FINAL

UNIVERSIDAD DISTRITAL FRANCISCO JOSE DE CALDAS
ECONOMETRIA
PARCIAL FINAL
1. La heteroscedasticidad es un problema que puede presentarse en:
a. Los modelos que emplean datos de corte transversal.

b. Los modelos que emplean datos de series de tiempo.
c. A y B
d. Ninguna de las anteriores
Puntos del 2 al 4 La siguiente salida muestra la estimación de un modelo de regresión lineal múltiple.
Source SS Number of obs 16

F( 3, 12) 264.45
Model 182252114 P value de F 0.0000
Residual 2756711.69 R-squared 0.9851
Adj R-squared 0.9814
Total 185008826 Root MSE 479.3
y Coef. p value [95% Conf. Interval] FIV
x2 0.040788 0 0.0359803 0.0455957 9.14

x3 -0.7968166 0.003 -1.261781 -0.3318518 12.6
x4 -0.4827658 0.083 -1.038711 0.0731798 2.06
_cons 53306.46 0 51745.69 54867.24
Shapiro-Wilk 0.93916 White 2.8 test de chow 4.01
p value 0.04988 p value 0.05142 p value 0.05998
Ramsey RESET 5.46 D. Watson 1.0062
p value 0.0206
Nota: Para todos los efectos considere un alfa del 5% y un dl= 1.061 y un du= 1.3409
2. De los resultados anteriores podemos establecer que:

a. hay heteroscedasticidad y autocorrelación b. Hay heteroscedasticidad pero no autocorrelación
c. No hay heteroscedasticidad pero si autocorrelación d. No hay autocorrelación ni heteroscedasticidad
E. ninguna de las anteriores

a. Hay buena especificación y hay normalidad b. Hay buena especificación y no hay normalidad
c. No hay buena especificación y hay normalidad d. No hay buena especificación y no hay normalidad

a. Hay multicolinealidad y no hay cambio estructural b. No hay multicolinealidad y no hay cambio estructural
c. No hay multicolinealidad y hay cambio estructural d. Hay multicolinealidad y hay cambio estructural
5. El test de Durbin-Watson se utiliza:

A. Para detectar correlación serial en modelos estimados sólo con datos de sección transversal
B. Para detectar la presencia de correlación serial de primer orden.
C. Para estimar el grado de multicolinealidad.
D. Sin importar que el modelo incluya como variable explicativa, a la variable dependiente rezagada.
6. La violación del supuesto de normalidad en teoría impide en un modelo lineal general:

A. estimar por mínimos cuadrados ordinarios
B. estimar por variables instrumentales
C. realizar inferencia sobre los estimadores de regresión
D. interpretar el coeficiente de determinación
7. En una regresión de salario promedio (W) sobre número de empleados (N) para una muestra aleatoria de 30 empresas, se
obtuvieron los siguientes resultados
W = 7.5 + 0.009 N (1)

W/N = 0.008 + 7.8 (1/N) (2)
Después de ajustar el modelo (1) y analizar el comportamiento de los residuales, el autor ajusta el modelo (2), con estas medias el
autor está buscando corregir problemas de
A. multicolinealidad
B. autocorrelación
C. heterocedasticidad
D. normalidad del término de perturbación
8. En un modelo de regresión múltiple con presencia de heterocedasticidad, la estimación por el Método de Mínimos Cuadrados
Ordinarios conduce a estimadores
A. sesgados B. ineficientes E. Ninguna de las anteriores

C. eficientes D. inconsistentes
9. Si se presenta Asimetría a la derecha en la Distribución del término aleatorio de error de un modelo lineal con intercepto, entonces
se puede afirmar que:
a. La Matriz de Varianzas-Covarianza de los Errores es Heteroscedastica.

b. Los EMCO son sesgados.
c. Las Desviaciones Estándar de los EMCO son “Incorrectos”
d. Todas las Anteriores.
e. Ninguna de las anteriores.
10. Se formula el siguiente modelo:
Donde ut = rut-1 +e t-1, siendo E una variable Ruido Blanco. De acuerdo a lo anterior, los estimadores M.C.O del modelo son:
A. Sesgados e Inconsistentes pero Eficientes

B. Insesgados e Inconsistentes pero Eficientes
C. Insesgados y Consistentes pero Ineficientes
D. Sesgados y Consistentes pero Ineficientes.
e. ninguna de las anteriores
UNIVERSIDAD DISTRITAL FRANCISCO JOSE DE CALDAS
ECONOMETRIA
PARCIAL FINAL
1. La autocorrelación es un problema que puede presentarse en:
a. Los modelos que emplean datos de corte transversal.

b. Los modelos que emplean datos de series de tiempo.
c. A y B
d. Ninguna de las anteriores
Puntos del 2 al 4 La siguiente salida muestra la estimación de un modelo de regresión lineal múltiple.
Source SS Number of obs 16

F( 3, 12) 264.45
Model 182252114 P value de F 0.0000
Residual 2756711.69 R-squared 0.9851
Adj R-squared 0.9814
Total 185008826 Root MSE 479.3
y Coef. p value [95% Conf. Interval] FIV
x2 0.040788 0 0.0359803 0.0455957 9.14

x3 -0.7968166 0.003 -1.261781 -0.3318518 12.6
x4 -0.4827658 0.083 -1.038711 0.0731798 2.06
_cons 53306.46 0 51745.69 54867.24
Shapiro-Wilk 0.93916 White 2.8 test de chow 4.01
p value 0.04988 p value 0.05142 p value 0.04998
Ramsey RESET 5.46 D. Watson 1.0062
p value 0.0206
Nota: Para todos los efectos considere un alfa del 10% y un dl= 1.061 y un du= 1.3409

a. hay heteroscedasticidad y autocorrelación b. Hay heteroscedasticidad pero no autocorrelación
c. No hay heteroscedasticidad pero si autocorrelación d. No hay autocorrelación ni heteroscedasticidad

a. Hay buena especificación y hay normalidad b. Hay buena especificación y no hay normalidad
c. No hay buena especificación y hay normalidad d. No hay buena especificación y no hay normalidad

a. Hay multicolinealidad y no hay cambio estructural b. No hay multicolinealidad y no hay cambio estructural
c. No hay multicolinealidad y hay cambio estructural d. Hay multicolinealidad y hay cambio estructural
5. El test de Durbin-Watson se utiliza:

A. Para detectar correlación serial en modelos estimados sólo con datos de sección transversal
B. Para detectar la presencia de correlación serial de primer orden.
C. Para estimar el grado de multicolinealidad.
D. Sin importar que el modelo incluya como variable explicativa, a la variable dependiente rezagada.
6. La violación del supuesto de normalidad en teoría impide en un modelo lineal general:

A. estimar por mínimos cuadrados ordinarios
B. estimar por variables instrumentales
C. realizar inferencia sobre los estimadores de regresión
D. interpretar el coeficiente de determinación
7. En una regresión de salario promedio (W) sobre número de empleados (N) para una muestra aleatoria de 30 empresas, se
obtuvieron los siguientes resultados
W = 7.5 + 0.009 N (1)

W/N = 0.008 + 7.8 (1/N) (2)
Después de ajustar el modelo (1) y analizar el comportamiento de los residuales, el autor ajusta el modelo (2), con estas medias el
autor está buscando corregir problemas de
A. multicolinealidad
B. autocorrelación
C. heterocedasticidad
D. normalidad del término de perturbación
8. En un modelo de regresión múltiple con presencia de heterocedasticidad, la estimación por el Método de Mínimos Cuadrados
Ordinarios conduce a estimadores
A. sesgados B. ineficientes E. ninguna de las anteriores

C. eficientes D. inconsistentes
9. Si se presenta Asimetría a la derecha en la Distribución del término aleatorio de error de un modelo lineal con intercepto, entonces
se puede afirmar que:
a. La Matriz de Varianzas-Covarianza de los Errores es Heteroscedastica.

b. Los EMCO son sesgados.
c. Las Desviaciones Estándar de los EMCO son “Incorrectos”
d. Todas las Anteriores.
e. Ninguna de las anteriores.
10. Se formula el siguiente modelo:
Donde ut = rut-1 +e t-1, siendo E una variable Ruido Blanco. De acuerdo a lo anterior, los estimadores M.C.O del modelo son:
A. Sesgados e Inconsistentes pero Eficientes

B. Insesgados e Inconsistentes pero Eficientes
C. Insesgados y Consistentes pero Ineficientes
D. Sesgados y Consistentes pero Ineficientes.

FINAL

Cargado por

Copyright:

Formatos disponibles

FINAL

Cargado por

Información del documento

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

FINAL

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DISTRITAL FRANCISCO JOSE DE CALDAS

1. La heteroscedasticidad es un problema que puede presentarse en:

a. Los modelos que emplean datos de corte transversal.

Source SS Number of obs 16

x2 0.040788 0 0.0359803 0.0455957 9.14

2. De los resultados anteriores podemos establecer que:

3. De los resultados anteriores podemos establecer que:

4. De los resultados anteriores podemos establecer que:

5. El test de Durbin-Watson se utiliza:

6. La violación del supuesto de normalidad en teoría impide en un modelo lineal general:

W = 7.5 + 0.009 N (1)

A. sesgados B. ineficientes E. Ninguna de las anteriores

a. La Matriz de Varianzas-Covarianza de los Errores es Heteroscedastica.

10. Se formula el siguiente modelo:

A. Sesgados e Inconsistentes pero Eficientes

1. La autocorrelación es un problema que puede presentarse en:

a. Los modelos que emplean datos de corte transversal.

Source SS Number of obs 16

x2 0.040788 0 0.0359803 0.0455957 9.14

2. De los resultados anteriores podemos establecer que:

3. De los resultados anteriores podemos establecer que:

4. De los resultados anteriores podemos establecer que:

5. El test de Durbin-Watson se utiliza:

6. La violación del supuesto de normalidad en teoría impide en un modelo lineal general:

W = 7.5 + 0.009 N (1)

A. sesgados B. ineficientes E. ninguna de las anteriores

a. La Matriz de Varianzas-Covarianza de los Errores es Heteroscedastica.

10. Se formula el siguiente modelo:

A. Sesgados e Inconsistentes pero Eficientes

También podría gustarte