Ejemplos de preguntas de examen

ECONOMETRÍA II
ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESA
SEPTIEMBRE DE 2008
Nombre ________________________________________ NIA__________
Máxima puntuación: 30. Las preguntas erróneas en el test restan 0,25 puntos
¡Buena suerte!
1. Se estima el modelo lineal y i  x i   z i   u i , donde z i es una variable irrelevante para
la explicación de los movimientos de y i .
2.
a)
El estimador MCO de  será sesgado.
b)
A la hora de contrastar la hipótesis nula H 0 :   0 se tendrá a no rechazarla también
cuando es falsa.
c)
A la hora de contrastar la hipótesis nula H 0 :   0 se tenderá a rechazarla también
cuando es cierta.
d)
Ninguna de las anteriores
Con
la
información
que
suministra
Eviews
al
estimar
el
modelo
Yi  1   2 X 2,i   3 X 3,i  ui por MCO, ¿cuál de las siguientes hipótesis nulas puede
contrastarse de forma correcta sin recurrir a las tablas de la distribución correspondiente?
a) 2=1
b) 2 =3=0
c) 2=0
d) b) y c) son ciertas.
3. En el modelo de precios hedónicos, estimamos una regresión del precio de la
vivienda (en logaritmos) en función de la superficie (en niveles) y D2007 que
toma el valor 1 si la vivienda fue tasada en 2007 y 0 si lo fue en 2006, y una
constante. Luego, añadimos la variable zona (en niveles) y observamos cómo el
signo de la variable superficie cambia:
ln PVIVi    SUPERFi  D2007i  ui
Entonces:
a) La interpretación del parámetro de la superficie es una elasticidad.
b) En la primera estimación hubo una omisión de variables relevantes.
c) Si quitamos la variable dicotómica que refleja el año 2007 entonces
recuperaríamos los resultados obtenidos antes de incluir la variable zona.
d) Todas las anteriores son ciertas.
4. ¿Qué tipo de información sobre la bondad del ajuste podemos extraer del
programa E-Views al estimar por máxima verosimilitud un modelo Logit en el que
hay tres variables explicativas (X, W,Z) aparte del término constante?
a)
b)
c)
d)
El coeficiente de la variable Z es igual a uno
Los coeficientes de las tres variables explicativas (X, W) son iguales a cero
El porcentaje de aciertos del modelo.
a) y c) son ciertas
6.
Consideremos la serie que se observa en el gráfico 2 así como el contraste
Dickey-Fuller que se observa en el cuadro 1. Señala la incorrecta:
a)
b)
c)
d)
7.
Se trata de una serie que se debe diferenciar
Se trata de un paseo aleatorio sin constante.
Se trata de una serie estacionaria
Ninguna de las anteriores.
En un modelo de series temporales...
a) En el contraste Dickey-Fuller, el valor del estadístico tipo t, se
compara con el valor en una distribución empírica para series no
estacionarias.
b) el contraste de Dickey-Fuller el valor crítico es independiente de si en
la especificación se incluye constante, constante y tendencia o
ninguna de las dos.
c) Se trata de especificar un modelo causal.
d) Ninguna de las anteriores.
8
En el modelo siguiente H i   0   1 Pi    2 j X ij  u it , donde el subíndice i hace
referencia a una hipoteca concreta, H es el importe demandado, P el plazo de la
misma y X un conjunto de variables sociodemográficas del demandante de hipoteca
(sexo, renta, número de hijos, edad...). Además, entendemos que se está
omitiendo la variable “tipo de interés” (y considerando el efecto lógico de un
aumento del tipo de interés sobre el importe de la hipoteca a pedir) :
a) Esperaríamos que el coeficiente de P fuera positivo
b) El modelo se debe estimar por variables instrumentales debido a
que la variable plazo nos provoca endogeneidad
c) La variable plazo se está estimado de forma insesgada ya que
esperamos que la variable “tipo de interés” no sea relevante.
d) a) y b) son ciertas.
9.
Si las perturbaciones aleatorias de un modelo no se corresponden con una
distribución normal, sino con una binomial (como las del gráfico 1)
a) Los estimadores MCO podrían ser inconsistentes
b) Podríamos ajustar una función de distribución por Máxima
Verosimilitud
c) El modelo es homocedástico.
d) Ninguna de las anteriores
10. Si en una regresión se incluye una variable irrelevante entonces. Señala la
incorrecta.
a) las desviaciones estándar de los estimadores son más altas que si el modelo
estuviera bien especificado
b) Se tiende a no rechazar la hipótesis nula de no significación individual
c) Tendremos un problema de consistencia pero no de insesgadez
d) ninguna de las anteriores
11. Si intentamos estimar la relación entre el log del salario (lnSAL) y el haber
tenido una beca para estudiar, y las becas fueran dadas de manera totalmente
aleatoria, el estimador de β en la siguiente ecuación sería
ln SALi    BECAi  ui
a.
b.
c.
d.
Eficiente
Consistente
El estimador de beta sería 0
Ninguna de las anteriores.
12. Considera el modelo SALi=1+2Educación+3Experiencia+ui, donde 3>0.
Además, sabemos que la muestra es de personas menores de 25 años. Si por error
especificamos el modelo SALi=1+2Educación+ui y lo estimamos por MCO
a)
b)
c)
d)
Infraestimamos 2
Sobrestimamos 2
La dirección del sesgo depende de  2
Ninguna de las anteriores.
13. En el siguiente modelo
Ct  Yt*  ut
Donde C es consumo, Y es la renta corriente (actual), y la renta “habitual” (o
normal) es Y* que se comporta de la siguiente manera
Yt*  (1   )Yt  Yt*1
a. Cuanto más cerca esté λ de 0 menor será la importancia de la renta
corriente (actual) en la renta “habitual”.
b. Cuanto más cerca esté λ de 1 mayor será la influencia de sorpresas
salariales (no habituales) en la renta “habitual” y, por tanto, en el consumo.
c. Cuanto más cerca esté λ de 0 mayor será la influencia de sorpresas
salariales (no habituales) de hoy sobre la renta “habitual” de hoy.
d. Ninguna de las anteriores.
14. En el modelo anterior el resultado de integrar el proceso de la renta habitual
con el proceso del consumo resulta en la siguiente ecuación estimable.
a.
Ct  Ct 1  Yt  ut  ut 1
b.
Ct  Ct 1   (1  )Yt  ut  ut 1
c.
Ct  Ct 1  (1   )Yt  ut  ut 1
d. Ninguna de las anteriores
15. Para obtener un estimador consistente en el modelo anterior hay que usar un
estimador de variables instrumentales debido a que
a. El consumo en el periodo t-1 está correlacionado con el consumo en t
b. El consumo en el periodo t-1 está correlacionado con la perturbación
aleatoria en t
c. El consumo en el periodo t-1 está correlacionado con la perturbación
aleatoria en t-1
d. Ninguna de las anteriores.
16. Para la estimación del modelo anterior podríamos usar como variables
instrumentales
a. Los retardos de la perturbación aleatoria.
b. El primer retardo del consumo y, si queremos, también los posteriores
c. El primer retardo de la renta y, si queremos, también los posteriores.
d. Ninguna de las anteriores.
17. Se ha estimado una regresión de las notas en un test de econometría (NOTA) y
la renta de la familia del estudiante (RENTA) obteniéndose el siguiente resultado
(entre paréntesis aparece la desviación estándar del parámetro correspondiente)
ln(NOTAi )  6.33(0.006)  0.055(0.0021) ln(RENTAi )
Esta regresión indica que
a. Un aumento en 1% de la renta de la familia del estudiante implica un
aumento de la nota en el test del 0,055%.
b. Un aumento de 1 punto en la renta incrementa en 0,055 puntos la nota del
test.
c. Un aumento de un punto porcentual aumenta en 5,5 puntos porcentuales el
resultado del test.
d. Ninguna de las anteriores.
18. Otro investigador usando los mismos datos, ha estimado el siguiente modelo
ln(NOTAi )  6.43(0.003)  0.0028(0.00018) RENTAi
a.
b.
c.
d.
Un aumento de 100 unidades en la renta incrementa la nota un 28%.
Un aumento de 100 unidades en la renta incrementa la nota en 28 puntos.
Un aumento de 100 unidades en la renta incrementa la nota un 0,0028%.
Ninguna de las anteriores.
19. Supongamos que en la regresión anterior de las notas sobre la renta hemos
olvidado incluir el número del DNI como variable adicional,
a. por tanto los estimadores por mínimos cuadrados serán sesgados.
b. por tanto necesitaremos un instrumento para resolver este problema incluso
si el estimador por mínimos cuadrados es insesgado
c. por tanto podremos utilizar el estimador por mínimos cuadrados pues no es
esperable que el número del DNI esté correlacionado con la renta
d. ninguna de las anteriores
20. Si eliminamos el supuesto de normalidad de las perturbaciones aleatorias
a.
b.
c.
d.
El estimador por mínimos cuadrados no será consistente
El estimador por variables instrumentales no será consistente
El estimador por mínimos cuadrados no será eficiente
Ninguna de las anteriores
21. La suma de los residuos es
a.
b.
c.
d.
siempre 0
0 si hay más de una variable explicativa
0 si hay constante en la especificación
Ninguna de las anteriores
22. “Se establece un modelo de variable dependiente cualitativa para estudiar 3475 personas
que se han interesado por un producto que comercializa una empresa. Los clientes potenciales
responden a un cuestionario donde se les pide su edad (X1), y otras preguntas que responden
con una escala de valoración de 1 a 5 (5 si les gusta mucho y 1 si no les gusta nada), la variable
X2 valora el envase, la variable X3 la relación calidad-precio, la variable X4 el diseño del
producto y, finalmente, la variable X5 valora el espacio que ocupa el producto. La variable
dependiente es dicotómica y indica si el cliente finalmente ha comprado el producto (valor igual
a 1) o no (valor igual a 0).” Si 300 clientes realmente compran el producto y el modelo predice
correctamente la decisión de 800 del total de clientes. El porcentaje de clasificación global
correcto del modelo es:
a)
b)
c)
d)
8,6%
23%
37,5%
Ninguna de las anteriores
23. Si la estimación del parámetro que acompaña la variable edad vale 0.05 y éste es un
parámetro significativo, entonces interpretamos que:
a) Los individuos mayores presentan una probabilidad esperada más grande de comprar el
producto.
b) Los individuos más jóvenes presentan una probabilidad esperada más grande de comprar el
producto
c) Si tomamos un cliente 5 años más grande que otro, la probabilidad de comprar del primero
será un 10% inferior a la del segundo.
d) Ninguna de las anteriores
24. En un modelo como el del ejercicio anterior, el método de estimación adecuado es:
a)
b)
c)
d)
Mínimos cuadrados ordinarios
Máxima verosimilitud
Variables instrumentales
ninguna de las anteriores
25. La estimación de un modelo utilizando el método de las variables instrumentales es
preferible al método de los mínimos cuadrados ordinarios si:
a) Hay errores de medida en las variables endógenas.
b) Los residuos no son normales.
c) Los regresores son estocásticos y están correlacionados con los errores
d) Ninguna de las anteriores
26. Supongamos que generamos un proceso que tiene la siguiente especificación
Yt  1  0,5 X t  ut
donde la variable aleatoria u no está correlacionada con X y tiene una esperanza igual a 0,2. Si
hacemos la regresión de la variable Y sobre la X a medida que aumentamos el tamaño muestral
es estimador del parámetro de X converge a
a) 1
b) 0,7
c) 0,5
d) ninguna de las anteriores
27. ¿Cuál es la predicción a muy largo plazo (cuando t tiende a infinito) del siguiente proceso
MA(1)?
Yt  0,8   t  0,7 t 1
a)
b)
c)
d)
0,8
0,7
1,5
0
28. ¿Y del siguiente proceso AR(1)?
Yt  1  0,2Yt 1   t
a)
b)
c)
d)
0,2
1
1,25
ninguna de las anteriores.
29. El motivo por el cual se podría utilizar la distancia al colegio cuando el individuo era joven
como instrumento en una regresión de salarios es que está correlacionada con los años de
educación pero no está correlacionada con la inteligencia de cada individuo. ¿En cuál de los
siguientes casos falla esta argumentación?
a)
b)
c)
d)
si los padres más ricos se mueven para estar cerca de los mejores colegios.
Si los padres pobres tienen coche.
Si la inteligencia se distribuye de manera totalmente aleatoriamente en el espacio.
Ninguna de las anteriores.
30. Un problema práctico en la estimación del modelo del valoración de activos
comentado en clase es que
a) es prácticamente imposible encontrar un activo sin riesgo
b) las rentabilidades utilizadas son ex ante (esperadas) y no las realizadas (ex
post)
c) las acciones tienen en la actualidad una volatilidad muy elevada
d) ninguna de las anteriores.
30. Cuando aumentamos el número de observaciones el contraste tipo t que divide
el valor estimado del parámetro por la estimación de la desviación estándar, tiende
a
a. una distribución normal
b. una distribución chi-cuadrado
c. una distribución F
d. Ninguna de las anteriores.
GRÁFICOS
Gráfico 1.
140
Series: RESID
Sample 1 2899
Observations 844
120
100
80
60
40
20
0
-1.00 -0.75 -0.50 -0.25 0.00
0.25
0.50
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
-9.67E-15
0.212668
0.852781
-0.982929
0.443667
-0.521688
1.835056
Jarque-Bera
Probability
86.00809
0.000000
0.75
Gráfico 2
60000
40000
20000
0
-20000
-40000
-60000
97 98 99 00 01 02 03 04 05 06 07 08 09
AFILIACIOD
CUADROS
Cuadro 1:
Null Hypothesis: AFILIACIOD has a unit root
Exogenous: Constant
Lag Length: 11 (Automatic based on SIC, MAXLAG=12)
Augmented Dickey-Fuller test statistic
Test critical values:
1% level
5% level
10% level
t-Statistic
Prob.*
-1.811390
-3.493129
-2.888932
-2.581453
0.3733