Econometría

1. Toda función, es variable aleatoria. FALSO
2. La mejor receta de regresión, es la que sus errores, suman cero. FALSO
3. El coeficiente de determinación indica, la variabilidad explicada por el modelo. VERDADERO
4. La econometría, es una disciplina que utiliza la economía para interpretar fenómenos estadísticos. FALSO
5. El análisis econometría descansa en el principio de la causa y efecto. Se miden los efectos que producen las causas. VERDADERO
6. En la regresión lineal simple, si R2=0,85. Entonces diremos que el efecto de X en Y es significativo. VERDADERO

Supuestos en la regresión lineal Múltiple.

1. El modelo es lineal entre los parámetros. VERDADERO
2. La heterocedasticidad, se da cuando los residuos tienen varianza constante. FALSO
3. La multicolinealidad, solamente se da entre variables explicativas. Cuando existe, no es posible medir el efecto individual de cada de ellas. VERDADERO
4. Los errores Eij, están correlacionados con los Xij. FALSO
5. Los residuos deben ser independientes y con distribución normal. VERDADERO
6. La variable Y es aleatoria y no necesariamente numérica. FALSO
7. En el análisis regresión lineal múltiple, la evaluación del modelo considera; la hipótesis H0: B1/=B2/=…/=Bp/=0. FALSO
8. En el análisis regresión lineal múltiple, la evaluación del modelo considera; exclusivamente: E=CMR/CME > t. FALSO
9. La heterocedasticidad, indica que los estimadores mínimos cuadrados no son eficientes. VERDADERO
10. El estadístico de Durbin y Watson, sirven para medir la independencia de los errores. FALSO

¿Cuál es la diferencia entre el R2 y R2 ajustado?

El R2 es el coeficiente de determinación que interpreta el ajuste del modelo y el R2 ajustado, mide a calidad del modelo, si es negativo es porque hay una variable colineal.

¿Qué implicancias tiene considerar el coeficiente de correlación lineal simple como una medida de la bondad de ajuste?

Si R es grande se puede lograr agregando variables al modelo indica además que la asociación entre las variables es fuerte, pero no indica que el modelo sea bueno.

¿Qué es la heterocedasticidad?

Cuando la varianza de las perturbaciones no es constante a lo largo de las observaciones. Esto implica el incumplimiento de una de las hipótesis básicas sobre las que se asienta el modelo de regresión lineal. De ella se deriva que los datos con los que se trabaja son heterogéneos, ya que provienen de distribuciones de probabilidad con distinta varianza. La situación más frecuente es en el análisis de datos de corte transversal, ya que los individuos o empresas o unidades económicas no suelen tener un comportamiento homogéneo.

• Basta que uno de los B sea 0, para que se rechace la hipótesis.
• Los errores deben tener distribución normal y varianza constante.
• Heterocedasticidad es mala para el modelo, mal ajuste, cada error tiene una varianza distinta.
• Homocedasticidad, los errores tienen varianza constante, lo que es bueno para el modelo.

Modelos.

1. Estocástico; incluye el error, no incluye determinante.
2. Variable endógena; dependientes.
3. Variable exógena; independientes.
4. Parámetro; Betas
5. Parámetros dispersión; sigma cuadrado
6. Si el R2 ajustado es negativo, el modelo esta mal planteado.
7. Colinealidad; 2 variables explican lo mismo.