Introducción a la Econometría: Conceptos y Modelos

Econometría

Verdadero o Falso

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 econométrico descansa en el principio de 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 una de ellas. VERDADERO
4. Los errores E_ij están correlacionados con los X_ij. 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 de regresión lineal múltiple, la evaluación del modelo considera la hipótesis H₀: B₁=B₂=…=B_p=0. FALSO
8. En el análisis de 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 sirve para medir la independencia de los errores. FALSO

R² vs. R² Ajustado

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

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

Implicancias del Coeficiente de Correlación

¿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.

Heterocedasticidad

¿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, 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.
• La heterocedasticidad es mala para el modelo, implica un mal ajuste, cada error tiene una varianza distinta.
• En la 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 de dispersión: sigma cuadrado.
6. Si el R² ajustado es negativo, el modelo está mal planteado.
7. Colinealidad: dos variables explican lo mismo.