Catalog

Catalogo provisional
Prueba intermedia Econometrı́a Empresarial (GADE-DCHO) 05/11/Catalogo2020

• Duración : 15 minutos. • Prohibido el uso de material adicional (salvo calculadoras de mano).
• Las preguntas tienen una sola opción correcta. 3 puntos si solo marca la correcta. -1 puntos si marca
alguna opción incorrecta. • CUMPLIMENTE sus datos personales y TRASLADE sus respuestas al
formuario al final de este documento.
Abreviaturas. MCO: Mı́nimos Cuadrados Ordinarios. rg: rango. MLG: Modelo Lineal General.
MLS: Modelo Lineal Simple. m.a.s: muestreo aleatorio simple.
|P-1 [Ecuaciones Normales - Rango de la matrix de regresores - 1]i En el ajuste y = X βb + eb ,

donde X , la condición rg(X) = k < N implica que:
[N ×k]
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.

[N ×k]
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.

[N ×k]
A Es sistema de ecuaciones normales es com- C Las k columnas de X son linealmente in-

patible (tiene solución). dependientes.
B Algún regresor es combinación lineal del D Las opciones anteriores son incorrectas.
resto de regresores

El sistema X| X β b = X| y es siempre compatible (independientemente del rango de X| X, que es
igual al rango de X). Veámoslo. Por una parte, añadir
h columnas
i a una matriz no puede disminur su
| |
rango, por tanto el rango de la matriz ampliada X X X y será mayor o igual al rango de X| X; es
h i h i h i

decir rango X| X X| y ≥ rango (X| X) = r. Por otra parte X| X X| y = X| X y , que es
h i h i

el producto de la matriz X| por la matriz ampliada X y ; y por tanto, rango X| X X| y =
h i

rango X| X y ≤ rg(X| ) = r; pues en un producto de matrices rg(AB) ≤ rg(A)
h i h i

Como por una parte rango X| X X| y ≤ r y por otra rango X| X X| y ≥ r, el rango de
la matriz ampliada es igual al rango de la matriz de coeficientes, ası́ que el sistema de ecuaciones
normales siempre es compatible independientemente del rango de X (si r < k tendrá infinitas
soluciones, y si r = k tendrá solución única).

[N ×k]
A Es sistema de ecuaciones normales es com- C Las N filas de X son linealmente indepen-

patible (tiene solución). dientes.
resto de regresores

[N ×k]
A Es sistema de ecuaciones normales tiene C El vector y es una combinación lineal de

una única solución. las k columnas de X.
resto de regresores
|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]
A Ningún regresor es combinación lineal de C La correlación entre regresores es 1 en

los demás. valor absoluto.
B Las k columnas de X son linealmente de- D Todas las implicaciones anteriores son
pendientes. incorrectas.

La correlación entre dos regresores es 1 en valor absoluto si y solo si uno es múltiplo del otro.
Pero no es necesario que unos regresores sean múltiplos de otros para que el rango de X sea menor
que su número de columnas. Por ejemplo, si los dos primeros regresores son independientes, pero el
tercero es igual a la suma de los dos primeros, la matriz X no será de rango completo por columnas,
aunque tampoco la correlación entre dichos regresores será 1 en valor absoluto, pues ninguno es
múltiplo de otro.
[N ×k]
A Las N filas de X son linealmente indepen- C La correlación entre regresores es 1 en

dientes. valor absoluto.
B Las k columnas de X son linealmente in- D Todas las implicaciones anteriores son
dependientes. incorrectas.
[N ×k]
A Las N filas de X son linealmente indepen- C La correlación entre regresores es menor

dientes. que 1 en valor absoluto.
[N ×k]
A Las N filas de X son linealmente indepen- C La correlación entre regresores es 1 en

dientes. valor absoluto.

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.
Explicación: La pendiente estimada en el MLS es β c2 = sx2y . Multiplicando la pendiente estimada

sx
por la desviación tı́pica de y y dividiendo por la desviación tı́pica de x y reordenando los términos
del denominador tenemos:
c2 = sxy
β =
sxy sy
· =
sxy sy
· = rxy ·
sy
.
s2x sx sx sy sx sy sx sx
La pendiente estimada en el Modelo Lineal Simple es el coeficiente de correlación entre el regresor

x y el regresando, multiplicado por la desviación tı́pica del regresando y dividido por la desviación
tı́pica de x.

c1 1 + 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.

c1 1 + 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.
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.
Explicación: La pendiente estimada en el MLS es: c2 = sx2y = rxy · sy . Es decir, el

β sx sx
coeficiente de correlación entre el regresor x y el regresando, multiplicado por la desviación tı́pica
del regresando y dividido por la desviación tı́pica de x. ¡No por las varianzas!

c1 1 + β
c2
ajustado por MCO
A Es proporcional al cuadrado del coeficiente de correlación lineal simple entre y y x.

c1 1 + β
c2
ajustado por MCO
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.


c1 1 + β
c2
ajustado por MCO
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
c2
ajustado por MCO
muestral de x y dividido por la desviación tı́pica 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
c2
ajustado por MCO
A Es igual al coeficiente de correlación lineal simple entre y y x.
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
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.

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.

Si la varianza de x es igual a cero quiere decir que este regresor es también constante, y por tanto
es múltiplo del regresor 1. En este caso el sistema de ecuaciones normales (X| X)-1 β = X| y es
indeterminado (tiene infinitas soluciones) por lo que no existe un único valor para βc2 .
|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.
Explicación: Puesto que sxy = N1 (x − x) · (y − y) = N1 (x − x) · y; cuando x = 0, tenemos que

sxy = N1 (x · y) y s2x = N1 (x · x). Ası́, para el Modelo Lineal Simple, la solución al sistema de
ecuaciones normales es:
P
c2 = sx y x·y c1 = y − β
c2 x = y .
β = Pxn2yn = y β
s2x xn x·x
c1 debe ser cero, es decir, tiene que ocurrir que

Para que la recta de regresión pase por el cero, β
además y = 0.

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.
Explicación: Véase las explicaciones de las preguntas anteriores

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 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.
Explicación: El ajuste MCO de la constante en el Modelo Lineal Simple es: c1 = y − β

β c2 x . Si
x = 0, entonces β c1 = y.
|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:
c2 es menor que uno.

A Es positivo si β C Puede ser positivo, negativo o cero con in-
c2 es distinta de uno. dependencia de β c2 .
c2 es negativa.
D Es negativo si β

β c2 x . Si
x = y = a > 0 entonces β c1 = a − aβ
c2 = a(1 − β
c2 ).

c2 es igual a uno. dependencia de β c2 .
c2 es negativa.
D Es negativo si β

β c2 x . Si
x = y = a > 0 entonces β c1 = a − aβ
c2 = a(1 − β
c2 ) = 0 Si (1 − β
c2 ) = 0.

c2 es igual a cero. dependencia de β c2 .
c2 es negativa.
D Es positivo si β

β c2 x . Si
x = y = a > 0, entonces β c1 = a − aβc2 = a(1 − βc2 ) > 0 si (1 − β
c2 ) > 0, y lo es cuando β
c2 es
negativo.
|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:
A Es igual a 0. c2 es mayor que uno.

C Es negativa si β
c2 es −1.
B Es la media de x si β c2 es mayor que cero.
D Es positiva si β

β c2 x . Si
x = y = a > 0, entonces βc1 = a − aβ
c2 = a(1 − β
c2 ) < 0 si (1 − β
c2 ) < 0, y lo es cuando βc2 > 1.
|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:
A Es igual a 0. c2 es menor que uno.

C Es negativa si β
c2 es −1.
B Es la media de x si β c2 es menor que cero.
D Es positiva si β

β c2 x . Si
x = y = a > 0, entonces βc1 = a − aβ
c2 = a(1 − β
c2 ) > 0 si (1 − β
c2 ) > 0, y lo es cuando βc2 < 0.
|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:
A Es igual a 0. C Es la media de x si βc2 es −1.

c2 es mayor que uno.
B Es positiva si β c2 es mayor que uno.
D Es negativa si β
Explicación: El ajuste MCO de la constante en el Modelo Lineal Simple es: β c2 x . Si

c1 = y − β
x = y = a < 0, entonces βc1 = a(1 − β
c2 ) > 0 si (1 − β
c2 ) < 0, y lo es cuando β
c2 > 1.
|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:
A Es igual a 0. C Es la media de x si βc2 es −1.

c2 es menor que uno.
B Es positiva si β c2 es menor que uno.
D Es negativa si β

β c2 x . Si
x = y = a < 0, entonces βc1 = a(1 − β
c2 ) < 0 si (1 − β
c2 ) > 0, y lo es cuando β
c2 < 1.
|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:
A Es igual a 0. c2 es menor que uno.

C Es negativa si β
c2 es mayor que uno.
B Es positiva si β D Es igual a 1.

β c2 x . Si
x = y = 0, entonces βc1 = 0 − 0 · β
c2 = 0.
|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:
A La recta de regresión pasa por (0, 0). c1 es negativa si β

C β c2 es menor que uno.
c1 es positiva si β
B β c2 es mayor que uno. D La recta de regresión es siempre cero.

Puesto que β c1 es cero, la recta de regresión yb = β
c1 + β
c2 x vale cero cuando x = 0.
|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.

β c2 x . Si
y = 0 y además −β c2 = 1, entonces β
c1 = −βc2 · x = x,

c1 1 + β
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

β c2 x . Si
y = 0, entonces β c1 = −β
c2 · x.

c1 1 + β
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

c1 1 + β
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


c1 1 + β
A Es la media de x. C Es el doble de la media de x.

B Es cero si la covarianza entre x e y es 0. c2 si la media de x es positiva.
D Es igual a β

β c2 x ;
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).
Si uno de los regresores es el término constante

P 1, entonces por ser los errores de ajuste
perpendiculares a los regresores, eb · 1 = 0 ⇒ ebn = 0.
La correlación es cero si y solo si la covarianza es cero. Si z es un regresor, entonces la
covarianza entre z y eb es
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).
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.
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.
Explicación: La correlación es cero si y solo si la covarianza es cero. Sea z un regresor, entonces

la covarianza entre z y eb es
eb · z
seb z = − eb · z = −b
e · z; (pues eb · z = 0).
N
Si en el ajuste hay un regresor constante entonces eb = 0 y la covarianza (y por tanto la correlación)

es cero. Pero si no hay término constante en el modelo, y los regresores no tienen media cero,
entonces los residuos pueden tener correlación con los regresores.
Dicho de otra manera, ortogonalidad entre dos vectores de datos NO implica correlación cero (salvo
cuando uno de ellos tiene media cero).
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
|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:
A La media muestral de yb y de y son iguales. C El R2 es igual al coeficiente de correlación

B La suma SRC vale cero. lineal simple entre yb e y.
D La ST C es menor que la SEC.
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!
A La media muestral de yb y de y es cero. C El R2 es igual al coeficiente de correlación

B La suma residual vale cero. lineal simple entre yb e y.
Explicación:Como 1 es un regresor, necesariamente 1 · eb = 0 (que es la suma de los residuos).

¡Por otra parte, que incluyamos o no un término constante, nada tiene que ver con la media de y!
Para lo demás, véase las explicaciones de las preguntas anteriores
A La media muestral de yb y de y es cero. C El R2 es igual al cuadrado del coeficiente

B La suma SRC vale cero. de correlación lineal simple entre yb e y.
A La media muestral de yb y de y es cero. C El R2 es igual al coeficiente de correlación

B La suma SRC vale cero. lineal simple entre yb e y.
D La ST C es mayor o igual que la SEC.
|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 .
A La SRC puede resultar negativa. C La ST C puede ser menor que la SEC.

B El R2 está comprendido entre cero y uno. D Las opciones anteriores son incorrectas.
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.

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.
|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:
A El R2 puede resultar negativo. C El R2 está comprendido entre cero y uno.

B La suma SRC vale cero. D La suma ST C y la suma SRC son iguales.
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.
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.
A El R2 está comprendido entre cero y uno. C ST C es N veces la varianza de y.

B ST C y SRC son iguales. D Las opciones anteriores son incorrectas.
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.
A El R2 está comprendido entre cero y uno. C ST C y SEC son iguales.

B SEC es N veces la varianza de y b. D Las opciones anteriores son incorrectas.
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.

|P-56 [Y=B+U - Sumas de cuadrados - 1]i En el ajuste MCO: y = βb 1 + eb , la “suma explicada de
cuadrados” SEC:
A Es cero, pues ST C = SRC. C Es igual a la suma SRC.

B Es igual a la suma ST C. D Las opciones anteriores son incorrectas.
Explicación: En este ajuste yb = y, y por tanto SEC = (b y − y) · (by − y) = 0. Además SRC =

eb · eb = (y − y) ·(y − y) = N s2y = ST C. Relación que también se deduce de ST C = SEC +SRC,
por ser un ajuste con un regresor cte.

cuadrados” SEC:
A Es mayor que suma SRC. C Es igual a la suma SRC.


|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:
A Es cero, pues ST C = SEC. C Es igual al R2 pues ambos son cero.

B Es igual a la suma SEC. D Las opciones anteriores son incorrectas.
Explicación: En este caso el coeficiente de determinación es R2 = 1 − SRC

ST C = 1 − 1 = 0.
Por otra parte, la ST C es distinta de cero salvo en el caso muy particular de que el regresando y
sea constante, en cuyo caso el coeficiente de determinación no está definido y la relación ST C =
SEC + SRC es trivialmente cierta (todo es cero). Nótese que si el regresando y es constante, el
modelo ajustado carece de sentido (pues el término eb es innecesario), por eso siempre se asume
que y no es constante.
Para el resto de opciones véase las explicaciones de las preguntas anteriores.

cuadrados” SEC:
A Es uno, pues ST C = SEC. C Es igual al R2 pues ambos son cero.


|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 :
A Es igual a cero. C Puede ser mayor que cero.

B Es igual a uno. D Puede ser negativo.


b:
ciente de correlación, ry yb , entre los datos y y los valores ajustados y
A Es igual a cero. C Puede ser mayor que cero.

B Es igual a uno. D Puede ser negativo.

Y recordando que cuando hay término constante SEC = N syb 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.

A Es igual a la SEC. C Puede ser mayor que uno.

B Es igual a uno. D Puede ser mayor que cero.
Explicación:Tanto R2 como SEC son cero, y por tanto son iguales. Véase las explicaciones de las
preguntas anteriores.

A Es igual a la SRC. C Puede ser mayor que cero.

B Es igual a uno. D Las opciones anteriores son incorrectas.

A Es igual a la suma ST C. C Puede ser mayor que cero.

B Es igual al cuadrado del coeficiente de co- D Las opciones anteriores son incorrectas.
b.
rrelación entre y y y

|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:
A La suma SRC es menor que la suma ST C. C El R2 es igual a la suma SEC.

B La estimación MCO de β es igual a 6. D La suma SEC es cero.
Explicación:
En este modelo βb es igual a la media aritmética de y.
Por tanto yb = y1 = y, ası́ SEC = (b

y − y) · (b
y − y) = 0.
Además SRC = eb · eb = (y − y) · (y − y) = N s2y = ST C. Por tanto el coeficiente de
determinacion es R2 = 1 − SRC
ST C = 1 − 1 = 0.

|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:
A El R2 es igual a la suma ST C. C La estimación MCO de β es igual a 1 pues

B La suma SRC es mayor que la suma ST C. el regresor crece de 1 en 1.
D Las afirmaciones anteriores son falsas.

|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:
A La estimación MCO de β es igual a 7. C La suma SRC es menor que la suma ST C.

B El R2 puede ser negativo. D Las afirmaciones anteriores son falsas.

|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:
A El R2 puede ser negativo. C La estimación MCO de β es igual a −2

B La suma ST C es negativa. pues el regresor decrece de 2 en 2.

|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:
A La media de los residuos eb es cero. C La suma ST C es igual a la SRC.

B La suma SEC es cero. D La estimación MCO de β es igual a SRC.

A La media de los residuos eb es cero. C La estimación βb es igual a la media de y.

B El R2 es cero. D La suma ST C, es igual a la suma SEC.

A El R2 es cero. C La estimación βb es igual a la media de y.

B La suma ST C es igual a la SRC. D La suma SRC es cero.


A La media de los residuos eb es igual a SEC. C La suma SEC es cero.

B La suma ST C es igual a la suma SRC. D El R2 es mayor que la suma ST C.
|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.
A Sólo las afirmaciones 1 y 3. C Todas.

B Sólo las afirmaciones 2 y 4. D Ninguna.
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-74 [Hipotesis del MLG - Consecuencias

... de tres supuestos - 2]i Cuando asumimos los
supuestos: Y = X β + U, y E
U X = 0; ¿qué asumimos implı́citamente?
...
1. Las perturbaciones son ortogonales a cada 3. Var Y | X es constante.
regresor.
4. El modelo es correcto, ası́ que las esti-
... maciones MCO permiten una buena inter-
2. E Y X es X β. pretación de las relaciones entre los datos.
A Sólo las afirmaciones 1 y 2. C Todas.

Explicación: Véase las explicaciones de las preguntas anteriores. ...

Además, por el teorema de las esperanzas iteradas (y usando que E U X = 0)
... ...
E(UX ) = E E UX X = E X · E U X = E(X · 0) = 0.
es decir, las perturbaciones son ortogonales (perpendiculares) a cada regresor.


... de tres supuestos
... - 3]i Cuando asumimos los
supuestos: Y = X β + U, E
U X = 0 E
U 2 X = σ 2 , y que los regresores X son
linealmente independientes, ¿qué asumimos implı́citamente?
... ...
1. E Y X es X β. 3. Var Y | X es constante.
4. Las perturbaciones son ortogonales a cada

2. El vector β está identificado. regresor.
A Sólo las afirmaciones 1, 3 y 4. C Todas.


... de tres supuestos - 4]i Cuando asumimos los
supuestos: Y = X β + U, E
U X = 0, y que los regresores X son linealmente independi-
entes, ¿qué asumimos implı́citamente?
... ...
1. E Y X es X β. 3. Var Y | X es constante.
4. Las perturbaciones son ortogonales a cada
2. El vector β está identificado. regresor.
A Sólo las afirmaciones 1, 2 y 4. C Todas.

|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.
Explicación: Si los regresores no fueran linealmente independientes, existirı́a un c 6= 0 tal que

X c = 0, entonces E(X × X ) c = 0 pues para cada fila iésima de E(X × X ):
i|| E(X × X )c = i|| E(X × X c) = i|| E(X 0) = i|| E(0 ) = i|| 0 = 0
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-78 [Hipotesis del MLG -... Rango

E(XTX) - 2]i En el modelo Y = X β +U, las hipótesis “E(X × X )
es invertible” y E
U X = 0 implican que:
...
A El vector β está identificado. C E U 2 X = σ 2.
Explicación: Véase las explicaciones de las ...preguntas

anteriores.
Los supuestos Y = X β + U y EU X = 0 implican que E (X × X ) β = E (X × Y) ;
si además E (X × X )) es de rango completo, es decir, si la matriz es invertible, entonces
−1
β = E(X × X ) E(X × Y), es decir, el vector β es único (i.e., está identificado).
|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 .
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.
Explicación: Ninguno de ellos: en un modelo aparece el inverso de β2 , en otro el logaritmo de β2

y en otro β2 está elevado a X.
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.

El único lineal en los parámetros es aquel con forma de “suma ponderada de los parámetros”, es
decir ln Y = β1 1 + β2 ln X, donde β1 está sencillamente multiplicado por la variable constante 1
y β2 multiplicado por una función de X (cualquier función de X es válida).
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.

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.

El modelo Y = exp(β1 1 + β2 X + U) es la exponencial de una función lineal. La exponencial de
una función lineal NO es una función lineal.

|P-84 [Y=B+U - B es media aritmetica de Y - 1]i Si el modelo Y = β 1 + U cumple los supuestos
clásicos, la estimación MCO de β:
A Es la media aritmética de los valores observados y1 , . . . , yN de la variable dependiente.
B Es insesgada porque es igual a la media muestral de los residuos MCO.
C Es siempre igual a la esperanza poblacional de Y.
D No tiene una expresión analı́tica conocida.
Explicación: Es un modelo en el que el único regresor es un vector de unos (término constante),

por tanto las ecuaciones normales se reducen a
1
[1] [1] βb = [1] y N βb = (1 · y) βb =
| |
⇒ ⇒ (1 · y) = y.
N
Puesto que el modelo tiene un vector de unos como regresor y se estima por MCO, los residuos
son ortogonales a 1, es decir 1 · eb = 0. Por tanto la media de los residuos es siempre cero, lo que
b
no tiene por qué ocurrir con y (que en este caso es igual a β).
La media muestral y depende de la muestra particular empleada, y no tiene por qué coincidir con
el valor esperado de Y (que en este caso es el verdadero β y que generalmente es desconocido).

A Es siempre mayor que cero. C Es siempre un valor entre cero y uno.

B Es siempre menor que uno. D Las opciones anteriores son incorrectas.
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.

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.


A Es la media aritmética de los residuos eb C Es igual al coeficiente de determinacion R2

del ajuste MCO. pues ambos son cero.
B Es mayor que cero si y tiene media cero. D Las opciones anteriores son incorrectas.

Por ser un modelo en el que el único regresor es 1, la estimción MCO resulta ser βb = y; y por
b = βb · 1 = y. Ası́ pues, SEC = (b
tanto y y − y) · (b
y − y) = 0 · 0 = 0. Además, por ser un
modelo con término constante, R2 = 1 − SRC ST C = SEC
ST C = 0. Ası́ que necesariamente SRC = ST C.
|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:
A Las columnas de X son linealmente indep. C Las perturbaciones son homocedásticas.

Explicación: Los regresores son necesariamente independientes; si no lo fueran, existirı́a algún

vector v 6= 0 tal que X v = 0. Por tanto, E(X | X ) v = E(X | X v) = E(X | 0) = 0; es decir, las
k columnas de E (X | X ) serı́an linealmente dependientes y consecuentemente rg(E (X | X )) serı́a
menor que k (. . . incumpliendo el supuesto).
El vector de variables Y serı́a una combinación lineal de las columnas de X si no estuviera el vector
de perturbaciones U (. . . pero está presente).
A El estimador MCO βb está definido. C Las perturbaciones son homocedásticas.

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.
Es decir, cuando rg(E (X | X )) = k, necesariamente X | X c = 0 si y solo si c = 0. En otras

palabras, cuando rg(E(X | X )) = k necesariamente la matriz cuadrada X | X es invertible (es de
b = (X | X )-1 X | Y
rango completo). Ası́, el supuesto rg(E(X | X )) = k garatiza que el estimador β
| -1
está definido, pues existe (X X ) .
...
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.
A Las cuatro son CORRECTAS. C Sólo son incorrectas las afirmaciones 2 y 4.

B Sólo son incorrectas las afirmaciones 1 y 3. D Las cuatro afirmaciones son FALSAS.
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
Y = β1 f (X) + β2 g(X) + β3 h(X) + U;
(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:
Y = f (β) 1 + g(β) X2 + h(β) X3 + U;
(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.
Un modelo se puede estimar por MCO solo si es lineal en los parámetros

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



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.


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


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
A Las cuatro son CORRECTAS. C Sólo es correcta la afirmación 4.

B Sólo es correcta la afirmación 2. D Las cuatro afirmaciones son FALSAS.


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.


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


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:
A Las perturbaciones no son autocorreladas. C Las perturbaciones son heteroscedásticas.

B Los residuos eb son homoscedásticos. D Los residuos eb no son autocorrelados.
... ...
Explicación: Los supuestos E V
U X = 0 y ar U | X = σ 2 I implican que la matriz de
varianzas y convarianzas de U es σ 2 I , por tanto la varianza es σ 2 para cada Un y la covarianza
entre Un y Um es cero si m 6= n.
Dichos supuestos no implican que el estimador de los residuos sea homocedástico y no autocorrelado
(todo
... lo contrario, la matriz de varianzas y covarianzas del estimador de los residuos, condicionado
a X , es σ 2 M ; donde M = I − X (X | X )-1 X | es generalmente una matriz “llena” y con números
distintos a lo largo de la diagonal principal).
|P-100 [Hipotesis
E V
A Las perturbaciones son autocorreladas. C Las perturbaciones son homocedásticas.

B Los residuos eb son homoscedásticos. D Los residuos eb no son autocorrelados.
|P-101 [Hipotesis
E V
A Las perturbaciones son ortogonales a cada C Las perturbaciones son heteroscedásticas.

regresor. D Los residuos eb no son autocorrelados.
B Los residuos eb son homoscedásticos.
Explicación: Véase las explicaciones de las preguntas anteriores. ...

En en particular, por el teorema de las esperanzas iteradas (y usando que E U X = 0)
... ...
E(Un X ) = E E Un X X = E X E Un X = E(X 0) = 0.
es decir, las perturbaciones son ortogonales (perpendiculares) a los regresores.
|P-102 [Hipotesis
E V
...
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.

Por el teorema de las esperanzas iteradas
...
E(Un ) = E EUn X = E(0) = 0.
Por otra parte ... ... ...

E Y X = E Xβ + U X = Xβ + E U X = X β.
Además, ... ... ...
Var Y|X = Var Xβ + U | X = Var U | X = σ2 I .
|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
Explicación:Si Var(Un ) = n × σ 2 , puesto que cuando i 6= j, resulta que i × σ 2 6= j × σ 2 , entonces

i ) 6= Var(U
Var(U j ) si i 6= j.
Cov Un , n|| X = 0 no implica nada respecto de la varianza de Var(Un ).
Que las perturbaciones sean homocedásticas significa precisamente que Var(Un ) = σ 2 para todo n.
Si Un = 10 + Zn , con Var(Zn ) = 5, entonces Var(Un ) = Var(Zn ) = 5 para todo n.
|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:
A Var(Un ) = σ 2 . C Un = 2Zn , con Var(Zn ) = 3σ 2 .

B Cov Un , n|| X = 0. D Un = (10)1 + Zn , con Var(Zn ) = n.

Si Un = 2Zn , con Var(Zn ) = 3σ 2 , entonces Var(Un ) = Var(2Zn ) = 4Var(Zn ) = 12σ 2 para todo n.
Si Un = (10)1 + Zn , con Var(Zn ) = n, entonces Var(Un ) = Var(Zn ) = n.
|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:
A Var(Un ) = σ 2 . C Cov(Ui , Uj ) = σ, con i 6= j.

B Cov(xn , Un ) = 0. D Un = (10)1 + Zn , con Var(Zn ) = 5.

Hay autocorrelación si la correlación entre Ui y Uj , con i 6= j, es distinta de cero. Ası́, si
Cov(Ui ,Uj )
Cov(Ui , Uj ) = σ, con i 6= j; entonces la correlación entre Ui y Uj es √ 6= 0.
Var(Ui )Var(Uj )
|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 Var(Un ) = σ 2 . C Cov(Ui , Uj ) = 0, con i 6= j y Var(Un ) 6= 0.

B Cov(xn , Un ) = 0. D Un = (10)1 + Un−1 + Zn y E(Un ) = 0.

Si Un = (10)1
+Un−1 +Zn , entonces Cov(U
n , Un−1 ) = E (10)1 + Un−1 + Zn Un−1 = (10)E(Un−1 )+
E Un−1 2 + E(Zn Un−1 ) = E Un−1 2 + E(Zn Un−1 ) 6= 0.
|P-107 [Momentos estimadores MCO - Esperanza

del estimador de B en Y=B+U - 1]i Considere
el m.a.s Y = 1 β + U del modelo Y = β 1 + U, si se cumplen las hipótesis clásicas del MLG, el
estimador MCO βb:
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.
Explicación: El estimador MCO de β es
βb = ([1 ] [1 ])-1 [1 ] Y = ([1 ] [1 ])-1 [1 ] (1 β + U ) = β + ([1 ] [1 ])-1 [1 ] U .

| | | | | |
... ...
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.

estimador MCO βb:
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.

El estimador MCO de β es
X P
1 Yn 1
βb = ([1 ] [1 ])-1 [1 ] Y =
| |
Yn = = (1 · Y ) .
N N N
que es el estimador de la media muestral de Y .

estimador MCO βb:
A Tiene esperanza igual a la varianza de Y C Es sesgado por haber término constante.

dividida por el tamaño muestral. D Las opciones anteriores son incorrectas.
B Es insesgado porque es igual a la media
muestral de los residuos MCO.
|P-110 [Momentos estimadores MCO - Varianza

del estimador de B en Y=B+U - 4]i Considere el
m.a.s Y = 1 β + U del modelo Y = β 1 + U, si se cumplen las hipótesis clásicas del MLG, el
estimador MCO βb:
A Tiene esperanza igual a la varianza de Y. C Tiene varianza igual a la varianza de U di-

B Es sesgado por haber término constante. vidida por el tamaño muestral.

Bajo las hipótesis clásicas del MLG, el estimador MCO βb tiene varianza
...
Var
βb X = σ 2 (X | X )-1 = σ 2 (1 | 1 )-1 =
σ2
N
puesto que en este modelo la matriz de regresores es X = 1 .
|P-111 [Momentos estimadores MCO - Varianza

del estimador de B en Y=B+U - 5]i Considere el
m.a.s Y = 1 β + U del modelo Y = β 1 + U, si se cumplen las hipótesis clásicas del MLG, el
estimador MCO βb:
A Tiene esperanza igual a la varianza de U C Tiene varianza igual a la varianza de Y di-

dividida por el tamaño muestral. vidida por el tamaño muestral.
B Es sesgado por haber término constante. D Las opciones anteriores son incorrectas.

Bajo las hipótesis clásicas del MLG, la varianza de Y es Var(Y) = Var(β1 + U) = Var(U) = σ 2 .
|P-112 [Momentos estimadores MCO - Significado de insesgadez - 1]i La insesgadez del esti-
mador MCO de β en el MLG significa que:
A La esperanza del estimador MCO de β es C La esperanza del vector β es igual al esti-

igual a β. mador MCO de β.
B El estimador MCO de β es igual a β. D La insesgadez implica las tres afirmaciones
anteriores simultáneamente.
Explicación:
b = (X | X )-1 X | Y y
El estimador MCO es la siguiente transformacion de variables aleatorias: β
puesto que β -
b = (X X ) X (X β + U ), se deduce que
| 1 |
... ... ...

E b X =
β E
X β + U X = β1 + E
U X = β1 + 0 .
Ası́ el valor esperado del estimador es:

...
E β b =E E b X
β = E(β1 + 0 ) = β + 0 = β.
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).
A La esperanza del estimador MCO de β es C El estimador MCO de β es igual a β.

igual a β. D Las opciones anteriores son incorrectas.
B La varianza del estimador MCO de β es
igual a la varianza de β.
A La varianza del estimador MCO de β es C La esperanza del estimador MCO de β es

igual a la varianza de β. siempre un vector de números conocidos.
B El estimador MCO de β es igual a β. D Las opciones anteriores son incorrectas.
Explicación: Véase las explicaciones de las preguntas anteriores. El vector β es generalmente

desconocido (si fuera conocido no habrı́a necesidad de estimar su valor).
A El estimador MCO de β es igual a β. C La esperanza del estimador MCO de β es

B La esperanza del vector β es igual al esti- siempre un vector de números conocidos.
mador MCO de β. D Las opciones anteriores son incorrectas.
|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.
Explicación: El estimador β b está definido si las columnas de X son linealmente independientes.

En tal caso βb = (X X ) X Y = (X | X )-1 X | (X β + U ) = β1 + (X | X )-1 X | U = β1 + A U donde
| -1 |
A = (X X )-1 X | (y por tanto A A | = (X | X )-1 ), su varianza es (el recuadro marca el uso de la

|
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.
|P-117 [Momentos estimadores MCO - Implicacion hipotesis var U =sigma2 I - 2]i Considere
un m.a.s Y = X β +
V
A El estimador βb es (X | X )-1 X | Y . b es insesgado.

C El estimador β
B X| eb = 0, donde eb son los residuos MCO. D Ninguna de las anteriores.
|P-118 [Momentos estimadores MCO - Implicacion hipotesis var U =sigma2 I - 3]i Considere
un m.a.s Y = X β +
V
A La varianza cond. de βb es σ 2 (X | X )-1 . b es insesgado.

C El estimador β
|
B X eb = 0, donde eb son los residuos MCO. D Ninguna de las anteriores.
|P-119 [Momentos estimadores MCO - Implicacion hipotesis E(U|X) = 0 - 1]i Considere un

m.a.s Y = X β + U... del MLG: Y = X β + U. Indique qué afirmación requiere de la hipóte-
sis muestral: E
U X = 0:
b es σ 2 (X | X )-1 .
b es igual a (X | X )-1 X | Y .
B El estimador β D El estimador βb es insesgado.

Puesto que β b = (X | X )-1 X | Y = (X | X )-1 X | (X β + U ) = β1 + (X | X )-1 X | U = β1 + A U donde
A = (X X )-1 X | .
|
... ... ...

E βb X = E β1 + A U X = β1 + A E U | X = β1.
...
Por tanto E βb = E E βb X = E(β1) = β.
|P-120 [Momentos estimadores MCO - Implicacion hipotesis E(U|X) = 0 - 2]i Considere un

m.a.s Y = X β + U... del MLG: Y = X β + U. Indique qué afirmación requiere de la hipóte-
sis muestral: E
U X = 0:
b es σ 2 (X | X )-1 .
b es (X | X )-1 X | Y .
B El estimador β D Ninguna de las anteriores.
|P-121 [Necesidad de los supuestos - Residuos MCO perpendiculares a X - 1]i Considere un

m.a.s Y = X β + U de Y = X β + U. ¿Qué afirmación ...
respecto del estimador b
... β es cierta incluso
cuando NO se cumplen las hipótesis muestrales, E V
U X = 0 y ar U | X = σ 2 I ?
A Su matriz de varianzas es σ 2 (X | X )-1 . C Es insesgado.

B X| eb = 0, donde eb son los residuos MCO. D Ninguna de las anteriores.

|P-122 [Necesidad de los supuestos - 2]i Considere un m.a.s Y = X β + U de Y = X β + U.

¿Qué afirmación respecto b es cierta incluso cuando NO se cumplen las hipótesis
del estimador... β
...
muestrales, E V
U X = 0 y ar U | X = σ 2 I ?
A Su matriz de varianzas es σ 2 (X | X )-1 . C Es eficiente.

B Es insesgado. 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)).

U X = 0 y ar U | X =
c2 ?

A Var β c2 = σ22 , (N es tamaño muestral) C E c2 = β2 .
β
Nsx
c2 NO es un estimador consistente.
dos, β

U X = 0 y ar U | X =
c2 ?

A Var β c2 = σ22 , (N es tamaño muestral) C E c2 = media muestral de x.
β
Ns
x
dos, β

U X = 0 y ar U | X =
c2 ?

A Var β c2 = σ22 , (N es tamaño muestral) C E c2 = β2 .
β
Ns
x
B β c2 es lineal e insesgado pero NO es efi-
D β
ciente por ser U un componente aleatorio.

U X = 0 y ar U | X =
c2 ?
σ2 s2
A Var β c2 = x
C E β c2 = β2 .
N , (N es tamaño muestral)
dos, β
|P-129 [Teorema Gauss-Markov - Implicaciones del Teorema - 1]i El Teorema de Gauss-Markov

demuestra que:
A El estimador βb tiene la varianza mı́nima C El estimador βb tiene esperanza menor que

entre todos los estimadores lineales e in- cualquier otro estimador lineal e insesgado
sesgados de β. de β.
B El estimador (be · eb )/N , de la varianza de D El estimador βb es el único estimador lineal
las perturbaciones es lineal e insesgado. e insesgado de 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.

demuestra que:
A El estimador βb es el de menor varianza de C El estimador βb tiene una esperanza menor

entre todos los estimadores lineales e in- a la del resto de estimadores lineales e in-
sesgados de β. sesgados de β.
B El estimador de la varianza de las pertur- D Ninguna de las anteriores.
e · eb )/N , es lineal e insesgado.
baciones, (b

demuestra que:
A El estimador (be · eb )/N , de la varianza de b es el único estimador lineal

C El estimador β
las perturbaciones es lineal e insesgado. e insesgado de β posible.
b tiene una esperanza menor que cualquier
B β D Ninguna de las anteriores.
otro estimador lineal e insesgado de β.
|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?
A U sigue una distribución Normal. C Las perturbaciones son homoscedásticas.

B La esperanza de U es cero. D U no presenta autocorrelación.
|P-133 [Teorema Gauss-Markov - Hipotesis necesarias su demostracion - 2]i De todas las

hipótesis clásicas sobre el vector de perturbaciones U en el MLG Y = X β + U, indique cuál
NO es necesaria para demostrar el Teorema de Gauss-Markov:
A La esperanza de U es cero. C U no presenta autocorrelación.

B Las perturbaciones son homoscedásticas. D Todas las anteriores son necesarias.

A E U X... ...= 0 .
C U ∼ N 0 , σ2 I .
B Var U | X = σ2 I . D Todas las anteriores son necesarias.

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
A los estimadores lineales e insesgados de β. C los estimadores insesgados y con distribu-

B los estimadores lineales de distribución ción normal.
gaussiana. D todos los estimadores.
|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.
|P-138 [Contraste t de Student - Contraste unilateral (cola derecha) - 1]i Si el modelo Y =

β1 1 + β2 X + U cumple todas las hipótesis clásicas y b
t es el valor calculado del estadı́stico t, para
el contraste de H0 : β2 = 1 frente a H1 : β2 > 1, con una muestra de tamaño N = 30; indique qué
afirmación es CIERTA:
A El nivel de significación marginal (p-value) C El valor calculado

del estadı́stico t es
para el contraste es P r[t(28) ≥ bt]. b c c c
t = β2 /Dt β2 .
B El p-valor para el contraste es D El p-valor (nivel de significación marginal)

2 × min(P r[t(28) ≤ b
t] , P r[t(28) ≥ b
t]). para el contraste es 1 − P r[t(28) ≥ bt].
Explicación: El p-valor (o nivel de significación marginal) es la probabilidad (bajo H0 ) de obtener

con el stadı́stico un resultado (igual o) “más extremo” que el observado.
El significado de “más extremo” depende de H1

p-valor = PH0 T > b t (cola derecha) (ó 1 − PH0 T ≤ bt )

p-valor = PH0 T < b t (cola izquierda) (ó 1 − PH0 T ≥ bt )

p-valor = 2 × min PH0 T > b t , P H0 T > b t (bilateral)
β 2 −1
donde T = (el estadı́stico) es una variable aleatoria con distribución t-student con 28 grados
c
c(β
Dt c2)
de libertad (por haber una muestra de 30 datos y dos betas a estimados).

En este caso, como la hipótesis alternativa es H1 : β2 > 1 se trata de un contraste de cola derecha.
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 .

A El nivel de significación marginal (p-value) C El p-valor para el contraste es

para el contraste es 1 − P r[t(28) ≤ b t]. P r[t(28) ≤ b
t].
B El p-valor para el contraste es
2 × min(P r[t(28) ≤ b
t] , P r[t(28) ≥ b
t]). D Ninguna de las anteriores.


para el contraste es 1 − P r[t(28) ≥ b t]. P r[t(28) ≤ b
t].
B El valor calculado
b c2 − 1)/Dt
t = (β c β c2 . D Ninguna de las anteriores.


para el contraste es 1 − P r[t(28) ≥ b t]. P r[t(28) ≤ b
t].
b
t=βc2 /Dt
c β c2 . D Ninguna de las anteriores.
|P-142 [Contraste t de Student - Contraste unilateral (cola izquierda) - 1]i Si el modelo

Y = β1 1 + β2 X + U cumple todas las hipótesis clásicas y b
t es el valor calculado del estadı́stico t,
para el contraste de H0 : β2 = 1 frente a H1 : β2 < 1, con una muestra de tamaño N = 30; indique
qué afirmación es CIERTA:

para el contraste es P r[t(28) ≥ bt]. 2 × min(P r[t(28) ≤ b
t] , P r[t(28) ≥ b
t]).
B El valor calculado del
estadı́stico t es D El p-valor para el contraste es
b c2 − 1) × Dt
t = (β c β c2 . 1 − P r[t(28) ≥ b
t].

En este caso, como la hipótesis alternativa es H1 : β2 < 1 se trata de un contraste de cola izquierda.


para el contraste es 1 − P r[t(28) ≤ b t]. P r[t(28) > b
t].
b c d c2 .
t = (β2 − 1)/Var β D Ninguna de las anteriores.

Y = β1 1 + β2 X + U cumple todas las hipótesis clásicas, y b

para el contraste es 1 − P r[t(28) ≤ b t]. 2 × min(P r[t(28) ≤ b
t] , P r[t(28) ≥ b
t]).
del
b c c c
t = (β2 − 1) × Dt β2 . P r[t(28) < b
t].


para el contraste es 1 − P r[t(28) ≤ b t]. P r[t(28) > b
t].
b c c c2 .
t = (β2 − 1)/Dt β D Ninguna de las anteriores.
|P-146 [Contraste t de Student - Contraste unilateral (bilateral) - 1]i Si el modelo Y =

el contraste de H0 : β2 = 1 frente a H1 : β2 6= 1, con una muestra de tamaño N = 30; indique qué

para el contraste es P r[t(28) ≥ bt]. 1 − P r[t(28) ≥ b
t].
del
b c c c
t = (β2 − 1) × Dt β2 . 2 × min(P r[t(28) ≤ b
t] , P r[t(28) ≥ b
t]).

6 1 se trata de un contraste bilateral.
En este caso, como la hipótesis alternativa es H1 : β2 =

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.
1 − P r[t(28) ≥ b
t].

b c d c2 .
t = (β2 − 1)/Var β 2 × max(P r[t(28) ≤ b
t] , P r[t(28) ≥ b
t]).
2 × min(P r[t(28) ≤ b
t] , P r[t(28) ≥ b
t]).

b
t=βc2 × Dt
c β c2 . 2 × max(P r[t(28) ≤ b
t] , P r[t(28) ≥ b
t]).
b c d β
t = (β2 − 1)/Var c2 .

|P-150 [Contraste t de Student - Toma de decision contraste dos colas**]i

Si el modelo Y = β1 1 +β2 X +U cumple todas las hipótesis clásicas y se desea contrastar H0 : β2 = 0
1 : β2 6= 0 utilizando el estadı́stico t cuyo valor calculado (con muestra de tamaño N ) es
frente a H
b
t y P rob − |b t| ≤ t(N − 2) ≤ |bt| = 0,9909, entonces:
A H0 no puede rechazarse ni al 5% ni al 10%. C H0 se rechaza tanto al 10% como al 5%.

B H0 debe rechazarse al 10% pero no al 5%. D H0 debe rechazarse al 5% pero no al 10%.
Explicación: Véase las explicaciones de las preguntas anteriores para el p-valor.
Distribución t con (N − k) grados de libertad
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 .
|P-151 [Contraste t de Student - Toma de decision contraste de cola derecha** - 1]i

frente a H1 : β2 > 0 utilizando el estadı́stico
t cuyo valor calculado (con muestra de tamaño N ) es
b b b
t > 0, y P rob − |t| ≤ t(N − 2) ≤ |t| = 0,9539, entonces:

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.
|P-152 [Contraste t de Student - Toma de decision contraste de cola derecha** - 2]i

b
t < 0, y P rob − |bt| ≤ t(N − 2) ≤ |b t| = 0,8416, entonces:

Explicación: Véase las explicaciones de las preguntas anteriores para el p-valor.
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.
|P-153 [Contraste t de Student - Toma de decision contraste de cola izquierda** - 1]i

frente a H1 : β2 < 0 utilizando el estadı́stico
b b b
t < 0, y P rob − |t| ≤ t(N − 2) ≤ |t| = 0,8966, entonces:

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.
|P-154 [Contraste t de Student - Toma de decision contraste de cola izquierda** - 2]i

b
t > 0, y P rob − |bt| ≤ t(N − 2) ≤ |b t| = 0,9870, entonces:

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-155 [Contraste t de Student - P valor contraste cola derecha** - 1]i

b
t > 0, y P rob − |bt| ≤ t(N − 2) ≤ |b t| = 0,8647, entonces el p-valor del estadı́stico es:
A 0,0676 B 0,9323 C 0,1353 D 0,8647

La probabilidad fuera del intervalo es 1−0,8647 = 0,1353. Dado que el contraste es de cola derecha,
toda la probabilidad a la derecha de b t (que es positivo) constituye el p-valor del contraste. En este
caso la mitad de la probabilidad fuera del intervalo: p-valor = 0,0676.
|P-156 [Contraste t de Student - P valor contraste cola derecha** - 2]i

b
t < 0, y P rob − |bt| ≤ t(N − 2) ≤ |b t| = 0,9154, entonces el p-valor del estadı́stico es:
A 0,9577 B 0,0423 C 0,0846 D 0,9154

La probabilidad fuera del intervalo es 1−0,9154 = 0,0846. 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 (0,0423) más la probabilidad de todo el intervalo (0,9154), pues
también queda a la derecha de b t (que es negativo): p-valor = 0,9577.
|P-157 [Contraste t de Student - P valor contraste cola izquierda** - 1]i

b
t > 0, y P rob − |bt| ≤ t(N − 2) ≤ |b t| = 0,8723, entonces el p-valor del estadı́stico es:
A 0,9361 B 0,0638 C 0,1277 D 0,8723

La probabilidad fuera del intervalo es 1 − 0,8723 = 0,1277. Dado que el contraste es de cola
izquierda, toda la probabilidad a la izquierda de bt constituye el p-valor del contraste. En este caso
la mitad de la probabilidad fuera del intervalo (0,0638) más la probabilidad de todo el intervalo
(0,8723), pues también queda a la izquierda de b t (que es positivo): p-valor = 0,9361.
|P-158 [Contraste t de Student - P valor contraste cola izquierda** - 2]i

b
t < 0, y P rob − |bt| ≤ t(N − 2) ≤ |b t| = 0,9537, entonces el p-valor del estadı́stico es:
A 0,0232 B 0,9768 C 0,0463 D 0,9537

La probabilidad fuera del intervalo es 1 − 0,9537 = 0,0463. Dado que el contraste es de cola
izquierda, toda la probabilidad a la izquierda de bt constituye el p-valor del contraste. En este caso
la mitad de la probabilidad fuera del intervalo: p-valor = 0,0232.
|P-159 [Contraste t de Student - P valor contraste dos colas**]i

1 : β2 6= 0 utilizando el estadı́stico t cuyo valor calculado (con muestra de tamaño N ) es
frente a H
b
t y P rob − |b t| ≤ t(N − 2) ≤ |bt| = 0,8175, entonces el p-valor del estadı́stico es:
A 0,1825 B 0,9087 C 0,0913 D 0,8175

Dado que el contraste es de dos colas, toda la probabilidad fuera del intervalo constituye el p-valor
del contraste: 1 − 0,8175.
|P-160 [Hipotesis del MLG - Normalidad en las perturbaciones - 1]i En el m.a.s. Y = X β +U

del MLG Y = X β + U, la hipótesis de que las perturbaciones U siguen una distribución Normal
multivariante:
A Permite obtener la distribución del esti- C Es necesaria para demostrar el Tma. de

mador insesgado de la varianza de las per- Gauss-Markov.
turbaciones. D Las afirmaciones anteriores son falsas.
B Es necesaria para calcular previsiones pun-
tuales para la variable dependiente.
Explicación: Si las perturbaciones tienen distribución normal, los estimadores β b, y b y e b , (que

son transformaciones lineales de U ) también tienen distribución normal. Y por tanto, también se
puede deducir la distribución del estimador insesgado de la varianza: sb2eb ≡ (b
e · eb )/(N − k).
Para realizar estimaciones (o predicciones) por intervalos de confianza o contrastes de hpótesis, es
necesario conocer la distribución de los estimadores.
Aun sin conocer la distribución de los estimadores, podemos realizar estimaciones o predicciones
puntuales de y, β y de la varianza de las perturbaciones σ 2 .
El Teorema de Gauss-Markov no requiere del supuesto de normalidad.

multivariante:
A Permite estimar la varianza de las pertur- C Es necesaria para demostrar el Tma. de

baciones. Gauss-Markov.
B Es necesaria para calcular intervalos de D Las afirmaciones anteriores son falsas.
confianza para las estimaciones MCO.


multivariante:
A Permite estimar la varianza de las pertur- C NO es necesaria para demostrar el Tma.

baciones. de Gauss-Markov.
B Es necesaria para calcular previsiones pun- D Las afirmaciones anteriores son falsas.

multivariante:
A Permite estimar la varianza de las pertur- C Es necesaria para demostrar el Tma. de

baciones. Gauss-Markov.
B Es necesaria para calcular previsiones pun- D Las afirmaciones anteriores son falsas.
Explicación:Véase las explicaciones de las preguntas anteriores.
|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.
Explicación: Si la esperanza de las pertubaciones no es cero, se incumple la hipótesis de regre-

sores exógenos. Si la matriz de varianzas y covarianzas no es escalar se incumple la hipótesis de
perturbaciones esféricas.
|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.
Explicación: Si la esperanza de las pertubaciones no es cero, se incumple la hipótesis de regresores

exógenos. Si la varianza de Un no es σ 2 para todo n, o si Un no es perpendicular a Um (con m 6= n)
se incumple la hipótesis de perturbaciones esféricas.
|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:
A P r[t(60) ≥ 43 ] B P r[t(60) ≤ 34 ] C P r[t(60) ≤ 43 ] D P r[t(60) ≥ 34 ]
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:
A P r[t(60) ≤ 11 ] B P r[t(60) ≥ 16 ] C P r[t(60) ≥ 11 ] D P r[t(60) ≤ 16 ]
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
95%). Puesto que la distancia del centro del intervalo a los extremos es 12, se deduce que σ b= 6.
bajo la H0 de que µ = 40 tenemos que Y−40 σ

Y − 40 46 − 40 1
P rob (Y ≤ 46) = P rob ≤ = P rob t(60) ≤ .
6 6 1
|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:
A P r[t(60) > − 34 ]. B P r[t(60) < − 43 ]. C P r[t(60) > − 16 ]. D P r[t(60) < − 16 ].
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.

bajo la H0 de que µ = 0,03 tenemos que Y−0,03 σ

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:
A P r[t(60) < 31 ]. B P r[t(60) > 31 ]. C P r[t(60) > 52 ]. D P r[t(60) < 52 ].
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.

bajo la H0 de que µ = 0,04 tenemos que Y−0,04 σ

Y − 0,04 0,10 − 0,04 3
P rob (Y ≤ 0,10) = P rob ≤ = P rob t(60) ≤ .
0,02 0,02 1
|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
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-
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 ].

" #
32 c2 − (4)
β 32
− (4) 20 20
c
P rob β2 ≤ = P rob ≤ 3
= P rob t(80) ≤ = 1 − P rob t(80) > .
3 3 3 9 9
|P-172 [Contraste t de Student - Calculo de una probabilidad de beta > h usando inter-
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 ].

" #
c2 − (4) − 16
c 16 β 5 − (4) 18 18
P rob β2 ≥ − = P rob ≥ = P rob t(11) ≥ − = 1 − P rob t(11) < − .
5 2 2 5 5
|P-173 [Contraste t de Student - Calculo de una probabilidad de beta > h usando inter-
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
A 1 − P rob[t(23) < 25 ]. C 1 − P rob[t(23) < 72 ].

B P rob[t(23) ≥ 11 ]. D P rob[t(23) ≥ 21 ].

" #
6 c2 − (1)
β 6
− (1) 5 5
c
P rob β2 ≥ = P rob ≥ 1
= P rob t(23) ≥ = 1 − P rob t(23) < .
1 2 2 2 2
|P-174 [Contraste F - Contraste de significacion global - 1]i Para el modelo Y = β1 1 +

β2 X2 + β3 X3 + U, la hipótesis nula y la hipótesis alternativa del contraste de significación global
del modelo son:
A H0 : (β2 , β3 ) = (0, 0) y H1 : (β2 , β3 ) 6= (0, 0).
B H0 : β2 + β3 = 0 y H1 : β2 + β3 6= 0.
C H0 : β1 + β2 + β3 = 0 y H1 : β1 + β2 + β3 6= 0.
D H0 : (β1 , β2 , β3 ) = (0, 0, 0, 0) y H1 : (β1 , β2 , β3 ) 6= (0, 0, 0, 0).
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.

β2 X2 + β3 X3 + β4 X4 + U, la hipótesis nula y la hipótesis alternativa del contraste de significación
global del modelo son:
A H0 : (β2 , β3 , β4 ) = (0, 0, 0) y H1 : (β2 , β3 , β4 ) 6= (0, 0, 0).
B H0 : β2 + β3 + β4 = 0 y H1 : β2 + β3 + β4 6= 0.
C H0 : β1 + β2 + β3 + β4 = 0 y H1 : β1 + β2 + β3 + β4 6= 0.
D H0 : (β1 , β2 , β3 , β4 ) = (0, 0, 0, 0) y H1 : (β1 , β2 , β3 , β4 ) 6= (0, 0, 0, 0).

β2 X2 + U, la hipótesis nula y la hipótesis alternativa del contraste de significación global del
modelo son:
A H0 : β2 = 0 y H1 : β2 6= 0.
B H0 : β1 + β2 = 0 y H1 : β1 + β2 6= 0.
C H0 : (β1 , β2 ) = (0, 0) y H1 : (β1 , β2 ) 6= (0, 0).

|P-177 [Contraste F - p-valor significacion global** - 1]i Si el modelo Y = β1 1 + β2 X2 +

β3 X3 + U, cumple todas las hipótesis clásicas, se dispone de una muestra de tamaño N = 75
que también cumple los supuestos, y F̄ es el valor calculado del estadı́stico F habitual para el
contraste de significación global de las pendientes en el modelo anterior, entonces el p-valor (o
nivel de significación marginal ) asociado con dicho contraste es igual a:
A P rob[F (2, 72) ≥ F̄ ]. C 1 − P rob[F (3, 73) ≥ F̄ ].

B 1 − P rob[F (2, 73) ≤ F̄ ]. D P rob[F (2, 72) ≤ F̄ ].
Explicación: Es la probabilidad de que una valiable con distribución F de k − 1 y N − k grados

de libertad (donde k − 1 es el número de regresores no constantes y N − k es el tamaño muestral
menos el número de regresores del modelo) sea mayor que el valor del estadı́stico F̄ obtenido, es
decir, P rob[F (2, 72) ≥ F̄ ] que también podemos expresar como 1 − P rob[F (2, 72) < F̄ ].
|P-178 [Contraste F - p-valor significacion global** - 2]i Si el modelo Y = β1 1 + β2 X2 +

β3 X3 + β4 X4 + U, cumple todas las hipótesis clásicas, se dispone de una muestra de tamaño
N = 40 que también cumple los supuestos, y F̄ es el valor calculado del estadı́stico F habitual
para el contraste de significación global de las pendientes en el modelo anterior, entonces el p-valor
(o nivel de significación marginal ) asociado con dicho contraste es igual a:
A 1 − P rob[F (3, 36) < F̄ ]. C P rob[F (4, 37) ≤ F̄ ].

B P rob[F (3, 37) ≥ F̄ ]. D 1 − P rob[F (3, 36) > F̄ ].
|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.
c2 y β
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
c3
c2 y β
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
c3 c2 + 12Var β
9Var β c3 − 4Cov β c2 , β
c3
|P-182 [Contraste t de Student - Reconocer el estadistico para contrastar una H.

nula**]i Si el modelo muestral Y = β1 1 + β2 X | 2 + β3 X | 3 + U cumple todas las hipótesis
c2 y β
clásicas y β c3 son los estimadores MCO de β2 y de β3 , respectivamente, indique cuál de los
estadı́sticos siguientes sigue una distribución t de Student bajo la hipótesis de que 5β2 − 5β3 = 1 :
2
c2 − 5β
5β c3 − 1 c2 − 5βc3 − 1
A r 5 β
.C .
c c c c
25Var β2 + 25Var β3 − 50Cov β2 , β3 c2 + 25Var β c3 − 50Cov βc2 , β
c3
25Var β
c2 − 5β
c3 − 1 2
5β 5 c2 − 5β
β c3 − 1
B r r .
c2 + 5Var β c3 D .
5Var β 25Var βc2 + 25Var β c3

|P-183 [Contraste t de Student - Reconocer el estadistico para contrastar una H. nula**

- 2]i Si el modelo muestral Y = β1 1 + β2 X | 2 + β3 X | 3 + U cumple todas las hipótesis clásicas y
c2 y β
β c3 son los estimadores MCO de β2 y de β3 , respectivamente, indique cuál de los estadı́sticos
siguientes sigue una distribución t de Student bajo la hipótesis de que 2β2 − 8β3 = 4 :
2
c2 − 8β
2β c3 − 4 c2 − 8β
c3 − 4
A r 2β
. C .
c2 + 64Var β
c3 c2 + 64Var β c3 − 32Cov βc2 , β
c3
4Var β
c2 − 8β
c3 − 4 2
2β 2βc2 − 8β
c3 − 4
B r .
D
c2 + 32Var βc3 − 64Cov βc2 , β
c3 .
4Var β c2 + 32Var β
c3
|P-184 [Contraste t de Student - Reconocer el estadistico para contrastar una H. nula**

- 3]i Si el modelo muestral Y = β1 1 + β2 X | 2 + β3 X | 3 + U cumple todas las hipótesis clásicas y
c2 y β
β c3 son los estimadores MCO de β2 y de β3 , respectivamente, indique cuál de los estadı́sticos
siguientes sigue una distribución t de Student bajo la hipótesis de que 5β2 + 9β3 = 4 :
2
5βc2 + 9β
c3 − 4 c2 + 9β
c3 − 4
A r . 5β
.
c2 + 81Var β
25Var β c3 + 90Cov β c3 C
c2 , β c2 − 81Var β c3 + 90Cov βc2 , β
c3
25Var β
5βc2 + 9β
c3 + 4 5βc2 + 9β
c3 − 4
B r .D r .
c c c c
25Var β2 + 81Var β3 − 90Cov β2 , β3 c c c c
25Var β2 − 90Var β3 − 81Cov β2 , β3
|P-185 [Estimacion MCO con restricciones lineales - Estimacion mediante sustitucion -

1]i La estimación de β1 , β2 y β3 en el modelo Y = β1 1 + β2 X | 2 + β3 X | 3 + U , bajo la restricción
β2 + β3 = 3, puede llevarse a cabo:
A Estimando β1 y β3 por MCO en el modelo (Y − 3X | 2 ) = β1 1 + β3 (X | 3 − X | 2 ) + U .
B Estimando β1 y β2 por MCO en el modelo (Y − 3X | 2 ) = β1 (1 − X | 2 ) + β2 X | 2 + U .
C Estimando β1 y β3 por MCO en el modelo (Y + 3X | 3 ) = β1 1 + β2 (X | 3 − X | 2 ) + U .
D Estimando β2 y β3 por MCO en el modelo (Y − 3X | 3 ) = β2 X | 2 + β3 (X | 3 − X | 2 ) + U .
Explicación: Si Y = β1 1 + β2 X | 2 + β3 X | 3 + U , imponer la restricción β2 + β3 = 3, es decir,

β2 = 3 − β3 implica que el modelo restringido es:
Y =β1 1 + (3 − β3 )X | 2 + β3 X | 3 + U
=β1 1 + 3X | 2 − β3 X | 2 + β3 X | 3 + U
y por tanto Y − 3X | 2 = β1 1 + β3 (X | 3 − X | 2 ) + U . Pero también β3 = 3 − β2 y por tanto el

modelo restringido también es
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 .

A Estimando β1 y β2 por MCO en el modelo Y = β1 1 + β2 (X | 2 − X | 3 ) + U .
B Estimando β1 y β2 por MCO en el modelo (Y − 1 ) = β1 (X | 2 − 1 ) + β2 X | 2 + U .
C Estimando β1 y β3 por MCO en el modelo Y = β1 1 + β3 (X | 2 − X | 3 ) + U .
D Estimando β1 y β2 por MCO en el modelo Y = β1 1 + β2 (X | 3 − X | 2 ) + U .
Explicación: Si Y = β1 1 + β2 X | 2 + β3 X | 3 + U , imponer la restricción β2 + β3 = 0, es decir,

β2 = −β3 implica que el modelo restringido es:
Y =β1 1 − β3 X | 2 + β3 X | 3 + U
y por tanto Y = β1 1 + β3 (X | 3 − X | 2 ) + U . Pero también β3 = −β2 y por tanto el modelo

restringido también es
Y =β1 1 + β2 X | 2 − β2 X | 3 + U
y por tanto Y = β1 1 + β2 (X |2 − X |3 ) + U .

β2 + β3 = −1, puede llevarse a cabo:
A Estimando β1 y β2 por MCO en el modelo (Y + 1X | 3 ) = β1 1 + β2 (X | 2 − X | 3 ) + U .
B Estimando β1 y β2 por MCO en el modelo (Y − 1X | 2 ) = β1 1 + β2 (X | 2 − X | 3 ) + U .
D Estimando β1 y β2 por MCO en el modelo (Y + 1X |2 ) = β1 (1 − X |2 ) + β2 X |2 + U .

Explicación: Si Y = β1 1 + β2 X | 2 + β3 X | 3 + U , imponer la restricción β2 + β3 = −1, es decir,
β2 = −1 − β3 implica que el modelo restringido es:
Y =β1 1 + (−1 − β3 )X | 2 + β3 X | 3 + U
=β1 1 − 1X | 2 − β3 X | 2 + β3 X | 3 + U
y por tanto Y + 1X | 2 = β1 1 + β3 (X | 3 − X | 2 ) + U . Pero también β3 = −1 − β2 y por tanto el

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 .

β2 − β3 = 4, puede llevarse a cabo:
A Estimando β1 y β2 por MCO en el modelo (Y + 4X | 3 ) = β1 1 + β2 (X | 2 + X | 3 ) + U .
D Estimando β2 y β3 por MCO en el modelo (Y + 4X | 2 ) = β2 X | 2 + β3 (X | 3 − X | 2 ) + U .

A Estimando β1 y β2 por MCO en el modelo Y = β1 1 + β2 (X | 2 + X | 3 ) + U .
B Estimando β1 y β2 por MCO en el modelo (Y − X |2 ) = β1 (1 − X |2 ) + β2 X |2 + U .
C Estimando β1 y β3 por MCO en el modelo Y = β1 1 + β3 (X |3 − X |2 ) + U .
D Estimando β2 y β3 por MCO en el modelo Y = β2 (X | 2 − X | 3 ) + β3 (X | 3 − X | 2 ) + U .

β2 − β3 = −1, puede llevarse a cabo:
A Estimando β1 y β2 por MCO en el modelo (Y − 1X | 3 ) = β1 1 + β2 (X | 2 + X | 3 ) + U .
D Estimando β2 y β3 por MCO en el modelo (Y + 1 · 1 ) = β2 (X | 2 − X | 3 ) + β3 X | 3 + U .


A Estimando β1 y β2 por MCO en el modelo (Y + 4X | 3 ) = β1 (1 + X | 3 ) + β2 X | 2 + U .
B Estimando β1 y β2 por MCO en el modelo (Y + 4X | 2 ) = β1 (1 − X | 2 ) + β2 X | 2 + U .
C Estimando β1 y β3 por MCO en el modelo (Y + 4 · 1 ) = β1 1 + β3 (X | 3 − X | 2 ) + U .
D Estimando β2 y β3 por MCO en el modelo (Y − 4X | 3 ) = β2 (X | 2 − X | 3 ) + β3 (X | 3 − X | 2 ) + U .

Explicación: Si Y = β1 1 + β2 X | 2 + β3 X | 3 + U , imponer la restricción β1 − β3 = 4, es decir,
β1 = 4 + β3 implica que el modelo restringido es:
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 − 4 · 1 = β2 X | 2 + β3 (1 + X | 3 ) + U . Pero también β3 = β1 − 4 y por tanto el

Y =β1 1 + β2 X | 2 + (β1 − 4)X | 3 + U

=β1 1 + β2 X | 2 + β1 X | 3 − 4X | 3 + U
y por tanto Y + 4X | 3 = β1 (1 + X | 3 ) + β2 X | 2 + U .

β1 + β2 = −1, puede llevarse a cabo:
A Estimando β1 y β3 por MCO en el modelo (Y + 1X | 2 ) = β1 (1 − X | 2 ) + β3 X | 3 ) + U .
B Estimando β1 y β2 por MCO en el modelo (Y − 1X | 2 ) = β1 (1 + X | 2 ) + β2 X | 2 + U .
C Estimando β1 y β2 por MCO en el modelo Y = β1 (1 − X | 3 ) + β2 X | 2 + U .
D Estimando β2 y β3 por MCO en el modelo Y − 1 · 1 = β2 X | 2 + β3 (1 + X | 3 ) + U .

A Estimando β2 y β3 por MCO en el modelo Y = β2 X | 2 + β3 (X | 3 − 1 ) + U .
B Estimando β1 y β2 por MCO en el modelo Y = β1 (1 − X | 2 ) + β2 X | 2 + U .
D Estimando β2 y β3 por MCO en el modelo Y = β2 (X | 2 − X | 3 ) + β3 (X | 3 − 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
Explicación:La estimación de Mı́nimos Cuadrados Restringidos MCR encuentra la combinación de

regresores que (cumpliendo la restricción lineal A βb = c) minimiza el vector de errores. Por tanto
la estimación MCR realiza una proyección sobre un espacio igual o más pequeño que la estimación
MCO sin restricciones. Consecuentemente:
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∗
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.
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.

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∗
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∗
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.

|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 .
β
∗ ∗
A R2 ≤ R2 . C R2 ≥ R2 .
β
∗ ∗
A R2 = R2 cuando A βb 6= c. C R2 ≥ R2 .
β
∗ ∗
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.
β
∗ ∗
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.

β
∗ ∗
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?:
N −k SRC ∗ −SRC N −k SRC −SRC ∗

A r SRC
C r SRC
N −k SRC −SRC ∗
B r SRC ∗
D Ninguno de los anteriores.

b∗ ·b
e e ∗ −b
e ·b
e /r
N −k SRC ∗ −SRC
Explicación: F = b ·b
e e /(N −k) = r · SRC ∼
|X H0
F {r,N −k}
|X
|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?:
∗ ∗
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 (ST C − SEC ∗ ) − (ST C − SEC )

F = · por ser modelo con término cte.
r ST C − SEC
N − k SEC − SEC ∗
= ·
r ST C − SEC
∗
N − k R2 − R2
= · dividiendo y multiplicando por ST C
r 1 − R2
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?:

A r SRC
C r SRC
N −k SRC −SRC ∗
B r SRC ∗
D Ninguno de los anteriores.

Solo uno de ellos tiene distribución F , pero ninguno tiene distribución t de Student
|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)

A r SRC con r 6= 1. C r SRC con N > k.
N −k SRC ∗ −SRC
B r SRC con r = 1. D Ninguno de los anteriores.

Cuando hay una única restricción la distribución F con 1 y N − k grados de libertad es el cuadrado
de una distribución t de Student con N − k grados de libertad.
|P-211 [Estimacion MCO con restricciones lineales - Cobb-Douglas con restriccion de

rendimientos de escala constantes - 1]i Si una función de producción Cobb-Douglas:
ln Q = β1 + β2 ln L + β3 ln K + U , (donde Q , L y K representan, respectivamente, la
producción, trabajo y capital de un conjunto de empresas, y ln representa el logaritmo nepe-
riano) se estima imponiendo la restricción de que los rendimientos a escala son constantes:
c∗ puede ser sesgado, aunque su varianza nunca será mayor que la de β
A El estimador β c2 .
2
B El estimador β c∗ es insesgado, incluso si la función de producción presenta rendimientos

3
decrecientes a escala.
C Si la función de producción presenta rendimientos crecientes a escala, la varianza del esti-
mador β c∗ será mayor que la de β
c2 .
2

La restricción de rendimientos constantes a escala supone β2 +β3 = 1 y por tanto es una restricción
lineal.

ln Q = β1 + β2 ln L + β3 ln K + U , (donde Q , L y K representan, respectivamente, la pro-
ducción, trabajo y capital de un conjunto de empresas, y ln representa el logaritmo neperiano) se
estima y se quiere contrastar si los rendimientos a escala son constantes frente a que no lo sean:
A El contraste se puede realizar tanto con un test de la F como uno de la t de student.
B El contraste se puede realizar con solo con un test de la F .
C El contraste se puede realizar con solo con un test t de student.
Explicación: Como H0 : β2 + β3 = 1 tiene una única restricción lineal y la hipótesis alternativa es

H1 : β2 + β3 6= 1, el test es bilateral. Por tanto se puede realizar tanto con un test de la F como
uno de la t de student.
El test de la F puede contrastar hipótesis con una o más restricciones lineales, pero siempre es
bilateral.
El test de la t puede contrastar hipótesis con una única restricción, pero puede ser tanto bilateral
como de una sola cola (alternativas de la forma “mayor que” o “menor que”.

ducción, trabajo y capital de un conjunto de empresas, y ln representa el logaritmo neperiano)
se estima y se quiere contrastar si los rendimientos a escala son constantes frente a que sean
decrecientes:

ducción, trabajo y capital de un conjunto de empresas, y ln representa el logaritmo neperiano) se
estima y se quiere contrastar si los rendimientos a escala son constantes y que β1 = 0:


ducción, trabajo y capital de un conjunto de empresas, y ln representa el logaritmo neperiano)
se estima y se quiere contrastar si los rendimientos a escala son constantes frente a que sean
decrecientes y que β1 ≥ 0:

ln Q = β1 + β2 ln L + β3 ln K + U , (donde Q , L y K representan, respectivamente, la
producción, trabajo y capital de un conjunto de empresas, y ln representa el logaritmo nepe-
riano) se estima imponiendo la restricción de que los rendimientos a escala son constantes:
c∗ puede ser sesgado, aunque su varianza es mayor o igual que la de β
A El estimador β c2 .
2
B El estimador β c∗ es insesgado, incluso si la función de producción presenta rendimientos

3
decrecientes a escala.
C Si la función de producción presenta rendimientos crecientes a escala, la varianza del esti-
mador β c∗ será mayor que la de β
c2 .
2
|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)
A SRC ∗ del modelo estimado imponiendo H0 es igual que SRC.

B La diferencia entre las estimaciones MCO de β2 y β3 es distinta de 1.
C SRC ∗ del modelo estimado imponiendo H0 es mayor que SRC.
D No puede rechazarse H0 al 1% de significación, pero sı́ debe rechazarse al 10%.

Rβb −1
La restricción es β2 − β3 = 0 1 −1 β = Rβ = 1; y el estadı́stico t es b) . El estadı́stico
Dt(R β
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 .
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)
A SRC ∗ del modelo estimado imponiendo H0 es menor que SRC.

C SRC ∗ del modelo estimado imponiendo H0 es igual que SRC.

B La diferencia entre las estimaciones MCO de β2 y β3 es igual a 1.
C SRC ∗ del modelo estimado imponiendo H0 es mayor que SRC.

∗
C R2 del modelo estimado imponiendo H0 es menor que R2 .

∗
C R2 del modelo estimado imponiendo H0 es igual a R2 .

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)
A SRC ∗ del modelo estimado imponiendo H0 es mayor que SRC.

B La diferencia entre las estimaciones MCO de β2 y β3 es igual a 1.
∗
C R2 del modelo estimado imponiendo H0 es mayor o igual que R2 .
|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):
A Y = β1 1 + X 1/β2 + U. D Ninguno de ellos se puede transformar

B Y = eβ1 1 X β2 eU . para obtener un modelo lineal en los
parámetros
C Y = e(β1 1+β2 X+U) .
Explicación:

Y = β1 1 + X 1/β2 + U → log Y = log β1 1 + X 1/β2 + U
Y = eβ1 1 X β2 eU → log Y = β1 1 + β2 log X + U (lineal en los parámetros)

Y = e(β1 1+β2 X+U) → log Y = β1 1 + β2 X + U (lineal en los parámetros)
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

1
Y = e(β1 1+β2 X +U) → log Y = β1 1 + β2 X1 + U (lineal en los parámetros)
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:
A Y = β1 1 + X 1/β2 + U. D Ninguno de ellos se puede transformar

B Y =e (β1 1X β2 ) U para obtener un modelo lineal en los
e .
parámetros
C Y =e (β1 1+β2U X)
.

β2
Y = e(β1 1X ) U
e → log Y = β1 1X β2 + U
U
Y = e(β1 1+β2 X) → log Y = β1 1 + β2U X
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)
donde l GBduraderos es el logaritmo del gasto en bienes duraderos y l Consumo es el logaritmo

del gasto total en consumo de las familias (Desviaciones tı́picas entre paréntesis). A la luz del
resultado
A Un incremento de un 1% en el consumo total supone un incremento aprox. de 1.91% en el
consumo de B. duraderos
B Un incremento de un 1$ en consumo total supone un incremento aprox. de 1.91 miles de
millones de dólares.
C Un incremento de un 1% en el consumo total supone un incremento aprox. de 0.0191% en el
consumo de B. duraderos
Explicación:Modelo log-log: el regresando está en logaritmos, por lo que la lectura es un cambio

relativo 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:
1.91 × 0.01 = 0.0191 ∼ 1.91%.
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)
donde l GBduraderos es el logaritmo del gasto en bienes duraderos y t es un ı́ndice de tiempo

(Desviaciones tı́picas entre paréntesis). A la luz del resultado en el periodo muestral
A La tasa de crecimiento trimestral del consumo es del 1.46%

B En media el consumo crece en 1.46 miles de millones de dólares al trimestre.
C La tasa de crecimiento trimestral del consumo es del 0.0146%
Explicación:Modelo log-lin: el regresando está en logaritmos, por lo que la lectura es un cambio

relativo del regresando. El regresor está en niveles por lo que asumiremos una variación un solo
trimestre. Entonces:
0.0146 × 1 = 0.0146 ∼ 1.46%.
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)
donde GBduraderos es el gasto en bienes duraderos y t es un ı́ndice de tiempo (Desviaciones

tı́picas entre paréntesis). A la luz del resultado en el periodo muestral
A La tasa de crecimiento trimestral del consumo es del 0.0949%

B En media el consumo crece trimestralmente 9.49 miles de millones de dólares.
C La tasa de crecimiento trimestral del consumo es del 9.49%
Explicación:Modelo lin-lin: el modelo es lineal en las variables.
9.49 × 1 = 9.49 en las unidades en que está expresado el regresando.
|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
\ = −1236.59 + 249.502 l totexp

foodexp
(341.12) (52.983)
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
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.
\ = −1441.70 + 282.840 l totexp

foodexp
(329.67) (51.267)
(desviaciones tı́picas entre paréntesis). ¿Qué afirmación representa una mejor aproximación?
A Un 10% adicional en el gasto total supone aproximadamente un aumento medio de 28.28

rupias en el gasto en alimentación.
B Un 1% adicional en el gasto total supone aproximadamente un aumento medio de 2.828 rupias
en el gasto en alimentación.
C Un 0.1% adicional en el gasto total supone aproximadamente un aumento medio de 0.2828
rupias en el gasto en alimentación.
D Las aproximaciones anteriores son igualmente buenas por ser equivalentes.
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.
\ = −1341.46 + 265.840 l totexp

foodexp
(326.24) (50.634)
(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
|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
[ = −1431.29 + 231.831 l sqft

price
(254.97) (33.804)
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:
A Un pie cuadrado adicional de superficie supone un aumento medio de 231.8 dólares.

B Un 1% adicional de la superficie supone un aumento medio de 2318 dólares.
C Un 1% adicional de la superficie supone un aumento del 2.318% en el precio.

|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
\ = 26465.0 − 1786.07 D1 − 4383.08 D2

SALARY
(1044.5) (1401.4) (1448.5)
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
A Oeste es 20296. C Norte es 24679.

B Sur es 4383. D Ninguna de las anteriores
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
Si el estado es del Noroeste, D1 es uno y D2 es cero, por lo que al valor de la constante se le

añade el valor estimado para parámetro que acompaña D1: 26465 + (−1786) = 24679
|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
\ = 26746.8 − 2805.30 D1 − 3491.73 D2

SALARY
(1342.9) (1711.8) (1758.2)
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)
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
\ = 13231.6 − 1193.76 D1 − 899.792 D2 + 3.24090 SPENDING

SALARY
(1573.6) (989.89) (1008.1) (0.33951)
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
A Oeste es 23602.48. C Noreste es 9177.11.

B Sur es 11270.66. D Ninguna de las anteriores

|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
\ = 13147.3 − 1496.31 D1 − 1155.28 D2 + 3.31361 SPENDING

SALARY
(1680.4) (978.52) (1063.4) (0.36780)
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)
|P-238 [Hipotesis del MLG - Consecuencias de presencia de multicolinealidad exacta - 1]i

La multicolinealidad exacta de los regresores de un modelo muestral del tipo Y = X β + U :
A Implica que las ecuaciones normales del ajuste MCO tienen infinitas soluciones.
B Implica que las ecuaciones normales del ajuste MCO no tienen ninguna solución.
C Ocurre si todas las variables ficticias suman 1 y no hay término constante en el modelo.
Explicación: La multicolinealidad exacta se da cuando las colummnas de X son linealmente de-

pendientes (y esto puede ocurrir independientemente de que haya o no haya término constante o
variables ficticias). Por otra parte, el sistema de ecuaciones normales X | X β = X | Y siempre es
compatible (siempre tiene solución); pero en el caso de que haya multicolinealidad exacta, la matriz
de coeficientes X | X es singular y por tanto el sistema de ecuaciones normales es indeterminado
(tiene infinitas soluciones).

A Ocurre si todas las variables ficticias suman 1 y hay término constante en el modelo.
B Ocurre si todas las variables ficticias suman 1 y no hay término constante en el modelo.
C Siempre se debe a la presencia de variables ficticias como regresores.

Si hay término constante y las variables ficticias suman 1 , entonces los regresores son linealmente
dependientes.

A Sólo puede ocurrir cuando el modelo no tiene término constante.
B Siempre se debe a la presencia de variables ficticias como regresores.
C Implica que las ecuaciones normales del ajuste MCO no tienen ninguna solución.

|P-241 [Multicolinealidad - Significacion individual y conjunta de los parametros - 1]i

Si el modelo muestral Y = X β + U del MLG Y = X β + U cumple las hipótesis clásicas y existe
alto grado de colinealidad entre regresores:
A Es probable que aunque se rechace la hipótesis conjunta (β2 , . . . , βk )| = (0, . . . , 0)| , NO se
rechace ninguna de las hipótesis individuales: βj = 0, j = 1, . . . , k por separado.
B El estimador MCO de β no es único.
C Las varianzas estimadas de los estimadores MCO de β1 , . . . , βk son muy grandes, por lo que
dichos estimadores dejan de ser eficientes.
D Las covarianzas estimadas entre los estimadores MCO de β1 , . . . , βk son nulas.
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 probable que aunque NO se rechace la hipótesis conjunta (β2 , . . . , βk )| = (0, . . . , 0)| , se
rechacen todas las hipótesis individuales β1 = 0, . . . , βk = 0 por separado.
B Es probable que aunque se rechace la hipótesis conjunta (β2 , . . . , βk )| = (0, . . . , 0)| , NO se
rechace ninguna de las hipótesis individuales β1 = 0, . . . , βk = 0 por separado.



C Aunque las varianzas estimadas de los estimadores MCO de β1 , . . . , βk son muy grandes,
dichos estimadores son eficientes.
|P-245 [Multicolinealidad - Precision en las estimaciones MCO - 1]i Si el modelo muestral

Y = X β +U del MLG Y = X β +U cumple las hipótesis clásicas y existe alto grado de colinealidad
b:
entre regresores, el estimador β
A Es poco preciso. C Es ineficiente pues su matriz de varianzas-

B Es sesgado covarianzas ya no es σ 2 (X | X )-1 .
D No es único

b:
entre regresores, el estimador β
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 .

b ¿qué afirmación es FALSA?
entre regresores, repecto al estimador β
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 .

b ¿qué afirmación es FALSA?
entre regresores, repecto al estimador β
A Es insesgado C Es eficiente pese a la elevada varianza

B Es ineficiente pues su matriz de varianzas- D Las afirmaciones anteriores son falsas.
covarianzas ya no es σ 2 (X | X )-1 .

|P-249 [Multicolinealidad - Consecuencias de la elevada correlacion entre regresores -

1]i Si el modelo muestral Y = X β + U del MLG Y = X β + U cumple las hipótesis clásicas
b:
y existe alto grado de colinealidad entre regresores, el estimador β
b puede ser muy grande.
A Es insesgado y eficiente, aunque la varianza de β
B Es sesgado e ineficiente, porque los regresores son linealmente dependientes sólo cuando se
ha omitido alguna variable explicativa relevante del modelo.
C No es único, porque el determinante de la matriz X | X es cero.
|P-250 [Multicolinealidad - Consecuencias de la elevada correlacion entre regresores -

2]i Si el modelo muestral Y = X β + U del MLG Y = X β + U cumple las hipótesis clásicas
b:
y existe alto grado de colinealidad entre regresores, el estimador β
b es muy grande y por tanto es muy
A Es insesgado pero ineficiente ya que la varianza de β
impreciso.
B Es sesgado porque los regresores serán linealmente independientes cuando se ha omitido
alguna variable explicativa relevante del modelo.
C No es único, porque el determinante de la matriz X | X es cero.
|P-251 [Multicolinealidad - Incumplimiento de rango completo por columnas de X - 1]i La

hipótesis de ausencia de multicolinealidad exacta NO se cumple cuando
A La correlación lineal simple entre dos regresores es uno en valor absoluto.
B El vector de datos de la variable dependiente es combinación lineal de los regresores.
C Los regresores son linealmente independientes entre sı́.
D La covarianza muestral entre dos regresores es cero.
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.

hipótesis de ausencia de multicolinealidad exacta NO se cumple cuando
A La correlación lineal simple entre dos regresores es apróximadamente uno en valor absoluto.
B La covarianza muestral entre dos regresores es uno en valor absoluto.
C La covarianza muestral entre dos regresores es cero.
D Se cumple en los tres casos anteriores.

hipótesis de ausencia de multicolinealidad exacta se cumple cuando
A El vector de datos de la variable dependiente NO es combinación lineal de los regresores.
B Los regresores son linealmente independientes entre sı́.
D No se cumple en ninguno de los casos anteriores.


hipótesis de ausencia de multicolinealidad exacta se cumple cuando
A La correlación lineal simple entre los regresores es distinta de uno en valor absoluto.
B El vector de datos de la variable dependiente es combinación lineal de los regresores.
D No se cumple en ninguno de los casos anteriores.

Si algún coeficiente de correlación lineal entre regresores es uno en valor absoluto, hay multicolineal-
idad exacta. Pero puede haber multicolinealidad exacta incluso si ningún coeficiente de correlación
lineal simple entre regresores es uno en valor absoluto. Por ejemplo, puede ocurrir que habiendo
multicolinealidad exacta porque X1 = X2 + X3 , sin embargo las correlaciones entre X1 , X2 y X3
(tomados de dos en dos) sean menores a uno en valor absoluto (basta para ello que X2 no sea
múltiplo de X3 ).
|P-255 [Multicolinealidad - MCO sigue siendo eficiente - 1]i Si el modelo muestral Y = X β +

U del MLG Y = β1 1 + β2 X2 + β3 X3 + U cumple todas las hipótesis clásicas, pero la correlación
entre X2 y X3 es casi uno:
A El estimador MCO de β1 , β2 y β3 es eficiente.
B Los parámetros β1 , β2 y β3 no se pueden estimar por MCO.
C El estimador MCO de β1 , β2 y β3 es insesgado pero no es eficiente.
D El estimador MCO de β1 , β2 y β3 es sesgado.
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).

U del modelo Y = β1 1 + β2 X2 + β3 X3 + U cumple las hipótesis clásicas del MLG, pero salvo por
que X | 2 es igual a 2X | 3 :
A El estimador MCO de β1 , β2 y β3 es eficiente.

Explicación:Como hay multicolinealidad exacta, es sistema de ecuaciones normales tiene infinitas

soluciones; es decir, el estimador MCO no está definido.

U del MLG Y = β1 1 + β2 X2 + β3 X3 + U cumple todas las hipótesis clásicas, pero la correlación
entre X2 y X3 es casi uno:
A El estimador MCO de β2 y β3 tiene mucha varianza (es poco preciso).

|P-258 [Maxima Verosimilitud - estimador de B - 1]i Si el modelo muestral Y = X β + U del

MLG Y = X β + U cumple las hipótesis clásicas, el estimador de máxima verosimilitud de β:
A Es idéntico al estimador MCO de β. C Es insesgado y tiene mayor varianza que el

B Es sesgado y tiene menor varianza que el estimador MCO de β.
estimador MCO de β. D Las opciones anteriores son incorrectas.

A Es insesgado. C Tiene mayor varianza que el estimador

B Tiene un sesgo a la baja. MCO.

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.
|P-262 [Maxima Verosimilitud - Estimador insesgado de la varianza s2 - 1]i Si el modelo

muestral Y = X β + U del MLG Y = X β + U cumple las hipótesis clásicas, el estimador de
e · eb )/N :
Máxima Verosimilitud de la varianza de las perturbaciones, (b
A Es sesgado y el signo de su sesgo es negativo.

e · eb )/(N − k).
B Tiene la misma media pero distinta varianza que el estimador (b
e · eb )/(N − k).
C Tiene la misma varianza pero distinta media que el estimador (b
D Es insesgado y eficiente (de mı́nima varianza entre los estimadores insesgados).

e · eb )/N :
A Tiene un sesgo a la baja. C Es insesgado.

B Tiene un sesgo al alza. D Tiene mayor varianza que el estimador
e · eb )/(N − k).
(b
e · eb )/N :
A Tiene un sesgo al alza. C Tiene mayor varianza que el estimador

B Es insesgado. e · eb )/(N − k).
(b
D Tiene menor varianza que el estimador
e · eb )/(N − k).
(b
|P-265 [Maxima Verosimilitud - estimador de la Varianza]i Si el modelo muestral Y = X β + U

del MLG Y = X β + U cumple las hipótesis clásicas, el estimador de Máxima Verosimilitud de la
e · eb )/N :
varianza de las perturbaciones, (b
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.
|P-267 [Cramer-Rao - Eficiencia del estimador MCO de B]i Si el modelo muestral Y = X β + U

del MLG Y = X β + U cumple las hipótesis clásicas, incluida la normalidad de las perturbaciones,
b implica que dicho estimador:
la eficiencia del estimador β
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.
|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.
|P-270 [Error de especificacion - inclusion de variable irrelevante]i Considere el siguiente

modelo
[M1] Y = β1 1 + β 2 X + U ,
que cumple todas las hipótesis clásicas del MLG; pero que, sin embargo, se estima el modelo
[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].
|P-271 [Error de especificacion - omision de variable]i Considere el modelo
[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.
|P-272 [Multicolinealidad - Modelo con tres regresores]i Si en un modelo del tipo Y = β1 1 +

β2 X + β3 Z + U se cumplen todas las hipótesis clásicas del MLG (MLG), la varianza estimada del
estimador MCO de β2 será tanto MENOR cuanto:
A Mayor sea la varianza muestral de x.
B Mayor sea el R2 de la regresión con término constante de x sobre z.
C Menor sea la SRC de la regresión con término constante de x sobre z.
D Mayor sea la SRC de la regresión con término constante de y sobre x y z.
|P-273 [Multicolinealidad - Modelo con tres regresores - SRC regresion auxiliar]i Si en un

modelo del tipo Y = β1 1 + β2 X + β3 Z + U se cumplen todas las hipótesis clásicas habituales, la
varianza estimada del estimador MCO del parámetro β2 será tanto MAYOR cuanto:
A Menor sea la suma de los cuadrados de los residuos de la regresión con término constante de
x sobre z.
B Menor sea el R2 de la regresión con término constante de x sobre z.
C Menor sea la suma de los cuadrados de los residuos de la regresión con término constante de
y sobre x y z.
D Mayor sea la varianza muestral de x.
|P-274 [Multicolinealidad - Relacion inversa entre varianza de x2 y varianza del esti-

mador b2]i Si en un modelo del tipo Y = β1 1 + β2 X + β3 Z + U se cumplen todas las hipótesis
clásicas habituales, la varianza estimada del estimador MCO del parámetro β2 será (a igualdad de
otras condiciones) tanto más PEQUEÑA cuanto:
A Más grande sea la varianza muestral de x.

B Más pequeña sea la suma de los cuadrados de los residuos de la regresión con término con-
stante de x sobre z.
C Más grande sea el R2 de la regresión con término constante de x sobre z.
D Más grande sea la suma de los cuadrados de los residuos de la regresión con término constante
de y sobre x y z.
Inicio grupo de preguntas 275 a 278

Las preguntas 275 y 278 se refieren a la siguiente estimación con datos anuales de renta
disponible y ahorro (en miles de millones de $) de la economı́a de los EEUU
\ = −9.44685 + 162.319 DUM + 0.0876311 INCOME − 0.0720742 DUM INCOME

SAVINGS
(33.683) (51.245) (0.024080) (0.025963)
2
T = 14 R̄ = 0.8349 F (3, 10) = 22.909 σ̂ = 27.059
(Desviaciones tı́picas entre paréntesis)
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 .
|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 :
A no se rechaza ni al 10%. D se rechaza al 1%.

B se rechaza al 10% pero no al 5%.
C se rechaza al 5% pero no al 1%.
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 :
A no se rechaza ni al 10%. C se rechaza al 5% pero no al 1%.

B se rechaza al 10% pero no al 5%. D se rechaza al 1%.
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).
Fin grupo de preguntas 275 a 278

Las preguntas 279 y 282 se refieren a la siguiente estimación de una función de producción de
tipo Cobb-Douglas con 90 observaciones anuales: (Desviaciones tı́picas entre paréntesis)
ln yn = −4,840 +0,273 ln ln +0,054 ln kn + ec

n
(0,163) (0,106) (0,144)
2
N = 90 R̄ = 0.9827 eb · eb = 0.1394
donde yn , ln y kn denotan producción, trabajo y capital, respectivamente, y “ln” es el logaritmo

neperiano; entre paréntesis aparecen las desviaciones tı́picas estimadas de los estimadores; la co-
varianza estimada entre los estimadores de los parámetros asociados a ln(ln ) y ln(kn ) es 0,020.
|P-279 [2001Ene-p15-ContrasteElastidad Valor del estadistico**]i Calcule el estadı́stico t nece-

sario para contrastar H0 : la elasticidad de la producción respecto al capital es 0.5, frente a H1 : es
distinta de 0.5. (Codifique el resultado en la hoja de respuestas)
|P-280 [2001Ene-p15-ContrasteElastidad**]i Dado el valor que toma el estadı́stico de la pregunta

anterior, la hipótesis H0 :
A H0 no se rechaza ni al 5% ni al 10%. C H0 se rechaza al 10% y al 5%.

B H0 se rechaza al 10% pero no al 5%. D H0 se rechaza al 5% pero no al 10%.
|P-281 [2001Ene-p16-RdmtosConstantes Valor del estadistico**]i Al contrastar H0 : la producción

tiene rendimientos constantes a escala, frente a H1 : tiene rendimientos crecientes; el estadı́stico
del apartado anterior toma el valor: (Codifique su respuesta en la hoja de respuestas)
|P-282 [2001Ene-p16-RdmtosConstantes**]i Dado el valor que toma el estadı́stico de la pregunta

anterior, la hipótesis H0 :
A H0 no se rechaza ni al 1% ni al 5%. C H0 se rechaza al 5% y al 1%.

B H0 se rechaza al 5% pero no al 1%. D H0 se rechaza al 1% pero no al 5%.
Explicación: El estadı́stico del primer contraste es
c3 − (0.5)1
β
∼ t {90−3} ,
c βbj
Dt H0
que en este caso toma el valor

+0,054 − 0.5
= −3,099.
0,144
Este contraste es bilateral, 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 0.975 respectivamente, y
resulta que:
| − 3,099| > 1,645 y | − 3,099| > 1,960
Por otra parte, el estadı́stico del segundo contraste es

c2 + β
β c3 − 1 c2 + β
β c3 − 1
=r ∼ t {90−3} ,
H
c β
Dt c2 + β
c3 d β c2 + Var
d β c3 + 2 · Cov
d β c2 , β
c3 0
Var
que en este caso toma el valor
(+0,273 + 0,054) − 1 (+0,273 + 0,054) − 1

p = = −2,511.
0,1062 + 0,1442 + 2 · 0,020 0,268
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:
−2,511 < 1,645 y −2,511 < 2,326

Las preguntas 283 a 287 se refieren al enunciado siguiente: Usando 350 datos de empleados de
cierta entidad bancaria en el año 2000, se ha estimado el modelo
l SAL = β1 1 + β2 EDU C + β3 l SALIN + β4 HOM + β5 IBER + U
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)
T = 474 R̄2 = 0.8024 F (4, 469) = 481.32 σ̂ = 0.17660

(Desviaciones tı́picas entre paréntesis)
|P-283 [Ectr1-ExSep07-16-20 P16 Semielasticidad EDUC]i ¿Cuál de las siguientes afirmaciones es

CIERTA?
A La SEMIELASTICIDAD estimada del salario-educación es aproximadamente 2.3%.
B La ELASTICIDAD estimada del salario-educación es aproximadamente 2.3 euros.
C La ELASTICIDAD estimada del salario-educación es aproximadamente 0.02%.
D La SEMIELASTICIDAD estimada del salario-educación es aproximadamente 232.68 euros.
|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-285 [Ectr1-ExSep07-16-20 P18 discriminacion salarial por genero]i La diferencia esperada

entre los salarios de un empleado (hombre) y de una empleada (mujer) iberoamericanos con los
mismos años de educación y el mismo salario inicial, se estima aproximadamente en:
A Un 4.8%, pero no significativa al 1%. D Unos 58 céntimos y significativa al 5%.

B Un 0.6%, pero no significativa al 1%.
C Unos 4.8 euros y significativa al 5%.
|P-286 [Ectr1-ExSep07-16-20 P19 discriminacion salarial por origen]i La diferencia esperada

entre los salarios de dos empleados (hombres) con los mismos años de educación y el mismo salario
inicial, uno no iberoamericano y el otro sı́, se estima aproximadamente en:
A Un 4.2% y significativa al 5%. D Unos 42 euros, pero no significativa al 1%.

B Unos 4.2 euros, pero no significativa al 1%.
C Unos 4 céntimos y significativa al 5%.
|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
l SAL = δ1 1 + δ2 EDU C + δ3 l SALIN + δ4 M U J ER + δ5 IBER + U
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.

Las preguntas 288 a 297 se refieren al enunciado siguiente: Con datos de las ventas anuales del
artı́culo XXX de la empresa YYY se ha estimado el modelo:
V EN T AS = β 1 1 + β 2 GP U B + β 3 P RECIO + β 4 REN T A + β 5 P COM P + U
donde V EN T AS es el volumen anual de ventas (millones de unidades), GP U B es el gasto anual

en publicidad (millones de euros), P RECIO es el precio de venta del artı́culo XXX (euros por
unidad), REN T A representa la renta anual agregada de los compradores de dicho artı́culo (miles
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) :
Modelo 4: MCO, usando las observaciones 1–11

Variable dependiente: VENTAS
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:
Matriz de covarianzas de los coeficientes

const GPUB PRECIO RENTA PCOMP
42,669 −0,64223 −1,8226 0,063871 0,87033 const
0,018785 0,050851 −0,0037066 −0,053423 GPUB
0,21858 −0,0075624 −0,23354 PRECIO
0,0010606 0,010065 RENTA
0,31216 PCOMP
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-288 [Ventas1990-2000 P1 R cuadrado multx]i ¿Qué porcentaje de la varianza de VENTAS es

explicado por el modelo?
Explicación: Dado que el modelo tiene término constante, el coeficiente de determinación indica el
porcentaje de la varianza del regresando “explicada” por el modelo.
|P-289 [Ventas1990-2000 P2 Varianza estimada para las perturbaciones multx]i ¿Cuál es la

varianza estimada de las perturbaciones?
Explicación: Es la suma de residuos al cuadrado dividida por los grados de libertad (tamaño
4.4252
muestral menos número de parámetros): 6 = 0.7375
|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.
|P-291 [Ventas1990-2000 P4 Estadistico t para significacion de beta 3 multx]i Calcule el es-

tadı́stico t de significación individual de β3 .
Explicación: Tb = c β3 −0
=√ −3.5560
= −7.6061.
c
Dt(βc3) 0.2186
|P-292 [Ventas1990-2000 P5 Test para significacion de beta 4]i El resultado de contrastar H0 :

β4 = 0 frente H1 : β4 6= 0 es:
A No rechazar H0 ni siquiera al 10%. C Rechazar H0 al 5%, aunque no al 1%.

B Rechazar H0 al 10%, aunque no al 5%. D Rechazar H0 incluso al 1%.
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)
|P-294 [Ventas1990-2000 P7 estadistico t combinacion de betas multx]i Calcule el estadı́stico

t para contrastar H0 β3 = −β5 frente a H1 : β3 6= −β5 .
Explicación: Tb = c
β 3 +β5 −0
c =
√ −3.556+2.979 = −2.288.
c c
Dt(βc3 +β5 ) 0.219+0.312+2(−0.234)
|P-295 [Ventas1990-2000 P8 contraste combinacion de betas]i El resultado de contrastar H0 β3 =

−β5 frente a H1 : β3 6= −β5 es:
A No rechazar H0 ni siquiera al 10%. C Rechazar H0 al 5%, aunque no al 1%.

B Rechazar H0 al 10%, aunque no al 5%. D Rechazar H0 incluso al 1%.
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%.
Si el valor absoluto del estadı́stico es mayor a 3.7074 se rechaza H0 incluso al 1%.
|P-296 [Ventas1990-2000 P9 estadistico F significacion global multx]i Calcule el estadı́stico

F para contrastar la significación global del modelo.
R2
Explicación: Fb = Nk−1
−k
· 1−R 2 = 582.26
|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
Sumando todas las columnas y dividiendo por N llegamos a
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.

Las preguntas 298 a 307 están referidas al siguiente enunciado: Un investigador utiliza 100 ob-
servaciones trimestrales para estimar el siguiente modelo que relaciona el logaritmo del empleo con
el logaritmo de los salarios reales (Desviaciones tı́picas entre paréntesis):
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):
yn = 0,100 −0,157 qn1 xn +0,000 qn2 xn +0,154 qn3 xn +1,929 xn + ec

n (4)
(0,067) (0,065) (0,131) (0,065) (0,145)
N = 100 eb · eb = 2738
|P-298 [EmpleoySalariosReales-DatosTrim-significacionSalReal**]i Respecto a la significatividad

del parámetro asociado con el ln del salario real en el Modelo (1):
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%.
Explicación: Se puede contrastar con el estadı́stico T o con el estadistico F de significación conjunta

del modelo (pues en este caso es un contraste bilateral para la pendiente en un modelo lineal simple,
que es el único regresor no constante). Como solo hay una restricción el estadı́stico Fb es el cuadrado
del estadı́stico Tb .
1,894 N −k R2 98 0,329374
Tb = = 6,93773; Fb = · 2
= · = 48,132 = Tb 2
0,273 k−1 1−R 1 1 − 0,329374
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.
|P-299 [EmpleoySalariosReales-DatosTrim-significacionSalReal Valor del estadistico**]i

En el Modelo (1): ¿Qué valor toma el estadı́stico T para contrastar la significación individual del
parámetro asociado con el ln del salario real? (Codifique su respuesta en la hoja de respuestas)
Explicación: Véase la explicación de la pregunta anterior
|P-300 [EmpleoySalariosReales-DatosTrim-Elasticidad-empleo-salarios es uno**]i En el Mod-

elo (1): al contrastar con una significación del 5% la hipótesis H0 : la elasticidad empleo-salarios
reales es uno (H0 : elasticidad = 1)
A Debe rechazarse si la alternativa es que es distinta de uno (H1 : elasticidad 6= 1).

B Debe rechazarse si la alternativa es que es menor que uno (H1 : elasticidad < 1).
C NO debe rechazarse si la alternativa es que es mayor que uno (H1 : elasticidad > 1).
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.
|P-301 [EmpleoySalariosReales-DatosTrim - H0: Elasticidad empleo-salarios reales es

uno**]i En el Modelo (1): ¿Qué valor toma el estadı́stico T para contrastar si la elasticidad
empleo-salarios reales es uno? (Codifique su respuesta en la hoja de respuestas)
|P-302 [EmpleoySalariosReales-DatosTrim Multicolinealidad **]i Con respecto a los modelos (2)

y (3):
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.
Explicación: El Modelo (2) presenta un problema de multicolinealidad exacta entre el logaritmo

de los salarios y los términos de interacción, pues
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).
|P-303 [EmpleoySalariosReales-DatosTrim-EsperanzaYenCadaTrim**]i La predicción trimestral de

Y con el Modelo (3), y un valor x del logaritmo del salario real, es:
A Para el primer trimestre: α

c0 + α
c1 . C Para el tercer trimestre: α
c0 + αc3 x.
B Para el segundo trimestre: α
c0 +(c
α2 +c
α4 )x. D Para el cuarto trimestre: αc0 .
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.
Segundo trimestre (qn2 = 1): α

c0 + α
c2 x + α
c4 x.
Tercer trimestre (qn3 = 1): α
c0 + α
c3 x + α
c4 x.
Cuarto trimestre: α
c4 x.
|P-304 [EmpleoySalariosReales-DatosTrim-MismaRel4Trim Hipotesis**]i Si, utilizando los modelos

estimados (1) y (4), se desea contrastar la hipótesis de que la relación entre el empleo y el salario
real es la misma en los cuatro trimestres del año:
A Dicha hipótesis debe plantearse sobre el Modelo (3) como α1 = α2 = α3 = α4 .
B Dicha hipótesis debe plantearse sobre el Modelo (3) como α1 = α2 = α3 = 1.
C Dicha hipótesis debe plantearse sobre el Modelo (3) como α1 = α2 = α3 = 0.
D Todas las opciones anteriores son incorrectas.
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.
|P-305 [EmpleoySalariosReales-DatosTrim-Contraste significacion individualigualdad en-

tre trimestres - Valor del estadistico**]i Si, utilizando los modelos estimados (1) y (4),
se desea contrastar la hipótesis de que la relación entre el empleo y el salario real es la misma en
los cuatro trimestres del año, el estadı́stico F toma el valor:
(Codifique su respuesta en la hoja de respuestas)
Explicación: Hay tres restricciones, por lo que
N − k SRC(1) − SRC(4) 95 2.918 − 2.738

Fb = · = · = 2,082
r SRC(4) 3 2.738
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).
|P-306 [EmpleoySalariosReales-DatosTrim-MismaRel4Trim contraste**]i Si, utilizando los modelos

estimados (1) y (4), se desea contrastar la hipótesis de que la relación entre el empleo y el salario
real es la misma en los cuatro trimestres del año:
A Se rechaza H0 con un 5% y un 1% de significación.
B Se rechaza H0 con un 5% pero no con un 1% de significación.
C No puede rechazarse H0 ni con un 1% ni con un 5% de significación.
D No puede llevarse a cabo con la información disponible.
Explicación: Compare el valor del estadı́stico F con las tablas correspondientes una distribución
F con 3 y 95 grados de libertad.
|P-307 [EmpleoySalariosReales-DatosTrim - H0: Elasticidad empleo-salarios en distintos

trimestres **]i En el Modelo (4): ¿Cuál es el valor estimado para la elasticidad empleo-salarios
para el segundo trimestre? (Codifique su respuesta en la hoja de respuestas)
Función de distribución t de STUDENT

ν 60.0% 66.7% 75.0% 80.0% 87.5% 90.0% 95.0% 97.5% 99.0% 99.5% 99.9%
6 0.265 0.453 0.718 0.906 1.273 1.440 1.943 2.447 3.143 3.707 5.208
7 0.263 0.449 0.711 0.896 1.254 1.415 1.895 2.365 2.998 3.499 4.785
10 0.260 0.444 0.700 0.879 1.221 1.372 1.812 2.228 2.764 3.169 4.144
14 0.258 0.440 0.692 0.868 1.200 1.345 1.761 2.145 2.624 2.977 3.787
28 0.256 0.435 0.683 0.855 1.175 1.313 1.701 2.048 2.467 2.763 3.408
29 0.256 0.435 0.683 0.854 1.174 1.311 1.699 2.045 2.462 2.756 3.396
30 0.256 0.435 0.683 0.854 1.173 1.310 1.697 2.042 2.457 2.750 3.385
35 0.255 0.434 0.682 0.852 1.170 1.306 1.690 2.030 2.438 2.724 3.340
∞ 0.253 0.431 0.674 0.842 1.150 1.282 1.645 1.960 2.326 2.576 3.090
Algunas probabilidades de la distribución F

P rob[F (1, 98) ≥ 2.75743] = 0.1 P rob[F (1, 98) ≥ 3.93811] = 0.05 P rob[F (1, 98) ≥ 6.90077] = 0.01
P rob[F (3, 95) ≥ 2.14235] = 0.1 P rob[F (3, 95) ≥ 2.70041] = 0.05 P rob[F (3, 95) ≥ 3.9947] = 0.01
Identificación y respuestas (Econometrı́a Empresarial 05/11/Catalogo2020 )

Número identificativo
0 0 0 0 0 0 0 0
←− codifique su número de documento de identidad
1 1 1 1 1 1 1 1
(en caso de que su número conste de menos de 8 dı́gitos,
2 2 2 2 2 2 2 2 añada ceros delante hasta poder completar los 8 dı́gitos)
3 3 3 3 3 3 3 3 Escriba su nombre y apellidos debajo ↓.
4 4 4 4 4 4 4 4 Nombre y Apellidos (en mayúsculas):
5 5 5 5 5 5 5 5
6 6 6 6 6 6 6 6
7 7 7 7 7 7 7 7
8 8 8 8 8 8 8 8
9 9 9 9 9 9 9 9
Respuestas
P-1. A B C D P-185. A B C D
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

Catalog

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Catalog

Cargado por

Copyright:

Formatos disponibles

Catalogo provisional

Prueba intermedia Econometrı́a Empresarial (GADE-DCHO) 05/11/Catalogo2020

|P-1 [Ecuaciones Normales - Rango de la matrix de regresores - 1]i En el ajuste y = X βb + eb ,

|P-2 [Ecuaciones Normales - Rango de la matrix de regresores - 2]i En el ajuste y = X βb + eb ,

|P-3 [Ecuaciones Normales - Rango de la matrix de regresores - 3]i En el ajuste y = X βb + eb ,

A Es sistema de ecuaciones normales es com- C Las k columnas de X son linealmente in-

Explicación: Véase las explicaciones de las preguntas anteriores.

|P-4 [Ecuaciones Normales - Rango de la matrix de regresores - 4]i En el ajuste y = X βb + eb ,

A Es sistema de ecuaciones normales es com- C Las N filas de X son linealmente indepen-

Explicación: Véase las explicaciones de las preguntas anteriores.

|P-5 [Ecuaciones Normales - Rango de la matrix de regresores - 5]i En el ajuste y = X βb + eb ,

A Es sistema de ecuaciones normales tiene C El vector y es una combinación lineal de

Explicación: Véase las explicaciones de las preguntas anteriores.

A Ningún regresor es combinación lineal de C La correlación entre regresores es 1 en

Explicación: Véase las explicaciones de las preguntas anteriores.

A Las N filas de X son linealmente indepen- C La correlación entre regresores es 1 en

Explicación: Véase las explicaciones de las preguntas anteriores.

A Las N filas de X son linealmente indepen- C La correlación entre regresores es menor

A Las N filas de X son linealmente indepen- C La correlación entre regresores es 1 en

Explicación: Véase las explicaciones de las preguntas anteriores.

Explicación: La pendiente estimada en el MLS es β c2 = sx2y . Multiplicando la pendiente estimada

La pendiente estimada en el Modelo Lineal Simple es el coeficiente de correlación entre el regresor

Explicación: Véase las explicaciones de las preguntas anteriores.

Explicación: La pendiente estimada en el MLS es: c2 = sx2y = rxy · sy . Es decir, el

Explicación: Véase las explicaciones de las preguntas anteriores.

Explicación: Véase las explicaciones de las preguntas anteriores.

Explicación: Véase las explicaciones de las preguntas anteriores.

Explicación: Véase las explicaciones de las preguntas anteriores.

Explicación: Véase las explicaciones de las preguntas anteriores.

Explicación: Véase las explicaciones de las preguntas anteriores.

Explicación: Véase las explicaciones de las preguntas anteriores.

Explicación: Puesto que sxy = N1 (x − x) · (y − y) = N1 (x − x) · y; cuando x = 0, tenemos que

c1 debe ser cero, es decir, tiene que ocurrir que

Explicación: Véase las explicaciones de las preguntas anteriores

Explicación: Véase las explicaciones de las preguntas anteriores.

Explicación: Véase las explicaciones de las preguntas anteriores.

Explicación: Véase las explicaciones de las preguntas anteriores.

Explicación: El ajuste MCO de la constante en el Modelo Lineal Simple es: c1 = y − β

c2 es menor que uno.

Explicación: El ajuste MCO de la constante en el Modelo Lineal Simple es: c1 = y − β

Explicación: El ajuste MCO de la constante en el Modelo Lineal Simple es: c1 = y − β

Explicación: El ajuste MCO de la constante en el Modelo Lineal Simple es: c1 = y − β

A Es igual a 0. c2 es mayor que uno.

Explicación: El ajuste MCO de la constante en el Modelo Lineal Simple es: c1 = y − β

A Es igual a 0. c2 es menor que uno.

Explicación: El ajuste MCO de la constante en el Modelo Lineal Simple es: c1 = y − β

A Es igual a 0. C Es la media de x si βc2 es −1.

Explicación: El ajuste MCO de la constante en el Modelo Lineal Simple es: β c2 x . Si

A Es igual a 0. C Es la media de x si βc2 es −1.

Explicación: El ajuste MCO de la constante en el Modelo Lineal Simple es: c1 = y − β

A Es igual a 0. c2 es menor que uno.

Explicación: El ajuste MCO de la constante en el Modelo Lineal Simple es: c1 = y − β

A La recta de regresión pasa por (0, 0). c1 es negativa si β

Explicación: Véase las explicaciones de las preguntas anteriores.

Explicación: El ajuste MCO de la constante en el Modelo Lineal Simple es: c1 = y − β

Explicación: El ajuste MCO de la constante en el Modelo Lineal Simple es: c1 = y − β

Explicación: Véase las explicaciones de las preguntas anteriores.

Explicación: Véase las explicaciones de las preguntas anteriores.

A Es la media de x. C Es el doble de la media de x.

Explicación: El ajuste MCO de la constante en el Modelo Lineal Simple es: c1 = y − β

 Si uno de los regresores es el término constante

Explicación: La correlación es cero si y solo si la covarianza es cero. Sea z un regresor, entonces

Si uno de los regresores es el término constante

Por tanto yb = y1 = y, ası́ SEC = (b