por MCO. NO pueden estimarse por MCO.
2. Aunque Y = β1 1 + β1 β2 X + Un NO 4. Los parámetros
βi del modelo
es lineal con respecto a X, el parámetro Y = β1 1 + β2 1/X β3 + U pueden es-
β1 puede estimarse por MCO. timarse por MCO.
|P-98 [Hipotesis del MLG - Estimable por MCO si es lineal en beta - 8]i Considere las sigu-
ientes afirmaciones e indique más abajo la opción correcta:
1. Aunque Y = β1 1 + β2 1/X + U es li- 3. Y = β1 1 + β2 X + β3 X 2 + U es lin-
neal con respecto a X, los parámetros β1 eal respecto a β1 , β2 y β3 , que pueden es-
y β2 NO pueden estimarse por MCO. timarse por MCO.
2. Aunque Y = β1 1 + (β1 β2 )X + U NO es 4. Los parámetros
βi del modelo
lineal con respecto a X, el parámetro β1 Y = β1 1 + β2 1/X β3 + U pueden es-
puede estimarse por MCO. timarse por MCO.
|P-99 [Hipotesis
... del MLG - Hipotesis
... sobre las pertubaciones - 1]i En el MLG las hipótesis
E V
U X = 0 y ar U | X = σ 2 I implican que:
|P-100 [Hipotesis
... del MLG - Hipotesis
... sobre las pertubaciones - 2]i En el MLG las hipótesis
E V
U X = 0 y ar U | X = σ 2 I implican que:
|P-101 [Hipotesis
... del MLG - Hipotesis
... sobre las pertubaciones - 3]i En el MLG las hipótesis
E V
U X = 0 y ar U | X = σ 2 I implican que:
|P-102 [Hipotesis
... del MLG - Hipotesis
... sobre las pertubaciones - 4]i En el MLG las hipótesis
E V
U X = 0 y ar U | X = σ 2 I implican que:
...
A E(U ) = 0.
...
C Var Y | X = X β.
B EY X = X β + σ2 I . D C ov ...
Ui , Uj | X = σ 2 1; i 6= j.
|P-103 [Hipotesis del MLG - Reconocer que el modelo incumple homocedasticidad - 1]i En el
modelo Y = β1 1 + β2 X + U, (y si σ 6= 0), las perturbaciones presentan heteroscedasticidad si:
A Var(Un ) = n × σ 2 . C Var(Un ) = σ 2
B Cov Un , n|| X = 0. D Un = (10)1 + Zn , con Var(Zn ) = 5
|P-104 [Hipotesis del MLG - Reconocer que el modelo incumple homocedasticidad - 2]i En el
modelo Y = β1 1 + β2 X + U, (y si σ 6= 0), las perturbaciones presentan heteroscedasticidad si:
|P-105 [Hipotesis del MLG - Reconocer que el modelo incumple autocorrelacion - 3]i En el
modelo Y = β1 1 + β2 X + U, (y si σ 6= 0), las perturbaciones presentan autocorrelación si:
|P-106 [Hipotesis del MLG - Reconocer que el modelo incumple autocorrelacion - 4]i En el
modelo Y = β1 1 + β2 X + U, (y si σ 6= 0), las perturbaciones presentan autocorrelación si:
A Tiene esperanza igual a la esperanza de Y. C Es siempre menor o igual a uno por haber
B Es insesgado porque es igual a la media término constante.
muestral de los residuos MCO. D Las opciones anteriores son incorrectas.
... ...
Tomando esperanzas (y recordando que
...
E U X = 0 , donde X = 1 ), tenemos E βb 1 = β1;
... ...
y por tanto E βb = E E βb 1 = E(β1) = β. Por otra parte, E
...
Y 1 = E 1β + U 1 =
...
β1 + E U | 1 = β1. Ası́ la esperanza de Y es E(Y) = E E Y 1 = E(β1) = β. Por tanto Y
y βb tienen el mismo valor esperado.
A Tiene esperanza igual a la varianza de Y. C Es siempre menor o igual a uno por haber
B Es es el estimador de la media de Y . término constante.
D Las opciones anteriores son incorrectas.
|P-112 [Momentos estimadores MCO - Significado de insesgadez - 1]i La insesgadez del esti-
mador MCO de β en el MLG significa que:
Los vectores de variables aleatorias y los vectores de números son objetos distintos, ası́ que nunca
pueden ser iguales. Por otra parte, la esperanza y la varianza están definidas para variables
aleatorias o vectores de variables aleatorias (no para números o vectores de números).
Catalogo provisional
|P-113 [Momentos estimadores MCO - Significado de insesgadez - 2]i La insesgadez del esti-
mador MCO de β en el MLG significa que:
|P-114 [Momentos estimadores MCO - Significado de insesgadez - 3]i La insesgadez del esti-
mador MCO de β en el MLG significa que:
|P-115 [Momentos estimadores MCO - Significado de insesgadez - 4]i La insesgadez del esti-
mador MCO de β en el MLG significa que:
|P-116 [Momentos estimadores MCO - Implicacion hipotesis var U = sigma2 I - 1]i Considere
un m.a.s Y = X β +
... U del MLG: Y = X β + U. Indique qué afirmación requiere de la hipótesis
V
muestral: ar U | X = σ 2 I :
b es σ 2 (X | X )-1 .
A La varianza cond. de β C X| eb = 0, donde eb son los residuos MCO.
b es (X | X )-1 X | Y .
B El estimador β D El estimador βb es insesgado.
hipótesis):
... ... ...
V ar U V
b X = ar β1 + A U | X V
= ar A U | X
...
V
= A ar U | X A | = A σ 2 I A | = σ 2 (X | X )-1
Estimar por MCO significa minimizar el vector de errores del ajuste, es decir, exigir que X| eb = 0
(es lo que significa MCO independientemente de los supuestos).
Para que el estimador b
... β sea insesgado basta que el muestreo aeatorio simple de Y = X β + U
verifique que E U X = 0.
Catalogo provisional
|P-117 [Momentos estimadores MCO - Implicacion hipotesis var U =sigma2 I - 2]i Considere
un m.a.s Y = X β +
... U del MLG: Y = X β + U. Indique qué afirmación requiere de la hipótesis
V
muestral: ar U | X = σ 2 I :
|P-118 [Momentos estimadores MCO - Implicacion hipotesis var U =sigma2 I - 3]i Considere
un m.a.s Y = X β +
... U del MLG: Y = X β + U. Indique qué afirmación requiere de la hipótesis
V
muestral: ar U | X = σ 2 I :
b es σ 2 (X | X )-1 .
A La varianza cond. de β C X| eb = 0, donde eb son los residuos MCO.
b es igual a (X | X )-1 X | Y .
B El estimador β D El estimador βb es insesgado.
b es σ 2 (X | X )-1 .
A La varianza cond. de β C X| eb = 0, donde eb son los residuos MCO.
b es (X | X )-1 X | Y .
B El estimador β D Ninguna de las anteriores.
|P-123 [Necesidad de los supuestos - Expresion del estimador MCO - 3]i Considere un m.a.s
Y = X β + U de Y = X β + U. ¿Qué afirmación ...respecto del estimador b
... β es2 cierta incluso cuando
NO se cumplen las hipótesis muestrales, E V
U X = 0 y ar U | X = σ I ?
A Es insesgado. C Es eficiente.
B Es (X | X )-1 X | Y . D Ninguna de las anteriores.
|P-124 [Momentos estimadores MCO - Modelo Lineal Simple - 1]i Considere ... el m.a.s Y = X β...+U
de Y = β1 1 + β2 X + U que cumple las hipótesis rg(E(X | X )) = 2, E V
U X = 0 y ar U | X =
c2 ?
σ 2 I . ¿Qué afirmación es FALSA respecto del estimador β
A Var β c2 = β 2 . C E c2 = β2 .
β
2
c2 es un estimador consistente.
B β D De entre los estimadores lineales e insesga-
c2 es el estimador eficiente.
dos, β
... ...
Explicación: Bajo los siguientes supuestos: Y = X β + U , E
U X = 0 y EU 2 X = σ 2 ; el
estimador MCO posee las siguientes propiedades
Es insesgado: E β b =β
Es el de menor varianza
de entre todos los estimadores lineales e insesgados (en este caso
c σ2
particular, Var β2 = N s2 , donde N es el tamaño muestral). Un estimador se dice eficiente
x
si su varianza es mı́nima.
Es consistente, es decir, además de ser insesgado, su varianza tiende a cero cuando N tiende
a infinito.
Si además las perturbaciones tienen distribución normal, la varianza del estimador MCO alcanza
la cota mı́nima de Cramer-Rao (y por tanto es el estimador de mı́nima varianza de entre todos los
estimadores insesgados (incluidos los no lineales)).
|P-125 [Momentos estimadores MCO - Modelo Lineal Simple - 2]i Considere ... el m.a.s Y = X β...+U
de Y = β1 1 + β2 X + U que cumple las hipótesis rg(E(X | X )) = 2, E V
U X = 0 y ar U | X =
c2 ?
σ 2 I . ¿Qué afirmación es FALSA respecto del estimador β
A Var β c2 = σ22 , (N es tamaño muestral) C E c2 = β2 .
β
Nsx
c2 NO es un estimador consistente.
B β D De entre los estimadores lineales e insesga-
c2 es el estimador eficiente.
dos, β
Catalogo provisional
|P-126 [Momentos estimadores MCO - Modelo Lineal Simple - 3]i Considere ... el m.a.s Y = X β...+U
de Y = β1 1 + β2 X + U que cumple las hipótesis rg(E(X | X )) = 2, E V
U X = 0 y ar U | X =
c2 ?
σ 2 I . ¿Qué afirmación es FALSA respecto del estimador β
A Var β c2 = σ22 , (N es tamaño muestral) C E c2 = media muestral de x.
β
Ns
x
c2 es un estimador consistente.
B β D De entre los estimadores lineales e insesga-
c2 es el estimador eficiente.
dos, β
|P-127 [Momentos estimadores MCO - Modelo Lineal Simple - 4]i Considere ... el m.a.s Y = X β...+U
de Y = β1 1 + β2 X + U que cumple las hipótesis rg(E(X | X )) = 2, E V
U X = 0 y ar U | X =
c2 ?
σ 2 I . ¿Qué afirmación es FALSA respecto del estimador β
A Var β c2 = σ22 , (N es tamaño muestral) C E c2 = β2 .
β
Ns
x
c2 es un estimador consistente.
B β c2 es lineal e insesgado pero NO es efi-
D β
ciente por ser U un componente aleatorio.
|P-128 [Momentos estimadores MCO - Modelo Lineal Simple - 5]i Considere ... el m.a.s Y = X β...+U
de Y = β1 1 + β2 X + U que cumple las hipótesis rg(E(X | X )) = 2, E V
U X = 0 y ar U | X =
c2 ?
σ 2 I . ¿Qué afirmación es FALSA respecto del estimador β
σ2 s2
A Var β c2 = x
C E β c2 = β2 .
N , (N es tamaño muestral)
c2 es un estimador consistente.
B β D De entre los estimadores lineales e insesga-
c2 es el estimador eficiente.
dos, β
Explicación: El Teorema de Gauss-Makov desmuestra que, de entre todos los estimadores que
son simultáneamente lineales (es decir, de la forma una matriz por vector, F Y ) e insesgados, el
estimador MCO es eficiente.
Decir que un estimador es eficiente (dentro de una familia de estimadores) significa que tiene la
menor varianza (de entre todos los estimadores de dicha familia).
La demostración del Teorema de Gauss-Makov asume que el MLG cumple ... las hipótesis clasicas
... y
que se dispone de un m.a.s. Y = X β + U del mismo tal que E V
U X = 0 , que ar U | X =
σ 2 I , y que rg(E(X | X )) = k. .
Sin embargo, el Teorema NO requiere de ninguna distribución
... especial de las
... perturbaciones (basta
cualquier distribucuión compatible con que E V
U X = 0 y ar U | X = σ 2 I ).
En cuanto al estimador de máxima verosimilitud de la varianza de las perturbaciones, (b e · eb )/N ;
nada tiene que ver con el Teorema de Gauss-Makov; y como se ve más adelante en el curso, es una
forma cuadrática con un sesgo a la baja.
Catalogo provisional
|P-132 [Teorema Gauss-Markov - Hipotesis necesarias su demostracion - 1]i ¿Cuál de las sigu-
ientes hipótesis no es necesaria para demostrar el Teorema de Gauss-Markov?
|P-134 [Teorema Gauss-Markov - Hipotesis necesarias su demostracion - 3]i ¿Cuál de las sigu-
ientes hipótesis no es necesaria para demostrar el Teorema de Gauss-Markov?
A E U X... ...= 0 .
C U ∼ N 0 , σ2 I .
B Var U | X = σ2 I . D Todas las anteriores son necesarias.
|P-135 [Teorema Gauss-Markov - Hipotesis necesarias su demostracion - 4]i ¿Cuál de las sigu-
ientes hipótesis no es necesaria para demostrar el Teorema de Gauss-Markov?
A E U X... ...= 0 . C Y = Xβ + U.
B Var U | X = σ2 I . D Todas las anteriores son necesarias.
|P-136 [Teorema Gauss-Markov - Lo que dice - 1]i El Tma. de Gauss-Markov dice que bajo las
b tiene la varianza mı́nima entre:
hipótesis clásicas del MLG, el estimador β
|P-137 [Teorema Gauss-Markov - Lo que dice - 2]i El Tma Gauss-Markov dice que bajo las hipótesis
b:
clásicas del MLG, el estimador β
A es eficiente entre todos los estimadores li- C tiene la minima varianza entre los esti-
neales e insesgados de β. madores insesgados con distrib. normal.
B es el único lineal e insesgado de entre to- D Las opciones anteriores son incorrectas.
dos los estimadores lineales de distribución
gaussiana.
A El valor calculado
del estadı́stico t es C El p-valor para el contraste es
b c2 − 1)/Var
t = (β d β c2 . 2 × (P r[t(28) ≥ b
t]).
D Ninguna de las anteriores.
B El p-valor para el contraste es
1 − P r[t(28) ≥ b
t].
A El valor calculado
del estadı́stico t es C El p-valor para el contraste es
b c d c2 .
t = (β2 − 1)/Var β 2 × max(P r[t(28) ≤ b
t] , P r[t(28) ≥ b
t]).
D Ninguna de las anteriores.
B El p-valor para el contraste es
2 × min(P r[t(28) ≤ b
t] , P r[t(28) ≥ b
t]).
A El valor calculado
del estadı́stico t es C El p-valor para el contraste es
b
t=βc2 × Dt
c β c2 . 2 × max(P r[t(28) ≤ b
t] , P r[t(28) ≥ b
t]).
D Ninguna de las anteriores.
B El valor calculado
del estadı́stico t es
b c d β
t = (β2 − 1)/Var c2 .
H1 : β2 6= 0 H1 : β2 6= 0
0
−|b
t| |b
t|
Si P rob − |bt| ≤ t(N − 2) ≤ |b t| = 0,9909, entonces la probabilidad fuera de dicho intervalo es
1 − 0,9909 = 0,0091.
Dado que el contraste es bilateral, dicha probabilidad es el p-valor del contraste: p-valor = 0,0091.
Regla de decisión: Si el nivel de significación es menor que el p-valor NO se rechaza H0 y si el
p-valor es menor que el nivel de significación se rechaza H0 .
Explicación: Véase las explicaciones de las preguntas anteriores para el p-valor y reglas de decisión.
H1 : β2 > 0
−b
t 0
b
t>0
Si P rob − |bt| ≤ t(N − 2) ≤ |b t| = 0,9539, entonces la probabilidad fuera de dicho intervalo es
1 − 0,9539 = 0,0461.
Dado que el contraste es de cola derecha, toda la probabilidad a la derecha de b
t constituye el p-valor
del contraste. En este caso la mitad de la probabilidad fuera del intervalo: p-valor = 0,0230.
Catalogo provisional
H1 : β2 > 0
0 −b
t
b
t<0
Si P rob − |b t| ≤ t(N − 2) ≤ |bt| = 0,8416, entonces la probabilidad fuera de dicho intervalo es
1 − 0,8416 = 0,1584.
Dado que el contraste es de cola derecha, toda la probabilidad b
a la derecha de t constituye el p-valor
del contraste. En este caso P rob − |b t| ≤ t(N − 2) ≤ |b t| = 0,8416 más la mitad de 0,1584. Es
decir,: p-valor = 0,8416 + 0,0792 = 0,9208.
Explicación:
Véase las explicaciones
de las preguntas anteriores para el p-valor y reglas de decisión.
b b
Si P rob − |t| ≤ t(N − 2) ≤ |t| = 0,8966, entonces la probabilidad fuera de dicho intervalo es
1 − 0,8966 = 0,1034.
Dado que el contraste es de cola izquierda, toda la probabilidad a la izquierda de b t (que es un
número negativo) constituye el p-valor del contraste. En este caso la mitad de la probabilidad
fuera del intervalo: p-valor = 0,0517.
Catalogo provisional
Explicación:
Véase las explicaciones
de las preguntas anteriores.
b b
Si P rob − |t| ≤ t(N − 2) ≤ |t| = 0,9870, entonces la probabilidad fuera de dicho intervalo es
1 − 0,9870 = 0,0130.
Dado que el contraste es de cola izquierda, toda la probabilidad a la izquierda de b
t (que es un número
positivo) constituye el p-valor del contraste. En este caso P rob − |t| ≤ t(N − 2) ≤ |b
b t| = 0,9870
más la mitad de 0,0130. Es decir,: p-valor = 0,9870 + 0,0065 = 0,9935.
|P-164 [Hipotesis del MLG - Reconocer que modelo las cumple - 1]i Indique qué modelo mues-
tral cumple con TODAS las hipótesis clásicas sobre las perturbaciones (y donde X es de rango
completo por columnas y µ 6= 0):
A Y = X β + U , donde U ∼ N 0 , σ 2 I C Y = X β + U , donde U ∼ N 0 , σ 2 Ω y
Ω es una matriz diagonal no escalar.
B Y = X β + U , donde U ∼ N µ , σ 2 I
D Y = X β + U , donde U ∼ N µ , σ 2 Ω y
Ω es una matriz NO diagonal.
|P-165 [Hipotesis del MLG - Reconocer que modelo las cumple - 2]i Indique qué modelo mues-
tral cumple con TODAS las hipótesis clásicas sobre las perturbaciones (y donde X es de rango
completo por columnas y µ 6= 0):
A Yn = n|| X β + Un , con Un ∼ N 0 , σ 2 y C Yn = n|| X β + Un , con Un ∼ N 0 , σn2 y
E(Un Um ) = 0 si m 6= n. E(Un Um ) = 0 si m 6= n.
B Yn = n|| X β + Un , con Un ∼ N µ , σ 2 y D Yn = n|| X β + Un , con Un ∼ N µ , σ 2 y
E(Un Um ) = 0 si m 6= n. E(Un Um ) = σmn si m 6= n.
|P-166 [Contraste t de Student - Calculo de una probabilidad > que x usando intervalo
de confianza - Nota Econometria**]i Usando las calificaciones del examen de Econometrı́a
ası́ como las horas de estudio de un grupo de 62 alumnos, se ha estimado por MCO el modelo
Y = β1 1 + β2 X + U, donde Y representa la calificación y X las horas de estudio del estudiante.
El intervalo de confianza del 95% para la puntuación que habrı́a obtenido un alumno que hubiese
estudiado 45 horas es: [28, 40]. Si P rob(t(60) ≤ 2.0) = 0.975, donde t(60) representa una vari-
able aleatoria t de Student con 60 grados de libertad, un alumno que hubiese estudiado 45 habrı́a
obtenido 38 puntos o más con una probabilidad estimada igual a:
d = yb =
Explicación: El punto medio del intervalo es la predicción puntual de la nota, es decir, nota
34. El intervalo es yb ± 2 · σ
b (donde 2 es el valor de las tablas utilizado para que la confianza sea del
95%). Puesto que la distancia del centro del intervalo a los extremos es 6, se deduce que σ b = 3.
Ahora ya conocemos todo lo necesario para contestar. Bajo las hipótesis clásicas Y ∼ N µ , σ 2 , y
bajo la H0 de que µ = 34 tenemos que Y−34 σ
b ∼ t(60), por tanto
Y − 34 38 − 34 4
P rob (Y ≥ 38) = P rob ≥ = P rob t(60) ≥ .
3 3 3
|P-167 [Contraste t de Student - Calculo de una probabilidad < que x usando intervalo
de confianza - Nota Econometria**]i Usando las calificaciones del examen de Econometrı́a
ası́ como las horas de estudio de un grupo de 62 alumnos, se ha estimado por MCO el modelo
Y = β1 1 + β2 X + U, donde Y representa la calificación y X las horas de estudio del estudiante.
El intervalo de confianza del 95% para la puntuación que habrı́a obtenido un alumno que hubiese
estudiado 45 horas es: [28, 52]. Si P rob(t(60) ≤ 2.0) = 0.975, donde t(60) representa una vari-
able aleatoria t de Student con 60 grados de libertad, un alumno que hubiese estudiado 45 habrı́a
obtenido 46 puntos o menos con una probabilidad estimada igual a:
d = yb =
Explicación: El punto medio del intervalo es la predicción puntual de la nota, es decir, nota
40. El intervalo es yb ± 2 · σ
b (donde 2 es el valor de las tablas utilizado para que la confianza sea del
95%). Puesto que la distancia del centro del intervalo a los extremos es 12, se deduce que σ b= 6.
Ahora ya conocemos todo lo necesario para contestar. Bajo las hipótesis clásicas Y ∼ N µ , σ 2 , y
bajo la H0 de que µ = 40 tenemos que Y−40 σ
b ∼ t(60), por tanto
Y − 40 46 − 40 1
P rob (Y ≤ 46) = P rob ≤ = P rob t(60) ≤ .
6 6 1
Catalogo provisional
|P-168 [Contraste t de Student - Calculo de una probabilidad > que x usando intervalo
de confianza - Inflacion95-2000**]i Usando 62 datos mensuales de la economı́a de
Econometrilandia (de octubre de 1995 a noviembre de 2000) se ha estimado por MCO un modelo
para la inflación interanual (variable dependiente). El intervalo de confianza del 95% para la pre-
visión de la inflación de diciembre de 2000 es [−0,03, 0,09]. Si P rob[t(60) ≤ 2.0] = 0.975 donde
t(60) es una variable aleatoria t de Student con 60 grados de libertad, la probabilidad estimada
de que la inflación interanual en diciembre de 2000 resulte superior al objetivo gubernamental de
−0,01 es igual a:
Explicación: El punto medio del intervalo es la predicción puntual de la inflación, es decir, yb = 0,03.
El intervalo es yb±2·b
σ (donde 2 es el valor de las tablas utilizado para que la confianza sea del 95%).
Puesto que la distancia del centro del intervalo a los extremos es 0,06, se deduce que σ b = 0,03.
Ahora ya conocemos todo lo necesario para contestar. Bajo las hipótesis clásicas Y ∼ N µ , σ 2 , y
bajo la H0 de que µ = 0,03 tenemos que Y−0,03 σ
b ∼ t(60), por tanto
Y − 0,03 −0,01 − 0,03 4
P rob (Y ≥ −0,01) = P rob ≥ = P rob t(60) ≥ − .
0,03 0,03 3
|P-169 [Contraste t de Student - Calculo de una probabilidad < que x usando intervalo
de confianza - Inflacion95-2000**]i Usando 62 datos mensuales de la economı́a de
Econometrilandia (de octubre de 1995 a noviembre de 2000) se ha estimado por MCO un mod-
elo para la inflación interanual (variable dependiente). El intervalo de confianza del 95% para la
previsión de la inflación de diciembre de 2000 es [0,00, 0,08]. Si P rob[t(60) ≤ 2.0] = 0.975 donde
t(60) es una variable aleatoria t de Student con 60 grados de libertad, la probabilidad estimada de
que la inflación interanual en diciembre de 2000 resulte inferior al objetivo gubernamental de 0,10
es igual a:
Explicación: El punto medio del intervalo es la predicción puntual de la inflación, es decir, yb = 0,04.
El intervalo es yb±2·b
σ (donde 2 es el valor de las tablas utilizado para que la confianza sea del 95%).
Puesto que la distancia del centro del intervalo a los extremos es 0,04, se deduce que σ b = 0,02.
Ahora ya conocemos todo lo necesario para contestar. Bajo las hipótesis clásicas Y ∼ N µ , σ 2 , y
bajo la H0 de que µ = 0,04 tenemos que Y−0,04 σ
b ∼ t(60), por tanto
Y − 0,04 0,10 − 0,04 3
P rob (Y ≤ 0,10) = P rob ≤ = P rob t(60) ≤ .
0,02 0,02 1
Catalogo provisional
|P-170 [Contraste t de Student - Calculo de una probabilidad de beta < h usando inter-
valo de confianza - 1**]i Con una muestra de tamaño 85 que cumple todas las hipótesis
se estima por MCO el MLG Y = X β + U que cuenta con 5 regresores. La estimación del intervalo
de confianza al 90% para β2 es: − 13 , 19
3 . Si para una variable t de Student con 80 grados de
libertad P rob t(80) ≤ 53 = 0,95 , la probabilidad estimada de que β2 sea menor o igual a 43 es:
A P rob[t(80) ≤ − 65 ]. C P rob[t(80) ≤ 13
6 ].
13
B 1 − P rob[t(80) < 10 ].
D 1 − P rob[t(80) < 45 ].
Explicación: La distancia del centro del intervalo a los extremos es 12 19 3 − − 1
3 = 10
3 ; y la
estimación puntual βc2 es el punto medio del intervalo, es decir, β c2 = − 1 10
3 + 3 = 3. Como el
c 5
intervalo es β2 ± 3 · σ 5
b (donde 3 es el valor de las tablas utilizado para que la confianza sea del
90%) y la distancia del centro a los extremos es 53 · σ
b = 10 b = 10
3 , se deduce que σ
3
3 · 5 = 2. Ası́, bajo
β 2 −(3)
la H0 de que β2 = 3 tenemos que ∼ t(80), por tanto
c
σ
b
" #
4 c2 − (3)
β 4
− (3) 5 5
P rob βc2 ≤ = P rob ≤ 3
= P rob t(80) ≤ − = 1 − P rob t(80) > − .
3 2 2 6 6
|P-171 [Contraste t de Student - Calculo de una probabilidad de beta < h usando inter-
valo de confianza - 2**]i Con una muestra de tamaño 84 que cumple todas las hipótesis
se estima por MCO el MLG Y = X β + U que cuenta con 4 regresores. La estimación del intervalo
de confianza al 90% para β2 es: − 11 , 19 . Si para una variable t de Student con 80 grados de
libertad P rob t(80) ≤ 53 = 0,95 , la probabilidad estimada de que β2 sea menor o igual a 32
3 es:
20 44
A 1 − P rob[t(80) > 9 ].
C 1 − P rob[t(80) > 9 ].
B P rob[t(80) ≤ 34 ]. D P rob[t(80) ≤ 32
5 ].
|P-172 [Contraste t de Student - Calculo de una probabilidad de beta > h usando inter-
valo de confianza - 3**]i Con una muestra de tamaño 13 que cumple todas las hipótesis
se estima por MCO el MLG Y = X β + Uque cuenta con 2 regresores. La estimación del intervalo
2 38
de confianza al
90% para β2 es: 5 , 5 . Si para una variable t de Student con 11 grados de
libertad P rob t(11) ≤ 5 = 0,95 , la probabilidad estimada de que β2 sea mayor o igual a − 16
9
5 es:
A P rob[t(11) ≥ − 18
5 ].
C P rob[t(11) ≥ 25 ].
B 1 − P rob[t(11) > 92 ]. D 1 − P rob[t(11) > − 41 ].
|P-173 [Contraste t de Student - Calculo de una probabilidad de beta > h usando inter-
valo de confianza - 4**]i Con una muestra de tamaño 27 que cumple todas las hipótesis
se estima por MCO el MLG Y = X β + U que cuenta con 4 regresores. La estimación del intervalo
4 6
de confianza al
98% para β2 es: − 1 , 1 . Si para una variable t de Student con 23 grados de
libertad P rob t(23) ≤ 2 = 0,99 , la probabilidad estimada de que β2 sea mayor o igual a 16 es:
5
Explicación: La hipótesis nula en el Contraste de Significacion Global (del modelo o de las pendi-
entes) es que todos los parámetros que multiplican a regresores no constantes (los coeficientes de los
regresores distintos de 1) son todos simultáneamente nulos (todos cero). La hipótesis alternativa
es que la nula es falsa, es decir, que no todos son cero.
|P-179 [Contraste F - Reconocer el estadistico para contrastar una H. nula con una sola
restriccion** - 1]i Si el modelo muestral Y = β1 1 + β2 X | 2 + β3 X | 3 + U cumple todas las
c2 y β
hipótesis clásicas y β c3 son los estimadores MCO de β2 y de β3 , respectivamente, indique cuál
de los estadı́sticos siguientes sigue una distribución F bajo la hipótesis de que 5β2 − 2β3 = 3 :
2
c2 − 2β
5β c3 − 3 c2 − 2βc3 − 3
A r . 5β
C .
25Var βc2 + 4Var β c3 − 20Cov βc2 , β
c3 c2 + 4Var β c3 − 20Cov β c2 , β
c3
25Var β
c2 − 2β
c3 − 3 2
5β c2 − 2β
5β c3 − 3
B r r .
c2 + 2Var β c3 D .
5Var β 25Var β c + 4Var β c2 3
Explicación: Dado que la hipótesis r1 β + r2 β = b tiene una sola restricción lineal, el estadı́stico
2
c c2 − b
r1 β1 + r2 β 2
es F = d c c = (T ) ; y su raı́z cuadrada es el estadı́stico T que también se puede
Var( r1 β1 +r2 β2 )
emplear en el contraste si la hipótesis alternativa es H1 : r1 β + r2 β 6= b.
Catalogo provisional
|P-180 [Contraste F - Reconocer el estadistico para contrastar una H. nula con una sola
restriccion** - 2]i Si el modelo muestral Y = β1 1 + β2 X | 2 + β3 X | 3 + U cumple todas las
c2 y β
hipótesis clásicas y β c3 son los estimadores MCO de β2 y de β3 , respectivamente, indique cuál
de los estadı́sticos siguientes sigue una distribución F bajo la hipótesis de que 3β2 − 3β3 = 1 :
2
3βc2 − 3β
c3 − 1 c2 − 3β
c3 − 1
A r 3β
. C .
c2 + 9Var β
9Var β c3 − 18Cov βc2 , β
c3 c2 + 9Var β c3 − 18Cov βc2 , β
c3
9Var β
c2 − 3β
c3 − 1 2
3β c2 − 3β
3β c3 − 1
B r .
c c c c D .
9Var β2 + 18Var β3 − 9Cov β2 , β3 c2 + 18Var β
9Var β c3 − 9Cov βc2 , β
c3
|P-181 [Contraste F - Reconocer el estadistico para contrastar una H. nula con una sola
restriccion** - 3]i Si el modelo muestral Y = β1 1 + β2 X | 2 + β3 X | 3 + U cumple todas las
c2 y β
hipótesis clásicas y β c3 son los estimadores MCO de β2 y de β3 , respectivamente, indique cuál
de los estadı́sticos siguientes sigue una distribución F bajo la hipótesis de que 3β2 + 2β3 = 1 :
2
3βc2 + 2β
c3 − 1 c2 + 2β
c3 − 1
A r 3β
. C .
c c c
9Var β2 + 4Var β3 − 12Cov β2 , β3 c c2 + 4Var β c3 + 12Cov β c2 , β
c3
9Var β
2 2
c2 + 2β
3β c3 − 1 c2 + 2β
3β c3 + 1
B . D .
c2 + 12Var β
9Var β c3 − 4Cov βc2 , β
c3 c2 + 12Var β
9Var β c3 − 4Cov β c2 , β
c3
Y =β1 1 + (3 − β3 )X | 2 + β3 X | 3 + U
=β1 1 + 3X | 2 − β3 X | 2 + β3 X | 3 + U
Y =β1 1 + β2 X | 2 + (3 − β2 )X | 3 + U
=β1 1 + β2 X | 2 + 3X | 3 − β2 X | 3 + U
y por tanto Y − 3X | 3 = β1 1 + β2 (X | 2 − X | 3 ) + U .
Catalogo provisional
Y =β1 1 − β3 X | 2 + β3 X | 3 + U
Y =β1 1 + β2 X | 2 − β2 X | 3 + U
y por tanto Y = β1 1 + β2 (X |2 − X |3 ) + U .
Y =β1 1 + (−1 − β3 )X | 2 + β3 X | 3 + U
=β1 1 − 1X | 2 − β3 X | 2 + β3 X | 3 + U
Y =β1 1 + β2 X | 2 + (−1 − β2 )X | 3 + U
=β1 1 + β2 X | 2 − 1X | 3 − β2 X | 3 + U
y por tanto Y + 1X | 3 = β1 1 + β2 (X | 2 − X | 3 ) + U .
Catalogo provisional
Y =(4 + β3 )1 + β2 X | 2 + β3 X | 3 + U
=4 · 1 + β3 1 + β2 X | 2 + β3 X | 3 + U
y por tanto Y + 4X | 3 = β1 (1 + X | 3 ) + β2 X | 2 + U .
c∗
|P-194 [Estimacion MCO con restricciones lineales - momentos - 1]i Respecto al estimador β
en el modelo Y = X β + U bajo las restricciones lineales Aβ = c:
A Es sesgado cuando Aβ 6= c.
B Siempre es insesgado pero con mayor varianza que el estimador MCO (tal como afirma el
Tma. de Gauss-Markov).
C Tiene mayor varianza que el estimador MCO solo cuando Aβ 6= c.
c∗ no es lineal.
D El Tma. de Gauss-Markov no es aplicable pues el estimador β
La varianza del estimador MCR es menor o igual que la del estimador MCO (el conjunto de
posibles valores es menor), y por tanto la diferencia entre la matriz de varianzas del estimador
MCO y el estimador MCR es semi-definida positiva.
Al proyectar sobre el subconjunto de combinaciones de regresores que cumplen la restricción,
los parámetros estimados necesariamente cumplen la restricción. Si los verdaderos parámet-
ros no cumplen la restricción (restricción falsa) entonces la estimación MCR es sesgada.
El estimador es lineal y sesgado; salvo cuando MCR y MCO coinciden (es decir, cuando
Aβ = c). Por tanto, el Tma. de Gauss-Markov solo aplica cuando MCR coincide con MCO
(pues en el serto de casos MCR es lineal pero sesgado).
c∗
|P-195 [Estimacion MCO con restricciones lineales - momentos - 2]i Respecto al estimador β
en el modelo Y = X β + U bajo las restricciones lineales Aβ = c:
A Es insesgado cuando Aβ 6= c.
B Tiene una varianza menor o igual que el estimador MCO.
C Tiene una varianza menor o igual que el estimador MCO sólo cuando Aβ = c.
D Las opciones anteriores son incorrectas.
c∗
|P-196 [Estimacion MCO con restricciones lineales - momentos - 3]i Respecto al estimador β
en el modelo Y = X β + U bajo las restricciones lineales Aβ = c:
A Es sesgado cuando Aβ = c.
B Siempre es sesgado aunque con mayor varianza que el estimador MCO.
C Tiene mayor varianza que el estimador MCO cuando Aβ 6= c.
D Las opciones anteriores son incorrectas.
c∗
|P-197 [Estimacion MCO con restricciones lineales - momentos - 4]i Respecto al estimador β
en el modelo Y = X β + U bajo las restricciones lineales Aβ = c:
A Es sesgado cuando Aβ = c.
B Siempre es sesgado aunque con menor o igual varianza que el estimador MCO.
C Tiene mayor varianza que el estimador MCO cuando Aβ 6= c.
D Que βc∗ tenga varianza menor o igual que β
b no contradice el Tma. de Gauss-Markov, pues
c usa más información.
β ∗
c∗
|P-198 [Estimacion MCO con restricciones lineales - momentos - 5]i Respecto al estimador β
en el modelo Y = X β + U bajo las restricciones lineales Aβ = c:
A Es sesgado cuando Aβ 6= c.
b.
B Siempre es sesgado aunque con una varianza menor o igual que β
b solo cuando Aβ = c.
C Tiene varianza menor o igual que β
c∗ tenga varianza mayor que β
D Que β b es consecuencia del Tma. de Gauss-Markov.
c∗
|P-199 [Estimacion MCO con restricciones lineales - momentos - 6]i Respecto al estimador β
en el modelo Y = X β + U bajo las restricciones lineales Aβ = c:
b (no restringido) de β
A Tiene varianza menor o igual que β
B Es insesgado cuando Aβ 6= c.
b (no restringido) de β sólo cuando Aβ = c.
C Puede tener mayor varianza que β
b (no restringido) de β sólo cuando Aβ 6= c.
D Puede tener mayor varianza que β
|P-200 [Estimacion MCO con restricciones lineales - momentos - 7]i Respecto al estimador β b
en el modelo Y = X β + U bajo las restricciones lineales Aβ = c, la diferencia entre la matriz de
varianzas-covarianzas del estimador MCO (no restringido) y la del estimador MCR (restringido)
es:
A Una matriz semidefinida positiva.
B Una matriz definida negativa cuando la restricción Aβ = c es falsa.
C Una matriz no definida cuando no se sabe si Aβ = c es cierto.
D Las opciones anteriores son incorrectas.
|P-201 [Estimacion MCO con restricciones lineales - SRC y R2 - 1]i Respecto a la estimación
c∗ en el modelo Y = X β + U bajo restricciones lineales Aβ = c:
β
(el asterı́sco “*” indica estimación MCR y sin asterı́sco estimación MCO)
∗
A SRC ∗ ≥ SRC. C R2 ≥ R2 .
B SRC ∗ ≤ SRC. D Las opciones anteriores son incorrectas.
Explicación:Si la estimación MCO verifica la restricción, entonces SRC y SRC ∗ son iguales. Si
no la verifica, entonces el valor ajustado por MCR debe ser distinto del valor ajustado MCO (que
minimiza el vector de errores), y por tanto SRC ∗ será mayor que SRC. Ası́: R2 = 1 − SRC ST C ≥
∗
2∗
1 − SRC
ST C = R .
|P-202 [Estimacion MCO con restricciones lineales - SRC y R2 - 2]i Respecto a la estimación
c∗ en el modelo Y = X β + U bajo restricciones lineales Aβ = c:
β
(el asterı́sco “*” indica estimación MCR y sin asterı́sco estimación MCO)
∗ ∗
A R2 ≤ R2 . C R2 ≥ R2 .
B SRC ∗ ≤ SRC. D Las opciones anteriores son incorrectas.
|P-203 [Estimacion MCO con restricciones lineales - SRC y R2 - 3]i Respecto a la estimación
c∗ en el modelo Y = X β + U bajo restricciones lineales Aβ = c:
β
(el asterı́sco “*” indica estimación MCR y sin asterı́sco estimación MCO)
∗ ∗
A R2 = R2 cuando A βb 6= c. C R2 ≥ R2 .
B SRC ∗ ≤ SRC. D Las opciones anteriores son incorrectas.
|P-204 [Estimacion MCO con restricciones lineales - SRC y R2 - 4]i Respecto a la estimación
c∗ en el modelo Y = X β + U bajo restricciones lineales Aβ = c:
β
(el asterı́sco “*” indica estimación MCR y sin asterı́sco estimación MCO)
∗ ∗
A R2 = R2 cuando A βb = c. C R2 ≥ R2 cuando A βb = c.
B SRC ≤ SRC cuando A βb 6= c.
∗ D Las opciones anteriores son incorrectas.
|P-205 [Estimacion MCO con restricciones lineales - SRC y R2 - 5]i Respecto a la estimación
c∗ en el modelo Y = X β + U bajo restricciones lineales Aβ = c:
β
(el asterı́sco “*” indica estimación MCR y sin asterı́sco estimación MCO)
∗ ∗
A R2 = R2 cuando A βb 6= c. C R2 > R2 cuando A βb 6= c.
B SRC ∗ = SRC cuando A βb = c. D Las opciones anteriores son incorrectas.
|P-206 [Estimacion MCO con restricciones lineales - SRC y R2 - 6]i Respecto a la estimación
c∗ en el modelo Y = X β + U bajo restricciones lineales Aβ = c:
β
(el asterı́sco “*” indica estimación MCR y sin asterı́sco estimación MCO)
∗ ∗
A R2 = R2 cuando A βb 6= c. C R2 > R2 cuando A βb 6= c.
B SRC ∗ < SRC cuando A βb = c. D Las opciones anteriores son incorrectas.
|P-207 [Estimacion MCO con restricciones lineales - Dist F - 1]i Respecto a la estimación
c∗ en el modelo Y = X β + U bajo las restricciones lineales Aβ = c. Si el rango de A
β
[r×k]
es r, N es el tamaño muestral y k el número de regresores del modelo sin restringir. ¿Cuáles
de los siguientes estadı́sticos tienen una distribución F con r y N − k grados de libertad?:
(el asterı́sco “*” indica estimación MCR y sin asterı́sco estimación MCO)
|P-208 [Estimacion MCO con restricciones lineales - Dist F - 2]i Respecto a la estimación β c∗
en el modelo Y = X β + U con término constante bajo las restricciones lineales Aβ = c. Si el
rango de A es r, N es el tamaño muestral y k el número de regresores del modelo sin restringir.
[r×k]
¿Cuáles de los siguientes estadı́sticos tienen una distribución F con r y N − k grados de libertad?:
(el asterı́sco “*” indica estimación MCR y sin asterı́sco estimación MCO)
∗ ∗
N −k R2 −R2 N −k R2 −R2
A r 1−R2
C r R2
∗
N −k R2 −R2 D Ninguno de los anteriores.
B r 1−R2
Explicación: Si ambos modelos, restringido y sin restringir, tienen término constante, entonces
resulta que SRC = ST C − SEC , y también SRC ∗ = ST C − SEC ∗ ; y por tanto, R2 = SEC ST C y
2∗ SEC ∗
también R = ST C . Ası́ podemos re-escribir el estadı́stico como:
N − k SEC − SEC ∗
= ·
r ST C − SEC
∗
N − k R2 − R2
= · dividiendo y multiplicando por ST C
r 1 − R2
Catalogo provisional
c∗
|P-209 [Estimacion MCO con restricciones lineales - Dist F - 3]i Respecto a la estimación β
en el modelo Y = X β + U bajo las restricciones lineales Aβ = c. Si el rango de A es r,
[r×k]
N es el tamaño muestral y k el número de regresores del modelo sin restringir. ¿Cuáles de
los siguientes estadı́sticos tienen una distribución t de Student con N − k grados de libertad?:
(el asterı́sco “*” indica estimación MCR y sin asterı́sco estimación MCO)
|P-210 [Estimacion MCO con restricciones lineales - Dist F - 4]i Respecto a la estimación β c∗
en el modelo Y = X β + U bajo las restricciones lineales Aβ = c. Si el rango de A es r, N es el
[r×k]
tamaño muestral y k el número de regresores del modelo sin restringir. ¿Cuáles de los siguientes
estadı́sticos tienen una distribución que es el cuadrado de una t de Student con N − k grados de
libertad?: (el asterı́sco “*” indica estimación MCR y sin asterı́sco estimación MCO)
|P-217 [Estimacion MCO con restricciones lineales - Cuando las estimaciones MCO y MCO
restringida coinciden - 1]i En el modelo de regresión Y = β1 1 + β2 X | 2 + β3 X | 3 + U se desea
contrastar la hipótesis nula H0 : β2 − β3 = 1 frente a la hipótesis alternativa H1 : β2 − β3 6= 1. Si
con una muestra de 20 observaciones el valor calculado del estadı́stico t correspondiente es igual a
0, entonces: (el asterı́sco “*” indica estimación MCR y sin asterı́sco estimación MCO)
es cero si y solo si R βb = 1; y por tanto la estimación MCO sin restricciones verifica la restricción,
c2 − β
es decir, β c3 = 1. En tal caso imponer la restricción en la estimación no cambia los valores
estimados (ni los errores, ni el ajuste). Además, al ser el valor del estadı́stico igual a cero (p-
valor= 1), nunca se puede rechazar H0 .
Catalogo provisional
|P-218 [Estimacion MCO con restricciones lineales - Cuando las estimaciones MCO y MCO
restringida coinciden - 2]i En el modelo de regresión Y = β1 1 + β2 X | 2 + β3 X | 3 + U se desea
contrastar la hipótesis nula H0 : β2 − β3 = 1 frente a la hipótesis alternativa H1 : β2 − β3 6= 1. Si
con una muestra de 20 observaciones el valor calculado del estadı́stico t correspondiente es distinto
de 0, entonces: (el asterı́sco “*” indica estimación MCR y sin asterı́sco estimación MCO)
|P-219 [Estimacion MCO con restricciones lineales - Cuando las estimaciones MCO y MCO
restringida coinciden - 3]i En el modelo de regresión Y = β1 1 + β2 X | 2 + β3 X | 3 + U se desea
contrastar la hipótesis nula H0 : β2 − β3 = 1 frente a la hipótesis alternativa H1 : β2 − β3 6= 1. Si
con una muestra de 20 observaciones el valor calculado del estadı́stico t correspondiente es igual a
0, entonces: (el asterı́sco “*” indica estimación MCR y sin asterı́sco estimación MCO)
|P-220 [Estimacion MCO con restricciones lineales - Cuando las estimaciones MCO y MCO
restringida coinciden - 4]i En el modelo de regresión Y = β1 1 + β2 X | 2 + β3 X | 3 + U se desea
contrastar la hipótesis nula H0 : β2 − β3 = 1 frente a la hipótesis alternativa H1 : β2 − β3 6= 1. Si
con una muestra de 20 observaciones el valor calculado del estadı́stico t correspondiente es igual a
0, entonces: (el asterı́sco “*” indica estimación MCR y sin asterı́sco estimación MCO)
|P-221 [Estimacion MCO con restricciones lineales - Cuando las estimaciones MCO y MCO
restringida coinciden - 5]i En el modelo de regresión Y = β1 1 + β2 X | 2 + β3 X | 3 + U se desea
contrastar la hipótesis nula H0 : β2 − β3 = 1 frente a la hipótesis alternativa H1 : β2 − β3 6= 1. Si
con una muestra de 20 observaciones el valor calculado del estadı́stico t correspondiente es igual a
0, entonces: (el asterı́sco “*” indica estimación MCR y sin asterı́sco estimación MCO)
|P-222 [Estimacion MCO con restricciones lineales - Cuando las estimaciones MCO y MCO
restringida coinciden - 6]i En el modelo de regresión Y = β1 1 + β2 X | 2 + β3 X | 3 + U se desea
contrastar la hipótesis nula H0 : β2 − β3 = 1 frente a la hipótesis alternativa H1 : β2 − β3 6= 1. Si
con una muestra de 20 observaciones el valor calculado del estadı́stico t correspondiente es distinto
de 0, entonces: (el asterı́sco “*” indica estimación MCR y sin asterı́sco estimación MCO)
|P-223 [Modelos con Logaritmos - Lograr linealidad en los parametros tras una trasfor-
macion logaritmica del modelo - 1]i Indique en cuáles de los siguientes modelos NO se po-
drı́an estimar por MCO los parámetros β1 y β2 (ni tan siquiera tras una trasformación logarı́tmica
del modelo):
Explicación:
Y = β1 1 + X 1/β2 + U → log Y = log β1 1 + X 1/β2 + U
|P-224 [Modelos con Logaritmos - Lograr linealidad en los parametros tras una trasfor-
macion logaritmica del modelo - 2]i Indique en cuáles de los siguientes modelos NO se po-
drı́an estimar por MCO los parámetros β1 y β2 (ni tan siquiera tras una trasformación logarı́tmica
del modelo):
1
A Y = e(β1 1+β2 X +U) . C Y = e(β1 1+β2 X+U) .
B Y = eβ1 1 X β2 eU . D Todos se pueden transformar para obtener
un modelo lineal en los parámetros
|P-225 [Modelos con Logaritmos - Lograr linealidad en los parametros tras una trasfor-
macion logaritmica del modelo - 3]i Indique en cuáles de los siguientes modelos se podrı́an
estimar por MCO los parámetros β1 y β2 tras una trasformación logarı́tmica del modelo:
|P-226 [Modelos con Logaritmos - Lograr linealidad en los parametros tras una trasfor-
macion logaritmica del modelo - 4]i Indique en cuál de los siguientes modelos NO se podrı́an
estimar por MCO los parámetros β1 y β2 (ni tan siquiera tras una trasformación logarı́tmica del
modelo):
U
A Y = e(β1 1+β2 X) . C Y = eβ1 1+β2 X+U .
B Y = eβ1 1 X β2 eU . D Todos se pueden transformar para obtener
un modelo lineal en los parámetros
|P-227 [Consumo de bienes duraderos - Gujarati Tabla 6.3 - 1]i Con datos trimestrales sobre el
consumo (en miles de millones de en dólares de 1992) de familias americanas en los años 90 se ha
estimado el modelo
l GBduraderos
\ = −9.70900 + 1.90689 l Consumo
(0.62879) (0.074336)
|P-228 [Consumo de bienes duraderos - Gujarati Tabla 6.3 - 2]i Con datos trimestrales sobre el
consumo (en miles de millones de dólares de 1992) de familias americanas en los años 90 se ha
estimado el modelo
l GBduraderos
\ = 6.22579 + 0.0146323 t
(0.0092939) (0.00070893)
|P-229 [Consumo de bienes duraderos - Gujarati Tabla 6.3 - 3]i Con datos trimestrales sobre el
consumo (en miles de millones de dólares de 1992) de familias americanas en los años 90 se ha
estimado el modelo
GBduraderos
\ = 496.319 + 9.49169 t
(7.1593) (0.51472)
|P-230 [Consumo de comida - Gujarati Tabla 2.8 - 1]i Con datos del gastos en consumo totales y
gastos en alimentos de varias familias de la India (en rupias) se ha estimado el modelo
donde foodexp es el gasto en alimentos y totexp es el logaritmo del gasto total de las familias
(desviaciones tı́picas entre paréntesis). A la luz del resultado, aproximadamente:
A Una rupia adicional en el gasto total supone un aumento medio de 2.50 rupias en el gasto en
alimentación.
B Un 1% adicional en el gasto total supone un aumento medio de 2.50 rupias en el gasto en
alimentación.
C Una rupia adicional en el gasto total supone un aumento del 2.50% en el gasto en alimentación
D Las afirmaciones anteriores son falsas.
Explicación:Modelo lin-log: el regresando está en niveles, por lo que la lectura es un cambio absoluto
medio medido en las unidades del regresando. El regresor está en logaritmos por lo que asumiremos
una variación relativa pequeña para que la aproximación no sea demasiado mala (por ejemplo
1% ∼ 0.01). Entonces:
249.50 × 0.01 = 2.50 rupias.
Catalogo provisional
|P-231 [Consumo de comida - Gujarati Tabla 2.8 - 2]i Con datos del gastos en consumo totales y
gastos en alimentos de varias familias de la India (en rupias) se ha estimado el modelo
donde foodexp es el gasto en alimentos y totexp es el logaritmo del gasto total de las familias
(desviaciones tı́picas entre paréntesis). ¿Qué afirmación representa una mejor aproximación?
Explicación:La interpretación con solo es correcta con una variación infinitesimal, ası́ que la afir-
mación más aproximada es la que asume un menor incremento relativo del regresor.
|P-232 [Consumo de comida - Gujarati Tabla 2.8 - 3]i Con datos del gastos en consumo totales y
gastos en alimentos de varias familias de la India (en rupias) se ha estimado el modelo
donde foodexp es el gasto en alimentos y totexp es el logaritmo del gasto total de las familias
(desviaciones tı́picas entre paréntesis). A la luz del resultado, aproximadamente:
A Una rupia adicional en el gasto total supone un aumento medio de 2.66 rupias en el gasto en
alimentación.
B Un 1% adicional en el gasto total supone un aumento medio de 2.66% en el gasto en ali-
mentación.
C Una rupia adicional en el gasto total supone un aumento del 2.66% en el gasto en alimentación
D Las afirmaciones anteriores son falsas.
|P-233 [Consumo de comida - Ramanathan Ex 6.1 - 1]i Con datos del precio (miles de dólares) y
superfie (en pies al cuadrado) de casas unifamiliares en el Campus de San Diego se ha estimado el
modelo
donde price es el precio y l sqft es el logaritmo de la superficie (desviaciones tı́picas entre parén-
tesis). A la luz del resultado, aproximadamente:
|P-234 [Salario de profesores - Gujarati Tabla 9.1 - 1]i Con datos del salario medio en escuelas
públicas de EEUU se ha estimado el modelo
donde SALARY es el salario (en dólares), D1 es uno para estados del Norte o Noreste y cero
para el resto; y D2 es uno para estados del Sur y cero para el resto (desviaciones tı́picas entre
paréntesis). Aproximadamente el salario medio estimado (en dólares) en los estados del
Explicación:
Si el estado es del Oeste, tanto D1 como D2 son cero, por lo que la constante estimada será
el salario medio de los estados del Oeste: 26465
Si el estado es del Sur, D1 es cero y D2 es uno, por lo que al valor de la constante se le añade
el valor estimado para parámetro que acompaña D2: 26465 + (−4383) = 22082
|P-235 [Salario de profesores - Gujarati Tabla 9.1 - 1M]i Con datos del salario medio en es-
cuelas públicas de EEUU se ha estimado el modelo
donde SALARY es el salario (en dólares), D1 es uno para estados del Norte o Noreste (cero para
el resto) y D2 es uno para estados del Sur (y cero para el resto)
(desviaciones tı́picas entre paréntesis). Calcule el salario medio (en miles de dólares) de un
profesor de un estado del Sur. (Codifique el resultado en la hoja de respuestas)
Explicación:Véase las explicaciones de las preguntas anteriores.
Además, como el parámetro el asociado a D2 recoge la diferencia de salario entre el grupo de
referencia y los estados del Sur, un profesor que enseñe en un estado de sur cobrará −3491,7
1000 miles
de dólares menos que uno del Oeste.
|P-236 [Salario de profesores - Gujarati Tabla 9.1 - 2]i Con datos del salario medio en escuelas
públicas de EEUU se ha estimado el modelo
donde SALARY es el salario (en dólares), D1 es uno para estados del Norte o Noreste (cero para
el resto), D2 es uno si el estado es del Sur (y cero para el resto) y SPENDNG es el gasto por
alumno que dedica cada estado (desviaciones tı́picas entre paréntesis). A la luz del resultado, el
salario medio en dólares si el estado gasta 3200 dolares por alumno y se encuentra al
|P-237 [Salario de profesores - Gujarati Tabla 9.1 - 2M]i Con datos del salario medio en es-
cuelas públicas de EEUU se ha estimado el modelo
donde SALARY es el salario (en dólares), D1 es uno para estados del Norte o Noreste (cero para
el resto), D2 es uno para estados del Sur (cero para el resto) y SPENDNG es el gasto por alumno
que dedica cada estado (desviaciones tı́picas entre paréntesis). Calcule el salario medio (en miles
de dólares) de un profesor de un estado del Noreste que gasta 3200 $ por alumno. (Codifique el
resultado en la hoja de respuestas)
Explicación: Aunque haya un alto grado de multicolinealidad entre los regresores, las columnas de
la matriz X no dejan de ser linealmente independientes, por lo que existe (X | X )-1 y el estimador
MCO está definido. No obstante, el determinante de X | X será muy pequeño, lo que hará que las
varianzas de los estimadores sean enormes (aunque siempre menores o iguales a las de cualquier
otro estimador lineal e insesgado). Esa bajı́sima precisión de los estimadores individuales ocasiona
que muy dificilmente se pueda rechazar ninguna hipótesis individual, pues la incertidumbre sobre
los verdaderos valores individuales de los parámetros es enorme (dicho de otra forma, la estimación
por intervalos arroja unos intervalos muy, muy, muy grandes).
En general, (X | X )-1 nunca es diagonal, por lo que las covarianzas estimadas entre los estimadores
MCO nunca son nulas.
A Es sesgado C No es único
B Es ineficiente pues su matriz de varianzas- D Las afirmaciones anteriores son falsas.
covarianzas ya no es σ 2 (X | X )-1 .
A Es insesgado C Es único
B Es eficiente y su matriz de varianzas- D Las afirmaciones anteriores son falsas.
covarianzas es σ 2 (X | X )-1 .
Explicación:Cuando el coeficiente de correlación lineal simple entre dos regresores es igual a uno
en valor absoluto, uno de ellos es múltiplo del otro.
Explicación: Los efectos individuales de uno y otro regresor serán difı́ciles de estimar, pues ambas
varibles tendrán un comportamiento muy, muy parecido. Es decir, habrá un elevado grado de
colinealidad entre ambas variables, y por tanto la varianza del estimador será muy elevada. Pero
como no hay multicolinealidad exacta, existe el estimador MCO con todas sus buenas propiedades
(insesgado y eficiente).
A Tiene la misma varianza que el estimador C Tiene mayor varianza que el estimador
MCO. MCO.
B Tiene un sesgo a la baja. D Las opciones anteriores son incorrectas.
A Es insesgado pero con menor varianza que C Tiene mayor varianza que el estimador
el estimador MCO. MCO.
B Tiene un sesgo a la baja. D Las opciones anteriores son incorrectas.
e · eb )/(N − k).
A Tiene menor varianza que el estimador MCO, (b
e · eb )/(N − k), por lo que es
B Es sesgado pero tiene menor varianza que el estimador MCO, (b
eficiente.
e · eb )/(N − k).
C Es insesgado y tiene mayor varianza que el estimador MCO, (b
e · eb )/(N − k).
D Es sesgado y tiene mayor varianza que el estimador MCO, (b
|P-266 [Maxima Verosimilitud - Hipotesis modelo clasico de regresion lineal]i Dado el mod-
elo muestral Y = β1 1 + β2 X + U del MLG Y = β1 1 + β2 X + U, indique cuál de las siguientes
afirmaciones es FALSA:
A Aunque no se conozca la verdadera distribución de las perturbaciones, es necesario suponer
que siguen una distribución normal y que son independientes e idénticamente distribuidas
para poder estimar β1 y β2 por MCO.
B Si no se conoce la verdadera función de distribución de las perturbaciones, no se puede estimar
β1 y β2 por Máxima Verosimilitud.
C Aunque no se conozca la verdadera distribución de las perturbaciones, si éstas tienen esper-
anza igual a cero, el estimador de β1 y β2 por MCO es insesgado.
D Si las perturbaciones siguen una distribución normal, son independientes e idénticamente
distribuidas, con esperanza igual a 0 y varianza positiva y constante, los estimadores por
MCO y por Máxima Verosimilitud son iguales entre sı́.
A Tiene la menor varianza de todos los esti- C Proporciona estimaciones que coinciden
madores insesgados (alcanza la cota mı́n- con el verdadero valor de β.
ima de Cramer-Rao). D Siempre proporciona estimaciones muy
B Es muy preciso incluso si X presenta mul- próximas al verdadero valor de β.
ticolinealidad aproximada.
|P-268 [Error de especificacion - Sesgos por omision de la Cte]i Cuando en el modelo Y =
β1 1 + β2 X + U se omite por error el término constante, de manera que se especifica, erróneamente,
el modelo Y = α2 X + U ∗ :
P P
A Si xn = yn = 0, entonces las estimaciones MCO de β2 y α2 son iguales entre sı́.
B El estimador MCO de α2 es sesgado, tanto si es cierto que β1 = 0 como si no lo es.
P
C Si xn = 0, entonces las estimaciones MCO de β2 y α2 son iguales entre sı́.
D Las opciones anteriores son incorrectas.
Catalogo provisional
|P-269 [Error de especificacion - sesgos]i Considere los siguentes dos modelos muestrales de
tamaño N para Y
[M1] Y = β1 1 + β2 X + β3 Z + W
y
[M2] Y = β1 1 + β 2 X + U ,
entonces:
A Si [M2] cumple todas la hipótesis clásicas, y además Z es irrelevante (es decir, Z es ortogonal
a 1 , X y U ), el estimador MCO de β2 en [M1] es insesgado.
1
B Si [M1] cumple todas la hipótesis del MLG, y Z ⊥ X y además N (1 · Z ) = 0 , el estimador
MCO de β2 en [M2] es sesgado.
C Si [M1] cumple todas la hipótesis del MLG, y Z 6⊥ X , el estimador MCO de β2 en [M2] es
insesgado.
D Si [M1] cumple todas la hipótesis del MLG, el estimador MCO de β3 en [M1] es igual a cero.
[M2] Y = β 1 1 + β2 X + β3 Z + U
que incluye el regresor adicional Z ortogonal a U . Indique cuál de las afirmaciones siguientes es
FALSA:
A Si la covarianza muestral entre X y Z es cero, entonces el estimador MCO de β2 en el modelo
[M2] es sesgado.
B El estimador MCO de β2 en el modelo [M1] es insesgado.
C Si la covarianza muestral entre X y Z es negativa, entonces la varianza del estimador MCO
de β2 en [M2] es mayor que la varianza del estimador MCO de β2 en [M1].
D Si la covarianza muestral entre X y Z es cero, entonces el estimador MCO de β2 en [M2]
tiene la misma varianza que el estimador MCO de β2 en [M1].
[M1] Y = β1 1 + β2 X + β3 Z + U
(en el que se cumplen todas las hipótesis clásicas del MLG) y suponga que se omite por error la
variable relevante Z (ie., β3 6= 0), de manera que en lugar de [M1] se especifica el modelo
[M2] Y = β1 1 + β2 X + W .
Si las medias muestrales de X y Z son iguales a cero, indique cuál de las afirmaciones siguientes
es CIERTA:
P
A Solo si N n=1 xn zn = x · z = 0 el estimador MCO de β2 en [M2] es insesgado.
PN
B Solo si n=1 xn zn = x · z 6= 0 el estimador MCO de β2 en [M2] es insesgado.
P
C Solo si N n=1 xn zn = x · z = 0 el estimador MCO de β1 en [M2] es insesgado.
PN
D Solo si n=1 xn zn = x · z 6= 0 el estimador MCO de β1 en [M2] es insesgado.
Catalogo provisional
donde SAVINGS corresponde al ahorro, INCOME a la renta disponible, DUM es una variable
que vale cero para el periodo 1970–1981 y uno para el periodo 1982–1995, y DUM INCOME es el
producto de DUM por INCOME.
|P-275 [Renta disponible y ahorro en EEUU - Cambio structural - Gujarati Tabla 9.2 - 1
Mulx]i Calcule el estadı́stico t necesario para contrastar H0 : no ha habido un cambio en la con-
stante del modelo lineal simple que relaciona ahorro con renta disponible entre ambos periodos,
frente a H1 : la cte. ha cambiado. (Codifique el resultado en la hoja de respuestas)
Explicación: La hipótesis nula es equivalente a que la variable ficticia DU M no tenga efecto, es
decir, a que el parámetro que la acompaña sea cero (de esa manera hay un mismo término constante
en ambos periodos de tiempo). Ası́ que se pide el estadı́stico t para contrastar la significación
individual de β2 .
Catalogo provisional
|P-276 [Renta disponible y ahorro en EEUU - Cambio structural - Gujarati Tabla 9.2 - 2]i
Dado el valor que toma el estadı́stico de la pregunta anterior, la hipótesis H0 :
Explicación: Compare el valor del estadı́stico calculado con las tablas de una t de Student con el
número de grados de libertad adecuado (tenga en cuenta que el contraste es bilateral).
|P-277 [Renta disponible y ahorro en EEUU - Cambio structural - Gujarati Tabla 9.2 - 3
Multx]i Calcule el estadı́stico t necesario para contrastar H0 : no ha cambiado la pendiente del
modelo lineal simple que relaciona ahorro con renta disponible frente a H1 : la pendiente ha
disminuido en el segundo periodo (Codifique el resultado en la hoja de respuestas)
Explicación: La hipótesis nula es equivalente a que el término de interacción DU M IN COM E no
tenga efecto, es decir, a que el parámetro que lo acompaña sea cero (de esa manera el efecto de la
renta es el mismo en ambos periodos de tiempo). Ası́ que se pide el estadı́stico t para contrastar
la significación individual de β4 .
|P-278 [Renta disponible y ahorro en EEUU - Cambio structural - Gujarati Tabla 9.2 - 4]i
Dado el valor que toma el estadı́stico de la pregunta anterior, la hipótesis H0 :
Explicación: Compare el valor del estadı́stico calculado con las tablas de una t de Student con el
número de grados de libertad adecuado (tenga en cuenta que el contraste es una cola).
c3 − (0.5)1
β
∼ t {90−3} ,
c βbj
Dt H0
Este contraste es de cola derecha, por lo que hay mirar los valores crı́ticos para una t de Student
con 87 grados de libertad que dejen una probabilidad a la izquierda de 0.95 y 0.99 respectivamente,
y resulta que:
l SAL es el logaritmo del salario anual percibido por el trabajador (euros), EDU C son los años de
educación, l SALIN el logaritmo del salario percibido inicialmente por el trabajador en su primer
en el banco (euros), HOM vale uno para los hombres y cero para las mujeres, e IBER vale uno
para empleados de origen iberoamericano y cero para el resto.
l\
SAL = 2.07965 + 0.0232683 EDUC + 0.821799 l SALIN + 0.0481556 HOM
(0.31480) (0.0038696) (0.036031) (0.019910)
− 0.0423686 IBER
(0.020342)
|P-284 [Ectr1-ExSep07-16-20 P17 elasticidad SALIN]i Indique cuál de las afirmaciones siguientes
es CIERTA:
A La ELASTICIDAD estimada del salario-salario inicial es aproximadamente 0.8%.
B La ELASTICIDAD estimada del salario-salario inicial es aproximadamente 82 euros.
C La SEMIELASTICIDAD estimada del salario-salario inicial es aproximadamente 82%.
D La SEMIELASTICIDAD estimada del salario-salario inicial es aproximadamente 822 euros.
|P-287 [Ectr1-ExSep07-16-20 P20 cambio a dummy indicadora mujer]i Si, utilizando los mismos
datos, se hubiera estimado por MCO el modelo
donde M U JER es una variable binaria que vale uno para las mujeres y cero para los hombres, es
decir, M U JER =1-HOM . En relación con este segundo modelo, indique cuál de las afirmaciones
siguientes es CIERTA:
A δb4 es −0.048156, y el error estándar de δb4 es 0.019910.
B La estimación del término constante es idéntica a la del modelo inicial.
C δb4 es 0.951844, aunque el error estándar de δb4 no se puede saber con la información disponible.
D Si en la muestra hay más mujeres que hombres, entonces el coeficiente de determinación será
mayor en el segundo modelo que en el modelo inicial.
de millones de euros), y P COM P es el precio del mismo artı́culo comercializado por empresas
de la competencia (euros por unidad). La tabla siguiente contiene parte de los resultados de la
estimación (aparece el p-valor del test de significación individual, pero ni el valor del estadı́stico,
ni las desviaciones tı́picas estimadas de los estimadores) :
Coeficiente valor p
const −27.75265 0.00539
GPUB 0.91983 0.00053
PRECIO −3.55604 0.00027
RENTA 0.15742 0.00290
PCOMP 2.97890 0.00178
Media de la vble. dep. 53.27273 D.T. de la vble. dep. 13.12319
Suma de cuad. residuos 4.425207
R2 0.997430 R2 corregido 0.995717
F (4, 6) 582.2631 Valor p (de F ) 6.77e–08
Log-verosimilitud −10.60014 Criterio de Akaike 31.20029
Criterio de Schwarz 33.18976 Hannan–Quinn 29.94620
La tabla siguiente muestra las varianzas y covarianzas estimadas de los estimadores MCO:
Observación importante: Para responder las siguientes preguntas emplee en sus cálculos TO-
DOS los decimales disponibles.Codifique el resultado de las preguntas numéricas en la hoja de
respuestas
|P-290 [Ventas1990-2000 P3 Error estandar beta 2 multx]i Calcule el error estándar (desviación
c2 .
tı́pica) de β
c2 es la raiz cuadrada de la varianza de
Explicación: El error estándar (o desviación tı́pica) de β √
dicho estimador, que aparece en la tabla varianzas y covarianzas: 0.0188 = 0.1371.
Explicación: El p-valor aparece en los resultados de la regresión. Cuando el p-valor es menor que
el nivel de significación, se rechaza H0 .
|P-293 [Ventas1990-2000 P6 p-valor contraste unilateral para beta 5 multx]i Calcule el nivel
de significación marginal (”p-valor” o ”p-value”) para el contraste de H0 β5 = 0 frente a H1 :
β5 > 0:
Explicación: Es la mitad del p-valor del contaste de significación individual (pues solo cuenta la
probabildad de la cola derecha)
Explicación: Es un contraste bilateral, por lo que hay que comparar el valor absoluto del estadı́stico
con los valores crı́ticos de la t que dejan a la derecha una probabilidad del 5%, 2.5% y 0.5%
respectivamente, es decir, con 1.9432, 2.4469 y 3.7074.
Si el valor absoluto del estadı́stico es menor a 1.9432 no se puede rechazar H0 ni al 10%.
Si el valor absoluto del estadı́stico es mayor que 1.9432 y menor que 2.4469, se rechaza H0
al 10% pero no al 5%.
Si el valor absoluto del estadı́stico es mayor que 2.4469 y menor que 3.7074, se rechaza H0
al 5% pero no al 1%.
|P-297 [Ventas1990-2000 P10 Prediccion de las ventas en los valores medios multx]i Si para
el año 2001 se prevé que las variables GP U B , P RECIO , REN T A y P COM P sean iguales a sus
medias muestrales respectivas, entonces ¿cuáles son las ventas previstas por el modelo para el año
2001?
Explicación: El ajuste yb del regresando y es una combinación lineal de los regresores X:
yb1 1 x12 x15
.. c1 . c .. + · · · + β
c5 .
. = β .. + β 2 . ..
ybN 1 xN 2 xN 5
b
y = c1 · 1 + β
β c2 · x2 + · · · β
c5 · x5 ;
b es igual a la media
y como el modelo tiene término constante, la media de los valores ajustados y
del regresando, que se indica en la tabla de resultados de la estimación.
yn = 0,229 +1,894 xn + ec
n (1)
(0,100) (0,273)
2
N = 100 R2 = 0,329374 R̄ = 0,322531 eb · eb = 2918
donde yn es el logaritmo neperiano (ln) del número de ocupados y xn es el ln del salario real.
Además, ante la posibilidad de que la elasticidad del empleo varie según el trimestre, el investigador
define cuatro variables ficticias trimestrales: qni con (i = 1, 2, 3, 4): donde qni = 1 si la observación
n-ésima corresponde al trimestre i-ésimo, y qni = 0 en caso contrario; y plantea dos modelos
altenativos adicionales:
Y =β0 1 + β1 Q1 X + β2 Q2 X + β3 Q3 X + β4 Q4 X + β5 X + V, (2)
Y =β0 1 + β1 Q1 X + β2 Q2 X + β3 Q3 X + α4 X + W, (3)
Finalmente, el investigador decide estimar el Modelo (3), con los siguientes resultados (Desviaciones
tı́picas entre paréntesis):
N = 100 eb · eb = 2738
Catalogo provisional
A Puede contrastarse utilizando dos estadı́sticos diferentes. Ambos indican que dicho parámetro
es significativamente distinto de cero al 5% y al 1%.
B Puede contrastarse utilizando dos estadı́sticos diferentes. Ambos indican que dicho parámetro
NO es significativamente distinto de cero al 5%
C Puede contrastarse con el estadı́stico T , que indica que dicho parámetro es significativamente
distinto de cero al 5% pero no al 1%.
D Ninguna de las anteriores.
Compare el valor con las tablas correspondientes de una t con 98 grados de libertad (∞) o con una
F con 1 y 98 grados de libertad.
Explicación:
1,894 − 1
Tb = = 3,27473
0,273
Compare el valor con la tabla de la t de Student con 98 grados de libertad (∞) para los casos de
cola derecha, cola izquierda y bilateral.
A El Modelo (3) está incorrectamente especificado porque omite una variable ficticia relevante.
B Tan solo el Modelo (3) puede estimarse por MCO.
C El Modelo (2) no puede estimarse por MCO debido a la multicolinealidad exacta entre con-
stante y los términos de interacción.
D Todas las opciones anteriores son incorrectas.
X = Q1 X + Q2 X + Q3 X + Q4 X.
Ası́ pues, no esposible estimar por MCO los parámetros del Modelo (2).
El Modelo (3) omite uno de los términos de interacción precisamente para evitar la multicolineal-
idad. La información de la variable omitida ya está contenida en X, por eso incluirla conduce a
un problema de multicolinealidad. Ası́, βj que acompaña al término de interacción Qj X estima la
diferencia entre la elasticidad del trimestre j-ésimo y la elasticidad del trimestre cuyo término de
interacción no aparece explı́citamente en el modelo (en este caso el cuarto).
Explicación: En el trimestre jésimo, qnj = 1, el resto de variables ficticias toman el valo cero. Por
tanto basta sustituir las variables ficticias por los unos y ceros correspondientes:
Primer trimestre (qn1 = 1): α
c0 + α
c1 x + α
c4 x.
Explicación: Dicha hipótesis significa que el cambio de trimestre no tiene efecto en la elasticidad,
es decir, que α1 = 0, α2 = 0 y α3 = 0.
Catalogo provisional
donde SRC(1) y SRC(4) son las sumas residuales al cuadrado de los modelos (1) y (4) respectiva-
mente (el primero corresponde al modelo restringido y el segundo al modelo sin restringir).
Explicación: Compare el valor del estadı́stico F con las tablas correspondientes una distribución
F con 3 y 95 grados de libertad.
P-2. A B C D P-186. A B C D
P-3. A B C D P-187. A B C D
P-4. A B C D P-188. A B C D
P-5. A B C D P-189. A B C D
P-6. A B C D P-190. A B C D
P-7. A B C D P-191. A B C D
P-8. A B C D P-192. A B C D
P-9. A B C D P-193. A B C D
P-10. A B C D P-194. A B C D
P-11. A B C D P-195. A B C D
P-12. A B C D P-196. A B C D
P-13. A B C D P-197. A B C D
P-14. A B C D P-198. A B C D
P-15. A B C D P-199. A B C D
P-16. A B C D P-200. A B C D
P-17. A B C D P-201. A B C D
P-18. A B C D P-202. A B C D
P-19. A B C D P-203. A B C D
P-20. A B C D P-204. A B C D
P-21. A B C D P-205. A B C D
P-22. A B C D P-206. A B C D
P-23. A B C D P-207. A B C D
P-24. A B C D P-208. A B C D