1. Уровень временного ряда складывается из следующих основных компонентов:
- тенденции, циклических, сезонных и случайных колебаний;
- тенденции, периодических колебаний;
- сезонных, циклических и случайных колебаний;
- тенденции и случайных колебаний.
2. Аддитивная модель временного ряда представляется в виде:
- суммы трендовой, циклической, сезонной и случайных компонент;
- произведения трендовой, циклической, сезонной и случайных компонент;
- произведения суммы трендовой и циклической компоненты на случайную компоненту;
- суммы произведения трендовой и циклической компоненты со случайной компонентой.
3. Коэффициент автокорреляции временного ряда – это:
- коэффициент корреляции между уровнями исходного временного ряда и уровнями этого же ряда, сдвинутых на несколько шагов по времени;
- коэффициент корреляции между исходными уровнями различных временных рядов;
- количественная мера тесноты связи сезонной и случайной компонент;
- среднее значение уровней ряда.
|
|
4. Лагом во временных рядах называют:
- число периодов, по которым рассчитывают коэффициент автокорреляции;
- число компонент временного ряда;
- число основных видов трендов временного ряда;
- порядок конечных разностей между последовательными уровнями ряда.
5. Автокорреляционная функция временного ряда – это:
- последовательность коэффициентов автокорреляции уровней первого, второго и т. д. порядков;
- последовательность уровней временного ряда;
- структурные изменения временного ряда;
- ложная корреляция.
6. Коррелограммой является:
- график зависимости автокорреляционной функции от величины лага;
- график зависимости уровней ряда от времени;
- график случайной компоненты временного ряда;
- график основной тенденции временного ряда.
7. Значения автокорреляционной функции изменяются в пределах:
- от -1 до 1;
- от - до ;
- от 0 до ;
- от - до 0.
8. Автокорреляционную функцию временного ряда строят для:
- выявления структуры ряда (состава компонент);
- моделирования тенденции временного ряда;
- моделирования причинно-следственной зависимости в уровнях ряда;
- исследования циклических колебаний.
9. Наиболее высокий коэффициент автокорреляции первого порядка свидетельствует о том, что:
- исследуемый временной ряд содержит только тенденцию;
- исследуемый ряд не содержит тенденции;
- исследуемый ряд содержит только циклические колебания;
- исследуемый ряд содержит только сезонные колебания.
10. Если коэффициенты автокорреляции любого порядка не являются значимыми, то:
- исследуемый временной ряд не содержит тенденции и циклических колебаний, либо содержит сильную нелинейную тенденцию;
|
|
- исследуемый ряд содержит только тенденцию;
- исследуемый ряд содержит только циклические колебания;
- исследуемый ряд содержит только тенденцию и циклические колебания.
11. Временной ряд является стационарным, если:
- его математическое ожидание, дисперсия, ковариация не зависят от времени;
- его математическое ожидание не зависит от времени;
- его математическое ожидание и дисперсия не зависят от времени;
- его значения со временем не меняются.
12. Метод скользящих средних основан на:
- переходе от исходных уровней ряда к их средним значениям на некотором заранее определенном интервале времени;
- вычислении среднего значения исходных уровней ряда;
- определении средних значений коэффициентов автокорреляции различных порядков;
- построении графика автокорреляционной функции.
13. Метод аналитического выравнивания временного ряда заключается в:
- построении аналитической функции, характеризующей зависимость уровней ряда от времени;
- построении скользящей средней для исходных уровней ряда;
- линеаризации нелинейного тренда;
- осреднении коэффициентов автокорреляции различных порядков.
14. Параметр bлинейного тренда интерпретируется как:
- средний абсолютный прирост уровня ряда за единичный промежуток времени;
- средний уровень ряда в момент ;
- среднее увеличение уровня ряда при увеличении на 1%;
- средний коэффициент роста за единичный промежуток времени.
15. Параметр b показательного тренда интерпретируется как:
- средний коэффициент роста за единичный промежуток времени;
- средний уровень ряда в момент ;
- средний абсолютный прирост уровня ряда за единичный промежуток времени;
- среднее увеличение уровня ряда при увеличении на 1%.
16. В аддитивной модели временного ряда взаимопогашение сезонных воздействий за период выражается в том, что:
- сумма значений сезонной компоненты по всем кварталам должна быть равна нулю;
- сумма значений сезонной компоненты по всем кварталам должна быть равна числу периодов в цикле;
- сумма значений сезонной компоненты по всем кварталам должна быть равна единице;
- произведение значений сезонной компоненты по всем кварталам должно быть равно единице.
17. Фиктивные переменные при моделировании сезонных колебаний принимают значения:
- 0 и 1;
- -1 и 1;
- от 0 до 1;
- -1,0 и 1.
18. Кусочно-линейная модель регрессии применяется:
- для моделирования единовременных изменений характера тенденции временного ряда, вызванных структурными изменениями в экономике;
- для моделирования глобальной тенденции временного ряда;
- для моделирования тенденции нестационарного временного ряда;
- изучения взаимосвязей по временным рядам.
19. Структурная стабильность тенденции временного ряда проверяется с помощью:
- теста Грегори Чоу;
- теста Дарбина-Уотсона;
- теста Голфелда-Квандта;
- теста Уйта.
20. Автокорреляция в остатках - это:
- корреляционная зависимость между значениями за текущий и предыдущий промежуток времени;
- ложная корреляция между уровнями двух временных рядов;
- автокорреляционная функция для =1;
- автокорреляционная функция по логарифмам уровней ряда.
21. Преимущество метода Гуйарати перед тестом Чоу состоит в том, что:
- требуется построить одно, а не три уравнения тренда;
- используются исходные уровни ряда;
- используются только аддитивные модели временного ряда;
- используются только линейные модели трендов.
22. Автокорреляцию в остатках можно выявить с помощью:
- теста Дарбина-Уотсона;
- теста Бреуша-Годфри;
- теста Дики-Фуллера;
- теста Льюинга-Бокса.
|
|
23. Модели с распределенным лагом – это:
- содержащие не только текущие, но и лаговые (сдвинутые на один или более моментов времени) значения факторных переменных;
- содержащие текущие и лаговые значения зависимой переменной;
- содержащие переменные, характеризующие ожидаемый уровень результата;
- содержащие любые переменные в предыдущий момент времени.
24. Средний лаг модели с распределенным лагом означает:
- период, в течение которого происходит изменение результата от изменения фактора в момент ;
- время, в течение которого с момента будет реализована половина общего воздействия фактора на результат;
- вес коэффициента регрессии;
- среднее изменение результата при единичном увеличении фактора.
25. Модели авторегрессии – это:
- содержащие в качестве факторов лаговые значения зависимой переменной;
- содержащие не только текущие, но и лаговые значения факторных переменных;
- содержащие переменные, характеризующие ожидаемый уровень результата;
- содержащие только лаговые значения факторных переменных.
26. Метод Алмон применяют для описания модели с распределенным лагом, если:
- используется полиномиальная структура лага с конечной величиной лага;
- используется геометрическая структура лага с бесконечной величиной лага;
- используется долгосрочный мультипликатор;
- используется линейная структура лага при любой его величине.
27. Метод Койка применяется для описания модели с распределенным лагом, если:
- используется геометрическая структура лага с бесконечной величиной лага;
- используется полиномиальная структура лага с конечной величиной лага;
- используется линейная структура лага при любой его величине;
- используется краткосрочный мультипликатор.
28. Суть метода инструментальных переменных состоит в:
- замене переменной модели на новую переменную, которая тесно коррелирует с прежней, но не коррелирует со случайной составляющей;
- замене переменной модели на ее логарифм;
- замене переменной на новую переменную, которая не коррелирует с прежней переменной;
|
|
- замене более простой моделью регрессии.
29. Модель адаптивных ожиданий учитывает:
- ожидаемое значение факторной переменной в момент ;
- ожидаемое значение результативного признака;
- наблюдаемое значение случайной компоненты;
- ожидаемое значение фиктивных переменных в момент .
30. Модель неполной корректировки учитывает:
- ожидаемое значение результативного признака;
- ожидаемое значение факторной переменной в момент времени ;
- ожидаемое значение случайной составляющей в момент ;
- эмпирическое значение долгосрочного мультипликатора.