ECONOMETRÍA II

ECONOMETRÍA II
Licenciatura ADE.
Profesor Ramón Mahía
Revisado Marzo 2009
SECCIÓN I : Hipótesis Básicas Relativas a la Perturbación Aleatoria. Primera
parte: Introducción al problema de la Matriz de Varianzas y
Covarianzas no Escalar . REGRESRES ESTOCÁSTICOS Y
HETEROCEDASTICIDAD
CUESTIONES
-
¿Porqué se define el incumplimiento genérico de las hipótesis relativas a la
perturbación aleatoria como “la presencia de una matriz de varianzas y
covarianzas para esa perturbación no escalar”?.
-
¿Por qué es importante la ausencia de relación entre perturbación aleatoria
y regresor?
-
¿Cómo se conecta la presencia de autocorrelación en la perturbación con el
incumplimiento de la hipótesis de los regresores estocásticos?
-
¿Cómo se conecta el problema de regresores estocásticos con el problema de
la multicolinealidad?
-
¿Cuál es la utilidad del enfoque de variables instrumentales en el contexto
de la estimación en presencia de regresores estocásticos?
-
¿Es necesario asumir la hipótesis de nulidad de la espereanza de Ui, es
decir, E[ui]=0, para obtener una matriz “ideal” (escalar) de varianzas y
covarianzas para la perturbación aleatoria?
-
La heterocedasticidad se define como una varianza de “U” condicionada a
los valores de “X” no constante, ¿Porqué es relevante este matiz de
“condicionada a los valores de “X”?.
-
Como puede imaginar, obtener, para una determinada estimación, errores
grandes para algunas observaciones y pequeños para otras es inevitable.
¿Supone esto entonces que la presencia de heterocedasticidad es algo
frecuente?.
-
¿Son los modelos de corte transversal, en términos generales, más
propensos a la heterocedasticidad que los temporales?. ¿Cuál cree usted
que es la razón?
-
La heterocedasticidad no es sólo una causa atribuible a la propia esencia de
los fenómenos causales analizados, en ocasiones el modelizador es
claramente responsable de su aparición. ¿Cuáles son las principales
conexiones entre la heterocedasticidad y una deficiente especificación?.
-
A la hora de detectar la heterocedasticidad. ¿Qué inconvenientes y ventajas
tiene utilizar los residuos de nuestra primera estimación (por ejemplo una
estimación MCO) para testar, con distintos procedimientos gráficos,
paramétricos o no paramétricos la presencia de heterocedasticidad en la
perturbación?.
-
¿Tiene sentido encontrar que el patrón de heterocedasticidad de un modelo
depende de una variable no incluida como exógena en el mismo?.
-
¿Porqué se denomina Mínimos Cuadrados Ponderados al estimador de
Mínimos Cuadrados Generalizados?. ¿Cuál es la estrategia de ponderación
implícita?
-
Si el analista detecta serios indicios de heterocedasticidad pero desea seguir
utilizando MCO ¿Cómo debería alterar la utilización de MCO para evitar
errores adicionales a la pérdida de eficiencia?
-
Si el estimador de Mínimos Cuadrados Generalizados es eficiente respecto
al MCO en presencia de heterocedasticidad. ¿Porqué no se utiliza siempre,
sin pérdida de generalidad, en lugar de MCO, en todo proceso de
estimación, independientemente de si se realiza o no un diagnóstico de
heterocedasticidad?.
-
¿Cree usted que utilizar transformaciones de las variables originales para
resolver el problema de la estimación en presencia de heterocedasticidad
altera en alguna medida la especificación teórica original del modelo?.
¿Pueden obtenerse los parámetros originalmente deseados a partir de los
resultados del modelo transformado?
-
¿Qué diferencia/s existe/n entre los contrastes de Glesjer y Breusch –
Pagan?
-
¿Qué diferencia/s existe/n entre los contrastes de Breusch – Pagan y White?
-
¿Qué ventajas de orden práctico presenta el test de White frente a otros test
de heterocedasticidad basados en ideas similares?
-
¿Por qué cabe afirmar que la utilización de un estimador eficiente como
MCG no RESUELVE el problema de la heterocedasticidad?
-
Cuando se dividen las variables originales de la endógena y todas las
exógenas entre los valores de una determinada exógena para corregir la
heterocedasticidad: ¿qué modelo de heterocedasticidad se está suponiendo?
-
¿Por qué los parámetros estimados con el procedimiento de White pueden
tener varianzas superiores a los estimados inicialmente (antes de la
corrección) con MCO?
-
¿Cuál es la peculiaridad de la prueba de Park para la detección de la
Heterocedasticidad respecto a otras estrategias similares como la de Glesjer
o Breusch y Pagan?. ¿Qué inconvenientes presenta?
-
En algunos trabajos, y ante un modelo de regresión con problemas de
heterocedasticidad, suele ser frecuente encontrar, como solución al
problema, una re-estimación del modelo con las variables Yi y Xi en
logaritmos. ¿Cuál cree que es el motivo de esta estrategia?. ¿Cree adecuada
esta corrección?
-
¿Es posible inducir un problema de multicolinealidad inexistente al tratar
de corregir un problema de heterocedasticidad?