Estadístico de durbin watson

En Presencia de autocorrelacion Las varianzas calculadas convencionalmente y los errores estándar de los Valores pronosticados son ineficientes.

V: Las varianzas ya no son mínimas, es decir, dejan de ser MELI por lo tanto dejan De ser eficientes.

Un Coeficiente de determinación ajustado permite corregir las varianzas estimadas Y por ello ayuda a la inferencia estadística.

F: R2 Ajustado solo corrige el coeficiente de determinación de regresión múltiple, Considerando el número de variables explicativas, vía el ajuste de grados de Libertad.

Obtener Un R2 alto es muy bueno en una estimación, ya Que facilita la interpretación de los parámetros estimados.

F: Dice que un mayor % de variación de Y es explicada por las X`s, Pero no dice nada de los B^

La Bondad de ajuste de una regresión será mejor en la medida que mayor sea la Sumatoria de los errores estimados al cuadrado.

F: la Bondad de ajuste es más mala.

El Coeficiente de determinación en un modelo de regresión múltiple mide la Asociación lineal entre la variable explicativa y la variable explicada.

F: el Coef. De Determinación mide el % de la variación de la variable Y explicada por el Conjunto de las variables explicativas.

Los Valores R2 de dos modelos, de los cuales uno Corresponde a una regresión en forma de primera diferencia y otra en forma de Nivel, no son directamente comparables.

V: Para que los R2 sean Comparables las variables dependientes deben ser las mismas y en este caso no Lo son, debido a que al tomar las primeras diferencias estamos estudiando Esencialmente el comportamiento de variables alrededor de sus valores de Tendencia.

El test de Fisher es útil para realizar pruebas de hipótesis en modelos de Regresión múltiple ya que considera los sesgos de especificación.

F: el Test F permite realizar test de hipótesis en MR múltiples y no considera el Tema de sesgos de especificación de una estimación. Para testear los sesgos de Especificación se puede realizar el test reset.

Los Test t son importantes para descartar que los parámetros estimados sean cero.

F: Los test t ayudan a medir la significancia de los B poblacionales y no de los B Estimados.

Los Test F son validos en la medida de que no exista una fuerte asociación lineal Entre las variables explicativas y el estadístico JB = 0

V: el Testeo de hipótesis descansa en la normalidad de los errores. Con un JB = 0  hay evidencia de normalidad. La Asociación lineal entre las X`s Afecta a las t sin llegar a invalidarlas, pero no a los test F.

¿Para Qué sirve y en qué consiste el test reset?

Sirve Para testear sesgos de especificación y consiste en construir un test F basado En la regresión base.

En El modelo de regresión múltiple, la contribución de una variable adicional más Se mide con un test t.

F: el Test t permite evaluar la significancia individual. Para conocer la Contribución de una variable adicional se usa el test F.

¿Por qué no se pueden incluir todas las Categorías de una variable dummy en Un modelo de regresión?

Porque Generaría perfecta multicolinealidad Imposibilitando estimar los parámetros.

Si hay heterocedasticidad Las pruebas convencionales T y F son inválidas.

F: Solo pierden eficiencia y certeza en la prueba de hipótesis.

¿Cuál es el problema de enfrentar heterocedasticidad en Un modelo de regresión? Como se puede resolver cuando existe evidencia de su Presencia?

El Problema es que los estimadores no son MELI, lo que lleva a que las pruebas de Hipótesis puedan ser invalidas. Si se conoce o supone algún patrón de Het. Se Pueden aplicar los MCG.

¿Para qué sirve la estimación de MCG en Presencia de heterocedasticidad? Bajo que condición se podría aplicar?

Sirve Para encontrar estimadores poblacionales que cumplan con la propiedad MELI y se Puede aplicar solo cuando se conoce el patrón de heterocedasticidad.

Para determinar heterocedasticidad el Test de White es más usado que el test de BPG, ya que incorpora más variables Explicativas de la heterocedasticidad y sirve para muestras pequeñas.

I: El test de White es más usado por qué no exige normalidad de los errores Poblacionales, sin embargo tanto el test de White como el BPG son test Asintóticos, es decir, que solo sirven para muestras grandes de más de 100 Datos.

Con multicolinealidad Severa, la estimación que se realice de los parámetros poblacionales  será imprecisa y los test t no permitirán Realizar el testeo de significancia.

Con M severa, los estimadores serán más imprecisos y la t tenderá a ser más Pequeños, ya que, las desviaciones estándar tienden a aumentar fuertemente para Las variables explicativas coloniales. Se puede realizar el testeo de Significancia pero puede ser engañoso en algunos casos.

Tanto la prueba F  para significancia global del modelo como la Prueba de White para evaluar la presencia de heterocedasticidad, No consideran el término constante del modelo.

V: Ya que la prueba F estima la significancia global del modelo y la prueba de White evalúa si las variables explicativas generan o no cambios en la varianza Del error.

La prueba D de Durbin-Watson Supone que la varianza del término de error ui es homocedastica.

V: Uno de los supuestos de la prueba D de durbin
Watson es que las X son fijas o no estocásticas en muestreo repetido, por lo Tanto la varianza es constante a lo largo de la recta de regresión.

Una d de Durbin-Watson significativa, no necesariamente Significa que hay autocorrelacion de primer orden.

F: Uno de los supuestos de la prueba d de Durbin-Watson Es que es solamente válida para detectar autocorrelacion que Hubiese sido ganada por esquemas AR(1)

La exclusión de una o varias variables Importantes de un modelo de regresión pueden producir un valor d significativo.

V: Cuando se excluyen variables que son relevantes en el modelo están pasan a Formar parte del termino de perturbación, y como el estadístico d nos mide la Razón de la suma de las diferencias al cuadrado de residuos sobre la residual Al cuadrado y por lo tanto d no permitiría la ausencia de tales observaciones.

En La regresión de primera diferencia de Y sobre primeras diferencias de X, si hay Un término constante y un término de tendencia lineal , significa que en el Modelo original hay un término de tendencia lineal y uno de tendencia Cuadrática.

F: Se supone que si en la primera diferencia de Y sobre primeras diferencias de X Existe un término constante y un término de tendencia lineal, el modelo Original no tendrá un término de tendencia cuadrática.