NOMBRE_______________________________GRUPO_________

MODELO 1

DNI: ___________________

Firma: ________________

Examen de Introducción a la Econometría

18 de junio de 2009

Sólo una respuesta es válida. Debe justificar la respuesta de cada pregunta

en el espacio que se le proporciona. Una respuesta sin justificación cuenta 0
puntos. Cada cuestión acertada y justificada contará 1/2 punto mientras que
cada fallo restará 1/8 de punto. En caso de no respuesta o respuesta no clara
la puntuación de la cuestión será de 0 puntos. Dispone de 90 minutos para
contestar el examen. Responda en la plantilla que se le ha proporcionado en
bolígrafo, rotulador o lápiz NEGRO. Recuerde que en la hoja de respuestas
debe rellenar OBLIGATORIAMENTE los campos correspondientes al
D.N.I., modelo de examen, fecha, firma y grupo. Al final del examen, deberá
entregar todo el examen junto con la hoja de respuestas. LOS EXÁMENES
QUE NO CONTENGAN ESTA INFORMACIÓN O NO TENGAN
ALGUNA PÁGINA ENTREGADA NO SE CORREGIRÁN.

–––––––––––––––––––––––––––––––—
Lea las siguientes hipótesis con atención. Las necesitará para resolver algunas
de las preguntas del examen.

Hipótesis de MCO (Mínimos Cuadrados Ordinarios)

 =  0 +  1  +    = 1  

A1. ( | ) = 0

A2. (  )  = 1   son variables aleatorias iid (independientes e idén-
ticamente distribuidas)
A3.  y  tienen cuartos momentos finitos
A4.  ( | ) =  2  constante
A5.  | sigue distribución normal

–––––––––––––––––––––––––––––––—

1
1. El contraste de la  en regresión múltiple se puede utilizar para con-
trastar que:

a) Las variables son normales.

b) Las variables explicativas del modelo son conjuntamente significa-
tivas
c) Los datos son independientes.
d) Los regresores son ortogonales.
–––––––––––––––––––––––––––-
Solución: b
–––––––––––––––––––––––––––-

2. Sea  una variable aleatoria que se distribuye como una (0 1) En-
tonces la variable  =  2  + 2 se distribuye como una normal con
media y varianza dadas por:
2
a) (2  2 )
b) (2   2 )
c) (2   4 )
d) (2  1)
–––––––––––––––––––––––––––-
Solución: c
() = ( 2  + 2 ) =  2 () + 2 = 2
 () =  ( 2  + 2 ) =  4  () =  4
–––––––––––––––––––––––––––-

3. Se sabe que el modelo de regresión  =  0 +  1  +  presenta sesgo

por variables omitidas. Entonces, el signo de dicho sesgo depende de:

a) ( )
b) 
c)  0
d) Ninguna de las anteriores respuestas es correcta
–––––––––––––––––––––––––––-
Solución: a

2
 P P
( −̄ )( −̄ ) ( −̄ )( −̄)
̂ 1 = =1 P
 =  1 + =1
P  =  1 + ( ) 
2 2
( −̄ ) ( −̄ )
=1 =1

(̂ 1 ) = (̂ 1 ) −  1 = ( )   Puesto que  y  son

positivas, el signo del sesgo dependerá de ( )
–––––––––––––––––––––––––––-

4. Suponga que en el modelo de regresión  =  0 +  1  +  existe

heterocedasticidad. Entonces:

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  ( | ) 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.
–––––––––––––––––––––––––––-
Solución: a
–––––––––––––––––––––––––––-

5. Dado el modelo de regresión  =  0 +  1  +   bajo las hipótesis A1,

A2, A3 y A4 (ver página 1), se tiene que el estimador de la pendiente,
P
( −̄ )( −̄ )
̂ 1 = =1 P

2
( −̄ )
=1

a) Es ELIO (estimador lineal insesgado óptimo) para  1

b) Sería ELIO si además se cumpliese A5 (ver página 1)
c) No es lineal, por lo que no será ELIO
d) Ninguna de las anteriores respuestas es correcta.
–––––––––––––––––––––––––––-
Solución: a
–––––––––––––––––––––––––––-

3
6. Sea  una variable aleatoria con () = ( 3 ) = 0. Considere la
variable aleatoria  =  2  Entonces:

a)  e  tienen la misma distribución

b) La variable  sigue distribución (0 1) y la variable  sigue
distribución 21 (chi-cuadrado con 1 grado de libertad)
c) (  ) 6= 0
d) (  ) = 0
–––––––––––––––––––––––––––-
Solución: d
(  ) = ( ) − ()( ) = ( 3 ) − ()( 2 ) = 0
–––––––––––––––––––––––––––-

7. Sea el siguiente modelo de regresión simple:  =  0 +  1  +  , para

 = 1   Bajo las hipótesis A1, A2 y A3 (ver página 1):

a) Los estimadores de  0 y  1 son insesgados, consistentes y tienen

distribución normal en muestras finitas
b) Los estimadores de  0 y  1 son insesgados, consistentes y tienen
distribución asintótica normal
c) Los estimadores de  0 y  1 son insesgados y consistentes, pero
se desconoce su distribución, tanto en muestras finitas como asin-
tóticamente
d) Ninguna de las respuestas anteriores es correcta
–––––––––––––––––––––––––––-
Solución: b
–––––––––––––––––––––––––––-

8. Sea el siguiente modelo de regresión lineal simple que relaciona el

salario de los trabajadores con su nivel educativo: log( ) =
 0 +  1  +   para  = 1   La variable  represen-
ta el salario de los trabajadores, medido en /hora. La variable 
representa los años de educación. Entonces:

a) Un incremento de 2 años en la educación está asociado con un

incremento medio del salario de 2 1 /hora
b) Un incremento de 2 años en la educación está asociado con un
incremento medio del salario de 2 1 %

4
 c) Un incremento de 2 años en la educación está asociado con un
incremento medio del salario de 200 1 %
d) Un incremento de 2 años en la educación está asociado con un
incremento medio del salario de 200 1 /hora
–––––––––––––––––––––––––––-
Solución: c
Dado que la variable educación entra en el modelo en niveles y la
variable salario en logaritmos, la interpretación de la pendiente  1
es la siguiente: un incremento de una unidad en la educación (un
año más de educación) está asociado con un incremento salarial
de  1 100 % Por tanto, si el incremento en la educación es de 2
años, el incremento salarial será de 2 1 100 % es decir, 200 1 %
–––––––––––––––––––––––––––-

9. Sea el modelo de regresión simple  =  0 + 1  + , para  = 1  

Decimos que hay heterocedasticidad cuando:

a)  ( | ) no es constante
b)  (| ) = 2  constante
c)  ( | ) =  (| )
d)  () aumenta a medida que aumenta 
–––––––––––––––––––––––––––-
Solución: a
Decimos que hay heterocedasticidad cuando  (| ) no es con-
stante. Pero dado que hacemos el análisis condicionado a  se
tiene que  ( | ) =  (| )
–––––––––––––––––––––––––––-

10. Sea el siguiente modelo de regresión simple:  =  0 +  1  +  , para

 = 1   Podemos asegurar que:

a) La esperanza de los errores es distinta de cero

b) La media de los residuos es cero
c) La media de la variable  es cero para valores de  próximos al
origen
d) La media de la variable  es constante para todo 
–––––––––––––––––––––––––––-

5
 Solución: b
En un modelo con término constante, una de las CPO del proble-
ma de MCO (la que se obtiene al derivar la funciónPobjetivo con
respecto a la ordenada en el origen) establece que ̂ = 0 Por
tanto, la media de los residuos es cero.
–––––––––––––––––––––––––––-

11. El siguiente modelo de regresión estimado relaciona las ventas de las

empresas,   con su gasto en publicidad,   :
∧
log(  ) = 329 + 015 log(  )

Entre paréntesis figuran los errores estándar de los estimadores. Se

quiere contrastar si el gasto en publicidad es una variable significativa
para explicar las ventas. Sea 0.03 el p-valor del contraste. Entonces:

a) Al 5 %, el gasto en publicidad es una variable significativa para

explicar las ventas.
b) Al 5 %, el gasto en publicidad no es una variable significativa para
explicar las ventas.
c) Al 1 %, el gasto en publicidad es una variable significativa para
explicar las ventas.
d) El gasto en publicidad no es una variable significativa para explicar
las ventas a ningún nivel de significación, puesto que la pendiente
estimada es próxima a 0.
–––––––––––––––––––––––––––-
Solución: a
log( ) =  0 +  1 log( ) + 
El contraste que se pide es 0 :  1 = 0 frente a 1 =  1 6= 0 Dado
que el p-valor del contraste es 0.03, podemos rechazar 0 al 5 %,
pero no al 1 %. Por tanto, el gasto en publicidad es significativa
al 5 %, pero no lo es al 1 %
–––––––––––––––––––––––––––-

12. Sea el modelo de regresión  =  0 +  1  +  2  +  

donde  es una variable binaria que toma el valor 1 para los hombres
y 0 para las mujeres. Entonces:

a) El salario medio de los hombres es  0 superior al de las mujeres

6
 b) El salario medio de los hombres coincide con el de las mujeres si
0 = 0
c) El salario medio de las mujeres es  0 +  2
d) Ninguna de las anteriores respuestas es correcta
–––––––––––––––––––––––––––-
Solución: d
Salario medio de los hombres: ( |   = 1) =
 0 +  1  +  2
Salario medio de las mujeres: ( |   = 0) =  0 +
 1 
–––––––––––––––––––––––––––-

13. Sea  una variable aleatoria discreta. La esperanza condicionada de 

dado , ( |  = ), se calcula como:

X

a)  Pr[ =  | = ]
=1
b)  [ ( |)]  siempre que  ( |) no sea constante
X

c)  Pr[ =  | = ]
=1

X

d)  ( | =  ) Pr ( =  )
=1
–––––––––––––––––––––––––––-
Solución: c
–––––––––––––––––––––––––––-

14. Si en el modelo  =  0 +  1  +  en el que se cumplen las hipótesis

A1, A2 y A3 (ver página 1), se cumple además que ̄  0 y ̄ = 0
entonces:
b1
a) El estimador MCO de  0 es igual a  − 
b) La recta de regresión estimada pasa por el origen.
c) No podrá obtenerse el estimador MCO del parámetro  0
d) Ninguna de las anteriores respuestas es correcta
–––––––––––––––––––––––––––-
Solución: d

7
 b1 ̄ = 
̂ 0 =  − 
La recta estimada no pasa por el origen, puesto que ̂ 0 6= 0, ya
que ̄  0
No hay ninguna razón que impida obtener el estimador ̂ 0
–––––––––––––––––––––––-

15. La Ley de los Grandes Números establece que si    = 1 2   son

variables aleatorias  con [ ] =  y ( ) =  2  0   2  ∞.
entonces:

a)  converge en probabilidad a 0
b)  converge en probabilidad a 1
c)  converge en distribución a 
d)  converge en probabilidad a 
–––––––––––––––––––––––––––-
Solución: d
–––––––––––––––––––––––––––-

16. En el modelo de regresión simple  =  0 +  1  +  , para  = 1   

si se cumplen A1, A2 y A3 (ver página 1), se tiene que:

b1 ) =
b1 será consistente y ( 2
a) En pequeñas muestras,  
( −)2

b) En pequeñas muestras, b1 ∼ ( 1   (b1 ))

³ ´
b ( )
c) En grandes muestras,  1 ∼   1  [( )]2 , siendo  = ( −

 )
b1 será ELIO
d) En grandes muestras, 
–––––––––––––––––––––––––––-
Solución: c
–––––––––––––––––––––––––––-

17. Dado el modelo de regresión simple  =  0 + 1  +  para  = 1  

donde  ( | ) =  2 , el SER (error estándar de la regresión):

a) Es un estimador insesgado de la varianza del término de error  2

X

̂2
=1
b) Se define como  = −2

8
 v 
uX
u
t ̂2
=1
c) Se define como  = 
v 
uX
u
t ̂2
=1
d) Se define como  = −2
–––––––––––––––––––––––––––-
Solución: d
–––––––––––––––––––––––––––-

18. Para analizar la cantidad demandada de cerveza () un investigador

se basa en la teoría de la demanda microeconómica que dice que la
cantidad demandada de un producto viene determinada por su precio
( _ ), el precio de bienes sustitutivos, en este caso licor
( _) y la renta ( ). La estimación que obtiene se pre-
senta en la siguiente tabla:

A partir de la información de la tabla, se puede concluir que:

a) Las variables no son conjuntamente significativas

b) Un incremento de un 1 % en el precio de la cerveza disminuye un
1.30 % la cantidad demandada de cerveza.
c) Un incremento de un 1 % en el precio del licor incrementa un
18.68 % la cantidad demandada de cerveza.

9
 d) Un incremento de la renta en una unidad se traduce en un incre-
mento de casi una unidad en la cantidad demandada de cerveza
–––––––––––––––––––––––––––-
Solución: b
–––––––––––––––––––––––––––-

19. La siguiente tabla corresponde a la estimación de un modelo de re-

gresión que relaciona el gasto anual en alimentación de los hogares bi-
parentales ( _ ) con su nivel de gasto total (  _ ).

Se quiere contrastar si el gasto total es una variable significativa para

explicar el gasto en alimentación. En base a estos resultados:

a) El estadístico del contraste es 17.82 y el gasto total es una variable

significativa al 5 %.
b) El estadístico del constraste es 17.82 y el gasto total no es una
variable significativa al 5 %.
c) El estadístico del contraste es 14.43 y el gasto total es una variable
significativa al 5 %.
d) El estadístico del contraste es 14.43 y el gasto total es una variable
significativa al 5 %.
–––––––––––––––––––––––––––-
Solución: a
 = 0477433
0026797
= 178166 Dado que  = 965, podemos usar la aprox-
imación de la  −  a la (0 1) Los valores críticos de esta
distribución para un contraste bilateral al 5 % son -1.96 y 1.96,

10
 por lo que el estadístico  obtenido está en la región de rechazo.
Por tanto, al 5 % rechazamos la hipótesis nula, con lo que el gasto
total es una variable significativa.
–––––––––––––––––––––––––––-

20. La siguiente tabla corresponde a la estimación de un modelo de re-

gresión que relaciona el gasto anual en alimentación de los hogares bi-
parentales ( _ ) con su nivel de gasto total (  _ ),
el número de hijos () y el nivel educativo ( _ 
toma el valor 1 si el cabeza de familia tiene estudios universitarios y 0
en otro caso):
log( _  ) =
=  0 + 1 log(  _  )+ 2 + 3  _  +

El estadístico F que aparece en la salida de EViews se utiliza para el

contraste cuya hipótesis nula es

a) 0 :  0 =  1 =  2 =  3 = 0
b) 0 :   =   ∀ 6=    = 0 1 2 3
c) 0 :  1 =  2 =  3 = 0
d) Ninguna de las anteriores respuestas es correcta
–––––––––––––––––––––––––––-
Solución: c
El estadístico  que aparece en la tabla y el p-valor asociado
corresponden al contraste de significación conjunta del modelo, es

11
decir, bajo 0 todos los parámetros excepto el término constante
son 0.
–––––––––––––––––––––––––––-

12