1/24
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).
¿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.
¿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.
¿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.
¿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).
¿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.
¿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.
¿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.
¿En qué consiste el método de Mínimos Cuadrados Ponderados (MCP)?
Modifica la función objetivo dando mayor peso (wi=σi21) a las observaciones con menor varianza (menos ruidosas) y menor peso a las más volátiles.
¿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) para corregir tanto heteroscedasticidad como correlación.
¿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 (ut depende de ut−1), siendo muy común en series de tiempo.
¿Qué consecuencias produce la autocorrelación en MCO?
Provoca una pérdida de eficiencia en MCO y errores estándar incorrectos.
¿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.
¿Cómo corrige la autocorrelación el modelo de errores autorregresivos (AR(1))?
Modela explícitamente la persistencia del error mediante un parámetro ρ (ut=ρut−1+ϵt), transformando las variables para eliminar la autocorrelación.
¿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.
¿Cuáles son las dos condiciones necesarias para que exista sesgo por variable omitida?
¿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=β2Var(X)Cov(X,Z).
¿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)=0), haciendo que el estimador MCO deje de ser consistente.
¿Cuáles son las tres fuentes principales de endogeneidad?
¿Cuáles son los tratamientos para abordar la endogeneidad?
Variables instrumentales, prueba de Durbin-Wu-Hausman, efectos fijos en datos de panel y diseños experimentales.
¿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).
¿Qué penalización usa la regresión Ridge y cuál es su efecto sobre los coeficientes?
Añade una penalización L2 basada en la suma de los cuadrados de los coeficientes (∑βj2); reduce la magnitud de todos los coeficientes acercándolos a cero sin eliminarlos por completo (conserva todas las variables).
¿Cuál es la ventaja matemática de la regresión Ridge ante la colinealidad?
Mejora el condicionamiento de la matriz al sumar λI a la matriz X′X, calculándose como β^Ridge=(X′X+λI)−1X′y.
¿Qué penalización aplica la regresión Lasso y qué característica la distingue?
Añade una penalización L1 basada en la suma de los valores absolutos de los coeficientes (∑∣βj∣); puede reducir coeficientes exactamente a cero, realizando una selección automática de variables.
¿Qué es Elastic Net y cuándo resulta especialmente útil?
Es un método que combina las penalizaciones L1 y L2 mediante un parámetro de mezcla α, siendo muy útil ante grupos de variables altamente correlacionadas.
¿Qué requisito es obligatorio antes de aplicar Ridge o Lasso y cómo se escoge λ?
Es obligatorio estandarizar las variables para evitar que las diferentes escalas afecten la penalización, y el parámetro de intensidad λ se selecciona comúnmente mediante validación cruzada.