Банк тестовых заданий

Парная регрессия и корреляция

1. Наиболее наглядным видом выбора уравнения парной регрессии является:

а) аналитический; б) графический; в) экспериментальный (табличный).

2. Суть метода наименьших квадратов состоит в:

а) минимизации суммы остаточных величин;

б) минимизации дисперсии результативного признака;

в) минимизации суммы квадратов остаточных величин.

3. Коэффициент линейного парного уравнения регрессии:

а) показывает среднее изменение результата с изменением фактора на одну единицу;

б) оценивает статистическую значимость уравнения регрессии;

в) показывает, на сколько процентов изменится в среднем результат, если фактор изменится на 1%.

4. На основании наблюдений за 50 семьями построено уравнение регрессии , где – потребление, – доход. Соответствуют ли знаки и значения коэффициентов регрессии теоретическим представлениям?

а) да; б) нет; в) ничего определенного сказать нельзя.

5. Суть коэффициента детерминации состоит в следующем:

а) оценивает качество модели из относительных отклонений по каждому наблюдению;

б) характеризует долю дисперсии результативного признака , объясняемую регрессией, в общей дисперсии результативного признака;

в) характеризует долю дисперсии , вызванную влиянием не учтенных в модели факторов.

6. Качество модели из относительных отклонений по каждому наблюдению оценивает:

а) коэффициент детерминации ;

б) -критерий Фишера;

в) средняя ошибка аппроксимации .

7. Значимость уравнения регрессии в целом оценивает:

а) -критерий Фишера;

б) -критерий Стьюдента;

в) коэффициент детерминации .

8. Классический метод к оцениванию параметров регрессии основан на:

а) методе наименьших квадратов:

б) методе максимального правдоподобия:

в) шаговом регрессионном анализе.

9. Остаточная сумма квадратов равна нулю:

а) когда правильно подобрана регрессионная модель;

б) когда между признаками существует точная функциональная связь;

в) никогда.

10. Для оценки значимости коэффициентов регрессии рассчитывают:

а) -критерий Фишера;

б) -критерий Стьюдента;

в) коэффициент детерминации .

11. Какое уравнение регрессии нельзя свести к линейному виду:

а) ; б) ; в) .

12. Какое из уравнений является степенным:

а) ; б) ; в) .

13. Параметр в степенной модели является:

а) коэффициентом детерминации;

б) коэффициентом эластичности;

в) коэффициентом корреляции.

14. Коэффициент корреляции может принимать значения:

а) от –1 до 1; б) от 0 до 1; в) любые.

15. Для функции средний коэффициент эластичности имеет вид:

а) ; б) ; в) .

Множественная регрессия и корреляция

1. Добавление в уравнение множественной регрессии новой объясняющей переменной:

а) уменьшает значение коэффициента детерминации;

б) увеличивает значение коэффициента детерминации;

в) не оказывает никакого влияние на коэффициент детерминации.

2. Скорректированный коэффициент детерминации:

а) меньше обычного коэффициента детерминации;

б) больше обычного коэффициента детерминации;

в) меньше или равен обычному коэффициенту детерминации;

3. Множественный коэффициент корреляции . Определите, какой процент дисперсии зависимой переменной объясняется влиянием факторов и :

а) 90%; б) 81%; в) 19%.

4. Для построения модели линейной множественной регрессии вида необходимое количество наблюдений должно быть не менее:

а) 2; б) 7; в) 14.

5. Частные коэффициенты корреляции:

а) характеризуют тесноту связи рассматриваемого набора факторов с исследуемым признаком;

б) содержат поправку на число степеней свободы и не допускают преувеличения тесноты связи;

в) характеризуют тесноту связи между результатом и соответствующим фактором при элиминировании других факторов, включенных в уравнение регрессии.

6. Частный -критерий:

а) оценивает значимость уравнения регрессии в целом;

б) служит мерой для оценки включения фактора в модель;

в) ранжирует факторы по силе их влияния на результат.

7. Несмещенность оценки параметра регрессии, полученной по МНК, означает:

а) что она характеризуется наименьшей дисперсией;

б) что математическое ожидание остатков равно нулю;

в) увеличение ее точности с увеличением объема выборки.

8. Эффективность оценки параметра регрессии, полученной по МНК, означает:

а) что она характеризуется наименьшей дисперсией;

б) что математическое ожидание остатков равно нулю;

в) увеличение ее точности с увеличением объема выборки.

9. Состоятельность оценки параметра регрессии, полученной по МНК, означает:

а) что она характеризуется наименьшей дисперсией;

б) что математическое ожидание остатков равно нулю;

в) увеличение ее точности с увеличением объема выборки.

10. Укажите истинное утверждение:

а) скорректированный и обычный коэффициенты множественной детерминации совпадают только в тех случаях, когда обычный коэффициент множественной детерминации равен нулю;

б) стандартные ошибки коэффициентов регрессии определяются значениями всех параметров регрессии;

в) при наличии гетероскедастичности оценки параметров регрессии становятся смещенными.

11. При наличии гетероскедастичности следует применять:

а) обычный МНК; б) обобщенный МНК; в) метод максимального правдоподобия.

Системы эконометрических уравнений

1. Наибольшее распространение в эконометрических исследованиях получили:

а) системы независимых уравнений;

б) системы рекурсивных уравнений;

в) системы взаимозависимых уравнений.

2. Эндогенные переменные – это:

а) предопределенные переменные, влияющие на зависимые переменные, но не зависящие от них, обозначаются через .;

б) зависимые переменные, число которых равно числу уравнений в системе и которые обозначаются через ;

в) значения зависимых переменных за предшествующий период времени.

3. Экзогенные переменные – это:

а) предопределенные переменные, влияющие на зависимые переменные, но не зависящие от них, обозначаются через ;

б) зависимые переменные, число которых равно числу уравнений в системе и которые обозначаются через ;

в) значения зависимых переменных за предшествующий период времени.

4. Лаговые переменные – это:

а) предопределенные переменные, влияющие на зависимые переменные, но не зависящие от них, обозначаются через .;

б) зависимые переменные, число которых равно числу уравнений в системе и которые обозначаются через ;

в) значения зависимых переменных за предшествующий период времени.

5. Для определения параметров структурную форму модели необходимо преобразовать в:

а) приведенную форму модели;

б) рекурсивную форму модели;

в) независимую форму модели.

6. Модель идентифицируема, если:

а) число приведенных коэффициентов меньше числа структурных коэффициентов;

б) если число приведенных коэффициентов больше числа структурных коэффициентов;

в) если число параметров структурной модели равно числу параметров приведенной формы модели.

7. Модель неидентифицируема, если:

а) число приведенных коэффициентов меньше числа структурных коэффициентов;

б) если число приведенных коэффициентов больше числа структурных коэффициентов;

в) если число параметров структурной модели равно числу параметров приведенной формы модели.

8. Модель сверхидентифицируема, если:

а) число приведенных коэффициентов меньше числа структурных коэффициентов;

б) если число приведенных коэффициентов больше числа структурных коэффициентов;

в) если число параметров структурной модели равно числу параметров приведенной формы модели.

9. Уравнение идентифицируемо, если:

а) ;

б) ;

в) .

10. Уравнение неидентифицируемо, если:

а) ;

б) ;

в) .

11. Уравнение сверхидентифицируемо, если:

а) ;

б) ;

в) .

12. Для определения параметров точно идентифицируемой модели:

а) применяется двушаговый МНК;

б) применяется косвенный МНК;

в) ни один из существующих методов применить нельзя.

13. Для определения параметров сверхидентифицируемой модели:

а) применяется двушаговый МНК;

б) применяется косвенный МНК;

в) ни один из существующих методов применить нельзя.

14. Для определения параметров неидентифицируемой модели:

а) применяется двухшаговый МНК;

б) применяется косвенный МНК;

в) ни один из существующих методов применить нельзя.

Временные ряды

1. Аддитивная модель временного ряда имеет вид:

а) ;

б) ;

в) .

2. Мультипликативная модель временного ряда имеет вид:

а) ;

б) ;

в) .

3. Коэффициент автокорреляции:

а) характеризует тесноту линейной связи текущего и предыдущего уровней ряда;

б) характеризует тесноту нелинейной связи текущего и предыдущего уровней ряда;

в) характеризует наличие или отсутствие тенденции.

4. Аддитивная модель временного ряда строится, если:

а) значения сезонной компоненты предполагаются постоянными для различных циклов;

б) амплитуда сезонных колебаний возрастает или уменьшается;

в) отсутствует тенденция.

5. Мультипликативная модель временного ряда строится, если:

а) значения сезонной компоненты предполагаются постоянными для различных циклов;

б) амплитуда сезонных колебаний возрастает или уменьшается;

в) отсутствует тенденция.

6. На основе поквартальных данных построена аддитивная модель временного ряда. Скорректированные значения сезонной компоненты за первые три квартала равны: 7 – I квартал, 9 – II квартал и –11 – III квартал. Значение сезонной компоненты за IV квартал есть:

а) 5;

б) –4;

в) –5.

7. На основе поквартальных данных построена мультипликативная модель временного ряда. Скорректированные значения сезонной компоненты за первые три квартала равны: 0,8 – I квартал, 1,2 – II квартал и 1,3 – III квартал. Значение сезонной компоненты за IV квартал есть:

а) 0,7;

б) 1,7;

в) 0,9.

8. Критерий Дарбина-Уотсона применяется для:

а) определения автокорреляции в остатках;

б) определения наличия сезонных колебаний;

в) для оценки существенности построенной модели.