Examen 2 Teórico de ECONOMETRÍA GADE GRUPO 2 16-01-2020

Marque con un círculo, de forma inequívoca, la respuesta que considere correcta. Las respuestas correctas se valoran con 1 punto, las
incorrectas se penalizan con 0’25 puntos, la falta de respuesta no puntúa.

APELLIDOS Y NOMBRE:
La multicolinealidad:
1. Es un problema que afecta a la perturbación
2. Es un problema que se da en la población
3. Es un problema que se observa en la muestra
4. Realmente no debe ser ningún problema
La suma de cuadrados de los residuos de un modelo restringido al cumplimiento de una hipótesis:
1. Siempre es menor a la del modelo no sujeto a restricciones
2. Siempre es mayor a la del modelo no sujeto a restricciones
3. No existe ninguna relación respecto a la suma de cuadrados de residuos del modelo sin restringir
4. Para saber si es mayor o menor a la del modelo no restringido necesitamos saber si existe multicolinealidad
En un test de heterocedasticidad a un modelo con 4 variables explicativas (incluida la variable constante) se realiza la regresión
2
auxiliar: ei = α1 + α2X2i + α3 X3i + α4 X4i α5 X22i + α6 X23i + α7 X24i +α8 X2i X3i +α9 X2i X4i +α10 X3i X4i+ ui ¿Cuál es la Ho, el estadístico de
contraste y su distribución?
1. Homocedasticidad Estadístico experimental nR 2  2 (4)
2. Homocedasticidad Estadístico experimental kR
2
 2 (3)
3. Homocedasticidad Estadístico experimental nR
2
 2 (3)
4. Heterocedasticidad Estadístico experimental nR
2
 2 (3)
Para contrastar (α = 0’05) la presencia de autocorrelación en un modelo con 3 variables explicativas estimado con 30 observaciones
se ha empleado la prueba de Durbin-Watson. Si se confirma la presencia de autocorrelación de orden 1 ¿Qué valor ha debido tener
el estadístico d?
1. Cercano a 2
2. Cercano a cero Anulada por haber 2 respuestas posibles
3. Cercano a 4
4. Cercano a n (número de observaciones)
En un modelo con una sola variable explicativa de carácter cuantitativo (X) se han introducido dos variables ficticias W y Z de forma
que el modelo queda como: Yt = βo + β1 Xt + β2 Wt + β3 Zt + β4 (Wt Zt Xt) + εt. Si una vez estimado este modelo deseamos contrastar la
inexistencia de efecto interacción, ¿qué contraste emplearíamos y cuál sería la hipótesis nula de dicho contraste?
1. Test general de restricciones lineales. β2 = β3 = β4 = 0
2. Prueba t. β4 = 0
3. Test general de restricciones lineales. Β3 = β4 = 0
4. Prueba F. β1 = β2 = β3 = β4 =0
La autocorrelación:
1. Se observa con mayor frecuencia cuando los datos son temporales
2. Se observa con mayor frecuencia cuando los datos son transversales
3. Se observa por igual en datos temporales o transversales
4. Es un problema que sólo se observa en la muestra
En el modelo Yt = β1 + β2Xt + ut, n=25, se ha detectado que Var (ut )   2 X . ¿Cómo se obtendría el estimador más adecuado para
β?
1. Estimando el modelo por MCO.
2. Dividiendo los datos entre 4 xt y aplicando MCO.
3. Multiplicando los datos por la raíz cuadrada de Xt
4. Ninguna de las opciones es cierta.

Presumiendo la existencia de heterocedasticidad en un modelo con 4 variables explicativas (k=5) estimado a partir de 20
observaciones, se ordenan éstas en orden creciente a los valores de una de las variable independientes y se eliminan 4
observaciones centrales. La suma de los cuadrados de los residuos de las regresiones del contraste son: SCE1 = 507(submuestra
1) y SCE2 = 3095 (submuestra 2) . Para un nivel de significación del 1%, qué modelo sigue el estadístico de contraste
1. N(8,8)
2. F(3,3)
3. F(8,8)
4. t(16)
Para solucionar el problema de la presencia de heterocedasticidad lo que se suele hacer en la práctica es:
1. Maximizar la suma de errores al cuadrado
2. Maximizar la suma de los errores al cuadrado pero ponderándolos de forma diferente
3. Minimizar la suma de los errores al cuadrado pero ponderándolos todos igual
4. Tomar logaritmo neperiano
1
 Examen 2 Teórico de ECONOMETRÍA GADE GRUPO 2 16-01-2020
Para contrastar la hipótesis de normalidad en la perturbación:
1. Necesitamos conocer la distribución de dicha perturbación
2. Tenemos en cuenta el histograma de los residuos
3. Tenemos en cuenta el histograma de la perturbación
4. Necesitamos conocer la varianza residual
Indica la afirmación correcta:
1. Bajo autocorrelación, los estimadores obtenidos por MCO de β son lineales, insesgados y óptimos.
2. Los contrastes de Durbin-Watson y Ljung-Box son métodos gráficos de detección de la autocorrelación.
3. El gráfico de dispersión de los residuos, et, frente a algún retardo suyo, et−k, es un método gráfico para la detección de la
autocorrelación.
4. El contraste de Durbin-Watson se basa en suponer que la perturbación aleatoria viene definida por un proceso autorregresivo de
segundo orden.
Para contrastar la presencia de autocorrelación de orden dos lo más indicado es utilizar:
1. El test de D-W.
2. El test de Wald
3. El test de White
4. Contraste de BREUSCH-GODFREY
El estadístico de Jarque-Bera tiene asociado un p-valor de 0. 04
1. Rechazamos la H0:normalidad en la perturbación con α=0.05 y con un 1%
2. Aceptamos la H0:normalidad en la perturbación con α=0.05 y con un 1%
3. Rechazamos la H0:normalidad en la perturbación con α=0.05 y la aceptamos al 1%
4. Aceptamos la H0:normalidad en la perturbación con α=0.05 y la rechazamos al 1%
Para contrastar la presencia de autocorrelación en un modelo con 3 variables explicativas estimado con 30 observaciones se ha
empleado la prueba de Durbin-Watson y el estadístico ha tomado el valor de 0. Señale el gráfico compatible con la información
facilitada

Respuesta correcta: 2)
Si en un modelo econométrico asumimos problemas de heteroscedasticidad y de autocorrelación:
1. El modelo está mal especificado
2. La matriz de varianzas covarianzas de la perturbación será diagonal
3. Los estimadores MCO de los parámetros son sesgados
4. Ninguna de las anteriores
Los modelos MA(q):
1. Son modelos teóricos de comportamiento de las variables explicativas que utilizamos para el tratamiento de la multicolinealidad
2. Son modelos teóricos de comportamiento de los errors que utilizamos para el tratamiento de la autocorrelación
3. Son modelos teóricos de comportamiento de la perturbación que utilizamos para el tratamiento de la autocorrelación
4. Son modelos teóricos de comportamiento de la perturbación que nos sirven para detector el patron de heterocedasticidad
Los modelos MA(q):
1. Son modelos teóricos de comportamiento de las variables explicativas que utilizamos para el tratamiento de la multicolinealidad
2. Son modelos teóricos de comportamiento de los errors que utilizamos para el tratamiento de la autocorrelación
3. Son modelos teóricos de comportamiento de la perturbación que utilizamos para el tratamiento de la autocorrelación
4. Son modelos teóricos de comportamiento de la perturbación que nos sirven para detector el patron de heterocedasticidad
Para contrastar la presencia de autocorrelación de orden dos lo más indicado es utilizar:
1. El test de D-W.
2. Breuch-Godfrey
3. El test de White
4. Ninguna de las anteriores
Sabiendo que un modelo tiene un problema de multicolinealidad aproximada grave:
1. Todos las pendientes del modelo resultan individualmente y conjuntamente significativos al 5% de nivel de significación.
2. El intervalo de confianza de los coeficientes del modelo es de menor amplitud que si tal problema no existiera.
3. Los p-valores asociados a los coeficientes son cercanos a la unidad
4. Todas las anteriores son ciertas.
La presencia de heteroscedasticidad en un modelo hace que los intervalos de confianza estimados para los parámetros de la
ecuación:
1. Sean más estrechos
2. Sean más amplios
3. Sean más eficientes
4. No tiene nada que ver