Para que sirve la covarianza

V o F o

El género de los conductores SERÍA una variable a considerar en el modelo como explicativa candidata

V o F o

El modelo NO es viable porque, con un solo año, sólo tendríamos un dato

V o F o

La velocidad máxima permitida en autovía según la Ley de Tráfico podría utilizarse como variable explicativa en el modelo.

V o F o

La marca y el modelo del coche de cada conductor sería clave para entender la siniestralidad en el modelo

V o F o

Necesariamente el modelo tendrá menos de 52 grados de libertad

V o F o

La pluviosidad (días con lluvia a lo largo del año) podría usarse como variable explicativa

V o F o

La proporción de AUTOVÍAS sobre el total de carreteras en la provincia podría utilizarse como variable explicativa

V o F o

El modelo podría utilizarse para observar en qué medida una mayor o menor inversión pública en carreteras mejora la siniestralidad

V o F o

El modelo de regresión podría utilizarse para predecir si alguien va a tener un accidente o no

V o F o

El modelo podría usarse para determinar la incidencia de las horas de luz en la siniestralidad comparando, por ejemplo, los meses estivales e invernales

V o F o

Tomando datos de renta podríamos determinar si la renta per cápita o la tasa de paro incide en la siniestralidad

V o F o

El modelo de regresión permitiría explicar, al menos en parte, el porqué de los accidentes y orientar políticas preventivas por parte de la DGT

V o F o

El número de variables explicativas NO puede ser nunca mayor que el número de datos muéstrales

V o F o

Los parámetros REALES del MBRL se suponen variables deterministas

V o F o

Necesitamos que tenga inversa para estimar MCO

V o F o

Los órdenes matriciales de y son siempre coincidentes

V o F o

La expresión matricial devuelve un vector fila con los estimadores MCO

V o F o

Tiene, para “n” datos y “k” variables, orden “kxk”

V o F o

Sería una forma correcta de abreviar el MBRL

V o F o

Es una expresión CORRECTA

V o F o

Si la matriz X contiene FILAS repetidas la matriz X’X no tendría inversa y no podría estimarse MCO

V o F o

Es una expresión CORRECTA

V o F o

Es un escalar

V o F o

El elemento (nxn) de la matriz  no existe

V o F o

Tiene orden “1xK”, para “n” datos y “k” variables

V o F o

La perturbación aleatoria “U” es, por definición, INOBSERVABLE

V o F o

(FALSA)

V o F o

Las variables explicativas del MBRL, muestral o poblacional, se suponen variables deterministas

V o F o

Los grados de libertad son siempre menores que el tamaño muestral

V o F o

La suma residual del MBRL, estimado por MCO, es siempre nula

V o F o

Charles Wheelan nos habla, entre los Common Mistakes, del problema de las “small samples”

V o F o

“Reverse Causality” es también una de las cuestiones que analiza Charles Wheelan en su libro

V o F o

La eficiencia de un estimador insesgado implica la menor de las varianzas posibles

V o F o

La eficiencia implica varianza mínima de un estimador pero NO necesariamente varianza pequeña

V o F o

Indica la forma lineal del estimador

V o F o

La normalidad del estimador MCO es una hipótesis que se deriva de su conexión lineal con la perturbación aleatoria “U” y de la normalidad de ésta

V o F o

La insesgadez es, desde el punto de vista teórico, una propiedad que indica que la estimación probablemente será coincidente con el verdadero valor del parámetro a estimar

V o F o

La cota de Cramer Rao indica el valor de la varianza para el estimador eficiente de una familia de estimadores insesgados

V o F o

La eficiencia de MCO se garantiza en la medida en que

V o F o

Una matriz escalar de varianzas y covarianzas para la “U” es imprescindible para garantizar la consistencia del estimador MCO

V o F o

La CONSISTENCIA de los parámetros puede verificarse siempre con

V o F o

La varianza residual, a partir de la estimación MCO, es un estimador sesgado de la varianza de la perturbación aleatoria

Indique cuáles de los siguientes factores REDUCEN la varianza de los estimadores MCO:

V o F o

Una menor varianza de la perturbación aleatoria

V o F o

Mayores grados de libertad

V o F o

Menor relación entre las X’s y la Y

V o F o

Mayor varianza de las X’s

V o F o

Mayor correlación entre las X’s

V o F o

Menor error cuadrático

V o F o

El riesgo medio de pobreza estimado para un ocupado sin hijos es

V o F o

Tener hijos incrementa el riesgo medio de pobreza un 1.5% independientemente de si se está desempleado o no

V o F o

El desempleo siempre incrementa el riesgo medio de pobreza, pero más si se tienen hijos

V o F o

El riesgo medio de pobreza de un desempleado sin hijos es del 8%

V o F o

Si se tienen 2 hijos, el riesgo medio crece un 3%

V o F o

El riesgo medio de pobreza en situación de vulnerabilidad máxima es del 10%

V o F o

Cada habitación adicional en una casa incrementa (ceteris paribus) el precio medio de las viviendas en más de 4400 dólares.

V o F o

Cada milla adicional de distancia al centro reduce (ceteris paribus) el precio medio de las viviendas en más de 7500 dólares.

V o F o

Un incremento del 10% de la distancia al centro reduce (ceteris paribus) el precio medio de las viviendas en más de 750 dólares.

V o F o

Un incremento del 10% en la tasa de criminalidad reduce (ceteris paribus) el precio de las casas en más de 1000 dóalres

V o F o

En un área con un 10% más de población de bajo status socioeconómico, el precio medio de las casas es (ceteris paribus) unos 5.500 dólares inferior

V o F o

Si el precio de las casas sube, los impuestos a la propiedad disinuyen

V o F o

Una reducción del 1% de la contaminación, revaloriza el precio de las casas cerca de 155 $ (ceteris paribus)

Dependent Variable: PRICE

Method: Least Squares

Date: 05/29/17   Time: 23:38

Sample: 1 506

Included observations: 506

Variable

Coefficient

Std. Error

T-Statistic

Prob.  

C

54892.96

6137.058

8.944507

0.0000

ROOMS

4403.132

440.3000

¿?

¿?

CRIME

-111.0961

32.20548

-3.449601

0.0006

STRATIO

-907.4952

119.0024

-7.625854

0.0000

LOG(DIST)

-7559.106

812.4727

-9.303828

0.0000

LOWSTAT

-550.0000

50.00000

-11.59692

0.0000

LOG(NOX)

-15522.28

2361.918

-6.571899

0.0000

PROPTAX

-18.01662

20.94970

-0.859994

¿?

RADIAL

8.500000

5.500000

1.545453

0.1185

R-squared

¿?

    Mean dependent var

22511.51

Adjusted R-squared

0.720000

    S.D. Dependent var

9208.856

S.E. Of regression

4868.533

    Akaike info criterion

19.83660

Sum squared resid

1.18E+10

    Schwarz criterion

19.91178

Log likelihood

-5009.660

    Hannan-Quinn criter.

19.86608

F-statistic

163.7231

    Durbin-Watson stat

1.043227

Prob(F-statistic)

¿?

V o F o

El valor de la ratio “t” para ROOMS está en torno a “10”

V o F o

El límite inferior del intervalo de confianza al 95% para RADIAL es 19.5

V o F o

Si rechazamos H0: βRADIAL=0, el riesgo de error es del 11.85%

V o F o

Si rechazamos RADIAL en la regresión (como variable NO significativa), el riesgo de error es del 11.85%

V o F o

El valor del p-valor para ROOMS será seguro en torno a 0.0000

V o F o

Es seguro que PROPTAX no será una variable estadísticamente significativa

V o F o

El modelo está estimado con 498 grados de libertad

V o F o

El precio medio de las casas en la muestra está en torno a los 22.500 $

V o F o

El valor de la “t” para el contraste H0: βLOWSTAT=-500 es -1

V o F o

Considerando los valores estándar críticos para una F, es más que probable que el p-valúe  para la F que se ofrece en el output (163.72) esté muy cercano a “0.0000”.

En esta misma regresión, antes de introducir la variable LOWSTAT (población de bajo estatus) los parámetros para algunas variables eran:

V o F o

El parámetro de ROOMS estaba sesgado al alza lo que sugiere las variables ROOMS y LOWSTAT tienen una correlación negativa

V o F o

El parámetro de CRIME estaba sesgado hacia valores más negativos, lo que sugiere que las variables CRIME y LOWSTAT tienen una correlación negativa

V o F o

La ausencia de cambio notable en PROPTAX sugiere que probablemente LOWSAT no era relevante

V o F o

La ausencia de cambio notable en PROPTAX sugiere que probablemente no existía casi relación entre PROPTAX y LOWSAT

V o F o

El incremento en la varianza del parámetro de ROOMS (de 383.96 a 440.3) sugiere que la contribución de LOWSAT a la regresión no ha compensado el efecto de la colinealidad entre ambas variables

V o F o

La disminución en la varianza del parámetro de CRIME (de 35.6 a 32.2) sugiere que la contribución de LOWSAT ha compensado el efecto de la colinealidad entre ambas variables

Wald Test:

Equation: Untitled

Null Hypothesis:

C(1)=C(2)

F-Statistic

73.09688

Probability

0.000000

Chi-square

73.09688

Probability

0.000000

V o F o

Las elasticidades capital y trabajo son diferentes al 100% de confianza

V o F o

Las elasticidades capital y trabajo son iguales al 100% de confianza

V o F o

Las elasticidades capital y trabajo suman cero al 100% de confianza

V o F o

Las elasticidades capital y trabajo suman uno al 100% de confianza

V o F o

El error cuadrático medio es aproximadamente 4830

V o F o

Cometemos, aproximadamente un 18% de error en la previsión del precio de las casas

V o F o

Cometemos, aproximadamente error de 18 dólares en la previsión del precio mediode las casas

V o F o

Cometemos, de acuerdo con el Mean Absolute Error, aproximadamente, un error de unos 3.530 dólares

V o F o

Para las casas más caras, el modelo claramente subestima el precio

V o F o

El mayor error por subestimación se produce alrededor de la casa número 400

V o F o

El mayor error por sobreestimación se produce alrededor de la casa número 275

V o F o

Un 92% del error se debe a falta de ajuste en covarianza

V o F o

La suma cuadrática residual de un modelo siempre disminuye al añadir una variable adicional, por mala que esta sea

V o F o

La R2 no corregida siempre aumenta al añadir una variable adicional, por mala que esta sea

V o F o

Los puntos de error atípicos son los que exceden +/- 1.5 veces la Desviación típica del residuo

V o F o

El análisis gráfico de los residuos de un modelo TEMPORAL está condicionado por el orden en el que se dispongan los datos de la muestra utilizada.

V o F o

El porcentaje medio de error absoluto está expresado en las mismas unidades que la variable endógena y que el porcentaje medio de error absoluto

V o F o

El porcentaje medio de error absoluto no es conveniente cuando la endógena puede tomar valores muy cercanos a cero

V o F o

La R2 corregida de dos modelos sólo puede compararse si ambos modelos están estimados para la misma endógena

V o F o

Un comportamiento ondulante / sinusoidal del error en el gráfico de ajuste / errores es señal de un ajuste defectuoso

V o F o

Al comparar estimaciones alternativas, se prefiere en general aquella especificación con menores valores de AIC y BIC

V o F o

El componente de error en media de la U de Theil es normalmente cero en la estimación del MRBL con MCO con la muestra completa

V o F o

En un modelo en el que interese la sincronía de la realidad y la estimación, la componente de covarianza de la U de Theil es importante

V o F o

Manteniéndose todo igual, un MENOR nivel de error (residuo) del modelo genera un MENOR error de predicción

V o F o

Manteniéndose todo igual, un MAYOR tamaño de la muestra genera un MENOR error de predicción

V o F o

Manteniéndose todo igual, un MAYOR número de exógenas genera un MENOR error de predicción

V o F o

En algunas situaciones especiales, el error de predicción puntual podría ser menor que el promedio

V o F o

El cálculo del error de predicción considera explícitamente, entre otras cosas, el eventual error que cometamos dando valor a futuro a las exógenas

V o F o

Manteniéndose todo igual, la mayor distancia de los valores de las exógenas a futuro respecto a la media histórica genera una mayor varianza de predicción

V o F o

La diferencia básica entre predicción y simulación es la disponibilidad de valores ciertos, a futuro, para las variables exógenas