Econometría

Question 1

Diferencia entre correlación y causalidad

Answer 1

Correlación es la relación entre dos variables pero no necesariamente hay causalidad.

Question 2

Como se calcula el error?

Answer 2

valor observado- valor estimado.

Question 3

Cuando aparece el error

Answer 3

cuando se ajusta el modelo a los datos observados.

Question 4

diferencia entre dato observado y dato estimado

Answer 4

dato observado es un dato real.
dato estimado es un dato aproximado, estimado por el modelo

Question 5

Para que sirve el Método de Mínimos Cuadrados Ordinarios (MCO)

Answer 5

-Los mínimos cuadrados es para estimar de la mejor manera los coeficientes del modelo.
-maximiza el R^2

Question 6

Para qué sirve la regresión?

Answer 6

sirve para poder encontrar la relación entre dos valores

Question 7

Qué es el sesgo estadístico?

Answer 7

es la diferencia que se produce entre el estimador y su valor real, una vez realizado un análisis.

Question 8

Diferencia entre parámetros y estimadores

Answer 8

-Los estimadores son variables aleatorias.
-Los parámetros son los valores reales o modelo poblacional que muestra en teoría la verdad absoluta.

Question 9

Qué es, que explica y cual es el objetivo el coeficiente de determinación (R2)

Answer 9

Es es una medida estadística de qué tan cerca están los datos de la línea de regresión ajustada.

Explica cuanta viabilidad de un factor puede ser causado con otro factor relacionado.

El objetivo es buscar las mejores relaciones entre variables.

Question 10

Qué es la bondad de ajuste

Answer 10

permite identificar el grado de ajuste de un modelo.

Question 11

El estimador por MCO de un modelo de regresión lineal se encuentra minimizando la suma de los residuos. (V o F) por qué?

Answer 11

Falso. El estimador por MCO minimiza los residuos al cuadrado. De esta forma se toman en cuenta tanto errores negativos como positivos, y se penaliza más los residuos más grandes.

Question 12

Los parámetros de un modelo de regresión lineal son variables aleatorias.

Answer 12

Falso. Los estimadores si son variables aleatorias. los parámetros son números reales.

Question 13

que representa el error?

Answer 13

el error representa todas las variables que uno no consideró en el modelo pero que si son relevantes para la variable dependiente

Question 14

como se distribuye el estadístico si no conocemos σ^2?

Answer 14

si no conocemos σ^2(desviación estandar) tenemos que estimarlo, para eso se ocupa la s^2 (varianza)

Question 15

Significancia individual:
1. que es la hipótesis nula y que pasa si se rechaza o no.
2. Y que quiere decir la hipotesis alternativa
3. como se calcula

Answer 15

1. hipotesis nula es igual a 0. si no la rechazamos quiere decir que el estimador no es significativo, por lo que la variable que la acompaña no contribuye.
   En cambio, si la aprobamos quiere decir que el coeficiente si es significativo.
2. la hipótesis alternativa es distinta de 0.
3. se calcula con la T de student.

Question 16

Signficancia global:
1. como es la hipotesis nula
2. como es la hipotesis alternativa

Answer 16

1. la hipotesis nula tiene que, todos los estimadores son iguales y todos son iguales a 0.
   h0: B1=B2=….Bk=0
   los estimadores en su conjunto no son significativos.
2. la hipótesis alternativa es lo contrario, son todos los estimadores distintos de cero.

estamos diciendo que si no rechazamos la hipótesis nula el modelo resulta ser no significativo.
si logro rechazar la hipótesis nula, digo que por lo menos un coeficiente es significativo.

(se trabaja con la F de Fisher)

Question 17

Que nos dice los intervalos de confianza de los estimadores

Answer 17

como no se el parámetro poblacional, a la estimación le tengo que agregar su intervalo de confianza que nos dice cuales son las probabilidades de que puede tomar ese valor promedio que encontramos.

Question 18

Un estimador insesgado nos garantiza que la estimación que realicemos tome como valor el parámetro de interés a utilizar. (V O F, por qué?)

Answer 18

Falso. Un estimador insesgado no nos garantiza que la estimación tome el mismo valor que el parámetro poblacional que nos interesa estimar. Lo que si nos garantiza es que, en la medida de que hacemos el ejercicio de estimar con distintas muestras, el promedio de los estimadores debería ser el parámetro poblacional de interés.

Question 19

En lo que se refiere a medir efectos causales, un R2 relativamente alto nos garantiza que el modelo a estimar tenga sentido. (V O F, por qué?)

Answer 19

Falso. Un R2 alto no nos garantiza que el modelo tenga o no sentido para medir efectos causales. Sólamente nos indicará que proporción de la variabilidad de Y puede ser explicada por X (lo que puede o no explicarse por una relación causal).