Т е с т ы

- Методы, обеспечивающие получение окончательных научных результатов – это:

5. Математические методы.

6. Социологические методы.

7. Юридические методы.

8. Экспериментальные методы.

- Какой из нижеперечисленных методов относится к методам, обеспечивающим получение окончательного научного результата:

1. Анкетирование.

2. Эксперимент.

3. Корреляционный анализ.

4. Интроспекция.

5. Сравнение.

6. Дедукция.

- Какой из нижеперечисленных методов относится к методам, обеспечивающим получение промежуточного научного результата:

1. Дифференциальное исчисление.

2. Интегральное исчисление.

3. Регрессионный анализ.

4. Наблюдение.

5. Матричный анализ.

- Перевод качественных данных в количественные называется:

1. Квантификация.

2. Регрессия.

3. Корреляция.

4. Кластеризация.

- Фиктивная переменная – это:

1. Управляемая переменная.

2. Квантифицированная качественная переменная.

3. Объясняющая переменная.

4. Предиктор.

- Коэффициент эластичности в точке показывает:

1. Насколько в абсолютном выражении изменяется результирующая (объясняемая) переменная при изменении факторной (объясняющей) на единицу измерения.

2. Насколько процентов изменяется результирующая переменная при изменении факторной на 1%.

3. Насколько изменяется результирующая (объясняемая) переменная при изменении факторной (объясняющей) переменной.

- Коэффициент регрессии показывает:

1. Насколько в абсолютном выражении изменяется результирующая (объясняемая) переменная при изменении факторной (объясняющей) на единицу измерения.

2. Насколько процентов изменяется результирующая переменная при изменении факторной на 1%.

3. Насколько изменяется результирующая (объясняемая) переменная при изменении факторной (объясняющей) переменной.

- Коэффициент конкордации применяется для:

1. Измерения силы и направления связи между двумя переменными.

2. Измерения силы и направления связи между тремя переменными.

3. Измерения силы и направления связи между неограниченным числом переменных.

4. Измерения силы и направления связи между пятью переменными.

- Коэффициент детерминации показывает:

1. Долю вариации результирующей переменной, обусловленную вариацией факторной переменной.

2. Силу и направление связи между переменными.

3. Качество полученного уравнения регрессии.

4. Стандартную ошибку коэффициента регрессии.

- Коэффициент корреляции показывает:

1. Силу связи между переменными.

2. Направление связи между переменными.

3. Силу и направление связи между переменными.

4. Силу, направление связи и мощность статистического критерия.

- Какой из коэффициентов корреляции является более эффективным (в смысле учета информации, содержащейся в первичных эмпирических данных):

1. Коэффициент Фехнера.

2. Коэффициент Спирмена.

3. Коэффициент Кендалла.

4. Линейный коэффициент корреляции Пирсона.

- Какое количество наблюдений должно приходиться на каждую дополнительную факторную переменную в модели множественной регрессии:

1. Не менее пяти.

2. Не менее семи.

3. Не менее десяти.

4. Не менее трех.

- Величина коэффициента эластичности в степенной функции:

1. Переменная величина.

2. Константа равная величине степени.

3. Равна числу е.

4. Равна числу π

- Свободный член (сдвиг) в линейном уравнении парной регрессии показывает:

1. Тангенс угла наклона линии регрессии.

2. Значение независимой переменной x при y=0.

3. Значение зависимой переменной y при x=0.

- F-статистика показывает:

1. Качество подбора коэффициента регрессии.

2. Качество подбора коэффициента сдвига.

3. Долю вариации результирующей переменной, обусловленную вариацией факторной переменной.

4. Качество подобранного регрессионного уравнения в целом.

5. Силу и направление связи между переменными.

- F-статистика вычисляется:

1. Как отношение факторной дисперсии к дисперсии остаточной.

2. Как отношение ковариации к произведению стандартных отклонений по переменным.

3. Как отношение средних взвешенных по переменным.

- Если средняя ошибка аппроксимации более 8%, то:

1. Это свидетельствует о хорошей подгонке модели к исходным данным.

2. Это свидетельствует о плохой подгонке модели к исходным данным.

3. Это свидетельствует о непригодности данной модели.

4. Это свидетельствует о средней подгонке модели к исходным данным.

- Можно ли использовать среднюю ошибку аппроксимации для оценки качества подгонки модели к исходным данным в случае множественной регрессии:

1. Да.

2. Нет.

3. В исключительных случаях.

4. Да, только для линейных моделей.

5. Да, только для нелинейных моделей.