Guía de Estudio: Econometría Avanzada

0.0(0)
Studied by 0 people
call kaiCall Kai
learnLearn
examPractice Test
spaced repetitionSpaced Repetition
heart puzzleMatch
flashcardsFlashcards
GameKnowt Play
Card Sorting

1/24

flashcard set

Earn XP

Description and Tags

Tarjetas de estudio con preguntas y respuestas sobre econometría avanzada: multicolinealidad, heteroscedasticidad, autocorrelación, sesgo por variable omitida, endogeneidad y técnicas de regularización (Ridge, Lasso y Elastic Net).

25 Terms

1
New cards

¿Qué es la multicolinealidad en un modelo de regresión?

Ocurre cuando las variables explicativas (independientes) del modelo contienen información demasiado parecida o presentan una relación lineal muy fuerte entre ellas.

2
New cards

¿Cuáles son las consecuencias de la multicolinealidad?

Errores estándar elevados, intervalos de confianza muy amplios, coeficientes inestables (muy sensibles a cambios en la muestra) y coeficientes no significativos individualmente a pesar de un buen ajuste global.

3
New cards

¿Cuáles son las estrategias recomendadas para solucionar la multicolinealidad?

Revisar la teoría económica para evaluar mecanismos distintos, ampliar y diversificar la muestra para obtener mayor variación, y transformar o combinar variables construyendo índices o usando componentes principales.

4
New cards

¿Qué acciones NO resuelven la multicolinealidad?

Estandarizar variables, cambiar el nivel de significancia, eliminar variables sin fundamento (lo cual genera sesgo por omisión) o usar regresión ridge (que estabiliza pero introduce sesgo).

5
New cards

¿Qué es la heteroscedasticidad y cómo se representa matemáticamente?

Ocurre cuando la dispersión (varianza) del error no es constante entre las observaciones, lo cual se denota como Var(ui∣X)≠σ2\text{Var}(u_i|X) \neq \sigma^2.

6
New cards

¿Cuáles son las consecuencias de la heteroscedasticidad en el estimador de MCO?

MCO sigue estimando coeficientes sin sesgo, pero pierde eficiencia y los errores estándar tradicionales son incorrectos, por lo que la inferencia falla.

7
New cards

¿Cómo actúan los errores estándar robustos (HC) ante la heteroscedasticidad?

Mantienen los coeficientes MCO originales, pero ajustan la matriz de varianzas y covarianzas para corregir la inferencia.

8
New cards

¿En qué consiste el método de Mínimos Cuadrados Ponderados (MCP)?

Modifica la función objetivo dando mayor peso (wi=1σi2w_i = \frac{1}{\sigma_i^2}) a las observaciones con menor varianza (menos ruidosas) y menor peso a las más volátiles.

9
New cards

¿Cómo corrige el método de Mínimos Cuadrados Generalizados (MCG / MCGF)?

Es un método general que aprovecha toda la estructura de la matriz de varianzas y covarianzas (Ω\Omega) para corregir tanto heteroscedasticidad como correlación.

10
New cards

¿Qué es la autocorrelación y en qué tipo de datos es muy común?

Ocurre cuando el error de un periodo está relacionado o correlacionado con el error de otro periodo (utu_t depende de ut−1u_{t-1}), siendo muy común en series de tiempo.

11
New cards

¿Qué consecuencias produce la autocorrelación en MCO?

Provoca una pérdida de eficiencia en MCO y errores estándar incorrectos.

12
New cards

¿Qué función cumplen los errores robustos HAC (como el método de Newey-West)?

Ajustan la inferencia permitiendo tanto heteroscedasticidad como dependencia serial (autocorrelación), sin modificar los coeficientes MCO.

13
New cards

¿Cómo corrige la autocorrelación el modelo de errores autorregresivos (AR(1))?

Modela explícitamente la persistencia del error mediante un parámetro ρ\rho (ut=ρut−1+ϵtu_t = \rho u_{t-1} + \epsilon_t), transformando las variables para eliminar la autocorrelación.

14
New cards

¿Cuál es la diferencia entre correlación y causalidad?

La correlación mide la asociación estadística entre dos variables sin implicar que una cause a la otra, mientras que la causalidad indica que un cambio en una variable produce directamente un cambio en la otra, requiriendo una estrategia de identificación y el control de explicaciones alternativas.

15
New cards

¿Cuáles son las dos condiciones necesarias para que exista sesgo por variable omitida?

  1. La variable omitida debe influir sobre la variable dependiente (YY). 2. La variable omitida debe estar correlacionada con la variable explicativa incluida (XX).
16
New cards

¿Cuál es la expresión para la dirección del sesgo por variable omitida?

Depende del signo del efecto de la variable omitida y de la covarianza entre ambas variables explicativas: plim α^1−β1=β2Cov(X,Z)Var(X)\text{plim } \hat{\alpha}_1 - \beta_1 = \beta_2 \frac{\text{Cov}(X,Z)}{\text{Var}(X)}.

17
New cards

¿Qué es la endogeneidad y qué efecto tiene en el estimador MCO?

Ocurre cuando se viola el supuesto de exogeneidad porque una variable explicativa está correlacionada con el término de error (E(ui∣Xi)≠0E(u_i|X_i) \neq 0), haciendo que el estimador MCO deje de ser consistente.

18
New cards

¿Cuáles son las tres fuentes principales de endogeneidad?

  1. Variables omitidas (un factor no observado afecta a XX y a YY). 2. Causalidad simultánea (XX afecta a YY, pero YY también afecta a XX). 3. Errores de medición (la variable explicativa se mide con imprecisión, atenuando el coeficiente hacia cero).
19
New cards

¿Cuáles son los tratamientos para abordar la endogeneidad?

Variables instrumentales, prueba de Durbin-Wu-Hausman, efectos fijos en datos de panel y diseños experimentales.

20
New cards

¿Cuál es la idea central de la regularización y cuál es su función general?

Introduce un pequeño sesgo a cambio de reducir drásticamente la varianza para lograr un modelo más estable que generalice mejor; su función general es Objetivo=RSS+λ⋅P(β)\text{Objetivo} = \text{RSS} + \lambda \cdot P(\beta).

21
New cards

¿Qué penalización usa la regresión Ridge y cuál es su efecto sobre los coeficientes?

Añade una penalización L2L_2 basada en la suma de los cuadrados de los coeficientes (∑βj2\sum \beta_j^2); reduce la magnitud de todos los coeficientes acercándolos a cero sin eliminarlos por completo (conserva todas las variables).

22
New cards

¿Cuál es la ventaja matemática de la regresión Ridge ante la colinealidad?

Mejora el condicionamiento de la matriz al sumar λI\lambda I a la matriz X′XX'X, calculándose como β^Ridge=(X′X+λI)−1X′y\hat{\beta}_{\text{Ridge}} = (X'X + \lambda I)^{-1}X'y.

23
New cards

¿Qué penalización aplica la regresión Lasso y qué característica la distingue?

Añade una penalización L1L_1 basada en la suma de los valores absolutos de los coeficientes (∑∣βj∣\sum |\beta_j|); puede reducir coeficientes exactamente a cero, realizando una selección automática de variables.

24
New cards

¿Qué es Elastic Net y cuándo resulta especialmente útil?

Es un método que combina las penalizaciones L1L_1 y L2L_2 mediante un parámetro de mezcla α\alpha, siendo muy útil ante grupos de variables altamente correlacionadas.

25
New cards

¿Qué requisito es obligatorio antes de aplicar Ridge o Lasso y cómo se escoge λ\lambda?

Es obligatorio estandarizar las variables para evitar que las diferentes escalas afecten la penalización, y el parámetro de intensidad λ\lambda se selecciona comúnmente mediante validación cruzada.