Examen econometría

ECONOMETRÍA I
GRUPO 53 (DADE)
25 de enero de 2011
NOMBRE:
DNI:

____________________________________________________
_____________

1. ¿Qué variable parece adecuado utilizar en un modelo de regresión para explicar el
porcentaje de abandono escolar de los estudiantes a nivel nacional en España entre
1995 y 2010?:
Género de los estudiantes
Edad de los estudiantes
Presupuesto destinadoa educación
Distribución de inmigrantes por CCAA
2. Si deseamos medir las variables que explican la mayor o menor afluencia anual de
espectadores al cine en España en los últimos 10 años, conviene considerar:
La mayor o menor oferta de películas y capacidad de los cines
La temperatura media y en general las condiciones climatológicas
La mayor o menor cantidad de días de fiesta
Todas lasanteriores
3. En el marco del modelo básico de regresión lineal, la expresión

ˆ
lim β = β
n →∞

Expresa genéricamente la propiedad de consistencia del estimador
Expresa la propiedad de consistencia sólo para los estimadores insesgados
Expresa genéricamente la propiedad de insesgadez del un estimador
Ninguna de las anteriores
4. Los parámetros estimados en el marco de un MBRL aleatoriasiguen una distribución:
N [0, σ 2 ]

2
N [β , σ u ]

˜2
t [β , σ u ( X ' X ) −1 ]

[

~
N β , σ u2 ( X ' X ) − 1

]

5. Imagine que utiliza, para una muestra con blancos, negros y asiáticos, DOS variables
exógenas dicotómicas (0,1) para representar la raza NEGRA (Black=1) y la raza
BLANCA (WHITE=1) y analizar así el efecto de estas dos razas sobre los salarios (W):

W i = β0 +β1 ⋅ BLACKi + β 2 ⋅ WHITEi + Ui
6. ¿Qué cree que representará el parámetro estimado para la exógena WHITE (0,1)?:
El salario medio diferencial de los blancos respecto a los negros
El salario medio diferencial de los blancos respecto a los asiáticos
El salario medio diferencial de los blancos respecto a la media de los asiáticos y negros
El salario medio diferencial de los blancos respecto a lamedia global

7. Parece claro que el sesgo en la estimación MCO de un parámetro depende de
introducir o eliminar en la especificación otras variables más o menos relevantes. En
este sentido, ¿cuál de estas situaciones se asocia con un mayor riesgo de sesgo?:
Omitir una variable muy relevante pero sin conexión con las incluidas
Omitir una variable poco relevante pero altamente relacionadacon las incluidas
Omitir una variable muy relevante y altamente relacionada con las incluidas
Omitir una variable poco relevante y sin conexión con las incluidas
8. Volvemos a plantear la pregunta que hicimos más arriba, (pero ahora con las
varianzas, …ojo). Parece que la varianza de un parámetro estimado puede cambiar al
introducir o eliminar en la especificación otras variables más o menosrelevantes. En
este sentido, ¿cuál de estas situaciones se asocia con un mayor incremento de la
varianza?
El enunciado no es correcto, no hay una relación evidente entre omisión y varianza
Lo importante es no omitir una variable muy relevante (si tiene o no relación con las
incluidas no está en relación con el asunto de la varianza)
El aumento se produce al omitir una variable muy relevante ysin conexión con las
incluidas
El aumento se produce al omitir una variable muy relevante y, además, altamente
relacionada con las incluidas
9. ¿Cómo se distribuye la suma cuadrática de los errores del modelo dividida por las
varianza de las perturbaciones aleatorias? ¿Qué trascendencia tiene esta distribución
para la validación del MBRL?

e' e

σ

2

=

U ' MU

σ

2

=

U'σ

M

U'

σ

ya que se trata de la suma de (n-k) normales (0,1) al cuadrado independientes.
Recuérdese que por hipótesis inicial, habíamos asumido que la U se distribuía como
una normal (0, σ ).
2

Esta distribución es trascendente para la determinación de la función de distribución
empírica de los parámetros estimados, para la determinación del contraste de
significación...