econometrika baza 2012-13 1

9
700
~ Тема 1

Эконометрика-это:
@-наука, которая дает количественное выражение взаимосвязей в экономике;
-учение о системе показателей, дающих представление об экономике;
-различного рода цифровые данные.

Предметом эконометрики является:
@-определение наблюдаемых в экономике количественных закономерностей;
-сбор цифровых данных;
-изучение экономических законов.

К одному из методов эконометрики относится:
@-анализ временных рядов;
-индексный анализ;
-счета и двойная запись;
-кластерный анализ.

Эконометрическая модель описывает:
@-стохастические связи между переменными;
-функциональные связи между переменными;
-набор цифровых данных;
-состав переменных.

Переменные, определяемые из уравнений модели, называются:
@-зависимые;
-независимые;
-предопределенные.

Переменные, задаваемые «из вне», в определенной степени управляемые (планируемые), называются:
@-экзогенные;
-эндогенные;
-предопределенные.

Переменные, задаваемые «из вне», в определенной степени управляемые (планируемые), называются:
@-независимые;
-зависимые;
-предопределенные.

Пространственные данные фиксируются:
@-в один и тот же момент времени по нескольким объектам;
-по одному объекту за период времени.
-по нескольким объектам за период времени.

Идентификация модели – это:
@-статистическое оценивание неизвестных параметров модели;
-формулировка вида модели, состава и формы входящих в нее связей;
-сбор необходимой статистической информации;
-проверка точности модельных данных.

Верификация модели – это:
@-проверка точности модельных данных.
-статистическое оценивание неизвестных параметров модели;
-формулировка вида модели, состава и формы входящих в нее связей;
-сбор необходимой статистической информации;
-статистическое оценивание неизвестных параметров модели

Статистическими называются выводы, полученные путем:
@-обобщения свойств выборки на генеральную совокупность;
-измерения генеральной совокупности;
-сбора статистических данных.

Выборочное среднее является;
@-оценкой среднего в генеральной совокупности;
-наиболее часто встречающейся величиной в генеральной совокупности;
-оценкой разброса в генеральной совокупности.

Выборочное среднее квадратическое отклонение является:
@-оценкой разброса в генеральной совокупности.
-оценкой среднего в генеральной совокупности;
-наиболее часто встречающейся величиной в генеральной совокупности.

Если коэффициент корреляции между двумя случайными величинами больше нуля, то значит:
@-случайные величины имеют прямую линейную зависимость;
-случайные величины имеют обратную линейную зависимость;
-случайные величины не зависимы.

Если коэффициент корреляции между двумя случайными величинами меньше нуля, то значит:
@-случайные величины имеют обратную линейную зависимость;
-случайные величины имеют прямую линейную зависимость;
-случайные величины не зависимы.

Нулевой называется:
@-гипотеза, подвергающаяся проверке;
-гипотеза, которая отклоняется;
-гипотеза, которая содержит одно конкретное предположение.

Альтернативной называется:
@-гипотеза, необходимая для проверки нулевой гипотезы;
-гипотеза, которая отклоняется;
-гипотеза, которая содержит несколько конкретных предположений.

Уровнем значимости называется:
@-вероятность отвергнуть правильную нулевую гипотезу;
-совокупность значений критерия проверки, при которых нулевую гипотезу отклоняют;
-совокупность значений критерия проверки, при которых нулевую гипотезу не отклоняют.

Случайным называется такое событие, которое:
@-может произойти или не произойти в условиях данного эксперимента;
-не происходит никогда в условиях данного эксперимента;
-происходит всегда в условиях данного эксперимента.

Достоверным называется такое событие, которое:
@-происходит всегда в условиях данного эксперимента;
-может произойти или не произойти в условиях данного эксперимента;
-не происходит никогда в условиях данного эксперимента;

Невозможным называется такое событие, которое:
@-не происходит никогда в условиях данного эксперимента
-может произойти или не произойти в условиях данного эксперимента;
-происходит всегда в условиях данного эксперимента

К несовместимым относятся события, которые:
@-не могут происходить одновременно;
-характеризуются тем, что одно из них происходит тогда и только тогда, когда не происходит другое.

Вероятность события А изменяется в пределах:
@-0<=P(A)<=1
-0<=P(A)<=+ бесконечность
--1<=P(A)<=1

Для вероятности достоверного события характерно:
@-P(A)=1
-P(A)=0
-0<=P(A)<=1

Для вероятности невозможного события характерно:
@-P(A)=0
-P(A)=1
-0<=P(A)<=1

Для вероятности несовместимых событий характерно:
@-P(A+B)=P(A)+P(B)
-P(A+B)=0
-P(A)=1-P(B)

Для вероятности противоположных событий характерно:
@-P(A)=1-P(B)
-P(A+B)=P(A)+P(B)
-P(A+B)=0

Случайной величина:
@-заранее не известное численное значение, зависящее от случайных обстоятельств;
-количественная мера для сравнения событий по степени возможности их появления;
-исход или совокупность исходов вероятностного эксперимента.

Законом распределения дискретной случайной величины называется:
@-соответствие между всеми возможными значениями дискретной случайной величины и их вероятностями;
-функция, определяющая вероятность того, что случайная величина X примет значение, меньшее, чем Х;
-функция, производная от функции распределения дискретной случайной величины.

Функцией распределения случайной величины Х называется:
@-функция, определяющая вероятность того, что случайная величина X примет значение, меньшее, чем Х;
-соответствие между всеми возможными значениями случайной величины и их вероятностями;
-функция, производная от функции распределения непрерывной случайной величины.

Плотностью распределения вероятностей случайной величины Х называется:
@-функция, производная от функции распределения случайной величины
-соответствие между всеми возможными значениями случайной величины и их вероятностями;
-функция, определяющая вероятность того, что случайная величина X примет значение, меньшее, чем Х

Плотность распределения вероятностей можно записать:
@-для непрерывных случайных величин;
-для дискретных случайных величин;
-для любых случайных величин.

К числовым характеристикам положения случайной величины относится:
@-математическое ожидание
-дисперсия
-среднее квадратическое отклонение

К числовым характеристикам рассеивания (разброса) случайной величины относится:
@-дисперсия
-математическое ожидание
-медиана

Математическое ожидание характеризует:
@-среднее ожидаемое значение случайной величины;
-наиболее часто встречающееся значение случайной величины;
-серединное значение ряда упорядоченных случайных величин.

Стандартизированное нормальное распределение имеет параметры:
@-m=0, ско=1
- m=1, ско=1
- m=1, ско=0

Какими параметрами определяется распределение Фишера?
@-числами степеней свободы m и n
-числом степеней свободы n
-числом степеней свободы n-m

Если случайные величины X и Y независимы, то
@-P(X,Y)=P(X)*P(Y)
- P(X,Y) не равноP(X)+P(Y)
- P(X,Y)не равноP(X)*P(Y)

Примером дискретной случайной величины является:
@-списочное число работников предприятия
-выручка от реализации за текущий месяц
-прибыль от реализации за текущий месяц

Примером непрерывной случайной величины является:
@-ежедневный курс валюты
-тарифный разряд работников предприятия
-количество станков в цехах

При увеличении уровня доверительной вероятности ширина доверительного интервала:
-уменьшается;
@-увеличивается;
-остается неизменной.

В экономике чаще всего большинство случайных величин задается в виде:
-закрытых случайных величин;
@-непрерывных случайных величин;
-закрытых случайных величин и непрерывных случайных величин

К какому закону распределения можно отнести показатели дохода населения, прибыли фирм в отрасли, объема потребления?
-закон распределения Хи – квадрат;
-закон распределения Стьюдента;
-закон распределения Фишера;.
@-нормальный закон распределения (распределение Гаусса).

Законы распределения случайной величины необходимы для:
-определения интервальных оценок;
-проверки статистических гипотез;
@-определения интервальных оценок и проверки статистических гипотез.

Квантиль определяется:
-уравнением значимости;
-числом степеней свободы;
@-уровнем значимости и числом степеней свободы.

Какие из перечисленных числовых характеристик используются для анализа степени взаимосвязи случайных величин?
-вероятность;
-ковариация;
-коэффициент корреляции;
@-ковариация и коэффициент корреляции;
-вероятность и коэффициент корреляции.

Ковариация является:
@-абсолютной мерой взаимосвязи;
-относительной мерой взаимосвязи;
-относительной частотой взаимосвязи.

Коэффициент корреляции является величиной:
-размерной;
@-безразмерной;
-имеет ту же единицу измерения, что и случайная величина.

В качестве оценки дисперсии при n<30 используют:
-выборочную дисперсию;
@-исправленную дисперсию;
-выборочную и исправленную дисперсию

Способы уменьшения вероятности ошибок при проверке статистических гипотез состоят в:
-минимизации потерь от ошибок;
-уменьшении вероятностей ошибок;
@-увеличении объема выборки.

Оценка B* (бета) значения параметра модели B является несмещенной, если
-B*=B
-B* обладает наименьшей дисперсией по сравнению с другими оценками.
-При N??, вероятность отклонения B* от значения B стремится к 0.
-|B*-B|<=эпсилон
@-Математическое ожидание B* равно B .

Оценка B*(бета) значения параметра модели B является эффективной, если
-B*=B
@-B* обладает наименьшей дисперсией по сравнению с другими оценками.
-При N??, вероятность отклонения B* от значения B стремится к 0.
-|B*-B|<=эпсилон
-Математическое ожидание B* равно B .

Оценка B*(бета) значения параметра модели B является состоятельной, если
-B*=B
-B* обладает наименьшей дисперсией по сравнению с другими оценками.
@-При N??, вероятность отклонения B* от значения B стремится к 0.
-|B*-B|<=эпсилон
-Математическое ожидание B* равно B .

Средние расходы домохозяйств в расчете на одну потребительскую единицу составляли, ден. ед. в месяц:
на питание – 62 при ?=9,3;
на одежду и обувь – 26 при ?=9,1.
Степень вариации расходов на питание и покупку одежды и обуви:
-одинакова;
-вариация расходов на питание больше;
@-вариация расходов на питание меньше;
-сравнить вариацию невозможно.

Ошибка первого рода состоит в том, что:
@-будет отвергнута правильная нулевая гипотеза;
-будет принята нулевая гипотеза, в то время как в действительности верна альтернативная гипотеза.

Ошибка второго рода состоит в том, что:
-будет отвергнута правильная нулевая гипотеза;
@-будет принята нулевая гипотеза, в то время как в действительности верна альтернативная гипотеза.

При проверке статистических гипотез вероятность совершения ошибки первого рода обозначается через:
@-A (альфа)
-B (бета)
-1- B (бета)
-1-A (альфа)

Выбор формы связи между переменными называется:
-идентифицируемостью;
-верификацией;
@-спецификацией;
-индентификацией.

К несовместимым событиям относятся следующие явления:
@-увеличение налогов – рост располагаемого дохода;
-увеличение продаж – рост прибыли;
-увеличение объемов производства – снижение издержек производства.

Элементарным называется событие, которое:
-можно разбить на более простые события;
@-нельзя разбить на более простые события;
-можно представить в виде нескольких элементарных событий.

Вероятность – это:
-количественная и качественная мера, которая вводится для сравнивания событий по степени возможности их появления;
@-количественная мера;
-качественная мера.

Дискретную случайную величину можно задать:
-таблично;
-аналитически;
-графически;
@-таблично, аналитически или графически.

Случайная величина задается:
-функцией распределения;
-плотностью вероятностей;
@-функцией распределения или плотностью вероятностей.

При проверке гипотезы H0: m = m0 против альтернативной H1: m =/ m0 обследуется
выборка x1 , x2 ,..., x16 . Дисперсия считается известной. В этом случае на уровне 0,05
критическое значение статистики равно:
+1,96
1,645
-1,96
-1,645
2,1315
1,7531

При проверке гипотезы H0: m = m0 против альтернативной H1: m > m0 обследуется
выборка x1 , x2 ,..., x16 . Дисперсия считается известной. В этом случае на уровне 0,05
критическое значение статистики равно:
+1,645
-1,645
-1,96
-1,96
2,1315
1,7531

При проверке гипотезы H0: m = m0 против альтернативной H1: m < m0 обследуется
выборка x1 , x2 ,..., x16 . Дисперсия считается известной. В этом случае на уровне 0,05
критическое значение статистики равно:
+-1,645
1,645
1,96
-1,96
2,1315
1,7531

При проверке гипотезы H0: m = m0 против альтернативной H1: m =/ m0 обследуется
выборка x1 , x2 ,..., x16 . Дисперсия известна. В этом случае на уровне 0,05
критическое значение статистики равно:
+2,1315
1,7531
1,96
1,645
-1,96
-1,645

При проверке гипотезы H0: m = m0 против альтернативной H1: m > m0 обследуется
выборка x1 , x2 ,..., x16 . Дисперсия известна. В этом случае на уровне 0,05
критическое значение статистики равно:
+1,7531
2,1315
1,96
1,645
-1,7531
-2,1315

При проверке гипотезы H0: m = m0 против альтернативной H1: m < m0 обследуется
выборка x1 , x2 ,..., x16 . Дисперсия известна. В этом случае на уровне 0,05
критическое значение статистики равно:
+-1,7531
-2,1315
1,7531
2,1315
-1,96
-1,645

При проверке гипотезы H0: mx= my против альтернативной H1 : mx =/ my обследуются две
выборки x1 , x2 ,..., x10 и y1 , y2 ,..., y14 . Дисперсии обеих случайных величин неизвестны. В
этом случае на уровне 0,01 критическое значение статистики равно:
+2,8188
2,5083
2,33
2,575

При проверке гипотезы H0: mx= my против альтернативной H1 : mx > my обследуются две
выборки x1 , x2 ,..., x10 и y1 , y2 ,..., y14 . Дисперсии обеих случайных величин неизвестны. В
этом случае на уровне 0,01 критическое значение статистики равно:
+2,5083
2,8188
2,33
2,575

При проверке гипотезы H0: mx= my против альтернативной H1 : mx < my обследуются две
выборки x1 , x2 ,..., x10 и y1 , y2 ,..., y14 . Дисперсии обеих случайных величин неизвестны. В
этом случае на уровне 0,01 критическое значение статистики равно:
+-2,5083
-2,8188
-2,33
-2,575

При проверке гипотезы H0: 13 QUOTE 1415= 13 QUOTE 1415против альтернативной H1: 13 QUOTE 1415 =/ 13 QUOTE 1415 обследуется выборка x1 , x2 ,..., x20 . Тогда на уровне 0,05 критическое значение статистики равно:
+32,852
8,907
10,117
30,144
При проверке гипотезы H0: 13 QUOTE 1415= 13 QUOTE 1415 против альтернативной H1: 13 QUOTE 1415 > 13 QUOTE 1415 обследуется выборка x1 , x2 ,..., x20 . Тогда на уровне 0,05 критическое значение статистики равно:
+30,144
32,852
8,907
10,117

При проверке гипотезы H0: 13 QUOTE 1415= 13 QUOTE 1415 против альтернативной H1: 13 QUOTE 1415 < 13 QUOTE 1415 обследуется выборка x1 , x2 ,..., x20 . Тогда на уровне 0,05 критическое значение статистики равно:
+10,117
32,852
8,907
30,144

При проверке гипотезы H0: 13 QUOTE 1415= 13 QUOTE 1415 против альтернативной H1: 13 QUOTE 1415 > 13 QUOTE 1415 обследуются две выборки x1 , x2 ,..., x12 и у1, у2,, у14, причем было получено 13 QUOTE 1415 > 13 QUOTE 1415. Тогда на уровне 0,05 критическое значение статистики равно:
+2,63
2,77
2,53
2,46

Тема 2: Основные понятия теории вероятностей и статистики. Задачи к экзамену

Пусть X,Y – годовые дивиденды от вложений денежных средств в акции компаний А и В соответственно. Риск от вложений характеризуется дисперсиями: D(X)=25, D(Y)=16. Коэффициент корреляции
· =+0,8. Менее рискованно вкладывать денежные средства:
+в отрасль В
-в отрасль А
-в обе отрасли в со
отношении 30% на 70%

Доход Х населения имеет нормальный закон распределения со средним значением 5000 руб. и средним квадратическим отклонением 1000 руб. Обследуется 1000 человек. Наиболее вероятное количество человек, имеющих доход более 6000 руб., будет составлять:
+158
-159
-341

Статистика по годовым темпам инфляции в стране за последние 10 лет составила (%): 2,6; 3,0; 5,2; 1,7; -0,5; 0,6; 2,2; 2,9; 4,2; 3,8. Несмещенные оценки среднего темпа инфляции, дисперсии и среднего квадратического отклонения составляют:
+2,57; 2,84; 1,69
-2,57; 2,56; 1,60
-2,57; 25,58; 5,06

Предполагается, что месячный доход граждан страны имеет нормальное распределение с математическим ожиданием m=500 $ и дисперсией
·2=22500. По выборке из 500 человек определен выборочный средний доход 13 EMBED Equation.3 1415=450 $. Доверительный интервал для среднедушевого дохода в стране составляют при уровне значимости 0,05:
+436,85; 463,15
-449,87; 450,13
-438,94; 461,06

При анализе зависимости между двумя показателями Х и Y по 30 наблюдениям получены следующие данные: 13 EMBED Equation.3 1415= 105; 13 EMBED Equation.3 1415=80; 13 EMBED Equation.3 1415=900; 13 EMBED Equation.3 1415=252600; 13 EMBED Equation.3 1415=635. Оцените наличие линейной зависимости между Х и Y и статистическую значимость коэффициента корреляции
·хy:
+rxy=0,8; коэффициент значим на всех уровнях значимости
-rxy=-0,8; коэффициент значим на всех уровнях значимости
-rxy= 0,8; коэффициент не значим на всех уровнях значимости
-rxy= 0,8; коэффициент значим только на уровне значимости 0,05

Предполагается, что месячная зарплата сотрудников фирмы составляет 500 $ при стандартном отклонении
· = 50 $. Выборка из 49 человек дала следующие результаты: 13 EMBED Equation.3 1415=450$ и S = 60$. На основании результатов проведенных наблюдений можно утверждать, что:
+средняя зарплата сотрудников меньше рекламируемой на всех уровнях значимости, а разброс в зарплатах больше на уровне значимости
·=0,05 и
·=0,1
-средняя зарплата сотрудников меньше рекламируемой на всех уровнях значимости, а разброс в зарплатах больше только на уровне значимости
·=0,01
-средняя зарплата сотрудников меньше рекламируемой, а разброс в зарплатах больше на всех уровнях значимости

Имеется три вида акций A, B и C каждая стоимостью 20 у.е., дивиденды по которым являются независимыми СВ со средним значением 8 % и дисперсией 25. Формируются два портфеля инвестиций. Портфель z1 состоит из 60 акций A. Портфель z2 включает в себя по 20 акций A, B и C. Коэффициент корреляции между дивидендами по акциям A и C равен -0,5, но обе величины не коррелируют с дивидендами по акциям B. Рассчитать риски от вложений средств в данные портфели инвестиций:
+z1=90000; z2=20000
-z1=90000; z2=29975
-z1=90000; z2=1475
-z1=1500; z2=1525


~ Тема 3

Суть МНК состоит в:
-минимизации суммы квадратов коэффициентов регрессии;
-минимизации суммы квадратов значений зависимой переменной;
@-минимизации суммы квадратов отклонений точек наблюдений от уравнения регрессии;
-минимизации суммы квадратов отклонений точек эмпирического уравнения регрессии от точек теоретического уравнения регрессии.

Коэффициент уравнения регрессии показывает
-на сколько % изменится результат при изменении фактора на 1%.
-на сколько % изменится фактор при изменении результата на 1%.
@-на сколько единиц изменится результат при изменении фактора на 1 единицу.
-на сколько единиц изменится фактор при изменении результата на 1 единицу.
-во сколько раз изменится результат при изменении фактора на 1 единицу.

Коэффициент эластичности показывает
-на сколько единиц изменится фактор при изменении результата на 1 единицу.
-на сколько единиц изменится результат при изменении фактора на 1 единицу.
-во сколько раз изменится результат при изменении фактора на одну единицу.
@-на сколько % изменится результат при изменении фактора на 1 %.
-на сколько %изменится фактор при изменении результата на 1%.

Не является предпосылкой классической модели предположение:
-факторы экзогенны
-длина исходного ряда данных больше, чем количество факторов.
-матрица факторов содержит все важные факторы, влияющие на результат.
@-факторы являются случайными величинами.

На основании наблюдений за 100 домохозяйствами построено эмпирическое уравнение регрессии, у-потребление, х -доход:У=145,65+0,825*х Соответствуют ли знаки и значения коэффициентов регрессии теоретическим представлениям;
@-да
-нет
-частично соответствуют

В производственной функции Кобба-Дугласа параметр В (бета) соответствует коэффициенту:
-корреляции;
-вариации;
@-эластичности;
-детерминации.

Найдите предположение, не являющееся предпосылкой классической модели.
-Случайное отклонение имеет нулевое математическое ожидание.
-Случайное отклонение имеет постоянную дисперсию.
-Отсутствует автокорреляция случайных отклонений.
-Случайное отклонение независимо от объясняющих переменных.
@-Случайное отклонение не обладает нормальным распределением.

По месячным данным за 6 лет построена следующая регрессия: Y=-12,23+0,91*x1-2,1*x2, R2=0,976, DW=1,79t (-3,38) (123,7) (3,2) y-потребление,х1–располагаемый доход,х2–процентная банковская ставка по вкладам. Оцените качество построенной модели, не прибегая к таблицам, совпадает ли направление влияния объясняющих переменных с теоретическим?
@-качество модели высокое, направление влияния совпадает;
-качество модели низкое, направление влияния совпадает;
-качество модели высокое, но направление влияния не совпадает;
-качество модели низкое, направление влияния совпадает.

Критерий Стьюдента предназначен для:
-Определения экономической значимости каждого коэффициента уравнения.
@-Определения статистической значимости каждого коэффициента уравнения.
-Проверки модели на автокорреляцию остатков.
-Определения экономической значимости модели в целом.
-Проверки на гомоскедастичность.

Если коэффициент уравнения регрессии (В (бета)k) статистически значим, то
-В (бета)k > 1.
-|В (бета)k | > 1.
@-В (бета)k не равно 0.
-В (бета)k > 0.
-0 < В (бета)k < 1.

Табличное значение критерия Стьюдента зависит
-Только от уровня доверительной вероятности.
-Только от числа факторов в модели.
-Только от длины исходного ряда.
-Только от уровня доверительной вероятности и длины исходного ряда.
@-И от доверительной вероятности, и от числа факторов, и от длины исходного ряда.

Имеется уравнение, полученное МНК: yt=1,12-0,0098xt1-5,62xt2+0,044xt3 Зная, что регрессионная сумма квадратов составила 110,32, остаточная сумма квадратов 21,43, найдите коэффициент детерминации:
@-0,837;
-0,999;
-1,000;
-0,736.

Суть коэффициента детерминации R^2 состоит в следующем:
@-коэффициент определяет долю общего разброса значений y, объясненного уравнением регрессии;
-коэффициент свидетельствует о значимости коэффициентов регрессии;
-коэффициент определяет тесноту связи между признаками;
-коэффициент свидетельствует о наличии / отсутствии автокорреляции.

Какое из уравнений регрессии нельзя свести к линейному виду?
@-y=B0+B1x1^B2++E
- y=B0+B1x1+Bnxn+E
-y=e^B0 x1^B1**xn^Bn E
-y=B0+B1/x1 +Bn/xn +E
-y=B0+B1/x1^2 ++Bn/xn^2 +E

Какое из уравнений регрессии является степенным?
- y=B0+B1x1^B2++E
@-y=e^B0 x1^B1 E
- y=B0+B1/x1^2 ++E
-y=B0 B1^x1 B2^x2 E
- y=B0+B1x1^B2+E

Парная регрессия представляет собой модель вида:
@-y=f(x)
-y=f(x1,x2,xm)
-y=f(y t-1)

Уравнение парной регрессии характеризует связь между:
@-двумя переменными
-несколькими переменными

Согласно содержанию регрессии, наблюдаемая величина зависимой переменной складывается из:
@-теоретического значения зависимой переменной, найденного из уравнения регрессии, и случайного отклонения
-теоретического значения зависимой переменной, найденного из уравнения регрессии, скорректированного на величину стандартной ошибки
-теоретического значения зависимой переменной, найденного из уравнения регрессии и остаточной дисперсии.

Использование парной регрессии вместо множественной является примером:
@-ошибки спецификации
-ошибки выборки
-ошибки измерения

Включение в совокупность единиц с “выбросами” данных является примером:
@-ошибки выборки
-ошибки спецификации
-ошибки измерения

Заниженная балансовая прибыль в отчетности является примером:
@-ошибки измерения
-ошибки спецификации
-ошибки выборки

Аналитический метод подбора вида уравнения регрессии основан на:
@-изучении природы связи признаков
-изучении поля корреляции
-сравнении величины остаточной дисперсии при разных моделях

Графический метод подбора вида уравнения регрессии основан на:
@-изучении поля корреляции
-изучении природы связи признаков
-сравнении величины остаточной дисперсии при разных моделях

Экспериментальный метод подбора вида уравнения регрессии основан на:
@-сравнении величины остаточной дисперсии при разных моделях
-изучении поля корреляции
-изучении природы связи признаков

Классический подход к оцениванию коэффициентов регрессии основан на:
@-методе наименьших квадратов
-графической оценке
-методе максимального правдоподобия

Величина коэффициента регрессии показывает:
@-среднее изменение результата с изменением фактора на одну единицу
-среднее изменение результата с изменением фактора на один процент
-изменение результата в процентах с изменением фактора на один процент

Уравнение парной регрессии дополняется коэффициентом парной корреляции потому, что:
@-необходимо знать тесноту связи в линейной форме
-это требуется для получения оценок коэффициентов регрессии
-это необходимо для расчета величины остаточной дисперсии

Коэффициент детерминации характеризует:
@-долю факторной дисперсии в общей дисперсии результативного признака
-соотношение факторной и остаточной дисперсий
-долю остаточной дисперсии в общей дисперсии результативного признака

F-критерий характеризует:
@-соотношение факторной и остаточной дисперсий
-долю факторной дисперсии в общей дисперсии результативного признака
-долю остаточной дисперсии в общей дисперсии результативного признака

Оценка значимости уравнения регрессии в целом дается с помощью:
@-F-критерия Фишера
-коэффициента детерминации
-стандартной ошибки регрессии

«Объясненная» сумма квадратов отклонений отражает влияние на разброс y:
@-изучаемого фактора х
-прочих факторов
-изучаемого фактора х и прочих факторов

Остаточная сумма квадратов отклонений отражает влияние на разброс у:
-изучаемого фактора х
@-прочих факторов
-изучаемого фактора х и прочих факторов

Если фактор не оказывает влияния на результат, то линия регрессии на графике:
@-параллельна оси ох
-параллельна оси оу
-является биссектрисой первой четверти декартовой системы координат

Остаточная сумма квадратов равна нулю в том случае, когда:
@-у связан с х функционально
-значения у, рассчитанные по уравнению регрессии, равны среднему значению у
-вся общая дисперсия у обусловлена влиянием прочих факторов

Общая сумма квадратов отклонений совпадает с остаточной, когда:
@-фактор х не оказывает влияния на результат
-прочие факторы не влияют на результат
-фактор х и прочие факторы в равной степени влияют на результат

Уравнение регрессии статистически значимо, если
@-«объясненная» сумма квадратов отклонений значимо больше остаточной суммы квадратов отклонений
-остаточная сумма квадратов отклонений значимо больше «объясненной» суммы квадратов отклонений
-«объясненная» и остаточная суммы квадратов отклонений равны

Число степеней свободы связано с:
@-числом единиц совокупности n и числом определяемых по совокупности констант
-числом определяемых по совокупности констант
-числом единиц совокупности n

“Объясненная” (факторная) сумма квадратов отклонений в парной регрессии имеет число степеней свободы, равное:
@-1
-n-1
-n-2

Остаточная сумма квадратов отклонений в парной регрессии имеет число степеней свободы, равное:
@-n-2
-n-1
-1

Общая сумма квадратов отклонений в парной регрессии имеет число степеней свободы, равное:
@-n-1
-1
-n-2

Какое из утверждений истинно:
@-оценки коэффициентов регрессии будут иметь нормальное распределение, если случайные отклонения распределены нормально
-чем больше стандартная ошибка регрессии (остаточная дисперсия), тем точнее оценки коэффициентов
-90%-й доверительный интервал для условного математического ожидания зависимой переменной определяет область возможных значений для 90 % -ов наблюдений за зависимой переменной при соответствующем уровне объясняющей переменной

Для оценки значимости коэффициентов регрессии рассчитывают:
@-t-статистику Стьюдента
-F-критерий Фишера
-коэффициент детерминации

Какой нелинейной функцией можно заменить параболу, если не наблюдается смена направленности связи признаков:
@-степенной функцией
-гиперболой
-логистической функцией

В большинстве случаев зависимости между экономическими переменными являются:
@-стохастическими
-функциональными
-строгими

Компонента А(альфа)0 +В (бета)1xi в уравнении линейной регрессии отражает:
@-связь в генеральной совокупности
-случайность
-связь в генеральной совокупности и случайность

Коэффициент а в уравнении линейной регрессии измеряет:
@-сдвиг по оси ординат
-наклон прямой
-среднее значение y

Коэффициент b в уравнении линейной регрессии измеряет:
@-наклон прямой
-сдвиг по оси ординат
-среднее значение у

По выборке данных можно построить так называемое:
@-эмпирическое уравнение регрессии
-теоретическое уравнение регрессии
-любое уравнение регрессии

Эмпирические коэффициенты регрессии а и b являются точечными оценками:
@-теоретических коэффициентов регрессии
-условного математического ожидания у
-теоретического случайного отклонения

Yx^ есть точечная оценка:
@-M(Y|X=xi|)
-Ei
-B0, B1

Коэффициент регрессии b пропорционален:
@-коэффициенту корреляции
-стандартному отклонению х
-стандартному отклонению у

Эмпирическая прямая регрессии обязательно проходит через точку:
@-(Хсред,Усред)
-(0,Усред)
-(Хсред,1)

Эмпирическое уравнение регрессии построено таким образом, что:
@-Сумма ei=0, eсред=0
-;rx,y>0,5
-.cov(xi, yi)=cov(yi, ei)

Коэффициент b регрессии Y на X имеет тот же знак, что и:
@-rx,y
-Усред
-Хсред

Если по одной и той же выборке рассчитаны регрессии У на Х и Х на У, то совпадут ли в этом случае линии регрессии:
@-нет
-да

Если переменная Х принимает среднее по выборке значение х, то:
@-наблюдаемая величина зависимой переменной У равна среднему значению у
-регрессионная величина Ух в среднем равна среднему значению у, но не обязательно в каждом конкретном случае
-регрессионная величина Ух равна среднему значению у
-регрессионный остаток минимален среди всех других отклонений

Выберите истинное утверждение:
@-коэффициенты эмпирического уравнения регрессии являются по сути случайными величинами;
-коэффициент b эмпирического парного линейного уравнения регрессии показывает процентное изменение зависимой переменной у при однопроцентном изменении х;
-коэффициент a эмпирического парного линейного уравнения регрессии показывает значение переменной y при среднем значении переменной x.

Случайное отклонение в среднем не оказывает влияние на зависимую переменную, если:
-D(Ei) не равно D(Ej)
@-M(Ei)=0
-cov(Ei, Ej)=0

Случайное отклонение приведет к увеличению дисперсии оценок, если
@-D(Ei) не равно D(Ej)
-cov(Ei, Xi)=0;
-cov(Ei, Ej)=0

Гомоскедастичность подразумевает:
@-D(Ei) = D(Ej)
-M(Ei)=0
-cov(Ei, Ej)=0

Отсутствие автокорреляции случайных отклонений влечет соотношение:
@- cov(Ei, Ej)=0
-D(Ei) = D(Ej)
-cov(Ei, Xi)=0

Эмпирический коэффициент регрессии b является несмещенной оценкой B (бета)если:
@-M(b)=B
-D(b) стремится к 0, n стремится к бесконечности
-D(b)=Dmin

Эмпирический коэффициент регрессии b является состоятельной оценкой если:
@-D(b) стремится к 0, n стремится к бесконечности
-M(b)=B
-D(b)=Dmin

Эмпирический коэффициент регрессии b является эффективной оценкой если:
@-D(b)=Dmin;
-D(b) стремится к 0, n стремится к бесконечности
-M(b)=B

С увеличением числа наблюдений n дисперсии оценок а и b:
@-уменьшаются
-увеличиваются
-не изменяются

С увеличением дисперсии х дисперсия оценок a и b:
@-уменьшается
-увеличивается
-не изменяется

С увеличением наклона прямой регрессии (b) разброс значений свободного члена а:
@-увеличивается
-уменьшается
-не изменяется

Разброс значений свободного члена а:
@-тем больше, чем больше среднее значение квадрата х
-тем больше, чем меньше среднее значение квадрата х
-не зависит от величины х

Свободным членом уравнения парной линейной регрессии (а) можно пренебречь, когда:
@-|ta|-|ta|>t альфа/2, n-2
-|ta|<|tb|

Значимая линейная связь между х и у имеет место, когда:
@-2<|t|<=3
1<|t|<=2
-|t|<=1

С увеличением объема выборки:
@-увеличивается точность оценок
-увеличивается точность прогноза по модели
-уменьшается коэффициент детерминации

При оценке парной линейной регрессии получена завышенная оценка b1 теоретического коэффициента B1. Какая оценка наиболее вероятна для коэффициента B0
@-заниженная
-завышенная
-несмещенная

Доверительный интервал для среднего значения У при Х=хр будет:
@-уже, чем таковой для индивидуальных значений у
-шире, чем таковой для индивидуальных значений у


Для уравнения y = 3,14 + 2x +E значение коэффициентов корреляции составило 2. Следовательно:
@-значение коэффициента корреляции рассчитано с ошибкой
-связь функциональная
-при увеличении фактора на единицу значение результата увеличивается
в 2 раза
-теснота связи в 2 раза сильнее, чем для функциональной связи

?Графическое изображение наблюдений на декартовой плоскости координат называется полем: (проставить все)
@-корреляции
-автокорреляции
-случайных воздействий
-регрессии

Относительно количества факторов, включенных в уравнение регрессии различают:
@-простую и множественную регрессии
-линейную и нелинейную регрессии
-множественную и многофакторную регрессии
-непосредственную и косвенную регрессии

Факторная дисперсия служит для оценки влияния:
@-учтенных явно в модели факторов
-величины постоянной составляющей в уравнении
-случайных воздействий
-как учтенных факторов, так и случайных воздействий

Спецификацию нелинейного уравнения парной регрессии целесообразно использовать, если значение:
@-индекса детерминации, рассчитанного для данной модели достаточно близко к 1
-линейного коэффициента корреляции для исследуемой зависимости близко к 1
-индекса корреляции для исследуемой зависимости близко к 0
-доля остаточной дисперсии результативного признака в его общей дисперсии стремится к 1

Система нормальных уравнений метода наименьших квадратов строится на основании:
@-таблицы исходных данных
-отклонений фактических значений результативного признака от его теоретических значений
-отклонений фактических значений объясняющей переменной от ее теоретических значений
-предсказанных значений результативного признака

Общая дисперсия служит для оценки влияния:
@-как учтенных факторов, так и случайных воздействий
-величины постоянной составляющей в уравнении
-случайных воздействий
-учтенных явно в модели факторов

Экспоненциальным не является уравнение регрессии:
-y = e + bx +E
-y = e^x *E
@-y = e^x +E
y = e^(a+bx) *E

Объем выборки определяется:
-объемом генеральной совокупности
-числовыми значениями переменных отбираемых в выборку
-числом результативных переменных
@-числом параметров при независимых переменных

При расчете значения коэффициента детерминации используется отношение:
@-дисперсий
-математических ожиданий
-остаточных величин
-параметров уравнения регрессии

Предпосылкой метода наименьших квадратов является:
@-отсутствие автокорреляции в остатках
-присутствие автокорреляции между результатом и фактором
-отсутствие корреляции между результатом и фактором
-присутствие автокорреляции в остатках

Смысл расчета средней ошибки аппроксимации состоит в определении среднего арифметического значения:
@-отклонений E , выраженных в процентах от фактических значений результативного признака
-теоретических значений результативного признака, выраженных в процентах от его фактических значений
-теоретических значений результативного признака, выраженных в процентах от его фактических значений признака
-отклонений E , выраженных в процентах от фактических значений независимой переменной


Для моделирования зависимости предложения от цены не может быть использовано уравнение регрессии:
- 13 EMBED Equation.3 1415;
- 13 EMBED Equation.3 1415;
+ 13 EMBED Equation.3 1415;
- 13 EMBED Equation.3 1415.


Основной целью линеаризации уравнения регрессии является:
@-возможность применения метода наименьших квадратов для оценки параметров
-повышение существенности связи между рассматриваемыми признаками
-получение новых нелинейных зависимостей
-улучшение качества модели

Требованием к уравнениям регрессии, параметры которых можно найти при помощи МНК является:
@-линейность параметров
-равенство нулю средних значений результативной переменной
-нелинейность параметров
-равенство нулю средних значений факторного признака

Совокупность значений критерия, при которых принимается нулевая гипотеза, называется областью _____________ гипотезы:
@- принятия;
- нулевых значений;
- допустимых значений;
- отрицания.

Качество подбора уравнения оценивает коэффициент . . . .
- корреляции;
@- детерминации;
- эластичности;

Смысл расчета средней ошибки аппроксимации состоит в определении среднего арифметического значения . . . .
- теоретических значений результативного признака, выраженных в процентах от его фактических значений;
@- отклонений , выраженных в процентах от фактических значений результативного признака;
- теоретических значений результативного признака, выраженных в процентах от его фактических значений признака;
- отклонений , выраженных в процентах от фактических значений независимой переменной.

Увеличение точности оценок с увеличением объема выборки описывает свойство ___________ оценки
- несмещенности;
- смещенности;
@- состоятельности;
- эффективности.

Оценки параметров, найденных при помощи метода наименьших квадратов, обладают свойствами эффективности, состоятельности и несмещенности, если предпосылки метода наименьших квадратов . . .
@- выполняются;
- не выполняются;
- можно не учитывать;
- можно исключить.

Нелинейным не является уравнение
@у = a + bx1+ cx2 +e
у=a+b/x+e
y=1/(a+bx)+e
y=a+bx+cx^2+e

Критерий Стьюдента предназначен для определения значимости . . .
- построенного уравнения в целом;
- каждого коэффициента корреляции;
- уравнения;
@ каждого коэффициента регрессии.

?Для моделирования зависимости предложения от цены не может быть использовано уравнение регрессии:b>0
@-y = a + b/ x +E
-y = a + bx +E
-y = a + bx^2 +E
-y = a + x^b +E

Основной целью линеаризации уравнения регрессии является. . . .
- повышения существенности связи между рассматриваемыми переменными;
- получение новых нелинейных зависимостей;
@- возможность применения метода наименьших квадратов для оценки параметров;
- улучшение качества модели.

Для уравнения значение коэффициента корреляции составило 2. Следовательно . . . .
@- значение коэффициента корреляции рассчитано с ошибкой;
- теснота связи в 2 раза сильнее, чем для функциональной связи;
- связь функциональная;
- при увеличении фактора на единицу значение результата увеличивается в 2 раза.

Назовите показатель корреляции для нелинейных моделей регрессии:
- парный коэффициент линейной корреляции;
- индекс детерминации;
- линейный коэффициент корреляции;
@- индекс корреляции.

?Если имеется спецификация модели У = f(X) + e нелинейного уравнения регрессии, то нелинейной является функция
f(у)
f(e)
@f(x)
f(x,e)

Значение коэффициента корреляции не характеризует
@- статистическую значимость уравнения;
- корень из значения коэффициента детерминации;
- тесноту связи;
- силу связи.

Расчетное значение критерия Фишера определяется как отношение .
@- дисперсий;
- результата к фактору;
- математических ожиданий;
- случайных величин.

Парабола второй степени может быть использована для зависимостей экономических показателей,
- если исходные данные не обнаруживают изменения направленности;
- если для определенного интервала значений фактора меняется скорость измене-ний значений результата, то есть возрастает динамика роста или спада;
- если характер связи зависит от случайных факторов;
@- если для определенного интервала значений фактора меняется характер связи рассматриваемых показателей: прямая связь изменяется на обратную или обратная на прямую.

Оценки параметров уравнений регрессии при помощи метода наименьших квадратов находятся на основании:
- решения уравнения регрессии;
решения системы нормальных неравенств;
- решения двойственной задачи;
@- решения системы нормальных уравнений.

Для уравнения зависимости выручки от величины оборотных средств получено значение коэффициента детерминации, равное 0,7. Следовательно, _______ процентов дисперсии обусловлено случайными факторами.
@- 30%;
- 100%;
- 70%;
- 0%.

Если доверительный интервал для параметра проходит через точку ноль, следовательно
- значение параметра может принимать как отрицательные, так и положительные значения;
@- параметр является несущественным;
- параметр является существенным;
- параметр признается статистически значимым.

Уравнение регрессии характеризует ________ зависимость.
@- обратно пропорциональную;
- линейную;
- функциональную;
- прямо пропорциональную.

Значения коэффициента корреляции может находиться в отрезке:
- [-1;0];
- [0;1];
@- [-1;1];
- [-2;2].

Оценка значимости уравнения в целом осуществляется по критерию:
@- Фишера;
- Дарбина-Уотсона;
- Пирсона;
- Стьюдента.

Метод наименьших квадратов позволяет оценить _______ уравнений регрессии
- переменные и случайные величины;
@- параметры;
- переменные;
- параметры и переменные

Расчет средней ошибки аппроксимации для нелинейных уравнений регрессии связан с расчетом разности между
@- фактическим и теоретическим значениями результативной переменной;
- фактическим и теоретическим значениями независимой переменной;
- прогнозным и теоретическим значениями результативной переменной;
- прогнозным и теоретическим значениями независимой переменной.

Предпосылкой метода наименьших квадратов является то, что
- при увеличении моделируемых значений результативного признака значение ос-татка увеличивается;
@- остаточные величины имеют случайный характер;
- при уменьшении моделируемых значений результативного признака значение остатка уменьшается;
- остаточные величины имеют неслучайный характер.

?Проводится исследование финансовых результатов деятельности предприятий, среди которых обнаруживаются как прибыльные, так и убыточные. Среди факторов, влияющих на прибыль, был выделен доминирующий. При этом НЕЛЬЗЯ ИСПОЛЬЗОВАТЬ спецификацию
@y = e^(a+bx+e)
у = a + bx + e (а < 0)
У =1/(a+bx)+e

Значение коэффициента детерминации рассчитывается как отношение дисперсии результативного признака, объясненной регрессией, к ___________ дисперсии результативного признака.
- средней;
- факторной;
- остаточной;
@- общей.

Расчет значения коэффициента детерминации не позволяет оценить:
- качество подбора уравнения регрессии;
- долю факторной дисперсии результативного признака в общей дисперсии результативного признака;
@- существенность коэффициента регрессии;
- долю остаточной дисперсии результативного признака в общей дисперсии ре-зультативного признака.

Предпосылкой метода наименьших квадратов является то, что остатки
- не подчиняются закону больших чисел;
@- подчиняются закону нормального распределения;
- не подчиняются закону нормального распределения;
- подчиняются закону больших чисел.

Критическое значение критерия Стьюдента определяет:
- максимально возможную величину, допускающую принятие гипотезы о существенности параметра;
@- максимально возможную величину, допускающую принятие гипотезы о несущественности параметра;
- минимально возможную величину, допускающую принятие гипотезы о равенстве нулю значения параметра;
- минимально возможную величину, допускающую принятие гипотезы о несущественности параметра.

Графическое изображение наблюдений на декартовой плоскости координат называется полем
- регрессии;
@- корреляции;
- случайных воздействий;
- автокорреляции.

В линейном уравнении парной регрессии коэффициентом регрессии является значение
- параметров a и b ;
- параметра a;
- переменной x;
@- параметра b.

Линеаризация подразумевает процедуру
- приведения уравнения множественной регрессии к парной;
@- приведения нелинейного уравнения к линейному виду;
- приведения линейного уравнения к нелинейному виду;
- приведения нелинейного уравнения относительно параметров к уравнению, ли-нейному относительно результата.

Система нормальных уравнений метода наименьших квадратов строится на основании:
@- таблицы исходных данных;
- отклонений фактических значений результативного признака от его теоретических значений;
- предсказанных значений результативного признака;
- отклонений фактических значений объясняющей переменной от ее теоретических значений.

При помощи модели степенного уравнения регрессии вида y=a*x^b*e(b>0) не может быть описана зависимость
- выработки от уровня квалификации;
- заработной платы от выработки;
- объема предложения от цены;
@- выработки от трудоемкости.

?Замена z=1/х НЕ ПОДХОДИТ для уравнения
y=a+b/x+e
у=а +(b+c)/x + e
у=а+1/bx+e
@y=1/(a+bx)+e

При хорошем качестве модели допустимым значением средней ошибки аппроксимации является
@- 5-7%;
- 50%;
- 90-95%;
- 20-25%.

Простая линейная регрессия предполагает
- наличие двух и более факторов и нелинейность уравнения регрессии;
@- наличие одного фактора и линейность уравнения регрессии;
- наличие одного фактора и нелинейность уравнения регрессии;
- наличие двух и более факторов и линейность уравнения регрессии.

Минимальная дисперсия остатков характерна для оценок, обладающих свойством
@- эффективности;
- несостоятельности;
- состоятельности;
- несмещенности.

?Нелинейным является уравнение
@у = a+b/x+e
y = a + x1/b + x2/c + e
у = a + bx + e
у = a + bx1+cx2+e

Построена модель парной регрессии зависимости предложения от цены y=a+bx+e. Влияние случайных факторов на величину предложения в этой модели учтено посредством
- константы a;
- параметра b;
- случайной величины x;
@- случайной величины e.

При расчете значения коэффициента детерминации используется отношение:
- математических ожиданий;
- остаточных величин;
- параметров уравнения регрессии;
@- дисперсий.

Случайными воздействиями обусловлено 12% дисперсии результативного признака, следовательно, значение коэффициента детерминации составило:
- 88;
- 0,12;
@- 0,88;
- 12.

Свойствами оценок МНК являются:
- эффективность, состоятельность и смещенность;
- эффективность, несостоятельность и несмещенность;
- эффективность, несостоятельность и смещенность;
@- эффективность, состоятельность и несмещенность.

Спецификация модели нелинейная парная (простая) регрессия подразумевает нели-нейную зависимость и
@- независимую переменную;
- пару существенных переменных;
- пару независимых переменных;
- пару зависимых переменных.

Значение линейного коэффициента корреляции характеризует тесноту ________ свя-зи.
-нелинейной;
@- линейной;
-случайной;
- множественной линейной.

Для нелинейных уравнений метод наименьших квадратов применяется к
- не преобразованным линейным уравнениям;
- обратным уравнениям;
@- преобразованным линеаризованным уравнениям;
- нелинейным уравнениям.

Величина коэффициента детерминации при включении существенного фактора в эко-нометрическую модель
@- будет увеличиваться;
- будет равно нулю;
- существенно не изменится;
- будет уменьшаться.

К линейному виду нельзя привести:
- линейную модель внутренне линейную;
@- нелинейную модель внутренне нелинейную;
- линейную модель внутренне нелинейную;
- нелинейную модель внутренне линейную.

Математическое ожидание остатков равно нулю, если оценки параметров обладают свойством
- смещенности;
@- несмещенности;
- состоятельности;
- эффективности.

В нелинейной модели парной регрессии y=f(x)+e функция F(x) является:
- равной нулю;
- несущественной;
- линейной;
@- нелинейной.

Критические значения критерия Фишера определяются по:
@- уровню значимости и степеням свободы факторной и остаточной дисперсий;
- уровню значимости и степени свободы общей дисперсии;
- уровню значимости;
- степени свободы факторной и остаточной дисперсий.

В качестве показателя тесноты связи для линейного уравнения парной регрессии ис-пользуется:
- множественный коэффициент линейной корреляции;
@- линейный коэффициент корреляции;
- линейный коэффициент регрессии;
- линейный коэффициент детерминации.

Предпосылки метода наименьших квадратов исследуют поведение
- параметров уравнения регрессии;
- неслучайных величин;
@- остаточных величин;
- переменных уравнения регрессии.

Величина параметра a в уравнении парной линейной регрессии y=a+bx+e характеризует значение
- факторной переменной при нулевом значении результата;
- результирующей переменной при нулевом значении случайной величины;
- факторной переменной при нулевом значении случайного фактора;
@- результирующей переменной при нулевом значении фактора.

Если значение индекса корреляции для нелинейного уравнения регрессии стремится к 1, следовательно,
- нелинейная связь недостаточно тесная;
- линейная связь достаточно тесная;
@- нелинейная связь достаточно тесная;
- нелинейная связь отсутствует.

Состоятельность оценки характеризуется
- независимостью от объема выборки значения математического ожидания остат-ков;
@- увеличением ее точности с увеличением объема выборки;
- уменьшением ее точности с увеличением объема выборки;
- зависимостью от объема выборки значения математического ожидания остатков.

Если предпосылки метода наименьших квадратов нарушены, то
- полученное уравнение статистически незначимо;
@- оценки параметров могут не обладать свойствами эффективности, состоятель-ности и несмещенности;
- коэффициент регрессии является несущественным;
- коэффициент корреляции является несущественным.

Общая дисперсия служит для оценки влияния
- учтенных явно в модели факторов;
@- как учтенных факторов, так и случайных воздействий;
- величины постоянной составляющей в уравнении;
- случайных воздействий.

Значение коэффициента корреляции равно -1. Следовательно
- связь отсутствует;
- связь слабая;
@- связь функциональная;
- ситуация неопределенна.

Нелинейным называется уравнение регрессии, если
- параметры входят нелинейным образом, а переменные линейны;
@- независимые переменные входят в уравнение нелинейным образом;
- параметры и зависимые переменные входят в уравнение нелинейным образом;
- зависимые переменные входят в уравнение нелинейным образом.

Если коэффициент регрессии является несущественным, то его значения приравнива-ются к
- табличному значению и соответствующий фактор не включается в модель;
@- нулю и соответствующий фактор не включается в модель;
- единице и не влияет на результат;
- нулю и соответствующий фактор включается в модель.

Величина отклонений фактических значений результативного признака от его теоре-тических значений представляет собой
- ошибку корреляции;
- значение критерия Фишера;
@- ошибку аппроксимации;
- показатель эластичности.

Объем выборки должен превышать число рассчитываемых параметров при исследуе-мых факторах ..
- в 2-3 раза;
- в 20-25 раз;
- в 10-12 раз;
@- в 5-6 раз.


Остаточная дисперсия служит для оценки влияния
@- случайных воздействий;
- величины постоянной составляющей в уравнении;
- учтенных явно в модели факторов;
- как учтенных факторов, так и случайных воздействий.

Значение коэффициента корреляции равно 0,9. Следовательно, значение коэффициен-та детерминации составит
- 0,3;
@- 0,81;
- 0,95;
- 0,1.

?По результатам исследования было выявлено, что рентабельность производства падает с увеличением трудоемкости. Какую спецификацию уравнения регрессии можно использовать для построения модели такой зависимости?
у = а + bх + сх^2 + e
@у = 1/(a+b*кореньx) +e
y = e^(a+bx)+e
у=а+b*кореньх+e

Случайный характер остатков предполагает
- независимость предсказанных по модели значений результативного признака от значений факторного признака;
@- независимость остатков от величины предсказанных по модели значений ре-зультативного признака;
- зависимость остатков от величины предсказанных по модели значений результа-тивного признака;
- зависимость предсказанных по модели значений результативного признака от значений факторного признака.

Статистические гипотезы используются для оценки:
- тесноты связи между результатом и фактором;
- тесноты связи между результатом и случайными факторами;
- автокорреляции в остатках;
@- значимости уравнения регрессии в целом.

Параметр является существенным, если
@- доверительный интервал не проходит через ноль;
- доверительный интервал проходит через ноль;
- расчетное значение критерия Стьюдента меньше табличного значения;
- стандартная ошибка превышает половину значения самого параметра.

?Замена x1 = х, х2 = х^2 подходит для уравнения
у = а + bх + сх^2 + dx^3 + e
у = а + b/x + c/x^2 + e
У = 1/(a+bx+cx^2) + e
@у = a + bx + сх^2 + e

В исходном соотношении МНК сумма квадратов отклонений фактических значений результативного признака от его теоретических значений
- приравнивается к нулю;
@- минимизируется;
- максимизируется;
- приравнивается к системе нормальных уравнений.

При выборе спецификации нелинейная регрессия используется, если
- нелинейная зависимость для исследуемых экономических показателей является несущественной;
@- между экономическими показателями обнаруживается нелинейная зависимость;
- между экономическими показателями не обнаруживается нелинейная зависи-мость;
- между экономическими показателями обнаруживается линейная зависимость.

Табличное значение критерия Фишера служит для
@- проверки статистической гипотезы о равенстве факторной и остаточной дисперсий;
- проверки статистической гипотезы о равенстве дисперсии некоторой гипотетической величины;
- проверки статистической гипотезы о равенстве двух математических ожиданий;
- проверки статистической гипотезы о равенстве математического ожидания неко-торой гипотетической величины.

Предпосылкой метода наименьших квадратов является то, что остатки
- не подчиняются закону больших чисел;
@- подчиняются закону нормального распределения;
- не подчиняются закону нормального распределения;
- подчиняются закону больших чисел.

Расчетное значение критерия Фишера определяется как
- разность факторной дисперсии и остаточной, рассчитанных на одну степень сво-боды;
- отношение факторной дисперсии к остаточной;
@- отношение факторной дисперсии к остаточной, рассчитанных на одну степень свободы;
- суммы факторной дисперсии к остаточной, рассчитанных на одну степень свобо-ды.

Предпосылкой метода наименьших квадратов не является условие
- гомоскедастичности остатков;
- случайный характер остатков;
- отсутствие автокорреляции в остатках;
@- неслучайный характер остатков.

Нелинейное уравнение регрессии означает нелинейную форму зависимости между:
- фактором и результатом;
- фактором и случайной величиной;
@- результатом и факторами;
- результатом и параметрами.

Несмещенность оценки на практике означает
- уменьшение точности с увеличением объема выборки;
- невозможность перехода от точечного оценивания к интервальному;
- что найденное значение коэффициента регрессии нельзя рассматривать как сред-нее значение из возможного большого количества несмещенных оценок;
@- что при большом числе выборочных оцениваний остатки не будут накапливать-ся.

Стандартная ошибка рассчитывается для проверки существенности
@- параметра;
- коэффициента детерминации;
- случайной величины;
- коэффициента корреляции.

Факторная дисперсия служит для оценки влияния:
- как учтенных факторов, так и случайные воздействия;
@- учтенных явно в модели факторов;
- величины постоянной составляющей в уравнении;
- случайных воздействий.

?Экспоненциальным НЕ ЯВЛЯЕТСЯ уравнение регрессии
у = (е^х) * e
у = е^х + e
@у = e + bx + e
y = e^(a+bx) + e

??Известно, что с увеличением объема производства себестоимость единицы продукции уменьшается за счет того, что происходит перераспределение постоянных издержек. Пусть а - совокупная величина постоянных издержек, b - величина переменных издержек в расчете на 1 изделие. Тогда зависимость себестоимости единицы продукции от объема производства можно описать с помощью модели
у = a/bx + e
у = a/x + bx + e
@у = b/x + ax + e
y = a/x + b/x + e

В основе метода наименьших квадратов лежит
- равенство нулю суммы квадратов отклонений фактических значений результа-тивного признака от его теоретических значений;
- минимизация суммы квадратов отклонений фактических значений результатив-ного признака от его средних значений;
@- минимизация суммы квадратов отклонений фактических значений результатив-ного признака от его теоретических значений;
- максимизация суммы квадратов отклонений фактических значений результатив-ного признака от его теоретических значений.

Объем выборки определяется
- числовыми значениями переменных, отбираемых в выборку;
- объемом генеральной совокупности;
@- числом параметров при независимых переменных;
- числом результативных переменных.

При оценке статистической значимости уравнения и существенности связи осуществ-ляется проверка
- существенности параметров;
- существенности коэффициента корреляции;
@- существенности коэффициента детерминации;
- нулевой гипотезы.

Для модели зависимости дохода населения (р.) от объема производства (млн р.) полу-чено уравнение y=0,003x+1200+e. При изменении объема производства на 1 млн р. до-ход в среднем изменится на
- 0,003 млн р.;
- 1200 млн р.;
- 1200 р.;
@- 0,003 р.

Относительно формы зависимости различают
- простую и множественную регрессию;
- положительную и отрицательную регрессию;
- непосредственную и косвенную регрессию;
@- линейную и нелинейную регрессию.

В матрице парных коэффициентов корреляции отображены значения парных коэффи-циентов линейной корреляции между
- переменными и случайными факторами;
@- переменными;
- параметрами;
- параметрами и переменными.

Уравнение регрессии y=a+b/x+e может быть реализовано при помощи подстановки:
z = b/x
z = 1/x + e
@z = 1/x
z = b/x + e

Спецификацию нелинейного уравнения парной регрессии целесообразно использо-вать, если значение
- линейного коэффициента корреляции для исследуемой зависимости близко к 1;
- индекса корреляции для исследуемой зависимости близко к 0;
@- индекса детерминации, рассчитанного для данной модели достаточно близко к 1;
- доля остаточной дисперсии результативного признака в его общей дисперсии стремится к 1.

Если значение коэффициента корреляции равно единице, то связь между результатом и фактором
- стохастическая;
- вероятностная;
@- функциональная;
- отсутствует.

Эффективность оценки на практике характеризуется
- невозможностью перехода от точечного оценивания к интервальному;
- отсутствием накапливания значений остатков при большом числе выборочных оцениваний;
- уменьшением точности с увеличением объема выборки;
@- возможность перехода от точечного оценивания к интервальному.

Линеаризация не подразумевает процедуру
@- включение в модель дополнительных существенных факторов;
- приведение нелинейного уравнения к линейному;
- замены переменных;
- преобразования уравнения.

Основной задачей эконометрики является
- установление связей между различными процессами в обществе и техническим процессом;
- анализ технического процесса на примере социально-экономических показателей;
- отражение особенности социального развития общества;
@- исследование взаимосвязей экономических явлений и процессов.

При применении метода наименьших остатков уменьшить гетероскедастичность ос-татков удается путем
@- преобразования переменных;
- преобразования параметров;
- введения дополнительных результатов в модель;
- введения дополнительных факторов в модель.

Значение индекса детерминации, рассчитанное для нелинейного уравнения регрессии характеризует
@- долю дисперсии результативного признака, объясненную нелинейной регресси-ей в общей дисперсии результативного признака;
- долю дисперсии результативного признака, объясненную линейной корреляцией в общей дисперсии результативного признака;

Предпосылкой метода наименьших квадратов является
- присутствие автокорреляции между результатом и фактором;
- отсутствие корреляции между результатом и фактором;
- присутствие автокорреляции в остатках;
@- отсутствие автокорреляции в остатках.

?Было замечено, что при увеличении количества вносимых удобрений урожайность также возрастает, однако, по достижении определенного значения фактора моделируемый показатель начинает убывать. Для исследования данной зависимости можно использовать спецификацию уравнения регрессии
у = a + 2b^x +e
y = a + bx-cx + e
у = a + bx1+cx2+e
@у = a + bx + cx^2 +e

Если оценка параметра эффективна, то это означает
- максимальную дисперсию остатков;
- уменьшение точности с увеличением объема выборки;
- равенство нулю математического ожидания остатков;
@- наименьшую дисперсию остатков.

При выборе спецификации модели парная регрессия используется в случае, когда
- среди множества факторов, влияющих на результат, можно выделить лишь слу-чайные факторы;
- среди множества факторов, влияющих на результат, можно выделить несколько факторов;
@- среди множества факторов, влияющих на результат, можно выделить домини-рующий фактор;
- среди множества факторов, влияющих на результат, нельзя выделить домини-рующий фактор.

Нелинейную модель зависимостей экономических показателей нельзя привести к линейному виду, если
@- нелинейная модель является внутренне нелинейной;
- нелинейная модель является внутренне линейной;
- линейная модель является внутренне нелинейной;
- линейная модель является внутренне линейной.

Для существенного параметра расчетное значение критерия Стьюдента
- равно нулю;
@- больше табличного значения критерия;
- не больше табличного значения критерия;
- меньше табличного значения критерия.

Оценить статистическую значимость нелинейного уравнения регрессии можно с по-мощью
- средней ошибки аппроксимации;
@- критерия Фишера;
- линейного коэффициента корреляции;
- показателя эластичности.

Расчетное значение критерия Фишера определяется как ___________факторной дис-персии и остаточной, рассчитанных на одну степень свободы
- произведение;
- разность;
- сумма;
@- отношение.

Критическое значение критерия Стьюдента определяет минимально возможную ве-личину, допускающую принятие гипотезы о
- несущественности параметра;
@- существенности параметра;
- статистической незначимости значения параметра;
- равенства нулю значения параметра.

Если между экономическими показателями существует нелинейная связь, то
- нецелесообразно использовать спецификацию нелинейного уравнения регрессии;
@- целесообразно использовать спецификацию нелинейного уравнения регрессии;
- целесообразно использовать линейное уравнение парной регрессии;
- необходимо включить в модель другие факторы и использовать линейное урав-нение множественной регрессии.

Оценка значимости параметров уравнения регрессии осуществляется по критерию
- Ингла-Гренджера (Энгеля-Грангера);
@- Стьюдента;
- Фишера;
- Дарбина-Уотсона.

Назовите показатель тесноты связи для нелинейных моделей регрессии:
@- индекс корреляции;
- индекс детерминации;
- линейный коэффициент корреляции;
- парный коэффициент линейной корреляции.

Объем выборки определяется числом параметров при
-зависимых переменных;
@@независимых переменных;
-случайных факторах;
-независимых и зависимых переменных.

Значение индекса корреляции, рассчитанное для нелинейного уравнения регрессии характеризует
- тесноту случайной связи;
- тесноту линейной связи;
@- тесноту нелинейной связи;
- тесноту обратной связи.

?Пусть у = утеор + e, где у- фактическое значение зависимой переменной, утеор -теоретическое, рассчитанное по уравнению значение зависимой переменной (объясненное уравнением регрессии), е- ошибка модели. По значению коэффициента детерминации можно судить о доли объясненной дисперсии результативного признака в дисперсии...
его теоретических значений
случайных факторов
@его фактических значений
независимой переменной

?Подбор аналитической формы зависимости для уравнения парной регрессии возможен на основе графиков разброса...
теоретических точек с координатами (x1;Y*x1),(x2;Y*X2),....(Xn;Y*xn)
остатков модели е1,е2,...,еn
центрированных по факторной переменной точек с координатами(x1-х^,у1,),(х2 - х^,у2),...,(хn - х^,уn)
@эмпирических точек с координатами (x1,y1),(x2,y2),...(xn,yn)

?Для определения степени зависимости результативной переменной от факторных, пользуются методом...
@корреляционного анализа
наименьших квадратов
кластерного анализа
скользящих средних

?Предпосылка применения корреляционного анализа...
@совокупность значений факторных и результативных признаков распределена по нормальному закону
совокупность значений факторных и результативных признаков имеет распределение Стьюдента
совокупность значений факторных признаков распределена по нормальному закону, а результативного - по произвольному
совокупность значений результативного признака распределена по нормальному закону, а закон распределения совокупности факторных признаков - произвольный

?Уравнение нелинейной регрессии у = y^ + e, где сигма^2Y- общая дисперсия результативного признака у; сигма^2ост -остаточная дисперсия ошибки e , может оцениваться показателем тесноты связи -индексом корреляции R, который вычисляется по формуле...
@R=корень(1-сигма^2ост/сигма^2Y)
R=сигма^2ост/сигма^2Y
R=корень(сигма^2ост/сигма^2Y)

?Полулогарифмической является эконометрическая модель вида...
у = ае^х + e
у = a+bx^e +e
@у = а + blnx + e
у = а + b/x1 + c/x2 + e

?Оценку существенности (значимости) отдельного параметра уравнения регрессии можно проводить на основании показателей (2 варианта ответа)...
множественного коэффициента корреляции
@стандартной ошибки
парного коэффициента корреляции между двумя независимыми переменными
@t-критерия Стьюдента

?Для степенной функции у = ах^b формула для определения F-критерия F=(R^2/1-R^2)*(n-m-1/m) примет вид...
@F =(R^2/1-R^2)*(n-2)
F =(R^2/1-R^2)*(n-3)/2
F =(R^2/1-R^2)*n
F =(R^2/1-R^2)*(n+1)

?В рамках метода наименьших квадратов (МНК) система нормальных уравнений - это система, решением которой являются оценки...
отклонений параметров теоретической модели от параметров эмпирической модели
@параметров теоретической модели
переменных теоретической модели
независимых переменных модели

?Модель Y = а*b^х*e относится к классу эконометрических моделей нелинейной регрессии.
обратных
линейных
степенных
@показательных

?Стохастическая связь между признаками выраженная в том, сто средняя величина одного признака увеличивается с возрастанием другого, называется...
@положительной корреляцией
функциональной зависимостью
отрицательной корреляцией
автокорреляцией

?Наличие линейной зависимости между факторами (наблюдаемыми показателями) считается установленным, если модуль величины коэффициента парной линейной корреляции между ними удовлетворяет условию...
<= 0,5
>= 1
= 0,7
@>= 0,7

?При помощи коэффициента детерминации оценивается...
статистическая значимость результативного признака
существенность оценок параметров регрессии
@качество подгонки регрессионной модели к наблюдаемым значениям результатирующего признака
неоднородность выборочных данных

?При проверке на существенность (значимость) коэффициента регрессии в качестве нулевой гипотезы выдвигается нулевая гипотеза о (2 варианта ответа)...
существенности влияния соответствующей независимой переменной на зависимую переменную
@равенстве нулю этого коэффициента регрессии
отличие от нуля этого коэффициента регрессии
@несущественности влияния соответствующей независимой переменной на зависимую переменную

?Пусть Yi-фактическая значения, Y^i-расчетные значения, S = E(Yi-Y^i)^2 , тогда система нормальных уравнений получается из условия...
максимизации функции S
равенства значения функции S нулю
равенства значения функции S единице
@минимализация функции S

?Модель Y = a + bx + cx^2 + e относится к классу ______ эконометрических моделей нелинейной регрессии
линейных
логарифмических
@полиномиальных
показательных

?Гипотеза о значимости в целом уравнения нелинейной регрессии проверяется с помощью критерия...
Дарбина-Уотсона
Стьюдента
Пирсона
@Фишера

?В таблице представлены результаты дисперсионного анализа. Количество наблюдений, по которым построено уравнение регрессии, можно определить как ____ плюс единица
число на пересечении столбца «df» и строки «Регрессия» «Остаток» + «Итого»
число на пересечении столбца «df» и строки «Регрессия»
@сумму чисел, определенных на пересечении столбца «df» и строк «Регрессия» и «Остаток»

?Метод наименьших квадратов предназначен для оценки параметров линейной эконометрической модели на основании результатов наблюдений, содержащих...
систематические ошибки
ошибки спецификации
ошибки измерения
@случайные ошибки

?Выберите среди приведенных утверждение, являющееся одной из предпосылок МНК
@дисперсия остатков является величиной постоянной D(ei)<=сигма^2
дисперсия остатков является величиной зависящей от объясняющих переменных D(еi) = сигма^2(хi)
дисперсия остатков является величиной пропорциональной математическому ожиданию зависимой переменной D(ei) = сигма^2(M(xi))
дисперсия остатков не является величиной постоянной D(ei)<=сигма^2 , где n-число наблюдений, m - число факторных признаков.

?Приведена формула подсчета для переменной Y.
@остаточной дисперсии
минимальной суммы квадратов
объясненной дисперсии
общей дисперсии

?Отбор факторов в эконометрическую модель множественной регрессии может быть осуществлен на основе...
метода наименьших квадратов
@матрицы парных коэффициентов корреляции
системы нормальных уравнений
частных уравнений регрессии

?Пусть оценивается регрессия У = альфа + бетах + e . Известная оценка b параметра бета , тогда оценка а параметра альфа может быть вычислена по формуле:
а = х^ - bу^
а = у^ (1/b)*х^
а = у^ -х^
@а = у^ -bх^

?Полиномиальной является эконометрическая модель вида...
у = ае^х + e
у = a + bx1+cx2+e
у = а + b/x1 + c/x2 + e
@у = а + bх + сх^2 + e

?Значение индекса корреляции находится в пределах
-1<=R<=0
|R|> 1
R< О
@0<=R<= 1
-1<=R<= 1

?Эконометрическая модель представляет собой парную линейную регрессию, коэффициент корреляции факторного и результативного признака равен 0,9. Тогда коэффициент детерминации рассматриваемой модели равен...
@0,81
-0,9
0,1
0,99

?При расчете значения коэффициента детерминации используется отношение...
математических ожиданий
параметров уравнения регрессии
остаточных величин
@дисперсий

?Остаток регрессионной модели представляет собой оценку...
@случайной ошибки
свободного члена
коэффициента регрессии
факторной переменной

?Разность фактического и теоретического значений результатирующей переменной регрессионной модели называется...
@остатком
размахом выборки
амплитудой колебаний
средним отклонением

?Зависимость спроса на товары различных групп от дохода можно описать
с помощью функций
@Торнквиста
Лагранжа
Филлипса
Дарбина - Уотсона

?В нелинейной модели парной регрессии y=f (х)+ e функция f (х) является...
равной нулю
линейной
@нелинейной
несущественной

?Коэффициент детерминации характеризует долю дисперсии результативного признака, объясняемую регрессией в ...
дисперсии, необъясненной регрессией
@общей дисперсии результата
дисперсии коэффициента корреляции
остаточной дисперсии

?Для линейной регрессионной зависимости система нормальных уравнений...
@линейная относительно параметров регрессии
линейная относительно переменных уравнения регрессии
нелинейная относительно параметров регрессии
линейная относительно остатка уравнения регрессии

?Укажите уравнение линейной регрессии:
@y = a + bx + e
y = a + b1x + b2x^2 +e
y=a+b/x+e
у = a*b^x*e

?Суть метода наименьших квадратов (МНК) отражена в следующем выражении:
@E(Y - Yх)^2 -> min
E(Yx - у^)^2 -> min
E(у - у^)^2 -> min
E(У^х - У^)^2 -> min

?Линейный коэффициент парной корреляции rух определяется по формуле:
@((ух)^-y^x^)/сигмаx*сигмаy
((ух)^-y^x^)/сигмаx
((ух)^-y^x^)/сигмаy
(ух)^/сигмаx*сигмаy

?Выберите формулу для расчета среднего коэффициента эластичности:
@f'(x)*x^/y^
b*сигмаx/сигмаy
1/n*E(Y-Yx)/Y*100%
y^-bx^

?Связь между линейным коэффициентом парной корреляции и коэффициентом регрессии следующие:
@ryx=b*сигма x\сигма у
ryx=b*сигма y\сигма х
ryx=b*x^\y^
ryx=b*1\n

?Выберите формулу для расчета коэффициента детерминации:
@E(yx-y^)^2\E(y-Y^)^2
E(y-yx)^2\E(y-y^)^2

?Выберите формулу для расчета фактического значения F -критерия Фишера:
@E(yx-y^)^2\m\E(y-yx)^2\(n-m-1)
E(y-yx)^2\(n-m-1)\E(y-y^)^2\(n-1)

?Для расчета фактического значения t-критерия Стьюдента оценку коэффициента регрессии (Ь) необходимо разделить на:
@mb
E(х-х^)^2
(n-2)
(n-m-1)

?Для расчета доверительного интервала параметров регрессии стандартные ошибки необходимо умножить на:
@t табл.
F табл.
F набл.
(n-2)

?Связь коэффициентов множественной регрессии bi со стандартизированными коэффициентами бетаi описывается соотношением:
@bi=бета*сигмау\сигмах
bi=бета*сигма xi\сигмау
bi=бета*xi^\y^
bi=бета*y^\xi^

?Индекс множественной корреляции определяется по формуле:
@корень(1-(Е(y-yx)^2)\(E(y-y^)^2)
1-(E(y-yx)^2\(n-m-1)\E(y-y^)^2\(n-1)
корень(E(y-yx)^2\(n-m-1)\E(y-y^)^2\(n-1))
1-E(yx-y^)^2\m\E(y-y^)^2\(n-1)

?Скорректированный коэффициент множественной детерминации рассчитывается по формуле:
@1-(1-R^2)*(n-1)\(n-m-1)
(1-R^2)*(n-1)\(n-m-1)
(1-R^2)*(n-m-1)\(n-1)
1-(1-R^2)*(n-m-1)\(n-1)


Тема 4: Парная регрессия (Задачи)
Зависимость спроса на кухонные комбайны y от цены x по 12 торговым точкам компании имеет вид:
13 EMBED Equation.3 1415
13 EMBED Equation.3 1415 13 EMBED Equation.3 1415
В скобках – фактическое значение t – критерия. Ранее предполагалось, что увеличение цены на 1 % приводит к уменьшению спроса на 1,4 %. Можно ли утверждать, что приведенное уравнение регрессии подтверждает это предположение?
+Нет, на любом уровне (0,1; 0,05 и 0,1)
-Да, на любом уровне (0,1; 0,05 и 0,1)
-Нет, только на уровнях 0,05 и 0,1
-Нет, только на уровне 0,1


Для двух видов продукции А и Б зависимость удельных постоянных расходов от объема выпускаемой продукции выглядят следующим образом:
13 EMBED Equation.3 1415
Сравнить эластичности затрат по каждому виду продукции при x=50 и определить объем выпускаемой продукции обоих видов, при котором их эластичность будут одинаковы
+13 EMBED Equation.3 1415 13 EMBED Equation.3 1415 13 EMBED Equation.
·–
·
·
·
·
·
·
·
·
·
·–
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·–
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·–
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·–
·
·
·
·
·
·
·
·
·
·–
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·–
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·Пусть имеется уравнение парной регрессии:
13 EMBED Equation.3 1415
построенное по 15 наблюдениям. При этом r=-0.7. Доверительный интервал для коэффициента регрессии в этой модели имеет вид:
+(-11,11; -0,89) с вероятностью 0,99
-(-9,67;-2,33) с вероятностью 0,99
-(-9,01; -2,99) с вероятностью 0,95
-(-8,53; -2,32) с вероятностью 0,9


Уравнение регрессии потребления материалов 13 EMBED Equation.3 1415 от объема производства 13 EMBED Equation.3 1415, построенное по 18 наблюдениям, имеет вид:
13 EMBED Equation.3 141513 EMBED Equation.3 1415
13 EMBED Equation.3 1415
В скобках – фактическое значение t – критерия. Коэффициент детерминации для этого уравнения равен:
+0,360
-0,384
-0,247
-0,456


совокупности 15 предприятий торговли изучается зависимость между ценой 13 EMBED Equation.3 1415 на товар А и прибылью 13 EMBED Equation.3 1415 торгового предприятия. При оценке регрессионной модели были получены следующие результаты:
13 EMBED Equation.3 1415
13 EMBED Equation.3 141513 EMBED Equation.3 1415
?
Индекс корреляции, фактическое значение F- критерия значимость уравнения регрессии следующие:
+13 EMBED Equation.3 1415 13 EMBED Equation.3 1415 уравнение статистически не значимо на уровнях 0,01 и 0,05
-13 EMBED Equation.3 1415 13 EMBED Equation.3 1415 уравнение статистически значимо только на уровне 0,1
-13 EMBED Equation.3 1415 13 EMBED Equation.3 1415 уравнение статистически значимо только на уровнях 0,1 и 0,05
-13 EMBED Equation.3 1415 13 EMBED Equation.3 1415 уравнение статистически значимо на всех уровнях


Изучалась зависимость вида y=a*xb. Для преобразованных в логарифмах переменных получены следующие данные:
Найдите параметр b
+0,4
-0,7
-0,6
-0,5
Уравнение регрессии имеет вид: ln y = 4,5 + 0,003x + ln e. При значении фактора, равном 85, коэффициент эластичности y по х составит:
+0,255
-0,003
-0,00066
-0,0536
-0,00063
?
Уравнение регрессии имеет вид: ln y = 4,5 + 0,003 ln x + ln e. При значении фактора, равном 85, коэффициент эластичности y по х составит:
+0,003
-0,255
-0,00066
-0,0536
-0,00071
?
Уравнение регрессии имеет вид: y = 4,5 + 0,003 ln x + e. При значении фактора, равном 85, коэффициент эластичности y по х составит:
+0,00066
-0,255
-0,003
-0,0536
-0,00063
?
Уравнение регрессии имеет вид: y = 4,5 + 0,003x + e. При значении фактора, равном 85, коэффициент эластичности y по х составит:
+0,0536
-0,255
-0,003
-0,00063
-0,0582


Зависимость объема продаж y от расходов на рекламу х характеризуется по 12 предприятиям концерна следующим образом:
13 EMBED Equation.3 1415
Определите коэффициент корреляции, регрессионную сумму квадратов отклонений, t-статистику коэффициента регрессии, F-статистику
+Rxy=0,83; S2регр=7,95; F=22,04,tb=4,69
-Rxy=0,83; S2регр=5,35; F=12,tb=3,9
-Rxy=0,43; S2регр=3,74; F=5,tb=2,4
-Rxy=0,43; S2регр=3,48; F=7,tb=2,5



~ Тема 4 Множественная регрессия (Теоретические вопросы)

Множественная регрессия представлена в виде:
@-M(Y| x1, x2 ,...xm) = f (x1, x2 ,...xm)
-M(Y |x) = f (x)
-M(Y |xt?1) = f (xt?1)
-y1=f(x1, x2, x3); y2=f(x1,x2); y3=f(x1) (система)

Статистическая надежность оценки коэффициентов регрессии увеличивается:
@-с увеличением числа степеней свободы
-с уменьшением числа степеней свободы
-не зависит от числа степеней свободы

Добавление новой объясняющей переменной:
@-никогда не уменьшает значение коэффициента детерминации
-иногда уменьшает значение коэффициента детерминации
-не оказывает влияния на значение коэффициента детерминации

Проверка статистического качества уравнения регрессии включает:
@-проверку статистической значимости коэффициентов уравнения, общего качества уравнения, выполнимости предпосылок МНК
-проверку статистической значимости коэффициентов уравнения и выполнимости предпосылок МНК
-вычисление доверительных интервалов зависимой переменной и проверку общего качества уравнения

Укажите верное утверждение о скорректированном коэффициенте детерминации:
@-скорректированный коэффициент детерминации меньше обычного коэффициента детерминации для m>1
-скорректированный коэффициент детерминации больше обычного коэффициента детерминации для m>1
-скорректированный коэффициент детерминации меньше или равен обычному коэффициенту детерминации для m>1

С увеличением числа объясняющих переменных скорректированный коэффициент детерминации:
@-растет медленнее, чем обычный коэффициент детерминации
-не изменяется
-превышает значение обычного коэффициента детерминации

Скорректированный коэффициент детерминации увеличивается при добавлении новой объясняющей переменной тогда и только тогда:
@-когда t-статистика для этой переменной по модулю больше единицы
-когда t-статистика для этой переменной по модулю больше своего критического значения
-когда t-статистика для этой переменной по модулю больше трех

Если коэффициент детерминации равен нулю, то:
@-величина зависимой переменной Y линейно не зависит от независимых переменных Xi
-величина зависимой переменной Y линейно зависит от независимых переменных Xi
-нельзя сделать вывод о линейной зависимости Y от независимых переменных Xif

При добавлении существенной объясняющей переменной Х в линейную модель множественной регрессии скорректированный коэффициент детерминации :
@-увеличивается
-уменьшается
-не изменяется

Укажите истинное утверждение:
-скорректированный и обычный коэффициенты детерминации совпадают только в тех случаях, когда обычный коэффициент детерминации равен единице или нулю
@-стандартные ошибки коэффициентов регрессии определяются значениями всех коэффициентов регрессии
-при наличии гетероскедастичности оценки коэффициентов регрессии становятся смещенными

Если коэффициент детерминации равен нулю, то критерий Фишера равен:
@-нулю
-единице
-больше или равен единице

Коэффициент детерминации является мерой сравнения качества:
-регрессионных моделей с одинаковой спецификацией и одинаковым числом наблюдений n
-любых регрессионных моделей
@-регрессионных моделей с одинаковым числом наблюдений

Число степеней свободы для остаточной суммы квадратов отклонений в линейной модели множественной регрессии равно:
@-n-m-1
-n-1
-m

Число степеней свободы для регрессионной суммы квадратов отклонений в линейной модели множественной регрессии равно:
@-m
-n-m-1
-n-1

Уравнение регрессии является качественным, если:
@-t-статистики, F-статистика больше критических значений, предпосылки МНК соблюдены
-t-статистики, F-статистика, DW-статистика высокие
-коэффициент детерминации больше 0,8


·
·
·
·
·
·
·
·
·
·
·єжp‚
·
·
·
·
·
·
·
·
·
·
·ъИзвестно, что при фиксированном значении переменной x2 между переменными y и х1 существует положительная связь. Какое значение может принять частный коэффициент корреляции Rух1/x2?
@-0,4
-0
--0,8
-1,3

Множественный коэффициент корреляции Rух1x2=0,8. Определите, какой процент дисперсии зависимой переменной у объясняется влиянием х1 и x2.
-80%
-28%
-32%
@-64%

По результатам 20 наблюдений найден множественный коэффициент корреляции Rух1x2=0,8. Проверьте значимость Rух1x2 при уровне значимости 0,05 и определите разность между наблюдаемым и критическим значениями критерия Фишера.
@-11,5
-2,8
-13,6
-9,4

Какое значение может принимать коэффициент детерминации:
@-0,4
--0,5
--0,2
-1,2

Какое значение не может принять множественный коэффициент корреляции:
@-1,2
--1
--0,5
-0

Известно, что х2 усиливает связь между у и х1. По результатам наблюдений получен частный коэффициент корреляции Rух1/x2=-0,45. Какое значение может принять парный коэффициент корреляции rух1?
@--0,3
-0,4
-0,2
-1,2

По результатам наблюдений получен парный коэффициент корреляции rух1 =0.6. Известно, что х2 занижает связь между у и х1. Какое значение может принять частный коэффициент корреляции?
-0,8
@-0,5
--0,5
--0,6

Какие требования в линейной модели множественной регрессии предъявляются к математическому ожиданию и дисперсии случайных отклонений:
@-M(Ei ) =0,D(Ei)=ско^2
-M(Ei ) =1,D(Ei)=ско^2
-M(Ei ) =0,D(Ei)=0
-M(Ei ) =1,D(Ei)=0

Что минимизируется согласно методу наименьших квадратов?
@-Сумма(yi-yi^)^2
- Сумма|yi-yi^|
- Сумма(yi-yi^)
- Сумма(yi-y)^2

Если эффективность производства растет по мере его укрупнения и оно описывается производственной функцией Кобба-Дугласа, то параметры модели удовлетворяют соотношению:
@-A (альфа)+В(бета)>1
-A (альфа)+В(бета)=1
-A (альфа)+В(бета)<1
-A (альфа)+В(бета)=0

Получена производственная функция Y=2.7*K ^0,8*L^0,2, если объем капитала К увеличить на 1%, то объем производства в среднем изменится (в %) на:
@-0,8
-2,7
-0,2
--0,8

Получены две производственные функции Кобба-Дугласа, имеющие равные значения параметров «альфа» и «бета», но различающиеся по параметру А. В каком случае первое производство более эффективно, чем второе?
@-А1>А2
-A1-A1=A2

По 26 наблюдениям получена модель производственной функции: y=0,46l + 0,32k, R^2=0,41, DW=0,67, y, l, k -темпы прироста объема выпуска,t= (1,81)(2,87) затрат труда и капитал. Какой вывод является верным:
@-надо исключить фактор l, так как он оказался статистически незначим;
-надо исключить фактор k, так как он оказался статистически незначим;
-модель имеет удовлетворительные статистики, поэтому нет смысла ее совершенствовать.

В чем состоит условие гомоскедастичности в регрессионной модели:
-D (Ei) не равно D(Ej )
-M(Ei)*Ej не равно0
@-D (Ei) = D(Ej )
-M(Ei)*Ej =0

На практике гетероскедастичность имеет место, если есть основания считать, что:
@-вероятностные распределения случайных отклонений при различных наблюдениях будут различны
-вероятностные распределения случайных отклонений при различных наблюдениях будут одинаковы
-дисперсии случайных отклонений постоянны

При гетероскедастичности случайных отклонений оценки коэффициентов регрессии становятся:
@-неэффективными
-смещенными
-нелинейными

При гетероскедастичности, вероятнее всего, что t-статистики коэффициентов регрессии и F-статистика будут:
@-завышенные
-заниженные
-точные

В координатной плоскости при гомоскедастичности случайных отклонений:
@-квадраты случайных отклонений находятся внутри полуплоскости, параллельной оси абсцисс
-квадраты случайных отклонений находятся в первой четверти системы координат
-наблюдаются систематические изменения в соотношениях между квадратами случайных отклонений и переменной Х

Какое из утверждений верно:
@-не существует общего теста для анализа гетероскедастичности
-тест ранговой корреляции Спирмена основан на использовании статистики Фишера
-тест Глейзера является частным случаем теста Голдфелда-Квандта

В условиях автокорреляции t-статистики коэффициентов регрессии будут:
@-завышены
-занижены
-точные

Если график наблюдений переменной Y и график регрессионных значений переменной Y пересекаются редко, то можно предположить наличие:
@-положительной автокорреляции остатков
-отрицательной автокорреляции остатков
-отсутствие автокорреляции остатков

Преобразование yt*=yt-p*yt-1, xt=xi-p*xt-1соответствует:
@-авторегрессионной схеме 1 порядка
-методу взвешенных наименьших квадратов
-косвенному методу наименьших квадратов

Для обнаружения автокорреляции применяют:
@-критерий DW
-тест Голдфелда-Квандта
-тест Спирмена
-тест Глейзера

Статистика DW изменяется в пределах
@-от нуля до четырех
-от нуля до двух
-меньше или равна двум

Коэффициент автокорреляции «ро» в авторегрессионной схеме 1 порядка на основе статистики DW определяется:
@-1-DW/2
-DW/2
-1+DW/2

Метод первых разностей применяется для определения коэффициента автокорреляции «ро» тогда, когда:
@- DW = 0,DW = 4
-DW = 1,DW = 3
-0 <=DW <= 4

Укажите ложное утверждение:
@-при наличии автокорреляции значение коэффициента детерминации всегда будет существенно ниже единицы
-статистика DW лежит в пределах от 0 до 4
-статистика DW не используется в авторегрессионных моделях

Мультиколлинеарность –это:
@-линейная взаимосвязь двух или нескольких объясняющих переменных
-взаимосвязь между случайными отклонениями
-постоянство дисперсии случайных отклонений

Признаком мультиколлинеарности является:
@-высокие коэффициент детерминации и частные коэффициенты корреляции
-высокий DW
-высокое значение F-статистики

Для оценки коррелированности между двумя объясняющими переменными рассчитывают:
@-коэффициент парной линейной корреляции
-частные коэффициенты корреляции
-коэффициент детерминации

Укажите ложное утверждение:
@-мультиколлинеарность не ухудшает качество модели;
-мультиколлинеарность не приводит к получению смещенных оценок коэффициентов, но ведет к получению смещенных оценок для дисперсии коэффициентов
-при наличии мультиколлинеарности оценки коэффициентов остаются несмещенными, но их t-статистики будут занижены

Какое из утверждений верно (применительно к гетероскедастичности):
-оценки вследствие гетероскедастичности перестают быть состоятельными;
-оценки и дисперсии оценок остаются несмещенными;
@-выводы по статистикам являются ненадежными (применительно к гетероскедастичности);
-гетероскедастичность проявляется через низкое значение статистики DW;

Что такое автокорреляция остатков?
@-взаимная зависимость остатков регрессии;
-равенство остатков регрессии;
-непостоянство дисперсии остатков;
-все перечисленное.

Критерий Дарбина-Уотсона применяется для
@-проверки модели на автокорреляцию остатков.
-определения экономической значимости модели в целом.
-определения статистической значимости модели в целом.
-сравнения двух альтернативных вариантов модели.
-отбора факторов в модель.

Для модели, связывающей количество вакансий Wt и уровень безработицыUt:
Wt=2,3-0,78lnUt, статистика Дарбина-Уотсона составила 0,7. О чем говорит ее значения?
@-свидетельствует о наличии положительной автокорреляции первого порядка ошибок регрессии;
-свидетельствует о тесной связи между количеством вакансий и уровнем безработицы;
-свидетельствует о значимости коэффициентов регрессии;
-подтверждает наличие гетероскедастичности.

В чем суть гетероскедастичности?
@-дисперсии случайных отклонений изменяются;
-дисперсии случайных отклонений постоянны;
-случайные отклонения взаимно коррелированы;
-случайные отклонения равны для всех наблюдений.

Какое из утверждений о гетероскедастичности не верно:
-проблема гетероскедастичности обычно характерна для перекрестных данных;
-выводы по t –статистикам и F-статистике при гетероскедастичности являются ненадежными;
-не существует общего теста для анализа гетероскедастичности;
@-гетероскедастичность проявляется через низкое значение статистики Дарбина – Уотсона.

Когда дисперсии отклонений неизвестны, то для устранения гетероскедастичности применяют:
-коэффициент пропорциональности 1/xi^0,5, или 1/xi
-коэффициент пропорциональности 1/yi^^0,5
@-коэффициент пропорциональности 1/xi^0,5, или 1/yi^^0,5 или 1/xi

Тест Голдфелда – Кванта основан на использовании:
-t – статистики распределения Стьюдента;
@-F – статистики распределения Фишера;
-статистики Дарбина – Уотсона;
-коэффициента ранговой корреляции Спирмена.

Для регрессии y=b0+b1*x1+b2*x2+E за период 1971-1998 гг. получены следующие результаты S1=сумма(ei)=15 (для данных 1971-1980 гг.), S3=сумма(ei^2)=50 ( для данных 1989-1998 гг.). Сделайте вывод о постоянстве дисперсии отклонений:
@-дисперсия отклонений непостоянна;
-дисперсия отклонений постоянна;
-дисперсия отклонений составляет 35;
-дисперсия отклонений не влияет на качество регрессии.

Укажите неверное применительно к автокорреляции выражение:
-оценки коэффициентов перестают быть эффективными;
-выводы по t-и F – статистикам могут быть неверными;
-дисперсия регрессии является смещенной оценкой истинного значения:
@-дисперсии оценок коэффициентов остаются несмещенными.

Чем скорректированный R^2 отличается от обычного?
@-скорректированный R^2содержит поправку на число степеней свободы для получения несмещенных оценок дисперсии;
-скорректированный R^2 всегда меньше обычного R^2
-скоректированный R^2 больше, чем обычный R^2
-скорректированный R^2 вычисляется намного проще, чем обычный R^2

Когда целесообразно добавление новой объясняющей переменной в модель?
-при росте R^2
@-при росте скорректированного R^2
-в любом случае;
-если модель не соответствует экономической теории.

По результатам бюджетного обследования пяти семей записано следующее уравнение регрессии накоплений (регрессоры – доход и имущество, тыс. руб.) y=0,279+0,123x1-0,029x2
Спрогнозируйте накопление семьи, имеющей доход 40 тыс. руб. и имущество стоимостью 25 тыс. руб.
@-4,47;
-3,78;
-5,06;
-5,47.

По результатам бюджетного обследования пяти семей записано следующее уравнение регрессии накоплений (регрессоры – доход и имущество, тыс. руб.) y=0,279+0,123x1-0,029x2
Оцените, как возрастут накопления семьи, если ее доход вырос на 10 тыс. руб.,а стоимость имущества не изменилась?
-10,123;
@-1,23;
-0,123;
-10,0.

По результатам бюджетного обследования пяти семей записано следующее уравнение регрессии накоплений (регрессоры – доход и имущество, тыс. руб.) y=0,279+0,123x1-0,029x2
Оцените, как возрастут накопления семьи, если ее доход вырос на 5 тыс. руб., а стоимость имущества увеличилась на 15 тыс. руб.
-0,20;
-0,35;
-0,15;
@-0,18.

По 40 точкам оценена следующая модель производственной функции: y=0,6+0,46l+0,32k, t=(2,6)(0,75)(1,81), R^2=0,75, DW=2,45 , y, l, k -темпы прироста объема выпуска, затрат труда и затрат капитала. Укажите неверный вывод:
-имеет место автокорреляция остатков первого порядка, поэтому надо изменить форму зависимости;
@-надо исключить фактор l, так как он оказался статистически незначим;
-модель имеет удовлетворительные статистики, поэтому нет смысла ее совершенствовать.

Замена x1=x; x2=x^2 подходит для уравнения:
@-y=a+bx+cx^2+E
-y=a+b/x+c/x^2+E
-y=1/(a+bx+cx^2) +E
-y=a+bx+cx^2+dx^3+E

Величина остаточной дисперсии при включении существенного фактора в модель:
@-будет уменьшаться
-будет увеличиваться
-будет равна нулю
-не изменится

Было замечено, что при увеличении количества вносимых удобрений урожайность также возрастает, однако, по достижении определенного значения фактора моделируемый показатель начинает убывать. Для исследования данной зависимости можно использовать спецификацию уравнения регрессии:
@-y=a+bx?cx^2+E
-y=a+2b^x+E
-y=a+bx1+cx2+E
-y=a+cx^2+E

Фиктивные переменные включаются в уравнения ________ регрессии:
@-множественной
-случайной
-косвенной
-парной

Обобщенный метод наименьших квадратов не используется для моделей с _________ остатками:
@-гомоскедастичными
-автокоррелированными и гетероскедастичными
-автокоррелированными
-гетероскедастичными

Из пары коллинеарных факторов в эконометрическую модель включается тот фактор:
@-который при достаточно тесной связи с результатом имеет меньшую связь с другими факторами
-который при отсутствии связи с результатом имеет меньшую связь с другими факторами
-который при достаточно тесной связи с результатом имеет наибольшую связь с другими факторами
-который при отсутствии связи с результатом имеет максимальную связь с другими факторами

Линеаризация подразумевает процедуру:
@-приведения нелинейного уравнения к линейному виду
-приведения уравнения множественной регрессии к парной
-приведения нелинейного уравнения относительно параметров к уравнению, линейному относительно результата
-приведения линейного уравнения к нелинейному виду

После применения обобщенного метода наименьших квадратов удается избежать _________ остатков:
@-гетероскедастичности
-нормального распределения
-равенства нулю суммы
-случайного характера

Результатом линеаризации полиномиальных уравнений являются:
@-линейные уравнения множественной регрессии
-нелинейные уравнения парной регрессии
-линейные уравнения парной регрессии
-нелинейные уравнения множественной регрессии

Множественная регрессия не является результатом преобразования уравнения:
@-y=a+b/x+1/c +E
-y=a+bx+cx^2+E
-y=a+bx+cx^2+dx^3+E
-y=a+1/x+1/x^2+E

Обобщенный метод наименьших квадратов отличается от обычного МНК, тем, что при применении ОМНК:
@-преобразуются исходные уровни переменных
-остатки не изменяются
-остатки приравниваются к нулю
-уменьшается количество наблюдений

Отбор факторов в модель множественной регрессии при помощи метода включения основан на сравнении значений:
@-остаточной дисперсии до и после включения фактора в модель
-общей дисперсии до и после включения фактора в модель
-дисперсии до и после включения результата в модель
-остаточной дисперсии до и после включения случайных факторов в модель

В стандартизованном уравнении множественной регрессии переменными являются:
@-стандартизованные переменные
-исходные переменные
-стандартизованные параметры
-средние значения исходных переменных

Одним из методов присвоения числовых значений фиктивным переменным является:
@-ранжирование
-выравнивание числовых значений по возрастанию
-выравнивание числовых значений по убыванию
-нахождение среднего значения

Метод оценки параметров моделей с гетероскедастичными остатками называется _________ методом наименьших квадратов:
@-обобщенным
-обычным
-косвенным
-минимальным

Дано уравнение регрессии y=a+b1x1+b2x2+E Определите спецификацию модели:
@-линейное уравнение множественной регрессии
-полиномиальное уравнение парной регрессии
-линейное уравнение простой регрессии
-полиномиальное уравнение множественной регрессии

В стандартизованном уравнении множественной регрессии переменными являются:
- исходные переменные;
- стандартизованные параметры;
- средние значения исходных переменных;
@- стандартизованные переменные.

Одним из методов присвоения числовых значений фиктивным переменным является . . .
@– ранжирование;
- выравнивание числовых значений по возрастанию;
- выравнивание числовых значений по убыванию;
- нахождение среднего значения.

В матрице парных коэффициентов корреляции отображены значения парных коэффициентов линейной корреляции между . . . .
@- переменными;
- параметрами;
- параметрами и переменными;
- переменными и случайными факторами.

Метод оценки параметров моделей с гетероскедастичными остатками называется ____________ методом наименьших квадратов:
- обычным;
- косвенным;
@- обобщенным;
- минимальным.

Дано уравнение регрессии y=a+b1x1+b2x2+e . Определите спецификацию модели.
- полиномиальное уравнение парной регрессии;
- линейное уравнение простой регрессии;
- полиномиальное уравнение множественной регрессии;
@- линейное уравнение множественной регрессии.

В стандартизованном уравнении свободный член .
- равен 1;
- равен коэффициенту множественной детерминации;
- равен коэффициенту множественной корреляции;
@- отсутствует.

В качестве фиктивных переменных в модель множественной регрессии включаются факторы,
- имеющие вероятностные значения;
- имеющие количественные значения;
- не имеющие качественных значений;
@- не имеющие количественных значений.

Факторы эконометрической модели являются коллинеарными, если коэффициент
@- корреляции между ними по модулю больше 0,7;
- детерминации между ними по модулю больше 0,7;
- детерминации между ними по модулю меньше 0,7;
- корреляции между ними по модулю больше 0,7.

Обобщенный метод наименьших квадратов отличается от обычного МНК тем, что при применении ОМНК
@- преобразуются исходные уровни переменных;
- остатки не изменяются;
- остатки приравниваются к нулю;
- уменьшается количество наблюдений.

Объем выборки определяется
- числовыми значением переменных, отбираемых в выборку;
- объемом генеральной совокупности;
@- числом параметров при независимых переменных;
- числом результативных переменных.

Множественная регрессия не является результатом преобразования уравнения:
@у=а+b/x+1/c+e
у = a + bx + cx^2 +dx^3 +e
у = a + 1/x + 1/x^2x + e
у = а + bx + cx^2 + e

Исходные значения фиктивных переменных предполагают значения
@- качественные;
- количественно измеримые;
- одинаковые;
- значения.

Обобщенный метод наименьших квадратов подразумевает
@- преобразование переменных;
- переход от множественной регрессии к парной;
- линеаризацию уравнения регрессии;
- двухэтапное применение метода наименьших квадратов.

Линейное уравнение множественной регрессии имеет вид y=a+2,5x1-3,7x2 +e. Определите какой из факторов x1 или x2 оказывает более сильное влияние на y:
- x2, так как 3,7>2,5;
- оказывают одинаковое влияние;
- x1, так как 2,5>-3,7;
@- по этому уравнению нельзя ответить на поставленный вопрос, так как коэффициенты регрессии несравнимы между собой.

Включение фактора в модель целесообразно, если коэффициент регрессии при этом факторе является
- нулевым;
- незначимым;
@- существенным;
- несущественным.

Что преобразуется при применении обобщенного метода наименьших квадратов?
- стандартизованные коэффициенты регрессии;
- дисперсия результативного признака;
@- исходные уровни переменных;
- дисперсия факторного признака.

Проводится исследование зависимости выработки работника предприятия от ряда факторов. Примером фиктивной переменной в данной модели будет являться ______ работника.
- возраст;
@- уровень образования;
- стаж;
- заработная плата.

Переход от точечного оценивания к интервальному возможен, если оценки являются:
- эффективными и несостоятельными;
- неэффективными и состоятельными;
@- эффективными и несмещенными;
- состоятельными и смещенными.

Матрица парных коэффициентов корреляции строится для выявления коллинеарных и мультиколлинеарных
- параметров;
- случайных факторов;
@- существенных факторов;
- результатов.

На основании преобразования переменных при помощи обобщенного метода наименьших квадратов получаем новое уравнение регрессии, которое представляет собой:
- взвешенную регрессию, в которой переменные взяты с весами кореньK ;
- нелинейную регрессию, в которой переменные взяты с весами 1/кореньK ;
- нелинейную регрессию, в которой переменные взяты с весами кореньK ;
@- взвешенную регрессию, в которой переменные взяты с весами 1/кореньK .

Если расчетное значение критерия Фишера меньше табличного значения, то гипотеза о статистической незначимости уравнения
- отвергается;
- незначима;
@- принимается;
- несущественна.

Если факторы входят в модель как произведение, то модель называется:
- суммарной;
- производной;
- аддитивной;
@- мультипликативной.

Уравнение регрессии, которое связывает результирующий признак с одним из факторов при зафиксированных на среднем уровне значении других переменных, называется:
- множественным;
- существенным;
@- частным;
- несущественным.

Относительно количества факторов, включенных в уравнение регрессии, различают
- линейную и нелинейную регрессии;
- непосредственную и косвенную регрессии;
@- простую и множественную регрессию;
- множественную и многофакторную регрессию.

Требованием к уравнениям регрессии, параметры которых можно найти при помощи МНК является:
- равенство нулю значений факторного признака4
-нелинейность параметров;
- равенство нулю средних значений результативной переменной;
@- линейность параметров.

Метод наименьших квадратов не применим для
- линейных уравнений парной регрессии;
- полиномиальных уравнений множественной регрессии;
@- уравнений, нелинейных по оцениваемым параметрам;
- линейных уравнений множественной регрессии.

При включении фиктивных переменных в модель им присваиваются
- нулевые значения;
@- числовые метки;
- одинаковые значения;
- качественные метки.

Если между экономическими показателями существует нелинейная связь, то
- нецелесообразно использовать спецификацию нелинейного уравнения регрессии;
@- целесообразно использовать спецификацию нелинейного уравнения регрессии;
- целесообразно использовать спецификацию линейного уравнение парной регрессии;
- необходимо включить в модель другие факторы и использовать линейное уравнение множественной регрессии.

Результатом линеаризации полиномиальных уравнений является
- нелинейные уравнения парной регрессии;
- линейные уравнения парной регрессии;
- нелинейные уравнения множественной регрессии;
@- линейные уравнения множественной регрессии.

В стандартизованном уравнении множественной регрессии b1=0,3; b2= -2,1. Определите, какой из факторов или оказывает более сильное влияние на y:
@- x2, так как |-2,1|>|0,3|;
- по этому уравнению нельзя ответить на поставленный вопрос, так как неизвестны значения «чистых» коэффициентов регрессии;
- x1, так как 0,3>-2,1;
- по этому уравнению нельзя ответить на поставленный вопрос, так как стандартизированные коэффициенты несравнимы между собой.

Факторные переменные уравнения множественной регрессии, преобразованные из качественных в количественные называются
- аномальными;
- множественными;
- парными;
@- фиктивными.

Оценки параметров линейного уравнения множественной регрессии можно найти при помощи метода:
- средних квадратов;
- наибольших квадратов;
- нормальных квадратов;
@- наименьших квадратов.

Основным требованием к факторам, включаемым в модель множественной регрессии, является:
- отсутствие взаимосвязи между результатом и фактором;
- отсутствие взаимосвязи между факторами;
@- отсутствие линейной взаимосвязи между факторами;
- наличие тесной взаимосвязи между факторами.

Фиктивные переменные включаются в уравнение множественной регрессии для учета действия на результат признаков
@- качественного характера;
- количественного характера;
- несущественного характера;
- случайного характера.

Из пары коллинеарных факторов в эконометрическую модель включается тот фактор,
- который при достаточно тесной связи с результатом имеет наибольшую связь с другими факторами;
- который при отсутствии связи с результатом имеет максимальную связь с другими факторами;
- который при отсутствии связи с результатом имеет наименьшую связь с другими факторами;
@- который при достаточно тесной связи с результатом имеет меньшую связь с другими факторами.

Гетероскедастичность подразумевает
- постоянство дисперсии остатков независимо от значения фактора;
- зависимость математического ожидания остатков от значения фактора;
@- зависимость дисперсии остатков от значения фактора;
- независимость математического ожидания остатков от значения фактора.

Величина остаточной дисперсии при включении существенного фактора в модель:
- не изменится;
- будет увеличиваться;
- будет равно нулю;
@- будет уменьшаться.

Если спецификация модели отображает нелинейную форму зависимости между экономическими показателями, то нелинейно уравнение
@- регрессии;
- детерминации;
- корреляции;
- аппроксимации.

Исследуется зависимость, которая характеризуется линейным уравнением множественной регрессии. Для уравнения рассчитано значение тесноты связи результативной переменной с набором факторов. В качестве этого показателя был использован множественный коэффициент
@- корреляции;
- эластичности;
- регрессии;
- детерминации.

Строится модель зависимости спроса от ряда факторов. Фиктивной переменной в данном уравнении множественной регрессии не является _________потребителя.
@- доход;
- семейное положение;
- уровень образования;
- пол.

Для существенного параметра расчетное значение критерия Стьюдента
@- больше табличного значения критерия;
- равно нулю;
- не больше табличного значения критерия Стьюдента;
- меньше табличного значения критерия.

Систему МНК, построенную для оценки параметров линейного уравнения множественной регрессии можно решить
- методом скользящего среднего;
@- методом определителей;
- методом первых разностей;
- симплекс-методом.

Показатель, характеризующий на сколько сигм изменится в среднем результат при изменении соответствующего фактора на одну сигму, при неизменном уровне других фак-торов, называется ____________коэффициентом регрессии
@- стандартизованным;
- нормализованным;
- выровненным;
- центрированным.

Мультиколлинеарность факторов эконометрической модели подразумевает
- наличие нелинейной зависимости между двумя факторами;
@- наличие линейной зависимости между более чем двумя факторами;
- отсутствие зависимости между факторами;
- наличие линейной зависимости между двумя факторами.

Обобщенный метод наименьших квадратов не используется для моделей с _______ остатками.
- автокоррелированными и гетероскедастичными;
@- гомоскедастичными;
- гетероскедастичными;
- автокоррелированными.

Методом присвоения числовых значений фиктивным переменным не является:
- ранжирование;
- присвоение цифровых меток;
@- нахождения среднего значения;
- присвоение количественных значений.

Обобщенный метод наименьших квадратов рекомендуется применять в случае
- нормально распределенных остатков;
- гомоскедастичных остатков;
@- автокорреляции остатков;
- автокорреляции результативного признака.

Отбор факторов в модель множественной регрессии при помощи метода включения основан на сравнении значений
- общей дисперсии до и после включения фактора в модель;
- остаточной дисперсии до и после включения случайных факторов в модель;
- дисперсии до и после включения результата в модель;
@- остаточной дисперсии до и после включения фактора модель.

Обобщенный метод наименьших квадратов используется для корректировки
- параметров нелинейного уравнения регрессии;
- точности определения коэффициента множественной корреляции;
- автокорреляции между независимыми переменными;
@- гетероскедастичности остатков в уравнении регрессии.

После применения обобщенного метода наименьших квадратов удается избежать_________ остатков
@- гетероскедастичности;
- нормального распределения;
- равенства нулю суммы;
- случайного характера.

Фиктивные переменные включаются в уравнения ____________регрессии
- случайной;
- парной;
- косвенной;
@- множественной.

Взаимодействие факторов эконометрической модели означает, что
- влияние факторов на результирующий признак зависит от значений другого неколлинеарного им фактора;
- влияние факторов на результирующий признак усиливается, начиная с определенного уровня значений факторов;
- факторы дублируют влияние друг друга на результат;
@- влияние одного из факторов на результирующий признак не зависит от значений другого фактора.

?Одним из признаков мультиколлинеарности, использующий понятие Д-определителя матрицы межфакторной корреляции является выражение...
Д<= 1
Д>=0
Д = 1
@Д = 0

~

?О присутствии мультиколлинеарности свидетельствуют величины недиагональных элементов матрицы межфакторной корреляции...
близкие к нулю
равные между собой
@по абсолютной величине превышающие значения 0.75-0.8
не превышающие по абсолютной величине 0.5

?При вычислении множественного коэффициента линейной корреляции требуется...
определить частные коэффициенты корреляции первого и второго порядков
определить индекс корреляции по обратному уравнению связи
@рассматривать один из признаков в качестве результата, а другие- в качестве факторов
рассматривать один из признаков в качестве фактора, а другие в качестве результатов

?Нелинейным уравнением множественной регрессии является...
у =1/(a+bx+cx^2+e)
@у = а + Ьх1 + сх2^2 + e
у = a + bx1+cx2+e
у = а + bх + сх^2 +e

?Коэффициент множественной корреляции R и любой из коэффициентов парной корреляции г находятся в следующих отношениях...
R < r
R = r
r >>R
@R > r

?Для вычисления коэффициента множественной корреляции требуется...
выявить наличие мультиколлинеарности
определить ранг корреляционной матрицы
@из совокупности признаков выделить признак-результат и признаки-факторы,
вычислить все парные коэффициенты корреляции вычислить корреляционное отношение

?Оценки параметров регрессии ненадежны, имеют большие стандартные ошибки и меняются с изменением объема наблюдений, не только по величине, но и по знаку. Это характерно для линейной модели множественной регрессии...
при гетероскедастичности
при автокорреляция остатков этой модели
при неслучайном характере результатирующей переменной
@при наличии в ней мультиколлинеарных факторов

?Проявление гетероскедастичности в остатках удаляется при помощи метода обобщенного метода наименьших квадратов путем (2 варианта ответа)...
расчета критерия Дарбина-Уотсона гомоскедастичных остатков
@преобразования переменных
введения в модель фиктивных переменных
@введения в выражение для дисперсии остатков коэффициента пропорциональности

?Тест Голдфелда-Квандта, используемый для обнаружения гетероскедастичности остатков основан на...
@предложении пропорциональности между дисперсией остатков и независимой переменной с коэффициентом сигмаi^2=g^2xi^2
сравнении рангов значений независимой переменной хi и остатков модели ei
сравнении рангов значений зависимой переменной уi и остатков модели еi
минимализации остатков еi^2 = E(уi-альфа-bxi)^2

?С помощью теста Гольдфельда - Квандта проверяется...
наличие мультиколлинеарности в модели
@наличие гетероскедостичности в остатках модели
наличие автокорреляции в остатках модели
наличие зависимости между исследуемыми переменными

?Тест Спирмена, используемый для обнаружения гетероскедастичности остатков, основан на...
минимизации остатков еi^2 = E(уi-альфа-bxi)^2
сравнении рангов значений независимой переменной хi и остатков модели ei
предположении пропорциональности между дисперсией остатков и независимой переменной с коэффициентом сигмаi^2=сигма^2xi^2
@сравнении рангов значений зависимой переменной уi и остатков модели еi



Тема 5 Множественная регрессия (Задачи)

Уравнение регрессии в стандартизированном виде имеет вид:
13 EMBED Equation.3 1415
13 EMBED Equation.3 1415
Частные коэффициенты эластичности равны:
13 EMBED Equation.3 1415


По 18 наблюдениям получены следующие данные:
13 EMBED Equation.3 1415
13 EMBED Equation.3 1415; 13 EMBED Equation.3 1415; 13 EMBED Equation.3 1415; 13 EMBED Equation.3 1415; 13 EMBED Equation.3 1415
Значения скорректированного коэффициента детерминации, частных коэффициентов эластичности и параметра 13 EMBED Equation.3 1415 равны:
+13 EMBED Equation.3 1415
-13 EMBED Equation.3 1415
-13 EMBED Equation.3 1415
-13 EMBED Equation.3 1415


Уравнение регрессии в стандартизованном виде имеет вид:
13 EMBED Equation.3 1415
13 EMBED Equation.3 1415
Как влияют факторы на результат и каковы значения частных коэффициентов эластичности?
+Наибольшее влияние на результат оказывает фактор 13 EMBED Equation.3 1415, наименьшее 13 EMBED Equation.3 1415 13 EMBED Equation.3 1415 13 EMBED Equation.3 1415 13 EMBED Equation.3 1415
-Наибольшее влияние на результат оказывает фактор 13 EMBED Equation.3 1415 наименьшее - 13 EMBED Equation.3 1415; 13 EMBED Equation.3 1415 13 EMBED Equation.3 1415 13 EMBED Equation.3 1415
-Наибольшее влияние на результат оказывает фактор 13 EMBED Equation.3 1415 наименьшее - 13 EMBED Equation.3 1415 13 EMBED Equation.3 1415 13 EMBED Equation.3 1415 13 EMBED Equation.3 1415
-Наибольшее влияние на результат оказывает фактор 13 EMBED Equation.3 1415 наименьшее - 13 EMBED Equation.3 1415 13 EMBED Equation.3 1415 13 EMBED Equation.3 1415 13 EMBED Equation.3 1415




13 EMBED Equation.3 1415 13 EMBED Equation.3 141513 EMBED Equation.3 1415 13 EMBED Equation.3 1415
13 EMBED Equation.3 1415 13 EMBED Equation.3 1415 13 EMBED Equation.3 1415 13 EMBED Equation.3 1415 13 EMBED Equation.3 1415 Уравнения регрессии 13 EMBED Equation.3 1415 на 13 EMBED Equation.3 1415 и 13 EMBED Equation.3 1415 в стандартизованном и натуральном масштабе имеют вид:
+13 EMBED Equation.3 1415 13 EMBED Equation.3 1415
-13 EMBED Equation.3 1415 13 EMBED Equation.3 1415
-13 EMBED Equation.3 1415 13 EMBED Equation.3 1415
-13 EMBED Equation.3 141513 EMBED Equation.3 1415


При построении регрессионной зависимости некоторого результативного признака на 8 факторов по 25 измерениям коэффициент детерминации составил 0,736. После исключения 3 факторов коэффициент детерминации уменьшился до 0,584. Обоснованно ли было принятое решение на уровнях значимости 0,1, 0,05 и 0,01:
+Да, только на уровнях 0,05 и 0,01
-Да, на всех уровнях значимости
-Нет, на всех уровнях значимости
-Да, только на уровне 0,01
-Да, только на уровнях 0,1 и 0,05


По данным 150 наблюдений о доходе индивидуума Y, уровне его образования X1, и возрасте X2 определите, можно ли считать на уровне значимости 5 % линейную регрессионную модель Y на X1 и X2 гетероскедастичной, если суммы квадратов остатков после упорядочения данных по уровню образования следующие: RSS1 (для 50 значений с наименьшим уровнем образования) = 894,1; RSS2 (для 50 значений с наибольшим уровнем образования) = 3918,2:
+гипотеза об отсутствии гетероскедастичности отвергается
-гипотеза об отсутствии гетероскедастичности принимается
-на основе имеющихся данных такую гипотезу нельзя проверить


Уравнение регрессии, построенное по 15 наблюдениям, имеет вид:
13 EMBED Equation.3 1415
Пропущенные значения, а также доверительный интервал для
13 EMBED Equation.3 1415 с вероятностью 0,99 равны:
+13 EMBED Equation.3 1415
-13 EMBED Equation.3 1415
-13 EMBED Equation.3 1415
-13 EMBED Equation.3 1415




~ Тема 6 модели временных рядов

Уровень временного ряда может содержать:
-тенденцию, циклические, сезонные колебания, случайные колебания;
-тенденцию и сезонные колебания;
-сезонные и случайные колебания;
@-любое сочетание тенденции, циклических, сезонных, случайных колебаний

?Аддитивная модель временного ряда имеет вид:
@yt =Tt +St +Vt + et
yt =Tt *St *Vt * et
yt =Tt *St *Vt + et

Автокорреляцией уравнений временного ряда называют:
@-автокорреляционную зависимость между последовательными уровнями временного ряда;
-значение аналитической функции, характеризующей зависимость уровней ряда от времени;
-значение перехода.

Автокорреляционная функция временного ряда – это:
@-последовательность коэффициентов автокорреляции уровней временного ряда;
-коррелограмма;
-последовательность уровней временного ряда.

Наиболее высокий коэффициента автокорреляции первого порядка свидетельствует о том, что:
@-исследуемый ряд содержит только тенденцию;
-исследуемый ряд содержит циклические колебания;
-ряд не содержит тенденции и циклических колебаний.

Если ни один из коэффициентов автокорреляции не является значимым, это свидетельствует о том, что:
-исследуемый ряд содержит только тенденцию;
-исследуемый ряд содержит циклические колебания;
@-ряд не содержит тенденции и циклических колебаний.

Кусочно – линейная модель регрессии применяется:
@-для моделирования тенденции временного ряда, испытывающего влияние структурных изменений;
-для моделирования тенденции временного ряда за небольшой промежуток времени;
-для моделирования тенденции временного ряда.

Коинтеграция временных рядов:
@-причинно – следственная зависимость в уровнях двух (или более) временных рядов;
-корреляционная зависимость между последовательными уровнями временного ряда;
-последовательность коэффициентов автокорреляции уровней временного ряда.

Авторегрессионные модели включают в качестве объясняющих переменных:
@-лаговые значения зависимых переменных;
-лаговые значения независимых переменных;
-лаговые значения зависимых и независимых переменных.

Модели с распределенными лагами включают в качестве объясняющих переменных:
-лаговые значения зависимых переменных;
@-лаговые значения независимых переменных;
-лаговые значения зависимых и независимых переменных.

Суть метода инструментальных переменных состоит в:
@-замене переменной модели на новую переменную, которая тесно коррелирует с прежней, но не коррелирует с остатками модели;
-замене переменной модели на новую переменную, которая тесно коррелирует с остатками модели, но не коррелирует с прежней переменной;
-в упрощении модели.

«Белым шумом» называется:
@-чисто случайный процесс
-функциональный процесс
-неслучайный процесс
-регрессионный процесс.

Проверка является ли временной ряд «белым шумом» осуществляется с помощью:
@-Q - статистики Бокса – Пирса
-коэффициента автокорреляции
-критерия Дарбина – Уотсона
-величины лага

Параметры уравнения тренда определяются _________ методом наименьших квадратов:
@-обычным
-косвенным
-двухшаговым
-обобщенным

Значение коэффициента автокорреляции первого порядка равно 0,9, следовательно:
@-линейная связь между последующим и предыдущим уровнями тесная
-линейная связь между последующим и предыдущим уровнями не тесная
-нелинейная связь между последующим и предыдущим уровнями тесная
-линейная связь между временными рядами двух экономических показателей тесная

Стационарность временного ряда означает отсутствие:
@-тренда
-временной характеристики
-наблюдений по уровням временного ряда
-значений уровней ряда

Модель временного ряда не предполагает:
@-независимость значений экономического показателя от времени
-учет временных характеристик
-зависимость значений экономического показателя от времени
-последовательность моментов (периодов) времени, в течение которых рассматривается поведение экономического показателя

Временной ряд называется стационарным, если он является реализацией _________ процесса:
@-стационарного стохастического
-нестационарного стохастического
-неслучайного
-функционального

Временной ряд – это совокупность значений экономических показателей:
@-за несколько последовательных моментов (периодов) времени
-за несколько непоследовательных моментов (периодов) времени
-независящих от времени
по однотипным объектам

Построена мультипликативная модель временного ряда, где Yt – значение уровня ряда, Yt =10, T - значение тренда, S - значение сезонной компоненты, E - значений случайной компоненты. Определите вариант правильно найденных значений компонент уровня ряда:
@-T=5, S=2, E=1
-T=5, S=2, E=3
-T=5, S=2, E=-1
-T=5, S=2, E=0

Временной ряд – это совокупность значений экономического показателя . . . .
- за несколько непоследовательных моментов (периодов) времени;
- независящих от времени;
- по однотипным объектам;
@- за несколько последовательных моментов (периодов) времени.

?Построена мультипликативная модель временного ряда, где Yt =10-значение уровня ряда, Т - значение тренда, S - значение сезонной компоненты, Е- значение случайной компоненты. Определите вариант правильного найденных значений компонент уровней ряда
Т = 5, S = 2, Е = 3
@Т = 5, S = 2, Е = 1
Т = 5, S = 2, Е = -1
Т = 5, S = 2, Е = 0

Временной ряд называется стационарным, если он является реализацией _____________ процесса:
- функционального;
@- стационарного стохастического;
- нестационарного стохастического;
- неслучайного.

Проверка является ли временной ряд «белым шумом» осуществляется с помощью:
@- статистики Бокса-Пирса;
- величины лага;
- критерия Дарбина-Уотсона;
- коэффициента автокорреляции.

В общем случае каждый уровень временного ряда формируется под воздействием
- случайных временных воздействий;
- сезонных колебаний и случайных факторов;
@- тенденции, сезонных колебаний и случайных факторов;
- тенденции и случайных факторов.

Под стационарным процессом можно понимать
- процесс с возрастающей тенденцией;
- процесс с убывающей тенденцией;
@- стохастический процесс, для которого среднее и дисперсия независимо от рассматриваемого периода имеют постоянные значения;
- функциональный процесс.

Автокорреляционной функцией временного ряда называется:
- последовательность приращений коэффициентов автокорреляции уровней раз-личных порядков;
- последовательность отношений коэффициентов автокорреляции к величинам со-ответствующих лагов;
- зависимость коэффициентов автокорреляции первого порядка от числа уровней временного ряда;
@- последовательность значений коэффициентов автокорреляции различных по-рядков.

Известны значения мультипликативной модели временного ряда: Yt=15- значение уровня ряда, T =5 - значение тренда, S =3 - значение сезонной компоненты. Определите значение компоненты E (случайной компоненты).
- E = -1;
- E =3;
@- E =1;
- E =0.

Мультипликативная модель содержит исследуемые факторы
- в виде их отношений;
- в виде слагаемых;
@- в виде сомножителей;
- в виде комбинации слагаемых и сомножителей.

Уровень временного ряда может формироваться под воздействием тенденции, сезон-ных колебаний и
- динамической составляющей;
- тренда;
- циклических колебаний;
@- случайных воздействий.

Циклические колебания связаны с
- трендовыми взаимодействиями между экономическими показателями;
- общей динамикой конъюнктуры рынка;
- воздействием аномальных факторов;
@- сезонностью некоторых видов экономической деятельности (сельское хозяйст-во, туризм и.т.д.).

Если наиболее высоким оказался коэффициент автокорреляции первого порядка, то исследуемый ряд содержит только:
@- тенденцию;
- циклические колебания с периодичностью в один момент времени;
- сильную нелинейную тенденцию;
- случайную компоненту.

Отсутствие автокорреляции в остатках предполагает, что значения ___________ не за-висят друг от друга.
@- остатков;
- результата;
- независимых переменных;
- фактора.

Коррелограммой называется:
@- графическое отображение автокорреляционной функции;
- аналитическое выражение для автокорреляционной функции;
- графическое отображение регрессионной функции;
- процесс экспериментального нахождения значений автокорреляционной функ-ции.

Известны значения аддитивной модели временного ряда: Yt=30 - значение уровня ряда, T =15 - значение тренда, E =2 - значение случайной компоненты. Определите значение сезонной компоненты S .
- 0;
@- 13;
- 1;
- -1.

Может ли ряд содержать только одну из компонент?
- не может, так как временной ряд не содержит компонент, влияющих на его уров-ни;
@- может, если другие две компоненты не участвуют в формировании уровней ря-да;
- может, если он представлен данными, описывающими совокупность различных объектов в определенный момент времени;
- не может, так как уровень ряда должен формироваться под воздействием всех трех компонент.

Временной ряд характеризует
- совокупность последовательных моментов (периодов) времени;
@- данные, описывающие один объект за ряд последовательных моментов (перио-дов) времени;
- зависимость последовательных моментов (периодов) времени;
- данные, описывающие совокупность различных объектов в определенный мо-мент (период) времени.

Значения коэффициента автокорреляции рассчитывается по аналогии с
- линейным коэффициентом регрессии;
- линейным коэффициентом детерминации;
- нелинейным коэффициентом корреляции;
@- линейным коэффициентом корреляции.

«Белым шумом» называется:
@- чисто случайный процесс;
- функциональный процесс;
- неслучайный процесс;
- регрессионный процесс.


Основной задачей моделирования временных рядов является
- исключение уровней из совокупности значений временного ряда;
@- выявление и придание количественного значения каждой из трех компонент;
- исключение значений каждой из трех компонент из уровней ряда;
- добавление новых уравнений к совокупности значений временного ряда.

Значения коэффициента автокорреляции второго порядка характеризует связь между:
- исходными уровнями и уровнем второго временного ряда;
- исходными уровнями и уровнями другого ряда, сдвинутыми на 2 момента назад;
- двумя временными рядами;
@- исходными уровнями и уровнями этого же ряда, сдвинутыми на 2 момента вре-мени.

При построении модели временного ряда проводится:
- расчет каждого уровня временного ряда;
@- расчет значений компонент для каждого уровня временного ряда;
- расчет средних значений компонент для временного ряда в целом;
- расчет последующих и предыдущих значений уровней временного ряда.

Стационарность временного ряда означает отсутствие
@- тренда;
- наблюдений по уровням временного ряда;
- значений уровней ряда;
- временной характеристики.

Структуру временного ряда можно выявить с помощью коэффициента
@- автокорреляции уровней ряда;
- авторегрессии уровней ряда;
- регрессии уровней ряда;
- автодетерминации уровней ряда.

Модель временного ряда предполагает
- независимость значений экономического показателя от времени;
- пренебрежение временными характеристиками ряда;
@- зависимость значений экономического показателя от времени;
- отсутствие последовательности моментов (периодов) времени, в течении ко-торых рассматривается поведение экономического показателя.

Стационарность временного ряда не подразумевает отсутствие
- сезонных колебаний;
- стохастического процесса с наличием тренда;
@- стационарного стохастического процесса;
- конъюнктурных сдвигов.

Если наиболее высоким оказался коэффициент автокорреляции третьего порядка, то исследуемый ряд содержит
@- сезонные колебания с периодичностью в три момента времени;
- линейный тренд, проявляющийся в каждом третьем уровне ряда;
- случайную величину, влияющую на каждый третий уровень ряда;
- нелинейную тенденцию полинома третьего порядка.

Если факторы входят в модель как сумма, то модель называется:
- суммарной;
- мультипликативной;
@- аддитивной;
- производной.

Если факторы входят в модель как произведение, то модель называется:
- суммарной;
@- мультипликативной;
- аддитивной;
- производной.

Экономические временные ряды, представляющие собой данные наблюдений за ряд лет, как правило, являются
- стационарными временными рядами;
функционально зависящими от времени временными рядами;
- строго возрастающими временными рядами;
@- нестационарными временными рядами.

Значения коэффициента автокорреляции первого порядка равно 0,9. Следовательно
- линейная связь между последующим и предыдущим уровнями не тесная;
@- линейная связь между последующим и предыдущим уровнями тесная;
- нелинейная связь между последующим и предыдущим уровнями тесная;
- линейная связь между временными рядами двух экономических показателей тес-ная.

Под лагом подразумевается число
@- периодов, по которым рассчитывается коэффициент автокорреляции;
- уровней исходного временного ряда;
- пар значений, по которым рассчитывается коэффициент автокорреляции;
- уровней ряда, сдвинутых при расчете коэффициента автокорреляции.

Стационарность характерна для временного ряда:
- с положительной динамикой роста;
- с отрицательной динамикой роста;
- содержащего сезонные колебания;
@- типа «белый шум».

При моделировании временных рядов экономических показателей необходимо учитывать
- конструктивный характер уровней исследуемых показателей;
+ стохастический характер уровней исследуемых показателей;
- функциональный характер уровней исследуемых показателей;
- не зависящий от времени уровень исследуемых показателей.
?
Модель временного ряда не предполагает
- зависимость значений экономического показателя от времени;
+ независимость значений экономического показателя от времени;
- учет временных характеристик;
- последовательность моментов (периодов) времени, в течении которых рассматривается поведение экономического показателя.
?
Уровнем временного ряда является
+ значение временного ряда в конкретный момент (период) времени;
- среднее значение временного ряда;
- совокупность значений временного ряда;
- значение конкретного момента (периода) времени.
?
Параметры уравнения тренда определяются ________методом наименьших квадратов
+ обычным;
- двухшаговым;
- обобщенным;
- косвенным.


Максимальный лаг связан с числом уровней временного ряда 13 EMBED Equation.3 1415 следующим соотношением не более
- 13 EMBED Equation.3 1415;
+13 EMBED Equation.3 1415;
- 13 EMBED Equation.3 1415;
- 13 EMBED Equation.3 1415.


Факторы, формирующие общую (в длительной перспективе) тенденцию в изменении анализируемого признака, называются
+-долговременными
-случайными
-циклическими (конъюнктурными)
-сезонными

Факторы, формирующие изменения анализируемого признака, обусловленные действием долговременных циклов экономической, демографической, астрофизической природы, называются
-сезонными
-случайными
-долговременными
+-циклическими (конъюнктурными)

Стационарность временного ряда означает отсутствие
+-тренда
-значений уровней ряда
-временной характеристики
-наблюдений по уровням временного ряда

Под трендом временного ряда понимают
+-изменение, определяющее общее направление развития
-влияние случайной составляющей на уровень временного ряда
-действия исследователя по приведению исходного временного ряда к стационарному виду
-влияние циклических колебаний на уровень временного ряда

Отличительной особенностью аддитивных моделей следует считать
-уменьшающуюся амплитуду сезонных колебаний
-возрастающую амплитуду сезонных колебаний
+-неизменность амплитуды сезонных колебаний
-резкое затухание амплитуды колебаний

Непосредственно измерив характеристики объекта через определенные промежутки времени или усреднив данные за некоторый период времени, формируют последовательность
-коэффициентов автокорреляции
-значений сезонных колебаний
-трендовых значений
+-уровней временного ряда

Временной ряд характеризует
-данные, описывающие совокупность различных объектов в определенный момент (период) времени
+-данные, описывающие один объект за ряд последовательных моментов (периодов) времени
-совокупность последовательных моментов (периодов) времени
-зависимость последовательных моментов (периодов) времени

Пусть Xt - значения временного ряда с квартальными наблюдениями, St - аддитивная сезонная компонента, причем для первого квартала года St= S1= 1, для второго квартала года St= S2=-2, для третьего квартала года St= S2=2. Определите оценку сезонной компоненты для четвертого квартала года St=S4=
-1
-1/2
+--1
-1/4

Пусть Xt - значения временного ряда с квартальными наблюдениями, St - аддитивная сезонная компонента, причем для первого квартала года St= S1= 1, для второго квартала года St= S2 = 2, для четвертого квартала года St= S4= 4. Определите оценку сезонной компоненты для третьего квартала года St= S3=
--1/7
-1/7
-7
+--7

Приведен фрагмент таблицы распределения:

Она показывает:
13 QUOTE 1415^2 - статистику распределения Пирсона
t – статистику распределения Стьюдента
F – статистику распределения Фишера
+DW –статистику распределения Дарбина-Уотсона

Если критерий Дарбина-Уотсона находится в пределах от 4du до 4, то это означает?
-нет оснований отвергнуть нулевую гипотезу об отсутствии автокорреляции в остатках регрессионной модели (автокорреляция в остатках отсутствует)
-нельзя ни отклонить, ни принять нулевую гипотезу об отсутствии автокорреляции в остатках регрессионной модели (зона неопределенности)
-в остатках регрессионной модели присутствует положительная автокорреляция
+-в остатках регрессионной модели присутствует отрицательная автокорреляция

Уровни ряда группируются вдоль горизонтальной линии с увеличением времени наблюдения. Это свойство
-всех регрессионных моделей
-нестационарного ряда
+-стационарного ряда
-автокорреляционной функции

Дисперсия уровней временного ряда постоянна и не зависит от времени. Это характерно для
+-стационарного ряда
-нестационарного ряда
-автокорреляционной функции
-всех регрессионных моделей

Для долгосрочных периодов наблюдения уровни ряда не имеют горизонтальной оси группировки. Это свойство
-рядов типа «белый шум»
-рядов с ярко выраженными сезонными колебаниями
+-нестационарных рядов
-стационарных рядов

В эконометрической практике стационарность временного ряда означает
-наличие сезонных колебаний
-наличие линейного тренда
-отсутствие случайной компоненты уровней ряда
+-отсутствие строго периодических колебаний

В широком смысле стационарность временного ряда предполагает
+-независимость среднего, дисперсии, ковариации исследуемого ряда от времени
-неизменность амплитуды сезонных колебаний исходного ряда
-зависимость от значений временного ряда от времени
-постепенное затухание амплитуды колебаний

Аддитивная модель ряда динамики представляет собой:
+-y = T + S + e
-y = T * S * e
-y = T + S * e
-y = T * S + e

Мультипликативная модель ряда динамики представляет собой:
-y = T + S + e
+-y = T * S * e
-y = T + S * e
-y = T * S + e



Укажите правильную формулу расчета коэффициента a0 a для линейного тренда (нумерация уровней от середины ряда)








Тема7 . Модели временных рядов (Задачи)

На основе помесячных данных за последние 5 лет была построена аддитивная модель временного потребления тепла. Скорректированные значения сезонной компоненты приведены в таблице:
Январь
+ 17
май
- 20
сентябрь
- 10

февраль
+ 15
июнь
- 34
октябрь
?

март
+ 10
июль
- 42
ноябрь
+22

апрель
- 4
август
- 18
декабрь
+27

Уравнение тренда выглядит так:
13 EMBED Equation.3 1415
Значение сезонной компоненты за октябрь, а также точечный прогноз потребления тепла на 1 квартал следующего года равны:
+37; 1615
-–37; 1615,2
-37; 1845
-4; 1845


На основе поквартальных данных построена мультипликативная модель некоторого временного ряда. Скорректированные значения сезонной компоненты равны:
I квартал – 1,6
II квартал – 0,8
III квартал – 0,7
IV квартал - ?
Уравнение тренда имеет вид:
13 EMBED Equation.3 1415 13 EMBED Equation.3 1415
Значение сезонной компоненты за IV квартал и прогноз на II и III кварталы следующего года равны:
+0,90; 5,28 и 4,55

-1,00; 10,72 и 5,28
-0,90; 4,55 и 5,28
-0,80; 5,28 и 10,72


На основе квартальных данных объемов продаж 1995 – 2000гг. была построена аддитивная модель временного ряда. Трендовая компонента имеет вид 13 EMBED Equation.3 1415 13 EMBED Equation.3 1415
Показатели за 2000 г. приведены в таблице:
Квартал
Фактический объем продаж
Компонента аддитивной модели



трендовая
сезонная
случайная

1
270
13 EMBED Equation.3 1415
13 EMBED Equation.3 1415
-9

2
13 EMBED Equation.3 1415
13 EMBED Equation.3 1415
10
+4

3
310
13 EMBED Equation.3 1415
40
13 EMBED Equation.3 1415

4
13 EMBED Equation.3 1415
13 EMBED Equation.3 1415
13 EMBED Equation.3 1415
13 EMBED Equation.3 1415

ИТОГО:
2000




Отдельные недостающие данные в таблице равны:
+13 EMBED Equation.3 1415 13 EMBED Equation.3 1415 13 EMBED Equation.3 1415
-13 EMBED Equation.3 1415 13 EMBED Equation.3 1415 13 EMBED Equation.3 1415
-13 EMBED Equation.3 1415 13 EMBED Equation.3 1415 13 EMBED Equation.3 1415
-13 EMBED Equation.3 1415 13 EMBED Equation.3 1415 13 EMBED Equation.3 1415


На основе квартальных данных с 2000 г. по 2004 г. получено уравнение y = - 0,67 + 0,0098 x t1 – 5,62 x t2 + 0,044 x t3
RSS =110,3, ESS = 21,4
В уравнение были добавлены три фиктивные переменные, соответствующие трем первым кварталам года, величина RSS увеличилась до 120,2. Проверьте гипотезу о сезонности (
· =0,05):
+гипотезу об отсутствии сезонности отвергаем, т.к. F=3,76 (>Fкр)
-гипотезу об отсутствии сезонности отвергаем, т.к. F=4,2 (>Fкр)
-гипотезу о наличии сезонности отвергаем, т.к. F=3,76 (-гипотезу о наличии сезонности отвергаем, т.к. F=4,2 (

Модель зависимости объемов продаж компании от расходов на рекламу имеет вид y = - 0,67 + 4,5 x t + 3 x t-1 + 1,5 x t-2 + 0,5 x t-3
Краткосрочный, долгосрочный мультипликатор и средний лаг равны:
-краткосрочный 0,5 , долгосрочный 9,5, средний лаг 2,3
+краткосрочный 4,5 , долгосрочный 9,5, средний лаг 0,791
-краткосрочный -0,67 , долгосрочный 9,5, средний лаг 0,7


На основе квартальных данных получено уравнение множественной регрессии и RSS = 120,32, ESS = 41,4. Для этой же модели были раздельно проведены регрессии на основе данных:
1-й квартал 1991 г. - 1-й квартал 1995 г. и
2-й квартал 1995 г. – 4 квартал 1996 г., соответственно получены следующие значения сумм квадратов остатков ESS1 = 22,25, ESS2=12,32. Гипотеза о том, что произошли структурные изменения на уровне
· =0,05:
-подтвердилась, т.к. F = 1,8 , что больше F кр
+не подтвердилась, т.к. F = 0,8 , что меньше F кр
-подтвердилась, т.к F = 3,54, что больше F кр

На основе квартальных данных с 1991 года по 1996 год с помощью МНК получено следующее уравнение:
Y t = 1,12 – 0, 0098 x t1 – 5, 62 x t2 + 0, 044 x t3
(2,14) (0,0034) (3,42) (0,009)
В скобках указаны стандартные ошибки, ESS (объясненная сумма квадратов) = 116, 32; RSS (остаточная сумма квадратов) = 31, 43
Проверьте значимости коэффициентов и модели в целом при уровне значимости
· = 0,05:
-все коэффициенты модели значимы и модель в целом также значима
+модель в целом значима, но часть коэффициентов незначима
-все коэффициенты незначимы и модель также статистически незначима
-на основе имеющихся данных проверить такие гипотезы невозможно


Дана таблица:
Момент времени
13 EMBED Equation.3 1415
13 EMBED Equation.3 1415
13 EMBED Equation.3 1415
13 EMBED Equation.3 1415
13 EMBED Equation.3 1415

13 EMBED Equation.3 1415
70





13 EMBED Equation.3 1415
85
100
120
135
___

где 13 EMBED Equation.3 1415 ожидаемый и действительный объемы предложения. В соответствии с моделью адаптивных ожиданий, где 13 EMBED Equation.3 1415, значения 13 EMBED Equation.3 1415 соответственно равны:
+76,75; 87,21; 101,97; 116,83
-78,25; 90,21; 105,25; 120,14
-76,75; 87,21; 105,25;120,14
-78,25; 90,21; 106,60; 122,22






~ Тема 7 Модели временных рядов

Принцип построения системы независимых уравнений состоит в том, что:
@-каждая зависимая переменная рассматривается как функция одного и того же набора факторов;
-одни и те же зависимые переменные в одних уравнениях входят в левую часть, в других уравнениях – в правую часть системы;
-модель содержит как в правой, так и в левой части эндогенные и экзогенные переменные.

Принцип построения системы взаимозависимых уравнений состоит в том, что:
-каждая зависимая переменная рассматривается как функция одного и того же набора факторов;
@-одни и те же зависимые переменные в одних уравнениях входят в левую часть, в других уравнениях – в правую часть системы;
-модель содержит как в правой, так и в левой части эндогенные и экзогенные переменные.

Система одновременных уравнений – это:
@-система взаимозависимых уравнений;
-система независимых уравнений;
-приведенная форма модели;
-система взаимозависимых уравнений или структурная форма модели.

Идентификация модели – это:
@-единственность соответствия между приведенной и структурной формами модели;
-преобладание эндогенных переменных над экзогенными;
-преобладание экзогенных переменных над эндогенными.

Модель идентифицируема, если:
@-число коэффициентов структурной модели равно числу коэффициентов приведенной формы модели;
-число приведенных коэффициентов меньше числа структурных коэффициентов;
-число приведенных коэффициентов больше числа структурных коэффициентов.

Модель неидентифицируема, если:
-число коэффициентов структурной модели равно числу коэффициентов приведенной формы модели;
@-число приведенных коэффициентов меньше числа структурных коэффициентов;
-число приведенных коэффициентов больше числа структурных коэффициентов.

Модель сверхидентифицируема, если:
-число коэффициентов структурной модели равно числу коэффициентов приведенной формы модели;
-число приведенных коэффициентов меньше числа структурных коэффициентов;
@-число приведенных коэффициентов больше числа структурных коэффициентов.

Модель считается идентифицируемой, если:
@-каждое уравнение системы идентифицируемо;
-хотя бы два уравнения модели идентифицируемы;
-большинство уравнений модели идентифицируемо.

Необходимое условие идентификации выполняется, если для уравнения модели соблюдается счетное правило:
@-Д +1=Н
-Д +1 < H
-Д +1 > H

Структурные коэффициенты модели можно оценить тогда, когда:
-модель идентифицируема;
-модель сверхидентифицируема;
@-модель идентифицируема или сверхидентифицируема.

Методы оценивания коэффициентов структурной модели:
-косвенный МНК;
-двухшаговый и трехшаговый МНК;
-метод максимального правдоподобия;
@-косвенный МНК, двухшаговый и трехшаговый МНК, метод максимального правдоподобия.

Под системой или моделью одновременных уравнений понимается:
@-случай, когда зависимая переменная в одном или нескольких уравнениях является объясняющей переменной в других уравнениях системы;
-система из нескольких независимых уравнений, описывающих изучаемое явление;
-система уравнений с одной и той и той же зависимой переменной, но с разным набором объясняющих переменных.

Эндогенные переменные это-
@-зависимые переменные в системе одновременных уравнений, определяемые данной системой, даже если они появляются в качестве объясняющих переменных в других уравнениях системы;
-переменные определяемые внешними факторами;
-переменные в каждом уравнении, некоррелированные с соответствующей ошибкой.

Предопределенные переменные включают в себя:
-экзогенные переменные, определенные внешними для данной модели факторами;
@-экзогенные переменные и лаговые эндогенные переменные;
-эндогенные переменные.

Под смещением одновременных уравнений понимается:
@-переоценка или недооценка структурных параметров при применении структурных параметров при применении обычного МНК к структурным уравнениям модели одновременных уравнений;
-результат, получаемый при использовании косвенного МНК;
-оценка, получаемая при применении обычного МНК к приведенным моделям.

Уравнения приведенной формы получаются:
@-путем решения структурных уравнений, когда каждая эндогенная переменная в системе выражается как функция только экзогенных или предопределенных переменных системы;
-при решении структурных уравнений обычным МНК;
-при уменьшении количества независимых переменных.

Дана следующая система из двух структурных уравнений – простейшая модель спроса и предложения: Спрос: Qt=a0+a1Pt+a2Yt+u1t, a1<0 и a2>0, Предложение: Qt = в0 + в1Pt + u2t , в1 > 0; где, Q -количество продаваемых и покупаемых товаров, P -цена, Y -доход потребителей.
Почему оценка данной функции спроса и предложения обычным МНК дает смещенные и несостоятельные оценки?
@-так как эндогенная переменная P является объясняющей переменной в обоих уравнениях и коррелирован с u1t в уравнении спроса и с u2t в уравнении предложения;
-так как для решения системы одновременных нельзя использовать МНК;
-так как при решении системы одновременных уравнений невозможно получить несмещенные и состоятельные оценки.

Дана следующая система из трех уравнений:Y1t=a0+a1xt+u1t, Y2t=b0+b1Y1t+b2xt+u2t, Y3t=c0+c1Y2t+c2txt+u3t. Может ли быть использован обычный МНК для оценки каждого из этих уравнений?
-нет;
-только для первого;
-только для второго и третьего;
@-да, для каждого уравнения.

Под идентификацией понимается:
@-возможность или невозможность получения структурных параметров системы одновременных уравнений через приведенные формы уравнений;
-определение количества эндогенных переменных в системе уравнений.
-получение оценок параметров приведенных уравнений.

Дана следующая модель спроса и предложения: Спрос: Qt = a0 + a1Pt + u1t , a1 < 0 ; Предложение: Qt = в0 + в1Pt + u2t , в1 > 0:
-данная модель точно идентифицируема;
-данная модель сверхидентифицируема;
@-данная модель неидентифицируема.

Косвенный МНК используется для определения состоятельных структурных параметров в системе одновременных уравнений:
@-если уравнения точно идентифицированы;
-если уравнения неидентифицированы;
-если уравнения сверхидентифицированы.

Для точно идентифицированных уравнений двухшаговый метод наименьших квадратов дает оценки:
@-одинаковые с косвенным МНК;
-лучше чем косвенный МНК;
-хуже чем косвенный МНК.

Дана следующая модель: Y1t=a0+a1x1t+u1t, Y2t=b0+b1Y1t+b2x2t+u2t, Y3t=c0+c1Y1t+c2tY2t+c3x2t+u3t.
Данная модель является:
@-системой рекурсивных уравнений;
-системой независимых уравнений.
-системой взаимосвязанных моделей.

Выберите верное из следующих утверждений: «Преимуществом двухшагового МНК, по сравнению с косвенным МНК, является то, что он может быть использован для получения состоятельных оценок структурных параметров»:
@-как для сверхидентифицированных, так и для точно идентифицированных уравнений в системе одновременных уравнений.
-для неидентифицированных уравнений в системе одновременных уравнений;
-как для неидентифицированных, так и для точно идентифицированных уравнений в системе уравнений.

В правой части структурной формы взаимозависимой системы могут стоять:
-только экзогенные лаговые переменные;
-только экзогенные переменные (как лаговые, так и нелаговые);
-только эндогенные лаговые переменные;
-только эндогенные переменные (как лаговые, так и нелаговые);
@-любые экзогенные и эндогенные переменные.

Для оценки коэффициентов структурной формы модели не применяют_________ метод наименьших квадратов:
@-обычный
-косвенный
-двухшаговый
-трехшаговый

Выделяют три класса систем эконометрических уравнений:
@-системы независимых уравнений, системы взаимозависимых уравнений и системы рекурсивных уравнений
-системы одновременных уравнений, системы взаимозависимых уравнений и системы рекурсивных уравнений
-системы взаимозависимых уравнений, системы рекурсивных уравнений и системы возвратных уравнений
-система независимых уравнений, системы изолированных уравнений и системы рекурсивных уравнений

Эндогенными переменными не являются:
@-независимые переменные
-переменные y в уравнениях системы вида y=f(x)
-зависимые переменные
-переменные, значение которых определяется внутри системы

Экзогенными переменными не являются:
@-зависимые переменные
-переменные, значение которые определяется вне системы
-независимые переменные
-переменные x в уравнениях системы вида y =f(x)

Структурными коэффициентами модели называются коэффициенты _________ в структурной форме модели:
@-при экзогенных и эндогенных переменных
-свободных членов
-только при экзогенных переменных
-только при эндогенных переменных

На первом этапе применения косвенного метода наименьших квадратов:
@-структурную форму преобразуют в приведенную
-приведенную форму преобразуют в структурную
-проводят процедуру линеаризации приведенной формы модели
-проводят процедуру линеаризации структурной формы модели

В левой части системы независимых уравнений находится:
@-совокупность зависимых переменных
-одна зависимая переменная
-совокупность независимых переменных
-одна независимая переменная

Приведенная форма модели является результатом преобразования . . . .
- системы независимых уравнений;
@ структурной формы модели;
- системы рекурсивных уравнений;
- нелинейных уравнений системы.

Экзогенными переменными являются:
@- независимые переменные;
- переменные, значения которых определяется внутри системы;
- случайные переменные;
- зависимые переменные.

Система эконометрических уравнений предполагает наличие . . . .
@- нескольких зависимых и нескольких независимых признаков;
- одного зависимого и совокупности независимых признаков;
- одного зависимого и нескольких независимых признаков;
- нескольких зависимых и одного независимого признаков.

В левой части системы независимых уравнений находится . . . .
@– совокупность зависимых переменных;
- одна зависимая переменная;
– совокупность независимых переменных;
– одна независимая переменная.

В левой части системы взаимозависимых переменных, как правило, находится
- несколько зависимых переменных и случайная величина;
- одна независимая переменная;
@- несколько зависимых переменных;
- одна зависимая переменная.

Под идентификационной моделью подразумевается .
- существование нескольких приведенных моделей для одной структурной формы;
- адекватность модели;
- достоверность модели;
@- единственность соответствия между приведенной и структурной формами мо-делей.

Двухшаговый метод наименьших квадратов предполагает _________ использование обычного МНК
- трехкратное;
- не использовать обычного МНК;
- однократное;
@- двукратное.

Основным преимуществом использования систем эконометрических уравнений является
- построение изолированных уравнений регрессии;
- исследование связи между двумя признаками;
@- возможность описания сложных систем;
- исследование связи между моделируемым показателем и рядом влияющих на него факторов.

Приведенная форма модели представляет собой систему .
@- линейных функций эндогенных переменных от экзогенных;
- обратных функций эндогенных переменных от экзогенных;
- случайных функций эндогенных переменных от экзогенных;
- нелинейных функций эндогенных переменных от экзогенных.

Первопричиной использования систем эконометрических уравнений является то, что
- случайные факторы оказывают существенное влияние на моделируемую эконо-мическую систему;
@- изолированное уравнение не отображает истинные влияния факторов на вариа-цию результативных переменных;
- отсутствует связь между экономическими показателями;
- существует доминирующий фактор.

При оценке параметров систем одновременных уравнений не производят:
- преобразование структурной формы модели в приведенную;
@- линеаризацию уравнений системы;
- идентификацию системы одновременных уравнений;
- расчет коэффициентов приведенной формы.

Двухшаговый метод наименьших квадратов применяется для оценки параметров
- нелинейных уравнений регрессии;
@- систем эконометрических уравнений;
- линеаризованных уравнений регрессии;
- временных рядов.

Система рекурсивных уравнений включает в каждое
- уравнение в качестве факторов все зависимые переменные с набором собственно факторов;
-последующее уравнение в качестве зависимых переменных собственно факторы предшествующих уравнений;
- предыдущее уравнение в качестве факторов все зависимые переменные после-дующих уравнений с набором собственно факторов;
@- последующее уравнение в качестве факторов все зависимые переменные пред-шествующих уравнений с набором собственно факторов.

Системы эконометрических уравнений классифицируются по
- количеству уравнений в системе;
- способу ранжирования факторов в зависимости от силы влияния на моделируе-мые показатели;
@- способу вхождения зависимых и независимых переменных в уравнение регрес-сии;
- количеству факторов в каждом уравнении регрессии.

Основной задачей построения систем эконометрических уравнений является описа-ние:
- структуры связей реальной политической системы;
@- структуры связей реальной экономической системы;
- математических зависимостей;
- взаимодействия реальных экономической и политической систем.

Система эконометрических уравнений не используется при моделировании
- макроэкономических показателей;
- связей между экономическими показателями;
- механизма функционирования экономических систем;
@- взаимосвязей временных рядов данных.

На первом этапе применения косвенного метода наименьших квадратов
@- структурная форма преобразуется в приведенную;
- приведенную форму преобразуют в структурную;
- проводят процедуру линеаризации структурной формы модели;
- проводят процедуру линеаризации приведенной формы модели.

Двухшаговый метод наименьших квадратов применим для решения
- только идентифицируемой системы одновременных уравнений;
@- только сверхидентифицируемой системы одновременных уравнений;
- системы одновременных уравнений в качестве наиболее общего метода реше-ния;
- неидентифицируемой системы одновременных уравнений.

В системах рекурсивных уравнений количество переменных в правой части каждого уравнения определяется как
- разность количества зависимых переменных предыдущих уравнений и количест-ва независимых факторов;
@- сумма количества зависимых переменных предыдущих уравнений и количества независимых факторов;
- сумма количества зависимых переменных последующих уравнений и количества независимых факторов;
- разность количества зависимых переменных последующих уравнений и количе-ства независимых факторов.

Структурными коэффициентами модели называются коэффициенты ___________ в структурной форме модели.
@- при экзогенных и эндогенных переменных;
- только при экзогенных переменных;
- только при эндогенных переменных;
- свободных членов.

Система эконометрических уравнений представляет систему:
- социальных показателей;
- экономических показателей;
- уравнений корреляции;
@- уравнений регрессии.

В системе независимых уравнений каждое уравнение представлено
@- изолированным уравнением регрессии;
- совместным уравнением регрессии;
- уравнением временного ряда;
- рекурсивным уравнением регрессии.

Выделяют три класса систем эконометрических уравнений:
- система независимых уравнений, системы изолированных уравнений и системы рекурсивных уравнений;
- системы взаимозависимых уравнений, системы возвратных уравнений и систе-мы рекурсивных уравнений;
- системы взаимозависимых уравнений, системы одновременных уравнений и системы рекурсивных уравнений;
@- система независимых уравнений, системы взаимозависимых уравнений и системы рекурсивных уравнений.

При изучении взаимодействия спроса и предложения целесообразно использовать:
- изолированные уравнения;
- уравнение зависимости предложения от цены;
@- систему эконометрических уравнений;
- уравнение зависимости спроса от цены.

Для оценки коэффициентов структурной формы модели не применяют _______ метод наименьших квадратов.
- трехшаговый;
@- обычный;
- косвенный;
- двухшаговый.

При построении систем независимых уравнений набор факторов в каждом уравнении определяется числом факторов, оказывающих ________ на моделируемый показатель.
@- существенное влияние;
- не оказывающих существенное влияние на моделируемый показатель;
- оказывающих несущественное влияние;
- оказывающих как существенное, так и несущественное влияние.

Эндогенными переменными являются:
@- зависимые переменные;
- переменные, значения которых определяется вне системы;
- независимые переменные;
- случайные переменные.

При оценке параметров приведенной формы модели косвенный метод наименьших квадратов использует алгоритм
- расчета средней взвешенной величины;
- метода главных компонент;
- метода максимального правдоподобия;
@- обычного метода наименьших квадратов.

В приведенной форме модели в правой части уравнений находятся
- только зависимые переменные;
- случайные факторы;
@- только независимые переменные;
зависимые и независимые переменные.

Косвенный метод наименьших квадратов требует
@- преобразования структурной формы модели в приведенную;
- линеаризации уравнений приведенной формы;
- линеаризации уравнений структурной формы модели;
- нормализации уравнений структурной формы.

Эндогенными переменными не являются:
- переменные, значения которых определяется внутри системы;
- переменные в уравнениях системы вида ;
@- независимые переменные;
- зависимые переменные.

Система взаимозависимых уравнений в ее классическом виде называется также систе-мой ______________ уравнений
- независимых;
- изолированных;
@- одновременных;
- рекурсивных.

Система независимых уравнений предполагает
- одно изолированное уравнение регрессии;
- совокупность зависимых уравнений регрессии;
- совокупность независимых временных рядов;
@- совокупность независимых уравнений регрессии.

При построении системы эконометрических уравнений необходимо учитывать
- среднюю величину каждой зависимой переменной;
@- структуру связей реальной экономической системы;
- максимальную величину каждого фактора;
- значение наблюдений.

Модель идентифицируема, если число параметров структурной формы модели
равно числу уравнений модели
меньше числа параметров приведенной формы модели
больше числа параметров приведенной формы модели
@равно числу параметров приведенной формы модели

Оценки параметров неиндефицируемой системы эконометрических уравнений...
@не могут быть найдены обычным МНК
могут быть найдены двухшаговым МНК
могут быть найдены обычным МНК
могут быть найдены косвенным МНК

Каждое уравнение структурной формы идентифицируемо, тогда система одновременных уравнений...
неиндефицируема
сверхидентифицируема
@идентифицируема
неопределенная

Система уравнений считается неиндентифицируемой, если...
хотя бы одно уравнение системы является сверхидентифицируемым или неидентифицируемым
@хотя бы одно уравнение системы является неиндентифицируемым
чтобы все уравнения системы являются идентифицируемыми или сверхидентифицируемы

Число приведенных коэффициентов системы одновременных уравнений меньше числа структурных коэффициентов, тогда модель...
не существует
идентифицируема
сверхидентифицируема
@неидентифицируема

Оценки параметров сверидентифицируемой системы эконометрических уравнений могут быть найдены с помощью...
косвенного МНК
@двухшагового МНК
обычного МНК
взвешенного МНК

Метод, суть которого состоит в нахождении структурных коэффициентов модели через приведенные, оцененные обычным МНК, называется...
двухшаговым методом наименьших квадратов (ДМНК)
обычным методом наименьших квадратов (МНК)
@косвенным методом наименьших квадратов (КМНК)
обобщенным методом наименьших квадратов (ОМНК)

Одним видом классификации систем одновременных эконометрических уравнений является разделение их по
обобщенным и частным показателем
функциональному и табличному способам описания
@структурной и приведенной форме
регрессионной и рекурсивной структуре

Реальный экономический п___оцесс описывают с помощью системы одновременных уравнений в форме
параметрической
приведенной
@структурной
присоединенной

Для оценки параметров структурной модели системы необходимо
чтобы все уравнения системы были неидентифицируемо или сверхидентифицируемы
чтобы хотя бы одно уравнение системы было идентифицируемо или сверхидентифицируемо
чтобы хотя бы одно уравнение системы было неиденфицируемо или сверхидентефицируемо
@чтобы все уравнения системы были идентифицируемы или сверхидентифицируемы

Модель идентифицируема, если число параметров структурной формы модели
- равно числу уравнений модели;
- меньше числа параметров приведенной формы модели;
- больше числа параметров приведенной формы модели;
@- равно числу параметров приведенной формы модели

Если структурные коэффициенты системы одновременных уравнений не могут быть оценены через коэффициенты приведенной формы модели, данная система уравнений называется
@неидентифицируемой
неоднозначной
неопределенной
неструкурируемой

Эндогенными переменными не являются
переменные, значение которых определяется внутри системы
зависимые переменные
переменные у в уравнениях системы вида y=f(x)
@независимые переменные


Тема 9. Система одновременных уравнений. Косвенный МНК (Задачи)

Дана следующая модель спроса и предложения: Спрос: 13 EMBED Equation.3 1415, 13 EMBED Equation.3 1415 и 13 EMBED Equation.3 1415, Предложение: 13 EMBED Equation.3 1415, 13 EMBED Equation.3 1415, где 13 EMBED Equation.3 1415 - количество продаваемых и покупаемых товаров, 13 EMBED Equation.3 1415 - цена, 13 EMBED Equation.3 1415 - доход потребителей. В этой модели экзогенной переменной является:
+13 EMBED Equation.3 1415 -13 EMBED Equation.3 1415 -13 EMBED Equation.3 1415 и 13 EMBED Equation.3 1415 -13 EMBED Equation.3 1415


Имеется следующая структурная модель:
13 EMBED Equation.3 1415
Соответствующая ей приведенная форма модели имеет вид:
13 EMBED Equation.3 1415
Первое уравнение структурной формы имеет вид:
+13 EMBED Equation.3 1415
-уравнение неидентифицируемо, поэтому невозможно однозначно определить его коэффициенты
-13 EMBED Equation.3 1415
-13 EMBED Equation.3 1415


Имеется следующая структурная модель:
13 EMBED Equation.3 1415
Ей соответствует приведенная форма:
13 EMBED Equation.3 1415
В этом случае относительно 3 – го уравнения структурной формы можно записать следующее:
+13 EMBED Equation.3 1415
-уравнение сверхидентифицируемо, и для получения его параметров нет достаточной информации
-13 EMBED Equation.3 1415
-13 EMBED Equation.3 1415


Имеется следующая модель:
13 EMBED Equation.3 1415
Она является:
+неидентифицируемой
-идентифицируемой
-сверхидентифицируемой, поскольку 1-е и 2-е уравнения идентифицируемы, а 3-е уравнение сверхидентифицируемо
-сверхидентифицируемой, поскольку 1-е и 2-е уравнения сверхидентифицируемы


Имеется следующая модель:
13 EMBED Equation.3 1415
Она имеет следующие характеристики:
+4 эндогенные и 3 экзогенные переменные, модель сверхидентифицируема
-3 эндогенные и 4 экзогенные переменные, модель сверхидентифицируема
-4 эндогенные и 3 экзогенные переменные, модель идентифицируема
-4 эндогенные и 3 экзогенные переменные, модель неидентифицируема


13 EMBED Equation.3 1415

+



Root EntryEquation NativeEquation NativeEquation NativeEquation NativeEquation NativeEquation NativeEquation NativeEquation NativeEquation NativeEquation NativeEquation NativeEquation NativeEquation Native

Приложенные файлы

  • doc 24147911
    Размер файла: 2 MB Загрузок: 0

Добавить комментарий