Fundamentos de Econometría: Conceptos Clave y Aplicaciones en Modelos de Regresión

Conceptos Fundamentales en Econometría

• Un modelo logarítmico para la variable dependiente (Y) y las variables explicativas (X) implica: que un cambio porcentual en X genera un cambio porcentual constante en Y (elasticidad constante).
• La matriz U'U representa la matriz de varianzas-covarianzas de las perturbaciones aleatorias. VERDADERO
• Siempre hay tantos errores negativos como positivos. FALSO
• La matriz e'e representa la suma de los errores al cuadrado (SCR). VERDADERO
• La matriz de varianzas-covarianzas de los parámetros estimados coincide con la de las variables explicativas. FALSO
• La expresión matricial X'X, utilizada para el cálculo de los estimadores MCO del Modelo Básico de Regresión Lineal (MBRL), permite conocer: la covariación entre variables exógenas, el tamaño muestral y la variación de las variables exógenas.

Ejercicios de Examen: Interpretación de Coeficientes y Diagnósticos

Interpretación de Coeficientes de Regresión

• El cambio del parámetro AGE de 0.025 a 0.013 sugiere una relación negativa entre edad y educación. FALSO
• El cambio en el parámetro de BLACK de -0.29 a -0.228 sugiere un nivel educativo medio superior en los trabajadores. FALSO
• El cambio de signo de la variable EXPER indica un fuerte grado de relación positiva entre educación y experiencia. FALSO
• El parámetro HOURS no es muy relevante, lo que sugiere una escasa relación entre la duración de la jornada y el nivel educativo del trabajador. VERDADERO
• Las variables LFAMINC y FATHEDUC son las únicas variables no significativas para explicar el peso del recién nacido. VERDADERO
• 10 cigarrillos adicionales fumados al día durante el embarazo generan una caída media del peso de 1/3 de libra. VERDADERO
• 10 cigarrillos adicionales causan una caída del 3% del peso al nacer. FALSO
• En media, los bebés varones y blancos pesan más que los varones negros. FALSO
• El orden de nacimiento de un niño en la familia varía significativamente el peso para un nivel de confianza del 99%. FALSO
• El término independiente sugiere que la media del peso de los niños en la muestra es de 6.5 libras. FALSO
• Si se elimina la variable LFAMINC de la regresión, cambia la estimación para el coeficiente de FATHEDUC. Esto sugiere un problema de colinealidad entre ambas variables. FALSO
• El peso medio de los bebés está en torno a 7.4 libras. VERDADERO

Evaluación y Diagnóstico de Modelos

• Las variables incluidas reducen el error de estimación respecto a la ausencia de modelo en algo más de un 5%. VERDADERO
• El modelo comete un error de estimación de 1.2 libras por bebé. VERDADERO
• Existen siempre tantas observaciones con errores negativos como positivos. FALSO
• Un error negativo indica subestimación de la variable endógena real. FALSO
• Un error porcentual grande puede deberse a un valor muy reducido de la variable endógena. VERDADERO
• Un problema de heterocedasticidad puede observarse en un gráfico de residuos para un modelo transversal. VERDADERO
• El estimador insesgado de la varianza de la perturbación aleatoria es siempre más elevado que el error cuadrático medio. VERDADERO
• La suma cuadrática residual (SCR) de un modelo siempre disminuye al añadir una variable adicional, por mala que esta sea. VERDADERO
• El análisis gráfico de los residuos de un modelo transversal está condicionado por el orden en el que se disponen los datos de la muestra utilizada. VERDADERO
• El porcentaje medio de error absoluto está expresado en las mismas unidades que la variable endógena. FALSO
• La R² corregida de dos modelos solo puede compararse si ambos modelos están estimados para la misma variable endógena. VERDADERO
• Los componentes de la U de Theil suman siempre la unidad. VERDADERO
• El porcentaje medio de error absoluto se interpreta de forma análoga a la raíz del error cuadrático medio. FALSO
• Los componentes de error en media de la U de Theil son siempre cero en la estimación del MBRL con MCO. VERDADERO
• En situaciones especiales, el error de predicción puntual podría ser menor que el promedio. FALSO
• El cálculo del predictor considera, entre otras cosas, el eventual error que cometemos al dar valor a futuro a las variables exógenas. FALSO
• Manteniéndose todo lo demás constante, la mayor distancia de los valores de las variables exógenas a futuro respecto a la media histórica genera una mayor varianza de predicción. VERDADERO