Universidad Autónoma de Occidente

Preparatorio Final Econometria I

Profesor: Andres Eduardo Rangel Jimenez

1. Cuando el modelo de regresión lineal general se estima por MCO sin intercepto. Cuál de
las siguientes alternativas es falsa:
a. El coeficiente de determinación puede ser negativo
b. La suma de residuos de cuadrados puede calcularse conociendo tan solo la suma total
de cuadrados y la suma de cuadrados explicada
c. La suma total de cuadrados puede ser menor que la suma explicada de cuadrados
d. Pueden presentarse multicolinealidad entre las variables explicativas.

Respuesta a. El coeficiente de determinación de bondad de ajuste puede ser

negativo cuando el modelo no tiene intercepto

2. Cuando la matriz X de un modelo lineal múltiple presenta alto grado de multicolinealidad

a. El estimador MCO de 𝛽 es poco preciso

b. El estimador MCO de 𝛽 es poco preciso porque su matriz de varianzas-covarianzas no
coincide con 𝜎 2 (𝑋′𝑋)−1
c. El estimador MCO de 𝛽 es sesgado
d. El estimador MCO de 𝛽 es inconsistente

Respuesta a. Como sabemos la conse consecuencia de la alta multicolinealidad

cuando esta molesta es que las varianzas de los estimadores aumenta lo cual los
hace menos eficientes o menos precisos

3. La ley de Okun es una relación empírica entre las variables cambio porcentual anual en el
PIB real (cpib) y el cambio en la tasa de desempleo anual (ctd). Especifique y estime el
siguiente modelo:

cpib𝑡 = 𝛽0 + 𝛽1 ctd𝑡 + u𝑡
Si la estimación por MCO de la ecuación nos da:
cpib = 3 – 2ctd + 𝑢̂.
a. Si la tasa de desempleo es estable, el PIB real crecerá a un ritmo del 3% anual
b. Si la tasa de desempleo es estable, el PIB real decrecerá a un ritmo del 2% anual
c. Si la tasa de desempleo es estable, el PIB real crecerá a un ritmo del 1% anual
d. No existe información suficiente para concluir algo sobre la tasa de crecimiento del PIB
Respuesta a. Si la variable explicativa denota un cambio y se dice que es estable, luego
no hay cambios. El intercepto por definición es el valor esperado de la variable
dependiente cuando la explicativa es cero, luego el intercepto es 3. Como el
 intercepto esta en la misma medida que la variable dependiente (tasa de crecimiento
porcentual) , el intercepto se puede leer como la tasa de crecimiento del PIB cuando
la variable explicativa es cero (tasa de desempleo es estable, no crece) el cual es del
3%

4. Explique a que puede deberse el hecho de que el estadístico de Durbin-Watson caiga, en

algunas ocasiones en zona de incertidumbre.
a. Porque estimar con muchas variables le quita grados de libertad y cae en zona de
incertidumbre
b. Porque en caso de que haya alto grado de correlación entre las variables explicativas,
eleva la varianza del estadístico y este cae en zona de incertidumbre.
c. Porque el estadístico de Durbin Watson es de poca potencia, tiende a rechazar mas
veces la hipótesis nula de lo necesario
d. Porque solo captura esquemas AR(1) y los otros esquemas no los detecta.
Respuesta d. Por definición del Durbin Watson

5. Porque tomar logaritmos puede solucionar el problema de heterocedasticidad?

a. Porque se disminuye la variabilidad de la variable dependiente
b. Porque se disminuye la variabilidad del termino de error
c. Porque la varianza de los estimadores disminuye
d. A y C son correctas.

Respuesta a y b. Cualquiera de las dos es valida. Cuando disminuyo la variabilidad a la

variable dependiente, le traslado esto al termino de error. Esto fue demostrado en clase.
6. Porque el 𝑅2 por lo general toma bajos valores en modelos que utilizan datos de
corte transversal y valores altos en modelos con datos de corte temporal?
a. Porque en datos de corte transversal los datos de la variable dependiente están
relativamente mas cerca de su respectiva media respecto a los de corte temporal
b. Porque en datos de corte transversal los datos de la variable dependiente están
relativamente mas lejos de su respectiva media respecto a los de corte temporal
c. Porque en datos de corte transversal los datos de la variable explicativa están
relativamente mas cerca de su respectiva media respecto a los de corte temporal
d. Porque en datos de corte transversal los datos de la variable explicativa están
relativamente mas lejos de su respectiva media respecto a los de corte temporal
 Respuesta a. Esto se explico en clase mediante la demostración que incluia la
formula R2= 1- scr/sct

7. Se tiene la siguiente la igualdad: β̂ = β + (X′X)−1 X´U derivada de la formula matricial del

estimador MCO. Para que el estimador MCO sea insesgado, cuál de los supuestos acerca
del termino de error es imprescindible que se cumpla?
a. Modelo completo
b. Homocedasticidad
c. No autocorrelación
d. Exogeneidad
Respuesta: a. si hay endogeneidad luego los estimadores son sesgados, esto incluso
se demostró alguna vez en clase ̂ ) = 𝛃 + (𝐗 ′ 𝐗)−𝟏 𝐄(𝐗´𝐔) se aplica valor
𝑬(𝜷
esperado sobre lo que es aleatorio. Dado que 𝐄(𝐗´𝐔) es similar a covarianza entre X
y el termino de error, si esto es diferente de cero (endogeneidad) luego el sesgo es
(𝐗 ′ 𝐗)−𝟏 𝐄(𝐗´𝐔). En clase se demostró que si hay exogeneidad los estimadores son
insesgados. Acá se preguntó lo contrario.

Se parte de la siguiente estimación

𝑙𝑛(𝑦𝑡 ) = −6.37 + 2.0786𝑙𝑛(𝑙𝑡 ) + 0.5709𝑙𝑛(𝑘𝑡 ) + 𝑢𝑡
(0.2975) (0.1006) (0.0705)
𝑅 2 = 0.9827 𝑆𝐶𝑅 = 0.1394 𝑛 = 33
Donde yt representa a la produccion, lt y k t el trabajo y el capital respectivamente; ln es el
logaritmo natural. Entre paréntesis están las desviaciones estándar de los estimadores
MCO. La covarianza entre los estimadores de los parámetros asociados es −0.005636. las
preguntas 9 y 10 estan referidas a este enunciado

8. El contraste de que la elasticidad de la produccion respecto al capital es igual a 0.5, frente

a que dicha elasticidad es distinta a 0.5:
a. No se puede llevar a cabo con la informacion disponible
b. Da como resultado que debe rechazarse la hipótesis nula en favor de la alterna
c. Da como resultado que no puede rechazarse la hipótesis nula en favor de la alterna
e. Ninguna de las anteriores

Respuesta c. La hipótesis nula es que el Beta que acompaña a k (el capital) es

igual a 0.5 y la alterna es que es diferentes de 0.5. Cuando calculan el t este nos
da 1.005 y sin necesidad de ir a la tabla sabemos que cae en zona de no rechazo.
9. El contraste de que la función de produccion presenta rendimientos constantes a escala
frente a que dichos rendimientos son crecientes.
a. No se puede llevar a cabo con la informacion disponible
b. Da como resultado que debe rechazarse la hipótesis nula en favor de la alterna
c. Da como resultado que no puede rechazarse la hipótesis nula en favor de la alterna
d. Ninguna de las anteriores

Respuesta b. La prueba la hago con un estadístico t student. Sabemos que en el

denominador va la suma de los estimadores menos el valor que toma la suma
bajo Ho que es 1. El numerador nos da: 𝟐. 𝟎𝟕𝟖𝟔 + 𝟎. 𝟓𝟕𝟎𝟗 − 𝟏 = 𝟏. 𝟔𝟒𝟗𝟓. El
denominador es la raíz cuadrada de la varianza de la suma de ambos
estimadores. Es la variaza del primero mas la varianza del segundo mas dos
veces la covarianza del primero con el segundo:
0.10062+0.07052+2(−𝟎. 𝟎𝟎𝟓𝟔𝟑𝟔)=0.00945. El estadístico t me da 174.55 lo cual
cae en la zona de rechazo
10. Dada la siguiente tabla (BIC es el criterio de Schwarz y AIC el de Akaike):

a. Descartaría el primer modelo ya que presenta mayor valor en los criterios

seleccionados
b. Descartaría el segundo modelo ya que presenta menor valor en los criterios
seleccionados
c. Elegiría el segundo modelo ya que presenta menor valor en los criterios seleccionados
d. Sin información del log-likehood que da origen a estos criterios no puedo tomar una
decisión
Respuesta a o c. Por utilización de los criterios
 11. Cual afirmación es verdadera:
a. Lo ideal es que todos los regresores de un modelo de regresión lineal múltiple sean
ortogonales entre sí, es decir sean linealmente independientes. La razón de esto es que
los estimadores asociados a las variables incluidas serán insensibles a la inclusión o
exclusión de variables.
b. Si en un modelo de regresión lineal múltiple los coeficientes de correlación r de Pearson
entre las explicativas son nulos, luego no existe problema de Multicolinealidad
perfecta.
c. En caso de que haya un error de medida en la variable explicativa, existe endogeneidad
cuya consecuencia son estimadores sesgados y consistentes
d. La multicolinealidad es un problema poblacional y no muestral.
Respuesta a. Si los regresores son ortogonales, es decir el r de Pearson entre ellos es
cero, luego si se acuerdan del sesgo (la formula) este seria cero si el r de Pearson es
nulo, es decir si saco una variable y el r es cero, no hay sesgo, esto es serian insensibles
a excluir o a incluir variables

12 . 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)

NOTAi  6.33(0.006)  0.05(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 porcentual en la renta incrementa en 0,05 puntos la nota del test.
c. Un aumento de un punto porcentual aumenta en 5 puntos porcentuales el resultado del
test.
d. Un aumento de una unidad en la renta provoca un aumento de 5% el resultado del test
Respuesta d. Es un modelo lin log.
13. Otro investigador usando los mismos datos, ha estimado el siguiente modelo

ln( NOTAi )  6.43(0.003)  0.28(0.00018) ln( RENTAi )

a. Un aumento de 1% en la renta incrementa la nota un 28%.

b. Un aumento de 100 unidades en la renta incrementa la nota en 28 puntos.
c. Un aumento de 1% en la renta incrementa la nota un 0,28%.
d. Ninguna de las anteriores
Respuesta c. Es un modelo log-log

14. El supuesto de que la matriz X tiene rango completo (columnas linealmente

independientes) implica que:
a. El número de observaciones es igual al número de regresores
b. Hay alta multicolinealidad
c. No hay multicolinealidad perfecta
d. Hay multicolinealidad perfecta}
Respuesta c. Por definición de multicolinealidad perfecta

15. Se sabe que el siguiente modelo de regresión 𝑌𝑖 = 𝛽1 + 𝛽2 𝑥𝑖 + 𝑢𝑖 presenta sesgo por

variables omitidas. En este caso el signo del sesgo depende de:
a. Signo de 𝛽1
b. Signo de 𝛽2
c. Cov(𝑥𝑖 , 𝑢𝑖 )
d. Ninguna de las anteriores.
Respuesta d. El sesgo depende del signo del parámetro que acompaña a la
variable que omito (beta3 en este caso) o del r de pearon entre la variable
que omito y la que dejo en el modelo

16. Se tiene el modelo de regresión lineal: Yi  1   2 X i  ui . Para su estimación tiene la

opción de utilizar dos muestras:

X a = (0.1, 0.5, 0.6, 0.7, 1.1)

X b = (5, 15, 20, 30, 50)

Conociendo las propiedades deseables de los estimadores se concluye que la muestra mas
factible es la muestra a. Cual de las siguientes propiedades de los estimadores fue
considerada para tomar la decisión

a. Insesgadez
b. Optimalidad o eficiencia (mínima varianza)
c. Linealidad
d. Consistencia
 Respuesta b. En el modelo simple la formula de la varianza del estimador de la
pendiente tiene la sumatoria de las x i al cuadrado (en desviaciones).

17. Sea el siguiente modelo Yi  1   2 X i  ui donde la variable dependiente es el ahorro

y la explicativa el ingreso. En este caso se espera que ˆ1 :

a) ˆ1 <0
b) ˆ1 >0
c) ˆ1 =0
d) ˆ1 <1
Respuesta a. Se demostró en clase al principio del semestre

18. Considere que la función de demanda de café expresada en la ecuación:

ln Yi 0.456 1.1832 ln X i
Donde
Yi = es el café demandado en libras
X i = es el precio real del café por libra
A partir de esta función es correcto afirmar que la demanda del café es:

A. inelástica
B. elástica
C. tiene elasticidad infinita
D. tiene elasticidad igual a cero

Respuesta. B. Si un bien es elástico, su elasticidad será mayor que 1 en valor

absoluto.

19. Suponga que existe heterocedasticidad en el siguiente modelo de regresión

Yi  1   2 X i  ui .

a. Aplicar el método de Mínimos Cuadrados Ponderados (MCP) en el modelo original es

equivalente a aplicar Mínimos Cuadrados Ordinarios (MCO) en el modelo que resulta de
transformar el original para que 𝑣𝑎𝑟(𝑢𝑖 ) sea constante.
b. Aplicar MCP en el modelo transformado es equivalente a aplicar MCO en el modelo original
c. Aplicar MCO con errores estándar robustos a heterocedasticidad es equivalente a aplicar
MCP
d. Ninguna de las anteriores respuestas es correcta
Respuesta a, por definición del método de minimos cuadrados ponderados.
 
20. La forma funcional Yi  1 X i 2 e ui representa un modelo multiplicativo que puede ser llevado
a la forma lineal para ser estimado por MCO. La forma lineal del modelo multiplicativo es:

a) Yi  1   2 X i  ui
b) ln Yi  ln 1   2 X i  ln ui
c) ln Yi  ln 1   2 ln X i  ui
d) ln Yi  1   2 X i  ui

Respuesta c. Por linealizacion

21. El estadístico Durbin Watson cumple la relación DW  21  ̂  . Siendo ̂ un

estimador obtenido mediante

a. Estimación MCO de  t 1   t 2  vt 1
b. Estimación MCO de  t   t 1  vt 1
c. Estimación MCO de  t   t 2  vt 1
d. Ninguna de las anteriores
Respuesta a. Por definición de un proceso AR(1)

22. Si lo residuos de un modelo siguen un proceso AR(2), esto es, autorregresivo de orden
2, la especificación de este proceso es:
a. 𝑢𝑡 = 𝜙2 𝑢𝑡−2 + 𝜀𝑡 t
b. 𝑢𝑡 = 𝜙1 𝑢𝑡−1 + 𝜙2 𝑢𝑡−2 + 𝜀𝑡−1
c. 𝑢𝑡 = 𝜙1 𝜀𝑡−1 + 𝜙2 𝜀𝑡−2 + 𝑢𝑡
d. Ninguno de los anteriores
Respuesta d. Ninguno de los anteriores. Por definición de un AR(2)

23. Cuando se corrige la heterocedasticidad mediante la matriz robusta de White

a. Cambian las varianzas de lo estimadores

b. Cambian las varianzas de las variables
c. Cambian los estimadores
d. Todos los anteriores
Respuesta a. La matriz solo transforma la matriz var-cov de los estimadores
24. Existen diversos patrones de heterocedasticidad. Si el patrón existente fuera del tipo:
U i  X ij0.25 i (la heterocedasticidad depende de un regresor). Cuál de los siguientes
modelos corregiría el problema:

Yi  1         
a.  1     2  X 2i    3  X 3i   ...   N  X Ni    U i 
X ij X  X  X   X  X 
 ij   ij   ij   ij   ij 
 1   X   X   X   U 
b. Yi  1  0.5    2  20i.5    3  30i.5   ...   N  Ni0.5    0i .5 
X  X  X  X   
 ij   ij   ij   ij   X ij 
Yi X  X  X  U 
c.  1   2  2i    3  3i   ...   N  Ni    i 
X ij X  X   X  X 
 ij   ij   ij   ij 
Yi  1         
d.        X 2i     X 3i   ...    X Ni    U i 
X ij
1/ 2 1
 X 1/ 2  2
 X 1/ 2  3
 X 1/ 2  N
 X 1/ 2   X 1/ 2 
 ij   ij   ij   ij   ij 

Respuesta d. El modelo se divide por la raíz cuadrada del patrón.

25. Lo ideal es que todos los regresores de un modelo de regresión lineal múltiple sean
ortogonales entre sí, es decir sean linealmente independientes. La razón de esto es que:

a. los coeficientes asociados a las variables incluidas serán insensibles a la inclusión o

exclusión de variables.
b. los coeficientes asociados a las variables incluidas serán insensibles a la inclusión o
exclusión de observaciones.
c. el efecto de cada una de los regresores sobre la variable explicativa es estimado de una
manera más exacta.
d. Todas las anteriores

Respuesta a. Por ortogonalidad de los regresores, si excluye no hay sesgo, son

insensibles, y si uno incluye irrelevantes (capitulo 13) los estimadores son
insesgados.

26. Si en el modelo Yi  1   2 X i  ui , la variable dependiente es el logaritmo de la cantidad

ofrecida por un productor y la variable explicativa es el logaritmo del precio. Si la oferta es
inelástica que resultado espera al estimar la pendiente del modelo
a. ˆ 2 <1
b. ˆ 2 >0
c. ˆ 2 <1
d. ̂ 2 >1
Respuesta c. Por definición de oferta inelastica
27. Si existe sesgo en el estimador MCO de 𝛽 significa que:
a. El estimador MCO de 𝛽 no coincide con el verdadero valor de 𝛽
b. La esperanza del estimador MCO de β es diferente a cero
c. La esperanza del estimador MCO de 𝛽 es igual a cero
d. La esperanza del estimador MCO de 𝛽 no coincide con el verdadero valor de 𝛽
Respuesta d: Por definición de insesgadez

28. Una empresa fabricante de automóviles quiere conocer si su función de producción

presenta rendimientos crecientes a escala. Ella utilizará solo los factores trabajo y capital
para su elaboración. Considera que tiene una función de producción COBB-DOUGLAS cuya
forma es 𝑙𝑛𝑌𝑡 = 𝛽1 + 𝛽2 𝑙𝑛𝐾𝑡 + 𝛽3 𝑙𝑛𝐿𝑡 + 𝑢𝑡 , donde: Y = Unidades producidas de
automóviles L = Unidades de trabajo K = Unidades de capital

La hipótesis nula a probar es:

a) H 0 : 1   2  1
b) H 0 : 1   2  1
c) H 0 : 1   2  0
d) H 0 : 1   2  1
Respuesta b) Por definición de rendimientos constantes a escala.

29. Sea el siguiente modelo de regresión lineal simple que relaciona el salario de los
trabajadores con su nivel educativo:

𝑙𝑛𝑠𝑎𝑙𝑎𝑟𝑖𝑜𝑖 = 𝛽0 + 𝛽1 𝑒𝑑𝑢𝑐𝑖 + 𝑢𝑖

La variable salario representa el salario de los trabajadores, medido en pesos por hora (el prefijo
ln significa logaritmo natural) . La variable 𝑒𝑑𝑢𝑐 representa los años de educación. Entonces:

a. Un incremento de 2 años en la educación está asociado con un incremento del salario de

2𝛽1 pesos por hora.
b. Un incremento de 2 años en la educación está asociado con un incremento del salario de
2𝛽1 %
c. Un incremento de 2 años en la educación está asociado con un incremento del salario de
200𝛽1 %
d. Un incremento de 2 años en la educación está asociado con un incremento del salario de
200𝛽1 pesos por hora.
Respuesta c. Por definición de interpretación de un modelo log-lin

30. El contraste de significatividad conjunta tipo F contrasta la hipótesis nula :

 a. Todas las pendientes son nulas
b. Todas las pendientes son nulas y el intercepto también lo es.
c. El intercepto de la regresión y al menos un coeficiente de pendiente es igual a cero.
d. El coeficiente de la pendiente de la variable de interés es cero, pero el resto de
coeficientes de pendiente no lo son.

Respuesta a. Por definición de la hipótesis nula en la significancia global.

31. Considera el modelo Salarioi=1+2Educación+3Experiencia+ui. Si por error especificamos

el modelo Salarioi=1+2Educación+ui y lo estimamos por MCO
a. Subestimamos 2
b. Sobrestimamos 2
c. La dirección del sesgo depende de 2
d. Ninguna de las anteriores.
Respuesta b. Sobreestimamos. El beta 3 es positivo, la correlacion entre experiencia y
educación se espera positiva, luego el sesgo va hacia arriba.

32. Tenemos los siguientes dos modelos:

a) LnYt  B1   2 X 2t   3 X 3t  U t
b) Yt  B1   2 X 2t  U t

Para comparar la bondad de ajuste de estos dos modelos usted utiliza:

a. El R cuadrado
b. El R cuadrado Ajustado
c. Log-Likehood
d. Ninguno de los anteriores

Respuesta c. Los modelos tienen distinta variable dependiente

33. Si tenemos una ecuación de salarios Yi    X i  U i donde la variable dependiente

es el logaritmo del salario y la explicativa son los años de educación. Tenemos que el
intercepto esta medido en la misma escala que:
a. La variable explicativa
b. La variable dependiente
c. Los residuos
d. Es independiente de las variables explicativa, dependiente y residuos
Respuesta b. Por definición de intercepto
 Hoja de Respuestas

pregunta
1 a b c d
2 a b c d
3 a b c d
4 a b c d
5 a b c d
6 a b c d
7 a b c d
8 a b c d
9 a b c d
10 a b c d
11 a b c d
12 a b c d
13 a b c d
14 a b c d
15 a b c d
16 a b c d
17 a b c d
18 a b c d
19 a b c d
20 a b c d
21 a b c d
22 a b c d
23 a b c d
24 a b c d
25 a b c d
26 a b c d
27 a b c d
28 a b c d
29 a b c d
30 a b c d
31 a b c d
32 a b c d
33 a b c d