ECONOMETRA

1. Qu es Econometra?
La Econometra es la medicin de la economa. Hace referencia la aplicacin a la
aplicacin de la teora econmica para contrastar hiptesis y estimar y prever
fenmenos econmicos.
2. Cul es el inters principal de la Econometra?
La Econometra est interesada principalmente en la verificacin emprica de la teora
econmica.
3. Completar: La Econometra es una disciplina aparte porque es un conjunto
de

Teora econmica

Tcnicas estadsticas

Economa matemtica

Estadstica econmica

Estadstica matemtica

4. Cules son los 8 pasos de la metodologa de la Econometra?

Planteamiento de los objetivos (teora o de la hiptesis)

Especificacin del modelo matemtico

Especificacin del modelo economtrico de la teora.

Obtencin de datos.

Estimacin de los parmetros.

Prueba de hiptesis.

Pronstico o prediccin.

Utilizacin del modelo para fines de control.

5. Qu es un modelo?
Es una simplificacin de la realidad, recoge aspectos fundamentales del mismo que
tienen inters para los objetivos del investigador o analista.

6. Cul es la diferencia entre un modelo economtrico y un modelo matemtico?

En el modelo matemtico existe una relacin exacta o funcional deterministica entre la
variable dependiente y una o mas independiente. Mientras que en el modelo
economtrico se incluye el trmino de perturbacin o de error (u) que tiene propiedades
probabilsticas claramente definidas.
7. Ponga un ejemplo de modelo matemtico y uno de modelo economtrico.

Modelo Matemtico: Y = b1 + b2Y

Modelo Economtrico: Y = b1 + b2Y + u

8. Represente grficamente un modelo economtrico.

9. Es el modelo matemtico de importancia para el econometrista?

El modelo matemtico es de inters limitado para el econometrista, ya que supone una
relacin exacta entre las variables. Pero las relaciones entre variables econmicas
generalmente son inexactas.
10. Cules son los tipos de Econometra?

ECONOMETRA

TERICA
CLSICA

APLICADA
BAYESIANA

CLSICA

BAYESIANA

11. Qu es la Econometra Terica?

La econometra terica hace referencia a los mtodos de medicin de las relaciones
econmicas. En este aspecto, la econometra se apoya en gran medida en la estadstica
matemtica.
12. Qu es la Econometra Aplicada?
Analiza los problemas encontrados, utiliza herramientas de la econometra terica para
estudiar algunos campos especiales de la economa y los negocios, tales como: la
funcin de produccin, la funcin de inversin, las funciones de demanda y oferta, etc.
13. Qu es la regresin?
El anlisis de regresin trata la relacin casual entre una variable econmica (variable
dependiente), en una o ms variables; llamadas variables explicativas o independientes,
con el objetivo de estimar y predecir la media o valor promedio poblacional de la
dependiente en trminos de los valores conocidos o fijos de las explicativas.
14. Represente grficamente una regresin.

15. Explique cul es la diferencia entre relaciones estadsticas y relaciones

determinsticas.
Las relaciones determinsticas manejan variables que no son aleatorias o estocsticas, es
decir, para cada valor de la variable independiente hay un solo valor de la variable
dependiente. Mientras que las relaciones estadsticas manejan variables aleatorias o
estocsticas, esto es, variables que tienen distribuciones de probabilidad y, por lo tanto,
para cada valor de la variable independiente hay muchos valores de la variable
dependiente.
16. En econometra nos interesa estudiar las relaciones determinsticas y no las
probabilsticas.
Verdadero

Falso

Por qu?
En la economa ninguna relacin es exacta o determinstica. Generalmente todas las
variables tienen relaciones inexactas o probabilsticas.
17. Puede una relacin estadstica por s sola implicar una causalidad lgica?
No, porque una relacin estadstica, sin importar que tan fuerte y sugestiva sea, nunca
podr establecer una conexin casual. Para aducir causalidad se debe acudir a
consideraciones a priori o tericas.

18. Qu diferencia hay entre decir que la produccin depende de la lluvia y que la
lluvia depende de la produccin?
Necesitamos establecer cual es la variable dependiente y cual es la independiente. En
este caso la lluvia no puede ser dependiente de la produccin porque el sentido comn
nos sugiere que sea al contrario, es decir, que la produccin sea dependiente de la lluvia.
19. El anlisis de correlacin mide la fuerza o grado de asociacin lineal entre dos
variables.
Verdadero

Falso

20. Entre qu valores se encuentra el coeficiente correlacin y qu significa.

a) Entre 0 y 100
b) Entre 0 y 1
c) Entre -1 y 0
d) Entre -1 y 1
El -1 nos indica una relacin perfectamente inversa entre dos variables. Mientras 1 nos
indica una relacin perfectamente directa.
21. Cul es la diferencia fundamental entre correlacin y regresin?
En el anlisis de correlacin no existe una distincin entre la variable dependiente o
explicada e independiente o explicativa, en este caso ambas son aleatorias. Mientras
que en anlisis de regresin se supone que la variable dependiente es aleatoria y que la
variable independiente tiene valores fijos.
22. Qu significa el trmino estocstico? Qu es una variable estocstica?
Estocstico.- Sinnimo de aleatorio o probabilstico. Una variable de este tipo es
aquella que puede tomar cualquier conjunto de valores, positivos o negativos, con una
probabilidad dada.
23. Explique brevemente cada uno de los tipos de informacin.
Series de tiempo: Conjunto de observaciones sobre los valores que toma una
variable en diferentes momentos del tiempo. Ejemplo: El PIB.

Series de Corte Transversal: Consiste en datos de una o ms variables

recogidos en el mismo momento de tiempo. Ejemplo: Encuestas y censos.
Informacin Combinada o Panel de Datos: Se mezclan las series de tiempo y
series de corte transversal. Recogiendo datos del mismo panel de encuestados a
lo largo del tiempo.
24. Qu tipos de variables existen?
Cuantitativas: Pueden ser discretas y continuas.
Cualitativas: Conocidas como variables ficticias, (Dummy), dicotonicas o
categricas.
25. Indique 4 razones por las que se obtiene una mala informacin.
Lo que sucede en la economa es subjetivo.
Generalmente los datos cuantitativos son redondeados.
Sesgo de no respuestas en las encuestas.
Comparar los resultados obtenidos de las diferentes muestras
Falta de informacin.
Guardar informacin confidencial.
26. Qu son los valores observados o Yi?
Los valores de la variable dependiente se los conoce como valores observados Yi. Para
cada valor fijo de la variable independiente (X) hay muchos valores de la variable
dependiente (Y)
27. Qu son los valores estimados o medias condicionales?
Para todos los valores observados, de cada valor fijo de la variable independiente, se
obtiene un solo valor promedio el cual se lo conoce como valor estimado o media
condicional.

28. Cmo se obtienen los valores estimados o medias condicionales?

Para obtener estos valores estimados se utiliza la siguiente frmula de la esperanza
condicional:

E (Y/X) = Yi P (Y/X)
29. Qu es la Lnea de Regresin Poblacional?
Es el lugar geomtrico de las medias condicionales o esperanzas de la variable
dependiente para los valores fijos de las variables explicativas
30. La llamada Lnea de Regresin Poblacional puede tener la forma de
a) lnea recta
b) curva
c) ambas
31. Qu es la Funcin de Regresin Poblacional o FRP?
La FRP denota nicamente que la media poblacional de la distribucin de Y dado Xi
est relacionada funcionalmente con Xi. En otras palabras, nos dice cmo la media de Y
vara con X.
32. Cmo se representa linealmente a la FRP?
E (Y/Xi) = b1 + b2Xi
33. Qu son b1 y b2?
Son parmetros no conocidos pero fijos y se los conoce como coeficientes de regresin.
A b1 y b2 se los conoce tambin como el intercepto y el coeficiente de la pendiente,
respectivamente.
34. Qu se entiende como regresin lineal?
Se entiende como regresin lineal cuando los parmetros (betas) estn elevados a la
potencia uno.
35. Indique cuales de las siguientes regresiones son lineales

E(Y/X) = b1 + b22X

E(Y/X) = b1 + b2X2 +b3X

E(Y/X) = b1 + 1/b2X

E(Y/X) = b1 + b2X

36. Cules son los dos objetivos principales de la Econometra?

Los dos objetivos principales de la Econometra son estimar y predecir.
37. Qu significa la perturbacin estocstica o trmino de error estocstico?
La perturbacin estocstica se la conoce tambin como ui, es un sustituto para todas
aquellas variables que se omiten del modelo pero que, colectivamente afectan a Y

38. Cmo se interpreta ui = Yi - E( Y/Xi )?

Nos indica que la perturbacin estocstica es la diferencia entre el valor observado Yi y
el valor esperado E( Y/Xi ).
39. Cmo se interpreta Yi = E( Y/Xi ) + ui?
E( Y/Xi ) es la media de Y dado X o la media condicional, a este componente se le
conoce como determinstico o sistemtico. ui es el componente aleatorio o no
sistemtico. Entonces, Un valor observado es la suma del componente sistemtico y del
componente no sistemtico.
40. Qu es la Funcin de Regresin Estocstica FRE y cmo se representa?
La FRE es igual a la FRP pero incluido el trmino estocstico o de error.
Yi = b1 + b2Xi + ui
41. Qu significa E( ui/Xi ) = 0?
Es un supuesto de que la lnea de regresin pasa a travs de las medias condicionales de
Y, e implica que los valores de la media condicional de ui (condicionadas al valor dado
de X) son iguales a cero.
42. Qu representa ui?
Ui es el margen de error, es un sustituto para todas las variables omitidas en el modelo
pero que, colectivamente, afectan a Y.
43. Por qu se necesita ui?

Por vaguedad en la teora.

Por no disponibilidad de informacin.

Por las decisiones humanas que son subjetivas.

Por dependencia de variables perifricas o secundarias.

Por el uso de variables prximas inadecuadas porque no dispongo de la variable

especfica.

Exclusin de variables relevantes en el modelo.

Forma funcional incorrecta en el modelo.

44. Siempre se puede usar la Funcin de Regresin Poblacional.

Verdadero

Falso

Por qu?
Porque no siempre se tiene todos los datos de la poblacin.
45. Qu se hace para sustituir a la FRP?
Necesitamos una muestra de la poblacin para encontrar estimadores que nos ayuden a
determinar las caractersticas poblacionales.
46. Qu es la Funcin de Regresin Muestral o FRM?
Las lneas que se forman con cada muestra se llaman lneas de regresin muestral y son
solamente una aproximacin a la verdadera lnea de regresin poblacional. Por lo tanto,
la FRM es un estimador de la FRP.
47. Cmo se representa la FRM?
Yi* = b1* + b2*Xi
Nota: * quiere decir estimado.
48. Cmo se representa la FRM en su forma estocstica?
Yi = b1* + b2*Xi + ui*
49. Cul es el objetivo en el anlisis de regresin?
El objetivo es estimar Yi = b1 + b2Xi + ui (FRP) en base a Yi = b1* + b2*Xi + ui*
(FRM).
50. Cmo se representa un valor observado en trminos de la FRP y de la FRM?

En trminos de FRM : Yi = Yi* + ui*

En trminos de FRP: Yi = E( Y/Xi ) + ui

51. Represente grficamente la lnea de regresin muestral y la lnea de regresin

poblacional con sus respectivas perturbaciones estocsticas.

52. Qu se utiliza para calcular la FRM?

Utilizamos el llamado Mtodo de Mnimos Cuadrados Ordinarios o MCO.
53. En qu consiste el MCO?
Consiste en trazar una lnea que tenga a los valores observados y a los valores esperados
con la mnima distancia posible.
54. Cul es el objetivo final del MCO?
El objetivo final de este mtodo es encontrar los betas estimados que permitan estimar
con la mayor precisin posible a los betas poblacionales.
55. Cmo se deberan interpretar los betas en una funcin Y* = b1*+ b2*Xi?
b1*: Es el intercepto con la ordenada y determina cuanto es Y cuando X=0.
b2*: Es el coeficiente de la pendiente y determina en cuanto aumenta Y cuando
X aumenta en una unidad.

56. Cules son los supuestos detrs del MCO?

Los betas deben estar elevados a la potencia uno para que el modelo de regresin
sea lineal.
La variable dependiente es aleatoria, mientras la variable independiente es fija.
E( ui/Xi ) = 0, quiere decir que los valores positivos de ui se cancelan con los
valores negativos de ui.
Homocedasticidad o igual varianza de ui: Para cada valor de X hay muchos
valores de Y, los mismos que forman una distribucin normal con media cero y
las varianzas de todas las distribuciones normales son iguales.
No autocorrelacin entre las perturbaciones: COV( uiuj/XiXj ) = 0, es decir,
cada perturbacin estocstica es independiente o aleatoria.
COV( ui, Xi ) = 0, es decir, las perturbaciones estocsticas no dependen de X.
El nmero de observaciones (n) debe ser mayor al nmero de parmetros betas.
Los Xi no deben ser iguales ni tampoco muy cercanos porque no se pudiera
modelar la lnea de regresin.
El modelo debe estar sustentado bajo un esquema terico correcto, es decir, que
las variables dependientes e independientes estn bien especificadas.
No hay multicolinealidad perfecta: No hay relaciones perfectamente lineales
entre las variables explicativas o independientes.
57. Qu es la varianza homocedstica y cmo se la calcula? Representar
grficamente.
Para cada valor de X hay muchos valores de Y, los mismos que forman una distribucin
normal con media cero y las varianzas de todas las distribuciones normales son iguales.
A esta varianza comn se la conoce como varianza homocedstica.
2 = ui2 / n-2
Nota: Es n-2 porque estamos estimando dos parmetros.

58. Qu es el error estndar del valor estimado y cmo se lo calcula?

Es la desviacin estndar de los valores Y alrededor de la lnea de regresin estimada, la
cual se utiliza frecuentemente como una medida resumen de la bondad de ajuste de
dicha lnea.
Para su clculo simplemente se saca la raz cuadrada de la varianza homocedstica.
59. Para qu se utiliza la varianza homocedstica?
La varianza homocedastica se utiliza para calcular los errores estndar de los betas
estimados.
60. Qu nos indican los errores estndar de los betas estimados y para qu sirven?
Nos indican la variabilidad de cada uno de los betas estimados. Sirven para calcular el
valor t y, para realizar las pruebas de hiptesis que nos ayudaran a determinar si los
betas estimados son significativos o no.
61. Cmo se calcula el valor t de cada beta estimado?
t=

b*i
ee b*i

62. Qu significa que en una prueba de hiptesis encontremos que algn beta
estimado es igual a 0?

Quiere decir que el beta estimado no es significativo y, por lo tanto, que la variable que
acompaa a aquel beta no es explicativa dentro del modelo.
63. Si en una prueba de hiptesis, para determinar si el beta estimado es
significativo o no, encontramos que el valor t cay dentro de la regin de rechazo
a) el beta estimado no es significativo
b) el beta estimado es significativo
c) ninguna de las anteriores
64. Para qu se construye un intervalo de confianza?
Para conocer entre que valores se encuentra el verdadero valor del beta estimado.
65. Si el valor 0 es parte del intervalo del beta estimado quiere decir que dicho beta
no es significativo.
Verdadero

Falso

66. Qu significa MELI?

a) Mayor Estimacin Lineal
b) Mejor Estimador Lineal Insesgado
c) Menor Error Lineal
d) Ninguna de las anteriores
67. Cules son las caractersticas de un estimador MELI?
Es lineal, es decir, funcin lineal de una variable aleatoria.
Es insesgado, es decir, su valor esperado E(b*2) es igual al verdadero valor
poblacional b2.
Es eficiente, es decir, un estimador insesgado con varianza mnima
68. Qu es la bondad de ajuste y cmo se la determina?
La bondad de ajuste de la lnea de regresin ajustada a un conjunto de datos, es decir,
nos indica que tan bien se ajusta la lnea de regresin a los datos. Para su clculo se
utiliza el coeficiente de determinacin R2.

69. Cmo se interpreta el coeficiente de determinacin?

El coeficiente de determinacin es una medida resumen que nos dice que tan bien se
ajusta la lnea regresin muestral a los datos
70. Para calcular el coeficiente de correlacin podemos sacar la raz cuadrada del
coeficiente de determinacin.
Verdadero

Falso

71. Represente grficamente la variacin total, la variacin debido al residuo y la

variacin debido a la regresin.

72. Qu es un modelo de regresin simple? Ponga un ejemplo.

Un modelo de regresin simple es cuando tenemos una variable dependiente y una sola
variable independiente. Ejemplo: cantidad demandada Y depende del precioX.
Yi = b*0 + b*1Xi + u*i
73. Cules son los inconvenientes de un modelo de regresin simple?
El modelo nos permite determinar las variaciones de una variable por la conducta de
otra. Sin embargo, en economa la variacin de una variable no puede explicarse por un
solo factor sino por el comportamiento de varios factores.
74. En un modelo de regresin simple en donde el consumo familiar Y depende del
ingreso familiar X, tenemos la siguiente regresin:
Y*i = 24.45 + 0.51Xi

R2 = 0.96

R = 0.98

2 = 42.16

eeb*1 = 6.41

eeb*2 = 0.04

Interpretar:
El ingreso familiar explica en un 96% al consumo familiar.
Ambas variables tienen un coeficiente de correlacin 0,98. Lo cual indica una
relacin casi perfectamente directa.
La varianza homocedstica es 42,16.
El error estndar del b*1 es 6,41. Y el error estndar del b*2 es 0,04.
Independientemente del ingreso el consumo es de 24,45 unidades monetarias.
Cuando el ingreso aumenta en una unidad monetaria el consumo aumenta en
0,51 unidades monetarias.
75. Qu es un modelo de regresin mltiple? Ponga un ejemplo.
Un modelo de regresin mltiple es cuando tenemos una variable dependiente y varias
variables independientes. Ejemplo: La cantidad demandada de un producto Y depende
de el precio del producto P y del gasto en publicidad G.

Yi = b*1 + b*2Pi + b*3Gi + u*i

76. Un modelo de regresin mltiple puede ser fcilmente graficado como un
modelo de regresin simple.
Verdadero

Falso

77. En un modelo de regresin mltiple, cuando se incluyen nuevas variables

explicativas el coeficiente de determinacin R2 aumenta o como mnimo permanece
inalterado si las nuevas variables no contribuyesen en nada a la explicacin de la
variable Y.
Verdadero

Falso

78. Qu se utiliza para comparar la bondad del ajuste de modelos con diferentes
nmeros de variables explicativas?
Se utiliza el coeficiente de determinacin ajustado o R 2 ajustado.
79. Cmo se calcula el R2 ajustado?
R2 ajustado = 1 ( n- 1 )
(nk1)

x ( 1 R2 )

80. Mientras ms alto es el R2 ajustado comparado con el R2 ajustado del modelo

anterior que tena menos variables explicativas es mejor porque las nuevas
variables estn aportando al modelo.
Verdadero

Falso

81. Los coeficientes de determinacin son un test o solo son una medida
descriptiva?
No son un test propiamente dicho. Son medidas que ayudan a describir los modelos.
82. Cul es la diferencia entre el coeficiente de determinacin y el coeficiente de
determinacin ajustado?
Cuando se incluyen nuevas variables explicativas al modelo de regresin mltiple, el
coeficiente de determinacin ajustado reacciona aumentando si la nueva variable ayuda
a explicar a Y, y reacciona reducindose si la nueva variable no explica a Y. Mientras
que el coeficiente de determinacin solo aumenta y cuando una nueva variable no
aporta al modelo este permanece inalterado.
83. Qu prueba estadstica nos puede ayudar a determinar si el modelo es
significativo o no en su conjunto?
Existe un estadstico basado en el anlisis de varianza conocido como prueba F que nos
puede ayudar a verificar si el modelo es significativo o no en su conjunto.
84. Cmo se plantearan la hiptesis nula y la hiptesis alternativa para realizar
el estadstico F?
H0: b2 = b3 = = bi = 0
H1: No cumple H0

85. Si el valor F obtenido cae dentro de la zona de aceptacin se verifica que el

modelo es significativo en su conjunto
Verdadero

Falso

86. Qu implica que todos los coeficientes de regresin del modelo son iguales a
cero?
Implica que, en conjunto, las variables no son explicativas de la variacin de la variable
dependiente, y por lo tanto, el modelo no es significativo.

87. Estn relacionados la prueba F con el coeficiente de determinacin R 2?

Existe una relacin estrecha entre el coeficiente de determinacin R 2 y la prueba F
utilizada en el anlisis de varianza. Demostrado en la siguiente ecuacin:
F=

R2 / (K 1)
(1 R2) / (n K)

As la prueba F nos mide la significancia global de la regresin estimada, es tambin

una prueba de significancia de R2 en otras palabras, la prueba de la hiptesis nula ( Ho:
2 = 3n = = k = 0) es equivalente a probar la hiptesis nula de que el R2
poblacional es cero.
88. Cul es la frmula que indica una relacin entre F y R2?
F=

R2 / ( K 1 )
( 1 R2 ) / ( n K )

89. Qu indica la frmula que relaciona F y R2?

La formula muestra la forma como F y R2 estn relacionados , estos dos varan en
relacin directa . cuando R2 = 0, F es cero ipso facto. Cuanto mayor sea el R2, mayor
ser el valor de F. en el limite, cuando R2 = 1, F es infinito.
90. Qu supone aceptar un modelo con la prueba F y que el coeficiente de
determinacin sea bajo? Qu se puede hacer en este caso?
Si aceptamos el modelo esperaramos que R2 y por lo tanto F sean elevados siendo
todas las variables independientes conjuntamente explicativas y que el modelo en su
conjunto es significativo, pero al ser el coeficiente de determinacin bajo nos indicara
que no todas las variables estn siendo explicativas, lo que se podra hacer es aumentar
alguna variable que sea mas explicativa.
91. Qu se utiliza cuando las variables independientes vienen dadas en unidades
diferentes?
Se utilizan los coeficientes betas

92. En qu consisten los coeficientes betas?

Son estimadores ptimos lineales insesgados. Consiste en transformar todos los valores
de las variables a valores de desviacin estndar (unidades z) tipificados.
93. Si obtengo los coeficientes de regresin con los valores tipificados en unidades
de desviacin estndar obtengo los coeficientes betas.
Verdadero

Falso

94. Cmo miden las variaciones en Y los betas normales y los coeficientes betas?
Los betas normales miden el cambio en Y producido por el cambio unitario en cada
variable explicativa, manteniendo el resto de las variables constantes. Los coeficientes
betas expresan el cambio en Y medido en unidades de desviacin estndar, cuando una
variable independiente cambia en una unidad de desviacin estndar.
95. Qu es la tendencia?
Cuando dos variables presentan un comportamiento tendencial conjunto. Al realizar la
regresin de uno respecto a la otra pueden, errneamente, inducirnos a pensar que son
variable causa y variable efecto.
96. Cmo se elimina el problema de la tendencia?
La eliminacin de la tendencia consiste en introducir en la regresin original el tiempo
como una variable explicativa. Con lo cual su coeficiente de regresin recoge su efecto
tendencial.
97. Cada valor estimado tiene una distribucin normal, y por lo tanto, cada valor
tiene un intervalo en donde se encuentra su verdadero valor
Verdadero

Falso

98. Qu significa que el intervalo donde se encuentra el verdadero valor del Y

estimado sea pequeo?
Significa que el error estndar es muy pequeo , lo que indica la precisin del valor
estimado frente al verdadero valor poblacional.

99. De qu depende el tamao de un intervalo?

El tamao de un intervalo depende del error estndar del estimador. Es decir, entre mas
grande sea el error estndar, mas amplio ser el intervalo de confianza o de otra forma,

entre mas grande sea el error estndar del estimador, mayor ser la incertidumbre de
estimar el verdadero valor del parmetro desconocido.
100. Qu indica el coeficiente de correlacin parcial (r)?
El coeficiente de correlacin parcial mide la correlacin neta entre la variable
dependiente y una variable independiente tras excluir la influencia comn (es decir,
manteniendo constantes) las dems variables independientes del modelo.
101. Para qu sirve el coeficiente de correlacin parcial?
El coeficiente de correlacin parcial sirven para el anlisis de regresin mltiple para
determinar la importancia relativa de cada variable explicativa en el modelo. La variable
independiente con el mayor coeficiente de correlacin parcial respecto a la variable
dependiente es la que mas contribuye al poder explicativo del modelo y es la que
primero se introduce en un anlisis de regresin mltiple por pasos.
102. Qu significa decir que rYX1.X2?
Es la correlacin parcial entre Y y X1, tras eliminar la influencia de X2 tanto de Y como
de X1
103. Qu significa decir que rYX1.X2 = 0?
Quiere decir que Y y X1 no estn relacionados una vez eliminado el efecto de X2. Se
dira que X1 no tiene efecto directo sobre Y.
104. Qu produce la omisin de variables relevantes?
La omisin de variables relevantes va a producir un sesgo en los estimadores osea que
la media de la media no es igual a la media de la poblacin, y la distribucin puede ser
cualquiera.
105. Qu produce la inclusin de variables irrelevantes?
La inclusin de variables irrelevantes va hacer que me aumente la varianza y se me haga
mas dispersa la distribucin e ineficiente.
106. El error tipo uno significa
a) Probabilidad de decir que X no es significativo cuando en realidad s lo es.

b) Probabilidad de decir que X s es significativo cuando en realidad no lo es.

107. En un modelo de regresin mltiple en donde las ventas V dependen del
precio P y del gasto en publicidad G, tenemos el siguiente anlisis:
Variable
Intercepto
Precio
Publicidad

Coeficiente
10291.411
-90.071817
30.433222

Error tpico
457.41946
5.4432755
4.1849328

Estadstico t
22.498848
-16.547356
4.1849328

Probabilidad
0.000
0.000
0.001

R2 = 0.95
R2 ajustado = 0.94
2 = 217.68
F = 171.48
Interpretar:
La regresin sera: V* = 10291.41 90.07P + 30.43G
Las ventas independientemente del precio y de la publicidad son de 10291.41
unidades.
Cuando el precio aumenta en una unidad las ventas disminuyen en 90.07
unidades, mantenindose constante la publicidad.
Cuando la publicidad aumenta en una unidad las ventas aumentan en 30.43
unidades, mantenindose constante el precio.
El precio tiene mayor peso que la publicidad sobre las ventas.
El precio y la publicidad explican en un 95% a las ventas.
El coeficiente de determinacin ajustado es de 0.94, el cual no puede ser
interpretado en este momento porque no hay un anterior coeficiente de
determinacin ajustado para compararlo.
Loa varianza homocedstica es de 217.68.
El valor de F es un valor bastante alto lo que indica que el modelo en su
conjunto s es significativo.
Los estadsticos t para cada coeficiente son altos y por esta razn la probabilidad
de error en cada uno es 0%. Por lo tanto, el b0, b1 y b2 son significativos.
108. Al estudiar la regresin, esta puede ser una lnea recta como una curva.
Verdadero

Falso

109. Cmo se convierte una forma funcional tipo curva en una lnea recta?

Es posible transformar algunas funciones no lineales en funciones lineales, de forma

que se pueda seguir aplicando el mtodo de MCO, algunas de las mas formas mas
comunes de para transformar son: Doble logaritmo, semi logaritmo, reciproca, y
polinomica.
110. Se puede utilizar MCO en una forma funcional tipo curva?
No se puede utilizar MCO si la regresin no es lineal.
111. Cmo se interpreta una regresin con logaritmos?
Una regresin con logaritmos de interpreta en porcentajes.
112. Cuntos tipos de modelos con logaritmos existen? Explique cada uno y ponga
un ejemplo.
Modelo doble Logaritmo o doble Log : Cuando se incluye logaritmos en la variable
dependiente y en las variables independientes. Una de las ventajas de la forma doble
Log es que los parmetros de la pendiente representan elasticidades.
Ejemplo: LNY = LNb0 + b1LNX + LN e u
Modelo Semi logartmico o semi Log: Cuando se incluyen logaritmos en solo una
parte del modelo. Resulta adecuada cuando la variable dependiente crece a una tasa
aproximadamente constante a lo largo del tiempo, como en el caso de la mano de
obra o la poblacin.
Ejemplo: LNY = b0 + b1X + u
113. Indicar una funcin recproca y cmo se la convierte en lineal.
Y = b0 +( b1/X) + u
En donde Z = 1/X
Y = b0 + b1Z + u
114. Indicar una funcin polinomial y cmo se la convierte en lineal.
Y = b0 + b1X + b2X2 + u
En donde W = X2
Y = b0 + b1X + b2W + u
115. En un modelo economtrico donde Q = bo Pb1 Yb2 eu siendo Q la cantidad
demandada, P el precio y Y el ingreso; se utiliza logaritmos para obtener:

LNQ = LNb0 + b1LNP + b2LNY + u

Qu nos indica el modelo que utiliza logaritmos?
El b1 nos indica la elasticidad-precio de la demanda o en que porcentaje vara la
cantidad demandada cuando el precio aumenta en 1%.
El b2 nos indica la elasticidad-ingreso de la demanda o en qu porcentaje vara
la cantidad demandada cuando el ingreso aumenta en 1%.
116. El intercepto es de mucho inters en un modelo doble Log porque nos indica
el porcentaje de Y independientemente de las variables explicativas.
Verdadero

Falso

117. En la regresin LNY = 1.96 0.26LNP + 0.39LNY siendo Y la cantidad

demandada, P el precio y Y el ingreso; indique la elasticidad-precio y la
elasticidad-ingreso. Interprete cada una.
Elasticidad-precio = -0.26 y quiere decir que cuando el precio aumenta en 1% la
cantidad demandada disminuye en 0.26%.
Elasticidad-ingreso = 0.39 y quiere decir que cuando el ingreso aumenta en 1%
la cantidad demandada aumenta en 0.39%.
118. En un modelo economtrico de Cobb-Douglas donde Q = bo Lb1 Kb2 eu siendo
Q la cantidad producida, L el factor trabajo y K el factor capital; se utiliza
logaritmos para obtener:
LNQ = LNb0 + b1LNL + b2LNK + u
Qu nos indica el modelo que utiliza logaritmos?
Este modelo de doble Log nos indica las elasticidades dentro del modelo
El coeficiente estimado b1 se refiere a la elasticidad produccin del factor trabajo
El coeficiente estimado b2 se refiere a la elasticidad produccin del factor capital.
119. En la regresin LNQ = -23.33 + 1.43LNL + 3.05LNK siendo Q la cantidad
producida, L el factor trabajo y K el factor capital; indique la participacin del
factor trabajo y del factor capital dentro de la produccin. Interprete cada una.

El coeficiente estimado 1.43 se refiere a la elasticidad produccin del trabajo, osea

cuando el trabajo aumenta en 1% la produccin aumenta en 1.43 %
El coeficiente estimado 3.05 se refiere a la elasticidad produccin del capital, cuando el
capital aumenta en 1% la produccin aumenta en 3.05%.

120. Se puede utilizar variables cualitativas en una regresin y cmo se puede

hacerlo?
Si se pueden introducir variables explicativas cualitativas en el anlisis de regresin ,
asignando el valor 1 a una clasificacin por ejemplo, tiempos de guerra y 0 a la otra por
ejemplo, tiempos de paz, estas variables tambin se conocen como variables dummy y
se utilizan como cualquier otra variable.
121. Para qu se utilizan variables ficticias?
Las variables dummy se pueden utilizar para capturar cambios (desplazamientos) en el
punto de corte con el eje de las Y (ecuacin 1), cambios en la pendiente (ecuacin 2) y
cambios tanto en el punto de corte como en la pendiente (ecuacin 3):
Ecuacin 1:

Y= bo + b1X + b2D + u

Ecuacin 2:

Y= bo + b1X + b2XD + u

Ecuacin 3:

Y= bo + b1X + b2D + b3XD + u

Donde D es 1 para una clasificacin y 0 en caso contrario, y X la variable habitual.

Las variables dummy tambin se pueden utilizar para capturar las diferencias entre ms
de dos clasificaciones, como entre distintas estaciones del ao y regiones.
122. Si la variable explicativa cualitativa D no es significativa quiere decir que las
clasificaciones que D puede tomar no influyen en el modelo.
Verdadero

Falso

123. Un modelo Y = b0 + b1X + b2D + u donde D=1 afecta

a) la pendiente
b) el intercepto
c) la pendiente y el intercepto

124. Un modelo Y = b0 + b1X + b2XD + u donde D=1 afecta

a) la pendiente
b) el intercepto
c) la pendiente y el intercepto
125. Cmo debe ser el modelo para que D=1 afecte tanto a la pendiente como al
intercepto?
Y = b0 + b1X + b2D + b3XD + u
126. La caracterstica cualitativa ms importante debe tomar el valor 1 y la otra de
menor importancia debe tomar el valor de 0.
Verdadero

Falso

127. Cuando D toma el valor de 0, el modelo es de estado

a) importante
b) natural
c) normal
d) ninguna de las anteriores
128. Una variable dependiente en el ao presente puede depender de la variable
explicativa del ao presente y tambin de la misma variable explicativa en el ao
anterior.
Verdadero

Falso

129. Cules son dos dificultades para estimar un modelo de rezago distribuido?
Los datos de una observacin o perodo de tiempo se pierden por cada valor
rezagado de X.
Es probable que las X estn relacionadas entre si, por lo que puede resultar
difcil o imposible aislar el efecto de cada X sobre Y.
130. Cmo se pueden superar las dificultades de un modelo de rezago
distribuido?
Mediante dos modelos: el modelo de rezago de Koyck y el modelo de rezago de Almon.
131. En qu consiste el modelo de rezago de Koyck?

El modelo de Koyck consiste en determinar , el mismo que recoge el efecto de la

variable dependiente del ao pasado sobre la variable dependiente del ao presente.
132. Una vez determinado en el modelo de Koyck es posible determinar tambin
a que es el nuevo intercepto.
Verdadero

Falso

133. puede tomar valores entre

a)

-1 a 1

b)

-1 a 0

c)

0 a 100

d)

0a1

134. En qu consiste el modelo de rezago de Almon?

Este modelo consiste en permitir una estructura de rezagos ms flexible que se puede
aproximar empricamente mediante un polinomio de, al menos, un grado ms que el
nmero de puntos de inflexin de la funcin.
135. A qu se refiere la prediccin?
La prediccin se refiere a la estimacin del valor de la variable dependiente,Yf, dado el
valor real o proyectado de la variable independiente, Xf.
136. Con motivo de predecir, se puede escoger cualquier valor de la variable
independiente sin importar cual sea.
Verdadero

Falso

137. Qu valores de la variable independiente se pueden escoger para predecir?

Se pueden escoger todos aquellos valores que se encuentren dentro del intervalo de la
variable independiente y tambin valores cercanos al intervalo.
138. Explique 4 razones por las que se presentan problemas en la prediccin.
1) La naturaleza aleatoria del trmino de error.
2) Los parmetros estimados insesgados solo son iguales a la media del autentico
valor de los parmetros.
3) Los errores al proyectar las variables independientes.

4) La incorrecta especificacin del modelo.

139. Cules son los 3 problemas ms comunes en el anlisis de regresin?
Multicolinealidad.
Heterocedastidad.
Autocorrelacin.
140. Qu es la multicolinealidad?
La multicolinealidad hace referencia al caso en el que dos a ms variables explicativas
del modelo estn altamente correlacionadas entre si, lo que hace difcil o imposible
aislar sus efectos individuales sobre la variable dependiente.
141. Qu produce la multicolinealidad?
Los coeficientes estimados obtenidos con MCO pueden ser estadsticamente
insignificantes ( y an tener el signo cambiado ) aunque R 2 sea alto y el F sea
significativo.
142. Qu es multicolinealidad perfecta?
Dos o ms variables independientes son perfectamente colineales si una o ms de las
variables pueden expresarse como una combinacin lineal de la otra variable.
143. Cuando hay problema de multicolinealidad las desviaciones estndar
a) crecen
b) decrecen
c) permanecen iguales
d) ninguna de las anteriores
144. Todas las variables econmicas estn relacionadas unas con otras. El
problema de la multicolinealidad aparece cuando las relaciones son muy altas, por
eso solo se aspira a una relacin baja.
Verdadero

Falso

145. Cmo se detecta la multicolinealidad?

El caso clsico de la multicolinealidad sucede cuando ninguna de las variables
explicatorias en la regresin de MCO es estadsticamente significativa ( y algunas
pueden tener el signo contrario ), aunque R2 puede ser alto ( por ejemplo, entre 0.7 y

1.0 ). En los casos menos definidos, la deteccin de multicolienealidad puede ser ms

difcil. Los elevados coeficientes de correlacin simples, o parciales, entre las variables
explicatorios, se usan a veces como una medida de multicolinealidad suficiente aun si
los coeficientes de correlacin simples o parciales son relativamente bajos, es decir
menores a 0.5.
146. Cmo se puede solucionar la multicolinealidad?
Ampliando el tamao de la muestra de datos.
Utilizando informacin a priori ( es decir, es posible que conozcamos, de un
estudio anterior ).
Transformar la relacin funcional
Omitiendo una de las variables altamente colineales, sin embargo, esto puede
llevar a sesgo de especificacin o error si la teora nos dice que la variable
omitida debe ser incluida en el modelo.
147. Qu es la heterocedasticidad?
La heterocedasticidad se refiere al caso en el cual la varianza del termino error no es
constante para todos los valores de la variable independiente

148. Qu produce la heterocedasticidad?

La heterocedasticidad produce estimaciones sesgadas e ineficientes, es decir, con
varianza mayor que la mnima, de los errores estndar y as pruebas estadsticas
incorrectas e intervalos de confianza tambin incorrectos.
149. El hecho de que cuando hay pocos empleados los salarios no varan mucho,
mientras que cuando hay muchos empleados los salarios tienen grandes
variaciones; es un probable caso de heterocedasticidad.
Verdadero

Falso

150. Cmo se detecta la heterocedasticidad?

La presencia de heterocedasticidad se puede detectar mediante la prueba de GoldfieldQuandt y es ms apropiada para muestras grandes.

151. En qu consiste la prueba de Goldfield-Quand?

Ordenar los datos segn valores crecientes de la variable independiente X,
empleando aquella que se cree est generando heterocedasticidad.
Dividir los datos en dos partes segn la regla del 1/5.
Realizar dos regresiones, una para la primera parte de los datos, y otra para la
segunda parte de los datos.
Obtener la suma de errores al cuadrado de cada regresin.
Probar si la relacin de suma de errores al cuadrado de la segunda a la primera
es significativamente diferente de 0 usando la tabla F. La distribucin F se usa
para esta prueba con (n-d-2k)/2 grados de libertad, tanto para el denominador
como para el numerador, donde n es el numero total de observaciones, d el
numero de observaciones omitidas, y k es el numero de parmetros estimados.
152. Cuando el valor F encontrado mediante la prueba Goldfield-Quand cae
dentro de la regin de aceptacin
a) comprobamos que hay homocedasticidad
b) comprobamos que hay heterocedasticidad
153. Cmo se soluciona la heterocedasticidad?
Se puede superar la heterocedasticidad dividiendo cada trmino de la regresin por Xi y
luego reestimando la regresin usando las variables transformadas.
154. Qu interesa determinar cuando corregimos la heterocedasticidad?
Lo que interesa determinar es el nuevo coeficiente beta de la variable independiente,
puesto que el original es falso por el problema de heterocedasticidad.
155. El nuevo coeficiente beta de la variable independiente que interesa determinar
cuando se corrige la heterocedasticidad aparece como el intercepto en la regresin
con las variables transformadas.
Verdadero

Falso

156. El intercepto de la nueva ecuacin corregida de la heterocedastidad es el

original de la primera regresin o aquel que aparece en la segunda regresin con
las variables transformadas?

El intercepto final es aquel que se obtiene de la primera regresin con las variables
normales.

157. Qu es la autocorrelacin?
Cuando el termino de error en un periodo esta correlacionado positivamente con el
termino de error en el periodo anterior, enfrentamos el problema de autocorrelacion.
158. En qu tipo de anlisis es comn la autocorrelacin?

En los anlisis de series de tiempo.

159. Qu produce la autocorrelacin?
La autocorrelacin produce errores estndar sesgados hacia abajo y as a pruebas
estadsticas en intervalos de confianza incorrectos.
160. Cmo se detecta la autocorrelacin?
La presencia de autocorrelacion se pude probar calculando el estadstico de DurbinWatson.
161. En qu consiste Durbin-Watson?

Se obtiene el estadstico d en la regresin normal.

Se lo compara en la tabla de Durbin-Watson en donde se tiene un dL y un dU

con n observaciones y k variables explicativas.

Si el estadstico d es menor que el valor de dL se acepta la hiptesis de

autocorrelacin de primer orden positivo.

162. Cuando el estadstico d se encuentra entre el dL y el dU se acepta la

hiptesis de autocorrelacin.
Verdadero

Falso

Por qu?
Porque la zona entre dL y dU es una zona de incertidumbre en donde no se sabe si hay o
no autocorrelacin.
163. Cmo se corrige la autocorrelacin?

La solucin est en involucrar la variable dependiente con la misma variable

dependiente rezagada un periodo, y tambin con la variable independiente y con la
misma variable independiente rezagada un periodo. Esto se realiza para obtener que es
el efecto de la variable dependiente rezagada un periodo sobre la variable dependiente
presente. Una vez obtenido se transforman las variables y se obtiene el nuevo
coeficiente de la variable independiente porque el de la regresin original era falso por
el problema de autocorrelacin.
164. Qu son los errores en las variables?
Se refiere al caso cuando las variables en el modelo de regresin incluyen errores de
medicin.
165. Los errores de medicin en la variable dependiente se incorporan en el
trmino de error y no crean ningn problema especial.
Verdadero

Falso

166. Qu sucede cuando las variables explicativas estn medidas con error?
Conducen a estimaciones de parmetros sesgados e inconsistentes.
167. Cmo se pueden corregir los errores en las variables?
Una solucin es remplazar la variable explicativa sujeta a errores de medicin con otra
variable que sea altamente correlacionada con la variable original, pero que sea
independiente del trmino de error. Esto no siempre es fcil de realizar.
Otra solucin cuando nicamente X est sujeta a errores es relacionar X con Y. A este
mtodo se lo conoce como mnimos cuadrados inversos.