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.