Preguntas y Respuestas sobre Modelos de Regresión Lineal

Medidas de Bondad del Ajuste

- El valor de la R² de una regresión indica:

• Una medida de bondad conjunta de la estimación.
• El porcentaje de varianza de la variable endógena real explicada por el modelo.
• Una medida de valoración del ajuste en términos porcentuales.

Estimación por Mínimos Cuadrados Ordinarios (MCO)

- La estimación por MCO de un modelo econométrico uniecuacional permite obtener la influencia de cada variable explicativa sobre la variable endógena: Sí, dicha influencia es precisamente el valor del parámetro estimado.

- La importancia relativa de cada explicativa sobre el comportamiento de la endógena se deriva de: El valor del parámetro estimado en modelos estimados lineales.

Selección de Variables

- ¿Qué variables parece adecuado utilizar en un modelo de regresión para explicar el porcentaje de abandono escolar de los estudiantes a nivel nacional en España entre 1995-2010?: Presupuesto destinado a educación, tasa de paro nacional, porcentaje de inmigrantes en la escuela de cada estudiante.

- 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 la capacidad de los cines.

Eficiencia y Consistencia de los Estimadores

- La eficiencia de los estimadores de un Modelo de Regresión se asocia básicamente con: La precisión de la estimación.

- En el marco del modelo básico de regresión lineal, la expresión lim B=B: Expresa genéricamente la propiedad de consistencia del estimador.

Interpretación de Resultados

- ¿Qué representa la expresión de cálculo e´e/n?:

• Un estimador sesgado de la varianza de la perturbación aleatoria.
• La media cuadrática residual.
• La suma residual cuadrática promedio.

- ¿Qué representa el producto matricial XB + e?: La variable endógena real.

Análisis de Regresión y Causalidad

- La técnica del Análisis de Regresión desarrollada mediante el MBRL: Está especialmente indicada para analizar la relación de causalidad entre variables métricas.

Sesgo en la Estimación

- ¿Cuál de estas situaciones se asocia con un menor riesgo de sesgo?: Omitir una variable poco relevante y sin conexión con las demás variables explicativas.

- Si olvidamos alguna variable relevante en la especificación de un MBRL: Los parámetros estimados serán sesgados si las variables exógenas se correlacionan con las omitidas.

Hipótesis del MBRL

- ¿Qué hipótesis fundamentales se requieren para garantizar la eficiencia de un parámetro estimado por MCO?: La varianza constante de las perturbaciones aleatorias (homocedasticidad).

- Los parámetros MCO y MV (Máxima Verosimilitud) se estiman empleando la misma fórmula. FALSO

- No puede haber relación entre las explicativas y las perturbaciones aleatorias. VERDADERO

- En un modelo básico de regresión lineal, la suma de los errores al cuadrado siempre es cero. FALSO

Multicolinealidad

- Si en cualquier regresión, los parámetros de las demás exógenas ya incluidas no se modifican respecto a la regresión previa pero sus varianzas caen: Cabe suponer que la nueva variable contribuye a problemas de multicolinealidad.

- La varianza de los estimadores MCO en el marco del MBRL: Crece si las variables exógenas muestran poca variación.

Especificación del Modelo

- El modelo especificado en logaritmos para la Y y las X supone: Un incremento de la "Y" no constante ante incrementos de un 1% en la "X".

Interpretación de Signos de los Parámetros

- La determinación de un signo es correcto o no para el parámetro estimado de una variable en un MBRL:

• Exige tener en cuenta, para cada variable, qué otras variables están incluidas en el modelo.
• Depende de la existencia de una idea preliminar clara sobre la relación entre las variables.
• Puede verse afectada por la muestra concreta de datos que se utilice en la estimación.

Errores y Estimadores

- La medida de los errores siempre es cero. VERDADERO (en el caso de los residuos, que son las diferencias entre los valores observados y los predichos por el modelo).

- El estimador máximo verosímil de la varianza de las perturbaciones aleatorias es insesgado. FALSO (es un estimador sesgado).