TEST DE ECONOMETRÍA

Universidad Católica de Valencia

Gerónimo Forteza
Contenido
CONCEPTOS GENERALES (1er parcial) ............................................................................... 1

PROPIEDADES E HIPÓTESIS BÁSICAS (1er parcial) ............................................................. 6

DISTRIBUCIONES DE PROBABILIDAD (1er parcial) ........................................................... 10

ESTIMADORES Y COEFICIENTE DE DETERMINACIÓN MÚLTIPLE (1er parcial) ................. 11

VARIABLES FICTICIAS (DUMMY) (1er parcial) .................................................................. 13

PROPENSIONES MARGINALES Y ELASTICIDADES (1er parcial) ........................................ 14

INTERPRETACIÓN DE LOS COEFICIENTES (1er parcial) .................................................... 15

CONTRASTES DE HIPÓTESIS (1er parcial) ........................................................................ 17

COMPARACIÓN DE MODELOS ECONOMÉTRICOS (1er parcial) ....................................... 20

INCUMPLIMIENTO DE LAS HIPÓTESIS BÁSICAS (20 parcial) ........................................... 21

ACF y PACF (20 parcial) ................................................................................................... 26

 CONCEPTOS GENERALES (1er parcial)
1. En el modelo econométrico y t = 1 + 2  x t + u t (Modelo de Regresión Lineal Simple)

¿qué elementos son constantes y cuales son variables aleatorias, desde una perspectiva
estadística?

Respuesta: yt y ut son variables aleatorias. Todos los demás elementos son constantes

2. ¿En qué consiste el método de estimación por Mínimos Cuadrados Ordinarios (OLS)?

Respuesta: Consiste en obtener la expresión (fórmula) de ˆ que minimiza la Suma de los

N
Cuadrados de los Residuos, es decir, de S = uˆt2 ; Recuerde:uˆt = y t − yˆt
t =1

3. ¿Qué expresión tiene el vector de estimadores por MCO (OLS) en el Modelo de Regresión
Lineal Múltiple?

Respuesta: ˆ =( X X
) −1
XY


4. Si Cˆt = −299,5913 + 0,7218  Rt representa la función de consumo estimada de Keynes

¿Cuánto vale la Propensión Marginal al Consumo?

Respuesta: 0,7218: Es una estimación de  2

5. ¿Qué es la Econometría?

Respuesta: "medición de la economía". También: Es la aplicación de las Matemáticas y la

Estadística a la Teoría Económica.

6. ¿Cuáles son los pasos o etapas de la metodología econométrica?

Respuesta:

1. Planteamiento de la teoría o de la hipótesis.

2. Especificación del modelo matemático de la teoría.
3. Especificación del modelo econométrico o estadístico de la teoría
4. Obtención de los datos.
5. Estimación de los parámetros de modelo econométrico.
6. Pruebas de hipótesis.
7. Pronóstico o predicción.
8. Utilización del modelo para fines de control o de políticas económicas.

1
 7. ¿En qué consiste el análisis de regresión?

Respuesta:

El análisis de regresión trata del estudio de la dependencia de una variable (variable

dependiente) respecto de una o más variables (variables explicativas), con el objetivo de estimar o
predecir la media o valor promedio poblacional de la primera, en términos de los valores conocidos
o fijos de las segundas.

8. ¿Cómo puede ser la relación entre dos o más variables?

Respuesta:

1. Determinista: La relación entre las variables no depende de una función de probabilidad.

No existe ninguna parte estocástica o aleatoria. Son los Modelos económicos.

Por tanto, no tienen término de error (ui)

2. Estocástica: La relación entre las variables depende de una función de probabilidad.

Existe una parte estocástica o aleatoria. Son los Modelos econométricos.

Por tanto, tienen siempre un término de error (ui)

La parte estocástica o aleatoria, es precisamente ui

9. ¿Cuál es la relación entre el análisis de correlación y el análisis de regresión?

Respuesta:

El análisis de correlación se relaciona de manera estrecha con el de regresión, aunque

conceptualmente son muy distintos. En el análisis de correlación, el coeficiente de correlación
mide la intensidad de la relación entre dos variables, pero solo, cuando dicha relación es lineal.

En el análisis de regresión se trata de estimar o predecir el valor promedio de una variable

(la variable dependiente), con base a los valores fijos de otras (las variables explicativas o
independientes).

10. ¿Cuáles son los posibles nombres de la variable endógena y de una variable explicativa?

Respuesta:

Variable endógena=Regresando=Variable dependiente=Variable explicada

Variable explicativa=Variable independiente=Variable exógena

2
 11. ¿Qué representa E( y/t x)i ?

Respuesta: Es la Función de Regresión Poblacional no Estocástica (FRP) e indica, que el

valor esperado o promedio de y, se relaciona funcionalmente con xi. En otras palabras, dice cómo
la media o promedio de y, varía con xi

12. ¿Cuál es la expresión de la Función de Regresión Poblacional (FRP), (PRF)?

Respuesta: E( y/i x)i = 1 + 2  x i , donde 1 y 2 son parámetros desconocidos, pero fijos

o constantes, que se denominan coeficientes de regresión; 1 y 2 se conocen también como

coeficiente de intersección o punto de corte (intercept) y pendiente (slope), respectivamente.

13. ¿Cómo se denomina a ui?

Respuesta: perturbación estocástica o término de error o perturbación aleatoria o

componente aleatorio o no sistemático.

14. ¿Qué expresión tiene la Función de Regresión Muestral (FRM), (SRF)?

Respuesta: yˆ i = ˆ1 + ˆ2  x i

15. ¿Qué es un estimador? Y ¿qué es una estimación?

Respuesta: Un estimador es una fórmula que permite estimar un parámetro poblacional

desconocido a partir de la información suministrada por la muestra disponible.

El valor numérico concreto, obtenido al aplicar la fórmula del estimador a una muestra
dada, se conoce como estimación. Cabe destacar que un estimador es una variable aleatoria, pero
una estimación es un número, es decir, una constante.

16. ¿Cuál es la expresión de la FRM en forma estocástica o aleatoria? ¿Y , la FRM?

FRM estocástica: y i = ˆ1 + ˆ2  x i + uˆi . Siendo: uˆi = y t − yˆ´t : Residuo

Respuesta: FRM: yˆ i = ˆ1 + ˆ2  x i .
Observe las diferencias entre ambas

17. La estimación de la FRP, basada en la FRM, ¿es una aproximación?

Respuesta: Sí, así es.

3
 18. ¿Cuáles son las expresiones matriciales o vectoriales de Y , X ,  ,U ? ¿Qué dimensiones

tienen?

Respuesta:

 y1  1 x 21 x 31 ... xk1   1   u1 
       
y
 2 1 x 22 x 32 ... x k 2  
 2 u 2 
Y =  .  ; X = 1 ;  =  . ; U =  . 
       
 .  .   .   . 
y  1 x x 3N ... x kN    u 
 N  2N  k   N

y :( nx
1) :(X )nxk  :( kx 1) u:( 1)
nx

Y : vector columna de los valores reales de la variable endógena

X : Matriz de regresores
 : Vector columna de los parámetros
U : Vector columna de los términos de error

No olvide que: n: tamaño muestral; k: nº de parámetros del modelo

Recuerde que el Modelo de Regresión Lineal Múltiple, en notación matricial es:

Y = X  +U

19. ¿Es lo mismo variable explicativa que regresor?

Respuesta:

No. Dado que : x 1i = 1. Regresores: x 1i , x 21,......x k 1. Variables explicativas: x 21,......x k 1

El Modelo de Regresión Lineal Múltiple tiene como expresión desarrollada:

yt = 1  x1t + 2  x2t + ........ + k  xkt + ut

1

20. ¿Cuál es la expresión de la FRP en notación matricial? ¿Y la FRM? ¿Y el vector de

residuos?

Respuesta: Y = X  + U ; Yˆ = X ˆ ; Uˆ = Y −Yˆ respectivamente

21. ¿Cuál es la matriz de varianzas-covarianzas de los términos de error?

Respuesta:

4
  u2 0 . . . 0
 
0 . . 
 . . . 
var – cov (U)=  
 . . . 
0 . 0
 
 0 . . . 0  u2 

La matriz tiene de dimensiones (n x n)

22. En el modelo y t = 0 + 1  x t + u t ¿Cuál es la expresión de los estimadores OLS?

Sx ,y
ˆ1 = ; ˆ0 = y − ˆ1  x
Sx2

y t = 0 + 1  x t + u t (Modelo de Regresión Lineal Simple), sería un caso particular de

Y = X  + U (Modelo de Regresión Lineal Múltiple). Observe que en el primero, hay subíndices,

pero no en el segundo.

23. ¿Cuáles son las expresiones de Y, β, U? en el modelo Y = X  + U

Respuesta:

 y1   1  u1 
.  .  .
     
Y =  .  ;  =  .  ; U =  .  Recuerde que n es el tamaño muestral y k el nº de parámetros.
     
.  .  .
 yn    k  un 

24. ¿Qué minimiza el estimador MCO (OLS)?

Respuesta: La Suma de los Cuadrados de los Residuos (¡no de los errores al cuadrado!)

No debe confundirse término de error ui y residuo uˆi

25. ¿Qué es la perturbación aleatoria (ui) en el modelo?

Respuesta: Es una variable aleatoria no observable, que sigue la distribución normal.

26. ¿Qué representa E (ui2 ) ?

Respuesta: Representa  2 , es decir, la varianza constante de las perturbaciones aleatorias

o términos de error.

27. ¿Qué representa E (uˆi ) ? Y E (uˆi2 ) ?

5
 Respuesta: E(uˆi ) = 0; Es la media de cualquier residuo y vale 0

E (uˆi2 ) = ˆ 2 : Es la varianza de cualquier residuo. ˆ 2 : Estimador de  2

No confundir: E (ui ) , E (ui2 ) , E (uˆi ) , E (uˆi2 )

PROPIEDADES E HIPÓTESIS BÁSICAS (1er parcial)

1. ¿Cuáles son las propiedades DESCRIPTIVAS de los estimadores MCO?

Respuesta:
N
1. La suma de los residuos mínimo-cuadráticos es igual a cero. Analíticamente: 
t
uˆt
=1
=0

(, x,2 x......
2. El hiperplano de regresión (la FRM) pasa por el punto:1 3 x )k

3. Los momentos de segundo orden entre cada regresor y los residuos son iguales a 0.
Analíticamente: X  Uˆ = 0
Intuitivamente: La suma de los productos de los regresores por los residuos, vale 0.

4. Los momentos de segundo orden entre Yˆ y los residuos son iguales a 0. Analíticamente:
Yˆ ´  Uˆ = 0
Intuitivamente: La suma de los productos de los valores estimados de la variable
endógena, por los residuos, vale 0.

2. ¿Cuáles son las hipótesis básicas sobre el término de error o perturbación aleatoria?

Respuesta:

a) El término de error es una variable aleatoria no observable que sigue la distribución

normal. Recuerde que los residuos sí son observables, pero no los términos de error.

b) La esperanza matemática o media poblacional de todos los términos de error es cero.

E (ui ) = 0 ui

c) Los términos de error son homocedásticos. Es decir, tienen todos la misma varianza.
Analíticamente: E(ui2 ) =  2 ui . Es la hipótesis básica de homocedasticidad.

d) Dos términos de error cualesquiera, con distinto subíndice, no están

autocorrelacionados. Analíticamente: E(ui  uj ) = 0 i  j . Es la hipótesis básica de no
autocorrelación.

3. ¿Cuáles son las hipótesis básicas sobre los regresores?

Respuesta:

6
 a) La matriz de regresores, X, es una matriz fija o constante

b) La matriz de regresores tiene rango k, es decir, el nº de parámetros del modelo

c) Los regresores no contienen errores de observación o de medida.

d) Entre los regresores no puede existir una relación lineal exacta: Hipótesis de ausencia de
multicolinealidad exacta o perfecta.

4. ¿Qué significa la hipótesis de linealidad del modelo?

Respuesta:

El regresando y los regresores pueden ser cualquier función de la variable endógena o de

las variables explicativas, siempre que entre regresando y regresores se mantenga una relación
lineal, es decir, el modelo debe ser lineal en los parámetros, pudiendo serlo o no, en las variables
explicativas. Ningún parámetro puede estar elevado a una potencia o tener logaritmos o raíces. Las
variables explicativas y la variable endógena, sí pueden llevar logaritmos.

5. ¿Qué recoge la perturbación aleatoria? ¿y, los residuos?

Respuesta:

La perturbación aleatoria recoge un conjunto de variables que tienen un efecto individual

irrelevante sobre el regresando, pero cuyo efecto conjunto no es despreciable.

También recoge la influencia de todas aquellas variables que influyen en la variable

endógena, pero que no aparecen explícitamente en el modelo.

También recoge las causas debidas al azar que influyen en la variable endógena.

Los residuos son las diferencias entre los valores reales de la variable endógena ( yi ) y los

valores estimados de la variable endógena ( yˆi ).

6. Los residuos mínimo cuadráticos ¿pueden considerarse estimaciones de las

perturbaciones aleatorias o términos de error?

Respuesta: Sí. Sin embargo, los residuos uˆt son observables, pero las perturbaciones

aleatorias o términos de error ut no son observables en ningún caso.

7. ¿Qué significa la hipótesis básica de homocedasticidad?

Respuesta: Que todas las perturbaciones aleatorias o términos de error tienen la misma

varianza:  12 =  22 = ......... =  n2

7
 8. ¿Qué significa la hipótesis básica de no autocorrelación?

Respuesta: Dos perturbaciones aleatorias o términos de error cualesquiera, no están

correlacionados entre sí: E(ui  uj ) = 0 i  j

9. ¿Cuál es la distribución de probabilidad del vector de perturbaciones aleatorias?

Respuesta: La normal: U N(0,  u2 )I

Es decir, el vector de perturbaciones del modelo tiene una distribución normal

multivariante con vector de medias cero y matriz de varianzas-covarianzas escalar. I: Matriz
identidad

10. ¿Qué hipótesis se establecen sobre la matriz de regresores X?

Respuesta:

1. El número de observaciones, n, ha de ser igual o mayor que el número de regresores, k.

2. Todas las columnas de la matriz de regresores deben ser linealmente independientes, lo

cual implica que no puede existir una relación lineal exacta entre ningún subconjunto de
regresores. Si existiese tal relación lineal exacta, el modelo no podría estimarse por MCO.

11. ¿Qué se entiende por multicolinealidad exacta?

Respuesta:

•Si el rango de la matriz X es menor que k, no es posible obtener( X X

 ) −1 , por tanto, no se
podría obtener el vector de estimadores por OLS de los parámetros del modelo.

•Se dice también que, en tal caso, la matriz( X X

 ) es singular.

•Otra forma de decirlo, es indicando que el determinante de la matriz( X X

 ) vale 0.

En todos los casos, se dice que existe multicolinealidad perfecta o exacta.

12. ¿Qué indica la hipótesis sobre la forma funcional del modelo?

Respuesta: Que el modelo debe ser lineal en los parámetros y puede serlo o no, en las
variables. Es decir, que los parámetros o coeficientes nunca pueden llevar potencias ni raíces ni
logaritmos.

8
 13. Si en un modelo se cumplen todas las hipótesis básicas, excepto la hipótesis de
homocedasticidad, en tal caso, ¿a qué es igual E(u  u) = var− cov(u) ?

 12 0 . . . 0
 
 0 2
2
. 
 . .  32 . . 
Respuesta: Sería: var − cov(u) = E (u  u) =  
 . . . 
 . . 0
 
 0 . . . 0  n2 

14. Si en un modelo se cumplen todas las hipótesis básicas, ¿a qué es igual E(u  u) ?

 2 0 0 0 0
 
0 
2
0 0 0
var − cov(u) = E (u  u) =  0 0 2 0 0  =   I ; I : Matriz identidad
2

Respuesta:  
0 0 0  2
0
0 0 0 0  2
 
No olvide que la matriz es (nxn), realmente

15. ¿Qué ocurre si el número de observaciones (n) es menor que el número de regresores
(k)?

Respuesta: Que no se puede estimar el modelo por MCO (OLS)

16. ¿Qué se verifica cuando el estimador ̂ es insesgado?

Respuesta: Que E(ˆ) =  Es decir, que la esperanza del vector de estimadores, es igual al
vector de parámetros.

17. El coeficiente de determinación R2 indica:

Respuesta: La proporción de la variabilidad de los datos, que es explicada por el modelo.

Más correctamente, indica la variabilidad de la variable endógena, que es explicada por las
variables explicativas, consideradas éstas, conjuntamente.

18. ¿Qué se entiende por error de especificación?

Respuesta:

a) Omisión de variables explicativas relevantes.

b) Inclusión de variables explicativas irrelevantes.

9
 19. ¿Cómo es el estimador MCO (OLS) del parámetro al omitir una variable explicativa
relevante?

Respuesta: El estimador será sesgado, pero tendrá una varianza menor, por lo que será
más preciso. La omisión de una variable relevante es la no inclusión de una variable explicativa
importante en una regresión. Dados los supuestos de Gauss-Markov, esta omisión provocaría
SESGO e inconsistencia en los estimadores OLS.

Adicionalmente, se produce una disminución del error estándar del estimador y una
reducción del grado de multicolinealidad.

20. ¿Cómo es el estimador MCO del parámetro al incluir una variable explicativa
irrelevante?

Respuesta: El estimador será insesgado, pero tendrá una varianza mayor, por lo que será
más impreciso. Los estimadores de los coeficientes de las variables explicativas, tanto relevantes,
como irrelevantes, no tienen sesgo, por lo que serán insesgados.

Por otra parte, los estimadores OLS de los coeficientes de las variables que sí son
relevantes, tienen una varianza mayor, que si no se hubiesen incluido en el modelo variables
irrelevantes.

21. ¿Qué es más grave, omitir una variable relevante o incluir una variable irrelevante?

Respuesta: Es siempre más perjudicial excluir variables relevantes que incluir variables
irrelevantes. En el primer caso, el proceso de inferencia queda invalidado, mientras que en el
segundo caso, los contrastes de significatividad son válidos, si bien se obtienen estimadores con
menor precisión.

DISTRIBUCIONES DE PROBABILIDAD (1er parcial)

1. ¿Cuál es la distribución del regresando?

Respuesta: La distribución normal: Y N( X ,  u2 )I

2. ¿Cuál es la distribución del vector de estimadores por OLS?

Respuesta: La distribución normal: ˆ N   , u2 ( X X

) −1



10
 3. ¿Cuáles son las propiedades PROBABILÍSTICAS de los estimadores MCO (OLS)?

Respuesta:

a) El vector de estimadores, ̂ es lineal en el vector Y

b) El vector de estimadores, ̂ es insesgado
c) Dentro de la clase de estimadores lineales insesgados, ̂ tiene mínima varianza, es
decir, ̂ es un estimador óptimo, de acuerdo con el teorema de Gauss-Markov.

4. ¿Cuál es la distribución de probabilidad del vector de residuos?

Respuesta: La normal: uˆ N 0, u2  M  ; Siendo M = I − X ( X X

) −1
X 

5. ¿Cuánto vale la traza (suma de los elementos de la diagonal principal) de la matriz M?

Respuesta: N-k. N: tamaño de la muestra. K: nº de parámetros o coeficientes.

6. ¿Cuál es la distribución de probabilidad del vector de las perturbaciones aleatorias, si se

cumplen todas las hipótesis básicas?

Respuesta: La normal: u N(0, 2  I)

7. ¿Qué distribución siguen los residuos (no los errores) al cuadrado?

Respuesta: Una distribución  n2−k . Es decir, una distribución ji cuadrado, con n-k grados de

libertad. ¡Los errores al cuadrado no siguen ninguna distribución!

ESTIMADORES Y COEFICIENTE DE DETERMINACIÓN MÚLTIPLE (1er parcial)

1. ¿Cuál es un estimador insesgado de la varianza de las perturbaciones?

uˆ uˆ
Respuesta: ˆu2 =
N −k

2. ¿Cuál es la varianza estimada del vector de estimadores?

uˆ uˆ
ˆ )ˆ =
Respuesta: var( (  )X X
 −1

N −k

3. Diga dos formulas del R2

Respuesta: R 2 = ( yˆt − y) 2

=
SCE
R 2 = 1−
uˆt 2

= 1−
SCR
( y t − y) 2 SCT ( y t − y) 2 SCT

11
 4. ¿Entre qué valores oscila el R2?

Respuesta: El coeficiente de determinación múltiple R2 varía entre 0 y 1. El valor 0 lo toma

cuando la varianza "explicada" es nula; por el contrario, el coeficiente R2 toma el valor 1 cuando es
nula la varianza residual.

5. ¿Cuál es una limitación del R2?

Respuesta: Una limitación del R2 es que puede incrementarse artificialmente introduciendo

regresores adicionales, aunque éstos no sean apropiados, es decir, significativos o relevantes.

6. ¿Cuál es la expresión del R2 corregido? ¿Qué relación guarda con el R2?

uˆt 2

2
N −k 2 N −1
Respuesta: R = 1− R = 1− ( − R)2
1
( y t − y) 2 N −k
N −1

7. ¿Qué ventaja aporta el R2 corregido o ajustado?

Respuesta: El R2 corregido penaliza la introducción de nuevos regresores, que no son

significativos.

8. ¿Cómo se compararan dos modelos econométricos?

Respuesta: Si los modelos tienen la misma variable endógena y el mismo nº de parámetros,

se comparan mediante el R2, siendo mejor modelo, aquel que tenga mayor R2.

Si los modelos a comparar tienen la misma variable endógena, pero diferente nº de

parámetros, se comparan mediante el R2 ajustado o corregido, siendo mejor modelo aquel que
tenga mayor R2 ajustado.

9. ¿Qué representan las expresiones: ( yˆt − y) 2

, ( y t − y) 2
,  uˆt
2
?

Respuesta:

( yˆt − y) = SCE
2
: Suma de Cuadrados Explicada

( y t − y) = SCT
2
: Suma de Cuadrados Total
uˆ = ( y − yˆ) = SCR
2
t t
2
: Suma de Cuadrados de los Residuos
´t

Siempre se cumplirá que: SCT = SCE + SCR

12
 10. ¿Qué representa uˆuˆ ?

Respuesta: Es la notación matricial de la Suma de los Cuadrados de los Residuos. Es decir:

uˆuˆ = (yt − yˆt )2 = uˆ´2t = SCR : Suma de los Cuadrados de los Residuos

11. ¿Qué representa E(ui2 )

Respuesta: Es  2 , es decir, la varianza constante de los términos de error o perturbaciones

aleatorias, en el caso de que se cumpla la hipótesis básica de homocedasticidad.

12. ¿Qué representa E (ui ) ?

Respuesta: Es la media de cualquiera de los N términos de error y se verifica siempre que

E (ui ) = 0, ui . Es decir, que cualquiera de los N términos de error, tiene de media 0.

VARIABLES FICTICIAS (DUMMY) (1er parcial)

1. ¿Cómo se debería especificar un modelo para que se pueda recoger el efecto del sexo de
una persona en su salario?

Respuesta: Definiendo una variable ficticia Si tal que: Si = 1 si la persona i-ésima es hombre;
0 si la persona i-ésima es mujer (o viceversa)

2. En el modelo Wi = 1 + 2ELi + 3 AE i + 4Si + u i ¿Cómo interpretaría  4 ?

Respuesta: Sería la diferencia salarial promedio o esperada entre un hombre y una mujer,
ceteris paribus. Es decir, E [Wi / Si = 1] − E [Wi / Si = 0] = 4

3. ¿Qué es la variación estacional? ¿Qué observa en el siguiente gráfico?

Respuesta: La estacionalidad es una variación de la serie de periodicidad inferior a un año.

13
 Respuesta: Estacionalidad, ya que aparecen “dientes de sierra” en los mismos subperiodos
del año

4. En el modelo IPI i = 1 + 2NCPi + 3M 2i + 4M 3i + 5M 4i + u i ¿Cómo se interpretan

3 ,  4 , 5 ?

Respuesta: Miden el efecto estacional diferencial promedio en el IPIi, ceteris paribus, con
respecto al primer trimestre, que es la categoría de referencia.

5. ¿Qué se entiende por la trampa de las variables ficticias?

Respuesta: Cuando se trata de una característica cualitativa, se deben incluir tantas

variables ficticias como categorías -1. Si se incluyesen tantas variables ficticias como categorías, se
cae en la trampa de las variables ficticias que es la multicolinealidad exacta y no se puede estimar el
modelo.

6. ¿Por qué se produce la trampa de las variables ficticias?

Respuesta: Porque la matriz (X X) es singular, es decir, que su determinante vale 0.

7. ¿Cuántas variables dummy deben incluirse en el modelo?

Respuesta: Tantas, como categorías tiene la variable cualitativa, menos 1.

Si se incluyesen tantas variables dummy como categorías, se caería en la trampa de las
variables dummy.

PROPENSIONES MARGINALES Y ELASTICIDADES (1er parcial)

1. ¿Cómo se define una propensión marginal?

14
 Respuesta: En cuanto aumenta en unidades, la variable yi por cada unidad que aumenta la
 yi
variable xi y se calcula:
 xi

2. ¿Cómo se interpreta una elasticidad?

Respuesta: La elasticidad mide el aumento porcentual en la variable dependiente yi , por

 yi xi
cada unidad porcentual de aumento en la variable independiente xi y se calcula:  x ,y = 
 xi yi

3. Enuncie las diferentes formas funcionales de modelos econométricos

ineal : y i = 1 +  2 x i + u i
lin-log : y i = 1 +  2 ln x i + u i
Respuesta: log-lin : ln y i = 1 +  2 x i + u i
log− log : ln y i = 1 +  2 lni + u i
1
Inverso: y i = 1 +  2 + ui
xi

INTERPRETACIÓN DE LOS COEFICIENTES (1er parcial)

1. ¿Cómo se interpreta 2 en el modelo lineal, lin-log, log-lin y log-log?

Respuesta:

• Lineal: La variación unitaria de yi ante una variación unitaria de xi es 2

2
• Lin-log: La variación unitaria de yi ante una variación de un 1 % en xi es
100
• Log-lin: La variación porcentual de yi ante una variación unitaria de xi es 100  2

• Log-log: La variación porcentual de yi ante una variación de un 1 % en xi es 2

2. Dados los modelos: Salida de RStudio

15
 Interprete los coeficientes del segundo modelo

Respuesta:

1 : El punto de corte. Es decir, será el valor que tomará el logaritmo neperiano del
comercio entre los dos países en el hipotético caso en que todas las variables explicativas fueran
cero. Es decir, es el punto en que la recta de regresión cruzara el eje de ordenadas.

2 : Será la elasticidad del comercio a cambios en el PIB del país exportador. Es decir, por
cada 1% que aumente el PIB del país exportador, el comercio entre ambos países crecerá en un 2
% = 0,55 %.

3 : Será la elasticidad del comercio a cambios en el PIB del país importador. Es decir, por
cada 1% que aumente el PIB del país importador, el comercio entre ambos países crecerá en un 3
% = 0,51%.

4 : Será la elasticidad del comercio a cambios en la distancia entre los países. Es decir, por
cada 1% que aumente la distancia entre los países, el comercio entre ambos países crecerá en un

16
4 % = -0,47 %. O lo que es lo mismo, por cada 1 % que aumente la distancia entre los países su
comercio se reducirá en un 0.47

5 : Será la diferencia en el punto de corte entre el comercio de dos países que no estén en
recesión y el comercio de dos países cuando el exportador está en recesión y el importador no lo
está.

6 : Será la diferencia en el punto de corte entre el comercio de dos países que no estén en
recesión y el comercio de dos países cuando el importador está en recesión y el exportador no lo
está.

7 : Será la diferencia en el punto de corte entre el comercio de dos países que no estén en
recesión y el comercio de dos países cuando ambos estén en recesión.

CONTRASTES DE HIPÓTESIS (1er parcial)

1. ¿Cuál es el estadístico para el contraste de una combinación lineal entre los parámetros
del modelo?

−1
( D ˆ − D ) ( D )X X
 −1(D   D)ˆ − D 

Respuesta: r Fr ,N −k
uˆ uˆ
N −k

2. ¿Cuál es el estadístico para contrastar restricciones y que también se puede utilizar para
comparar dos modelos?

( SCRR − SCRNR)
Respuesta: r Fr ,N −k
SCRNR
N −k

3. ¿Cuál es el estadístico para contrastar la significatividad parcial de un parámetro i ?

ˆi
Respuesta: t N −k H 0 : i = 0 ; H 1 : i  0
Std .Error( ˆ)i

4. ¿Es lo mismo modelo econométrico que estructura?

Respuesta: No.

Un modelo econométrico es una expresión matemática simplificada de una determinada

realidad económica, que tiene en cuenta la aleatoriedad del fenómeno objeto de estudio. Al aplicar
el modelo econométrico cualquier procedimiento de estimación se obtienen unos estimadores

17
cuyos valores concretos, que dependen del conjunto de observaciones utilizadas, se denominan
estimaciones.

Una estructura refleja la ley de funcionamiento de una realidad económica para un ámbito
espacial o para un intervalo temporal determinado, mediante un sistema de ecuaciones con unos
determinados valores numéricos de los parámetros, que reflejan las relaciones entre las distintas
variables.

5. ¿Qué es un contraste de estabilidad estructural?

Respuesta:

Es un contraste que permite testar (contrastar) si los parámetros son constantes a lo largo
de la muestra.
Más explicado:
Un modelo comprende diversas estructuras para intervalos temporales o ámbitos
espaciales diferentes, que, en general, son desconocidos, razón por la cual se realizan estimaciones
que son aproximaciones a los mencionados valores numéricos de los parámetros de la estructura.
Se considera que el modelo de regresión comprende dos estructuras diferentes: una para el
subperiodo T1 y otra para el T2, siendo el intervalo total considerado T = T1 + T2.

6. ¿Cuál es la hipótesis nula en el contraste de estabilidad estructural?

Respuesta: H 0 : 11 = 21; 12 = 22 ;.......; 1k = 2k

Intuitivamente, se trata de contrastar que los parámetros del primer subperiodo son
iguales a los del segundo subperiodo.

7. ¿Cuál es la hipótesis básica en la que se basan todos los contrastes de hipótesis?

Respuesta: Es la hipótesis básica de normalidad de las perturbaciones aleatorias. Si dicha

hipótesis no se cumple, absolutamente todos los contrastes de hipótesis dejan de ser válidos.

8. Dados los modelos: Salida de RStudio

18
 ¿Qué variables son significativas?

Respuesta: Aquellas variables explicativas cuyo P-value es <0,05 son significativas. Las
variables cuyo P-value es >0,05 no son significativas.

9. ¿Qué ocasiona la omisión de variables explicativas relevantes?

Respuesta: La omisión de una variable relevante es la no inclusión de una variable

explicativa importante en una regresión. Dados los supuestos de Gauss-Markov, esta omisión
provocaría SESGO e inconsistencia en los estimadores OLS.

Adicionalmente, se produce una disminución del error estándar del estimador y una
reducción del grado de multicolinealidad.

10. ¿Qué ocasiona la inclusión de variables explicativas irrelevantes?

Respuesta: Los estimadores de los coeficientes de las variables explicativas, tanto

relevantes, como irrelevantes, no tienen sesgo, por lo que serán insesgados.

Por otra parte, los estimadores OLS de los coeficientes de las variables que sí son
relevantes, tienen una varianza mayor, que si no se hubiesen incluido en el modelo variables
irrelevantes.

11. ¿Cual es la expresión del error estandar de ˆï ?

Respuesta:

19
 Std.Error (ˆí ) = ˆ 2  v ii
Siendo:

 =
ˆ 2  uˆ´2t ii
, v = Elemento que está en la fila i, columna i de la matriz ( X X )−1
n−k

12. Cual es un estimador insesgado de la varianza de los términos de error? ¿y, un

estimador sesgado?

Respuesta:

Estimador insesgado de  2 : ˆ ´2 =
 uˆt2 = SCR
n−k n−k

Estimador sesgado de  2 :
 uˆt = SCR
2

n n

13. Hemos estimado el siguiente modelo mediante MCO (Salida de RStudio)

¿Es la variable sexo importante a la hora de explicar la variable dependiente?

Respuesta: H0 beta2 = 0 (la variable sexo no es importante). Rechazaremos la hipótesis nula para el
5 % y el 10 % y no la rechazaremos para el 1 %, por lo que la variable M será significativa para dos
de los tres niveles de significatividad típicos. Se supone que la variable M es una variable dummy,
tal que M=1, si el individuo es mujer y M=0, si el individuo es hombre. Por tanto, al 5 % y al 10 %, la
variable sexo, sí es importante.

COMPARACIÓN DE MODELOS ECONOMÉTRICOS (1er parcial)

1. ¿Cómo se comparan dos modelos econométricos?

Respuesta: Si los modelos a comparar tienen la misma variable endógena y el mismo nº de

parámetros, se comparan mediante el R2. Si tienen la misma variable endógena, pero diferente nº
de parámetros, se comparan mediante el R2 corregido. En ambos casos, a mayor, mejor modelo.

20
 Si los modelos a comparar tienen diferente variable endógena, se comparan mediante el
AIC corregido. En este caso, a menor AIC mejor modelo.

2. Dados los modelos siguientes: Salida de RStudio

¿Qué modelo elegiría?

Respuesta:

Dado que los modelos tienen diferente nº de parámetros, pero la misma variable
endógena, deben compararse mediante el R2 corregido. Se obtendría el R2 corregido de cada
modelo y el que presentase mayor R2 corregido, sería el modelo seleccionado.

INCUMPLIMIENTO DE LAS HIPÓTESIS BÁSICAS (20 parcial)

1. ¿Cuáles son los problemas que pueden surgir, según el tipo de datos?

Respuesta: Con datos de series temporales, el problema habitual que surge es la

autocorrelación. Con datos de sección transversal, el problema habitual que surge es la
heteroscedasticidad.

2. Si no se cumple la hipótesis básica de homocedasticidad, ¿cómo son los estimadores por

MCO?

Respuesta: Siguen siendo lineales e insesgados, pero ya no son óptimos.

21
 3. Si el modelo presenta heterocedasticidad, ¿Cuál sería el método adecuado de
estimación?

Respuesta: Mínimos cuadrados Generalizados (MCG)

4. ¿Cómo son los estimadores por MCG aunque exista heterocedasticidad?

Respuesta: Son lineales, insesgados y óptimos.

5. ¿Qué se entiende por error de especificación?

Respuesta:

a) Omisión de variables explicativas relevantes.

b) Inclusión de variables explicativas irrelevantes.

6. ¿Cómo es el estimador MCO del parámetro al omitir una variable explicativa relevante?

Respuesta: El estimador será sesgado, pero tendrá una varianza menor, por lo que será
más preciso.

7. ¿Cómo es el estimador MCO del parámetro al incluir una variable explicativa irrelevante?

Respuesta: El estimador será insesgado, pero tendrá una varianza mayor, por lo que será
más impreciso.

8. ¿Qué es más grave, omitir una variable relevante o incluir una variable irrelevante?

Respuesta: Es siempre más perjudicial excluir variables relevantes que incluir variables
irrelevantes. En el primer caso, el proceso de inferencia queda invalidado, mientras que en el
segundo caso, los contrastes de significatividad son válidos, si bien se obtienen estimadores con
menor precisión.

9. ¿Cuál es la expresión del vector de estimadores por MCG?

Respuesta: ˆMCG =( X −1X) −1

X −1Y

10. ¿Qué propiedades posee el vector de estimadores por MCG?

Respuesta: Es lineal, insesgado y óptimo

11. ¿A qué hace referencia el problema de la heterocedasticidad?

22
 Respuesta: Hace referencia al comportamiento de la matriz de varianzas-covarianzas de las
perturbaciones aleatorias o términos de error del modelo. Si las varianzas de las perturbaciones del
modelo no son constantes en la población considerada, estamos ante un problema de
heteroscedasticidad

12. ¿Qué reflejan los siguientes gráficos. Observe los ejes para evitar confusiones.

Respuesta: Homocedasticidad

Respuesta: Heterocedasticidad

13. ¿Cuál es el contraste específico para detectar heterocedasticidad? Indique sus pasos.

Respuesta: Es el contraste de Goldfeld-Quandt. Los pasos son:

1. Se ordenan las observaciones según los valores crecientes de la variable explicativa a la

que presumiblemente está ligada la heteroscedasticidad.

2. Se omite un número C de las observaciones centradas, y se dividen las N-C observaciones

restantes en dos grupos de (N-C)/2 observaciones cada uno.

3. Se realizan dos regresiones separadas y se calculan los residuos de los dos grupos

4. Con los residuos calcularemos el estadístico F que viene dado por:

23
 uˆ uˆ2
N −C
−k
2 FN −C
uˆ uˆ1 2
−k ,
N −C
2
−k

N −C
−k
2

La hipótesis nula que se contrasta será: H 0 :  12 =  22 = ......... =  N2

14. Si el esquema de la heterocedasticidad fuese: var( u)i =   x ij ¿Cómo trasformaría el

modelo para eliminar la heterocedasticidad?

Respuesta: Dividiendo ambos miembros del modelo, incluyendo la perturbación aleatoria,

por x ij

15. ¿Qué problema se detecta en el siguiente gráfico?

Respuesta: Heterocedasticidad

16. ¿Qué indican los siguientes gráficos? Observe los ejes, para evitar confusiones con
heterocedasticidad.

Respuesta: No autocorrelación.

24
 Respuesta: Autocorrelación

17. ¿Cuál es el contraste más utilizado para detectar autocorrelación? ¿Cómo se interpreta?

Respuesta: Es el estadístico Durbin y Watson. Este test se utiliza para contrastar si hay
autocorrelación de primer orden en una regresión con punto de corte y sin valores retardados de la
variable endógena.

18. ¿Cómo se evitan los inconvenientes que presenta el estadístico Durbin-Watson?

Respuesta: Si el modelo presenta la variable endógena retardada como explicativa, debe

utilizarse el estadístico h de Durbin.

25
 Si la autocorrelación presenta un esquema AR (p) con p>1, debe utilizarse el contraste de
Breusch-Godfrey. Este contraste, también puede utilizarse si el modelo presenta la variable
endógena retardada como explicativa.

19. ¿Cuál es el estadístico h de Durbin? ¿Qué distribución sigue? ¿Cuándo se utiliza?

N
Respuesta: h = ˆ
ˆ ˆ)i
1 − N  var(

Sigue una distribución N (0,1) y se utiliza cuando el modelo incluye la variable endógena
retardada como variable explicativa.

ACF y PACF (20 parcial)

20. A la vista de los siguientes gráficos, ¿Qué esquema sugeriría?

Respuesta: Un esquema AR (1)

Respuesta: Un esquema AR (2)

26
Respuesta: Un esquema MA (1

27