Модели временных рядов (теоретические вопросы)

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.