Examen Final de Econometra II

17 de Junio de 2011 Hora: 15:30

Apellidos: Profesor/a: Nombre: Licenciatura: DNI: Grupo:

Antes de empezar a resolver el examen, rellene TODA la informacin que se solicita en los recuadros anteriores y lea con atencin las instrucciones de la pgina siguiente.

Pregunta 1 Pregunta 2 Pregunta 3 Pregunta 4 Pregunta 5 Pregunta 6 Pregunta 7 Pregunta 8 Pregunta 9 Pregunta 10 Pregunta 11 Pregunta 12 Pregunta 13 Pregunta 14 Pregunta 15 Pregunta 16 Pregunta 17 Pregunta 18 Pregunta 19 Pregunta 20

A A A A A A A A A A A A A A A A A A A A

B B B B B B B B B B B B B B B B B B B B

C C C C C C C C C C C C C C C C C C C C

D D D D D D D D D D D D D D D D D D D D

En Blanco En Blanco En Blanco En Blanco En Blanco En Blanco En Blanco En Blanco En Blanco En Blanco En Blanco En Blanco En Blanco En Blanco En Blanco En Blanco En Blanco En Blanco En Blanco En Blanco

Las preguntas 1 a 5 se reeren al enunciado siguiente: Se desea estimar un modelo de regresin lineal simple del tipo Yi = 1 + 2 Xi + U i , donde se sospecha que Xi es un regresor estocstico tal que Cov[ Xi , U i ] = 0 para todo i = 1, ..., N . Suponga que se / dispone de informacin muestral sobre Yi , Xi y Z i , donde Z i es una variable que se pretende utilizar como instrumento para Xi . Utilizando N = 400 observaciones, se ha calculado, en primer lugar, la matriz de varianzas-covarianzas muestrales entre las tres variables consideradas (Tabla COV). En segundo lugar, se ha estimado por MCO la regresin lineal con trmino constante de Xi sobre Z i (Tabla RXZ). Por ltimo, se ha estimado por variables instrumentales el modelo Yi = 1 + 2 Xi + U i , utilizando Z i como instrumento para Xi (Tabla VI). Las tres tablas mencionadas son las siguientes:

Tabla COV
Y X Z Y 10.401520 2.740125 1.508785 X 2.740125 5.215775 3.496100 Z 1.508785 3.496100 12.386400

Tabla RXZ
Dependent Variable: X Method: Least Squares Sample: 1 400 Included observations: 400 Variable Coefficient Std. Error t-Statistic C 10.16166 0.281403 36.11070 Z 0.282253 0.029289 9.636837 R-squared 0.189192 Mean dependent var

Prob. 0.0000 0.0000 12.68500

Tabla VI
Dependent Variable: Y Method: Two-Stage Least Squares Sample: 1 400 Included observations: 400 Instrument list: Z Variable Coefficient Std. Error t-Statistic Prob. C -0.666986 0.5052 X 0.0046 Sum squared resid 3603.146 Mean dependent var 4.189102

Pregunta 1. Para que Zi sea un instrumento adecuado para Xi , debe ocurrir, entre / otras cosas, que Cov[Zi , Xi ] = 0. A este respecto, de la Tabla RXZ se deduce que:

/ A) Est muy claro que Zi no satisface la condicin Cov[Zi , Xi ] = 0.

B) Es bastante razonable pensar que Zi satisface la condicin Cov[Zi , Xi ] = 0. ** /

/ C) Es imposible hacer inferencia alguna sobre la condicin Cov[Zi , Xi ] = 0.

D) Es absolutamente seguro que Cov[Zi , Xi ] = 0.

Pregunta 2. El estimador utilizado en la Tabla VI ser consistente si, adems del requisito sobre Zi mencionado en la pregunta anterior, ocurre que: A) Cov[Zi , U i ] = 2. B) Cov[Zi , U i ] = 1. C) Cov[Zi , U i ] = Cov[Zi , Xi ]. D) Cov[Zi , U i ] = 0. ** Pregunta 3. La estimacin del parmetro 2 que falta en la Tabla VI: A) Es igual a 0.43156. ** B) Es igual a 2.22046. C) Es igual a 0.78234. D) No puede calcularse con la informacin disponible.

Pregunta 4. La estimacin del parmetro 1 que falta en la Tabla VI: A) Es igual a 0.43156. B) Es igual a 2.22046. C) Es igual a 1.28526. ** D) No puede calcularse con la informacin disponible.

Pregunta 5. El estadstico t que falta en la Tabla VI: A) Es igual a 3.02. B) Es igual a 2.00. C) Es igual a 2.85. ** D) No puede calcularse con la informacin disponible.

Pregunta 6. Si en el modelo Yi = 0 + 1 Xi + U i se cumplen todas las hiptesis clsicas excepto porque Var[U i ] = 2 Xi , entonces las estimaciones de Mnimos Cuadrados Generalizados (MCG) de 0 y 1 pueden calcularse estimando por Mnimos Cuadrados Ordinarios (MCO) la regresin de Yi sobre X i 1 y X i 2 , donde: A) Yi = (Yi Xi ) , Xi 1 = 1 y X i 2 = Xi .

B) Yi = (Yi Xi ) , Xi 1 = ( Xi Xi ) y Xi 2 = Xi . **

C) Yi = (Yi Yi ) , Xi 1 = 1 y Xi 2 = ( Xi Xi ) . D) Yi = (Yi Xi ) , X i 1 = (1 X i ) y X i 2 = 1 .
3

Pregunta 7. El estimador MCG de la pregunta anterior es un estimador:

A) Insesgado pero ineciente. B) Sesgado pero eciente. C) Sesgado e ineciente. D) Insesgado y eciente. **

Las preguntas 8 a 15 se reeren a la serie temporal Y que est representada en el grco estandarizado de la Figura 1. La serie Y consta de 156 observaciones mensuales desde enero de 1989 hasta diciembre de 2001.
Figura 1
SERIE Y

3 2 1 0 -1 -2 -3 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
N = 156 - MEDIA = 27.27 - DT = 59.73

Pregunta 8 Indique cul de las armaciones siguientes es

CIERTA:

A) La serie Y no es estacionaria. ** B) La serie Y es estacionaria en media porque prcticamente todos sus valores estandarizados estn comprendidos entre 2 y +2. C) La media muestral de la serie Y (27.27) es una estimacin able del nivel medio constante del proceso estocstico que ha generado dicha serie. D) La desviacin tpica muestral de la serie Y (59.73) es una estimacin able de la dispersin constante del proceso estocstico que ha generado dicha serie.

La Figura 2 de la pgina siguiente contiene los grcos Desviacin Tpica - Media muestrales estandarizados de las series Y (serie original) y LOG( Y ) (logaritmo neperiano de la serie original).

Figura 2
SERIE Y 2 1 0 -1 -2 -2 -1 0 MEDIA 1 2 2 1 0 -1 -2 -2 -1 0 MEDIA 1 2 SERIE LOG( Y )

DESVIACIN TPICA

Pregunta 9. Indique cul de las armaciones siguientes es

DESVIACIN TPICA

CIERTA:

A) La dispersin local de la serie Y es perfectamente homognea. B) La dispersin local de la serie LOG( Y ) depende negativamente de su nivel local. C) La dispersin local de la serie LOG( Y ) es absolutamente heterognea. D) La dispersin local de la serie Y depende positivamente de su nivel local. ** En la Figura 3 estn representadas las series LOG( Y ), DLOG( Y ) (una diferencia regular del logaritmo de la serie Y), DLOG( Y, 0, 12 ) (una diferencia estacional de perodo 12 del logaritmo de la serie Y), y DLOG( Y, 1, 12 ) (una diferencia regular y una estacional de perodo 12 del logaritmo de la serie Y). [Observacin: La serie DLOG( Y, 1, 12 ) es igual a una diferencia regular de la serie DLOG( Y, 0, 12 ), y tambin a una diferencia estacional de perodo 12 de la serie DLOG( Y ).]
Figura 3
LOG( Y ): LAMBDA = 0 ; d = 0 ; D = 0 DLOG( Y ): LAMBDA = 0 ; d = 1 ; D = 0

3 2 1 0 -1 -2 -3 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
N = 156 - MEDIA = 3.23 - DT = 0.39

3 2 1 0 -1 -2 -3 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
N = 155 - MEDIA = 0.00 - DT = 0.26

DLOG( Y, 0, 12 ): LAMBDA = 0 ; d = 0 ; D = 1 ( S = 12 )

DLOG( Y, 1, 12 ): LAMBDA = 0 ; d = 1 ; D = 1 ( S = 12 )

3 2 1 0 -1 -2 -3 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
N = 144 - MEDIA = 0.05 - DT = 0.20

3 2 1 0 -1 -2 -3 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
N = 143 - MEDIA = 0.00 - DT = 0.19

Pregunta 10. Indique cul de las armaciones siguientes es

FALSA:

A) La serie LOG( Y ) es estacional. B) La serie DLOG( Y ) no es estacionaria. C) La serie DLOG( Y, 0, 12 ) es estacional. ** D) La serie DLOG( Y, 1, 12 ) es estacionaria.

Pregunta 11. Indique cul de las armaciones siguientes es

CIERTA:

A) La serie DLOG( Y, 0, 12 ) es la tasa de variacin mensual de la serie original. B) La serie DLOG( Y, 0, 12 ) es la tasa de variacin interanual de la serie original. ** C) La serie DLOG( Y ) es la tasa de variacin interanual de la serie original. D) La serie DLOG( Y ) es la variacin absoluta mensual de la serie original.

Pregunta 12. En relacin con la serie DLOG( Y, 1, 12 ) de la Figura 3, el estadstico t para contrastar la hiptesis de que la media del proceso estocstico del que procede dicha serie es igual a cero:

A) Es aproximadamente igual a 0.4359. B) No puede calcularse con la informacin disponible. C) Es aproximadamente igual a cero. ** D) Es aproximadamente igual a 0.0361.

El cuadro siguiente contiene un modelo estimado para la serie Y original:

Dependent Variable: DLOG( Y, 1, 12 ) Method: Least Squares Sample(adjusted): 1992:02 2001:12 Included observations: 119 after adjusting endpoints Convergence achieved after 6 iterations Backcast: 1992:01 Variable Coefficient Std. Error t-Statistic Prob. AR(12) -0.398732 0.087098 -4.577978 0.0000 AR(24) -0.316234 0.086314 -3.663749 0.0004 MA(12) -0.706542 0.065571 -10.77519 0.0000

Pregunta 13. El modelo estimado puede escribirse (redondeando los resultados del cuadro anterior a dos decimales) como:

A) (1 + 0.71B12 )12 ln yt = (1 0.40B12 0.32B 24 )at . B) (1 0.40B12 0.32B 24 )12 ln yt = (1 + 0.71B12 )at . C) (1 0.71B12 )12 ln yt = (1 + 0.40B12 + 0.32B 24 )at . D) (1 + 0.40B12 + 0.32B 24 )12 ln yt = (1 0.71B12 )at . **

Pregunta 14. La Figura 4 contiene los residuos del modelo estimado. Indique cul de las armaciones siguientes es FALSA:

A) Los residuos muestran evidencias muy claras de mala especicacin en el modelo considerado. ** B) Lo residuos son razonablemente estacionarios. C) La hiptesis de que las perturbaciones del modelo considerado no estn autocorrelacionadas no puede rechazarse al 5%. D) La hiptesis de que las perturbaciones del modelo considerado son Normales no puede rechazarse al 5%.
Figura 4
RESIDUOS ESTANDARIZADOS

3 2 1 0 -1 -2 -3 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
N = 119 - MEDIA = 0.01 - DT = 0.14 LJUNG-BOX = 37.44 (P-VALUE = 0.27) - JARQUE-BERA = 4.10 (P-VALUE = 0.13)

Pregunta 15. Si se pretende utilizar el modelo estimado para calcular previsiones, debe tenerse en cuenta que dicho modelo:

A) Slo puede utilizarse para calcular previsiones o bien de la serie DLOG( Y, 1, 12 ), o bien de la serie LOG( Y ), y ambas carecen de todo inters prctico. B) Slo puede utilizarse para calcular previsiones de la serie Y original, pero no de sus tasas logartmicas de variacin (ni mensual ni interanual). C) No debe utilizarse para calcular previsiones porque es un modelo no estacionario. D) Puede utilizarse para calcular previsiones de cualquiera de las series implcitas en la transformacin DLOG( Y, 1, 12 ). **
Pregunta 16. Si en el modelo Yt = 0 + 1 Xt + U t ocurre que U t = 0.6U t 1 + At , con ( At ) IID(0, 2 ) (ruido blanco), entonces las estimaciones de Mnimos

Cuadrados Generalizados (MCG) de 0 y 1 pueden calcularse estimando por Mnimos Cuadrados Ordinarios (MCO) la regresin de Yt sobre X t 1 y X t 2 , donde: A) Yt = Yt 0.6Yt 1 , X t 1 = 0.4 y X t 2 = X t 2 0.6 X t 1,2 . ** B) Yt = 0.6Yt , X t 1 = 0.6 y X t 2 = 0.6 Xt 2 . C) Yt = Yt + 0.6Yt 1 , X t 1 = 1.6 y X t 2 = Xt 2 + 0.6 Xt 1,2 . D) Yt = Yt 0.4Yt 1 , X t 1 = 0.6 y X t 2 = X t 2 0.4 X t 1,2 .
Pregunta 17. La ACF y la PACF tericas de un proceso estocstico (Yt ) estacionario e invertible presentan el aspecto siguiente:

De acuerdo con lo anterior, el proceso (Yt ) sigue un modelo del tipo: A) Zt = (1 1B )(1 1B12 )At , donde 1 > 0 , 1 > 0 , y ( At ) es un proceso de ruido blanco. ** B) Zt = (1 1B )(1 1B12 )At , donde 1 < 0 , 1 < 0 , y ( At ) es un proceso de ruido blanco. C) (1 1B )(1 1B12 )Zt = At , donde 1 > 0 , 1 > 0 , y ( At ) es un proceso de ruido blanco. D) (1 1B )(1 1B12 )Zt = At , donde 1 < 0 , 1 < 0 , y ( At ) es un proceso de ruido blanco.

Pregunta 18. El modelo que gura en la respuesta correcta de la pregunta anterior es un modelo:

A) ARMA(1, 0) (1, 0)12 . B) ARMA(1, 0) (0, 1)12 . C) ARMA(0, 1) (0, 1)12 . ** D) ARMA(0, 1) (1, 0)12 .
Pregunta 19. Suponga que en un modelo del tipo Y = X + U , ocurre que E[ U ] = 0 / y Var[ U ] = , donde = I es una matriz (N N ) de nmeros conocidos, simtrica

 y denida positiva. Si MCO y MCG representan los estimadores MCO (Mnimos Cuadrados Ordinarios) y MCG (Mnimos Cuadrados Generalizados) de , respectivamente, indique cul de las armaciones siguientes es CIERTA:
A) Var[ MCG ] = ( X X )1. B) Var[ MCO ] = ( X X )1 X X( X X )1. **

C) E[ MCG ] = E[ MCO ]. / ] = ( X 1 X )1. D) Var[

MCO

Pregunta 20. En un modelo de regresin lineal mltiple Y = X + U perturbaciones no esfricas, los estimadores de White y de Newey-West son:

con

A) Estimadores de ms ecientes que el estimador MCO. B) Estimadores adecuados de la matriz de varianzas del estimador MCO de . ** C) Estimadores de ms ecientes que el estimador MCG. D) Estimadores de ms insesgados que los estimadores MCO y MCG.