- •1. Что изучает эконометрика?
- •24. Односторонняя стохастическая зависимость, устанавливающая соответствие
- •25. Регрессионная зависимость отличается от корреляционной тем, что:
- •31. Для определения параметров эмпирической функции регрессии
- •32. Интенсивность линейной корреляционной связи определяется:
24. Односторонняя стохастическая зависимость, устанавливающая соответствие
Между случайными величинами Х и У называется:
функцией;
отношением;
корреляцией;
регрессией.
25. Регрессионная зависимость отличается от корреляционной тем, что:
1. в регрессионном анализе исследуется сила связи, а в корреляционном анализе форма этой связи;2. в регрессионном анализе происходит отбой факторов, оказывающих наиболее существенное влияние на результативный признак;3. в корреляционном анализе проверяется адекватность построенной эмпирической функции регрессии эмпирическим данным;4. в регрессионном анализе исследуется форма стохастической связи, а в корреляционном − оценивается сила этой связи.
26. Выявление наличие корреляционной связи проводится следующими методами:
1. а) метод взаимозависимых параллельных рядов; б) метод статистических группировок; 2. а) визуальный анализ эмпирических данных (хi; yi) , б)корреляционная таблица;3. а) исследование вариации эмпирических значений хi и yi;
б) графический метод;4. а) корреляционная таблица; б) корреляционное поле.
27. Проверка существенности статистических связей проводится:
1. на основании изучения корреляционной таблицы;2. при помощи критерия χ2;
3. на основании изучения расположения точек (хi; уi) на корреляционном поле;
4. при помощи дисперсионного анализа;
28. Оценку какой вероятности позволяет сделать χ2:
1. вероятности того, что изменяются двумерной случайной величины (Х;Y);
2. вероятности того, что наблюдаемая корреляционная связь обусловлена случайными вариациями значений ( хi; уi);
3. вероятности того, что двумерная случайная величина (Х;Y) постоянна;
4. вероятности того, что между Х и Y существует корреляционная связь;
29. Теоретическую основу дисперсионного анализа составляет:
1. вычисление дисперсий по сериям (группам) эмпирических данных и их сравнение;
2. вычисление средних арифметических по сериям (группам) эмпирических данных и их сравнение;3. с равнение групповых средних с общей средней; 4. сравнение дисперсий по факторам между сериями с остаточной дисперсией внутри серий.
30. Форма однофакторной регрессионной модели зависит от:1. изменения значений факторного признака Х ;2. изменения значений результативного признака У ;
3. характера взаимосвязи факторного и результативного признаков;4. науки, к которой относится изучаемые явления.
31. Для определения параметров эмпирической функции регрессии
1. функцию регрессии 2. сумму отклонений
3. отношение дисперсий 4. сумму квадратов отклонения
32. Интенсивность линейной корреляционной связи определяется:
1. суммой квадратов отношений ;2. отношением
3. величиной отношения 4. величиной отношения
.
33. Значение линейного коэффициента корреляции по эмпирическим данным
-
xi
-1
1
3
5
6
yi
7
5
3
2
3
равно:
34. Значение коэффициента детерминации по эмпирическим данным
-
xi
1
2
3
4
5
yi
4
7
9
10
9
равно:
35. Если значения коэффициентов регрессии Y на X и X на Y равны =-4, =-5, то коэффициенты корреляции rXY и детерминации B равны:
rXY= BXY=
36. Интенсивность нелинейной корреляционной связи определяется отношением:
1.
2.
3.
4.
37. Статистики
(1)
Используются для проверки:
значимости коэффициентов регрессии и корреляции;
для проверки гипотез Ho : b1 ≠ 0 и Ho : r = 0;
для проверки наличия корреляционной связи;
для проверки гипотез Ho : b1 = 0 и Ho : r = 0.
38. Адекватность регрессионной модели эмпирическим данным оценивается при помощи показателей:
1.
2.
3.
4.
39. Отбор существенных многофакторных регрессионных моделей основывается на следующих подходах:
1) оценивается значимость коэффициентов регрессии при помощи t- критерия Стьюдента ;
2) на экономическом анализе несущественных факторов;
3) cтроится парная регрессия по одному значимому фактору, а затем в управление регрессии последовательно вводятся по одному все значимые факторы;
4) строится несколько уравнений регрессий, затем по величине дисперсии остатков определяют наилучшее.
40. Интенсивность множественной связи оценивается:
1) дисперсией остатков ;
2) коэффициентом корреляции ;
3) средней абсолютной процентной ошибкой ;
4) коэффициентом множественной корреляции .
41. Значимость параметров множественной регрессии и показателей интенсивности корреляционной связи проверяется при помощи:
1) дисперсии остатков ;
2) коэффициента множественной корреляции R ;
3) статистики ;
4) F-распределения , .
42. Адекватность многофакторной регрессионной модели определяется при помощи показателей:
1) средним квадратом ошибок регрессионной модели
2) средней абсолютной процентной ошибкой ;
3) F-критерии Фишера ;
4) коэффициентом детерминации .
43. Динамический ряд образует :
1) последовательность моментов времени t, t, t,… , tn ;
2) числовая последовательность наблюдений y0, y1, y2,… , yn ;
3) начальный и конечный уровни : y0,yn ;
4) числовая последовательность наблюдений y0, y1, y2,… , yn , характеризующих изменение экономического процесса во времени .
44. динамика рядов экономических показателей складывается из :
1) а) среднего уровня; б) дисперсии; в) автокорреляции ; г) тренда ;
2) а) тенденции; б)сезонных колебаний; в) автокорреляции; г) тренда ;
3) а) тенденции; б)сезонных колебаний; в) циклических колебаний; г) тренда ;
4) а) тенденции; б)сезонных колебаний; в) циклических колебаний; г) случайных флюктуаций .
45. Если f(t)-тенденция , s(t), с(t), ε(t)- соответственно сезонная , циклическая , случайная компоненты , то математическая модель динамического ряда может быть представлена в виде :
1.
2.
3.
4.
46. Выявление общей тенденции развития экономического процесса осуществляется уменьшением колеблемости уровней следующими методами :
1. замена динамических уровней расчетными ;
2. сглаживание ряда при помощи скользящей среднего ;
3. проверка гипотезы о существовании тенденции ;
4. укрупнение интервалов сглаживания.
47. Проверка гипотезы о существовании тенденции основана на :
1. проверка угла наклона тренда ;
2. вычислении дисперсии уровней ряда динамики ;
3. сравнении двух средних , вычисленных для двух равных по числу членов частей , на которые разбивается динамический ряд ;
4. вычислении статистической характеристики t , имеющей распределение Стьюдента с числом степеней свободы .
48. Применение метода скользящей средней содержит следующие этапы :
1. а) вычисление средней арифметической;
б) вычисление дисперсии;
2. а) выбор интервала сглаживания;
б) смещение интервала сглаживания на один уровень;
3. а) выбор интервала сглаживания;
б) вычисление расстояния от данного уровня до середины интервала сглаживания;
4. а) выбор интервала сглаживания;
б) вычисление простых средних арифметических или взвешенных средних для интервалов сглаживания.
49. Выбор типа кривой(аналитической формулы) , описывающей тенденцию развития(модели тренда) заключается в применении :
1. теорико-профессионального анализа исследуемого явления ;
2. сравнения характеристик изменения приростов исследуемого динамического ряда и соответствующих характеристик кривых роста ;
3. по виду графика эмпирического тренда ;
4. метода последовательных разностей.
50. Построение трендовых моделей динамических рядов состоит из следующих этапов
1. а) выбор класса функций , которые могут быть использованы для описания тренда;
б) вычисление среднеквадратической ошибки;
в) использование функции в ретроспективном анализе и прогнозировании;
2. а) выбор класса функций , которые могут быть использованы для описания тренда;
б) оценка параметров при помощи метода наименьших квадратов;
в) использование функции в ретроспективном анализе и прогнозировании;
3. а) выбор класса функций , которые могут быть использованы для описания тренда;
б) оценка параметров при помощи метода наименьших квадратов;
в) вычисление критериев : коэффициента детерминации ; F-критерия ; средне квадратичной ошибки для выбора наиболее подходящей функции;
4. а) анализ остаточной компоненты динамического ряда;
б) вычисление дисперсии остаточной компоненты.
в) выбор функции тренда методом последовательных разностей.
51. Сезонная компонента определяется путем:
1. выявления и измерения периодических колебаний в динамических рядах ;
2. выявления закономерностей , которые регулярно повторяются с периодом равным 12 месяцам ;
3. исключения из данных всех других компонент ;
4. вычисления для каждого месяца или квартала года индекса.
52. Сезонные колебания определяются методами :
1. вычисления скользящих средних ;
2. деления уровней на среднюю тренда ;
3. вычисления разности ;
4. вычисления индексов сезонности , как средних арифметических из показателей сезонности.
53. Математическая модель сезонных колебаний представляется в виде :
1. индексов сезонности ;
2. относительных чисел ;
3. ряда Фурье ;
4. функции .
54. Наиболее распространенным методом краткосрочного прогнозирования является использование :
1. а) конечного уровня динамического ряда ;
б) средней квадратичной ошибки ;
в) среднего темпа роста ;
2. а) среднего значения уровней ряда динамики ;
б) конечного уровня динамического ряда ;
в) среднего абсолютного прироста ;
3. а) среднего темпа роста ;
б) начального и конечного уровней динамического ряда ;
в) среднего абсолютного прироста ;
4. а) среднего значения уровней ряда динамики ;
б) среднего абсолютного прироста ;
в) среднего темпа роста .
55. При прогнозировании с помощью трендов предполагается , что :
1. период , для которого построен тренд , достаточен для выявления тенденции ;
2. анализируемый процесс устойчив и обладает инерционностью ;
3. отдельные наблюдения отклоняются от тренда в прошлом и будущем ;
4. не ожидается сильных внешних воздействий на изучаемый процесс , которые могут серьезно повлиять на тенденцию развития.
56. Доверительный интервал прогноза с помощью тренда имеет вид :
1. ;
2.
3.
4.
57. Авторегрессионная модель- это :
1. модель тренда
2. динамический ряд
3. модель , выражающая значение уровня yt динамического ряда в виде нелинейной комбинации конечного числа предшествующих значений этого показателя и аддитивной случайной составляющей ;
4. модель , выражающая значение уровня yt динамического ряда в виде линейной комбинации конечного числа предшествующих значений этого показателя и аддитивной случайной составляющей.
58. порядок авторегрессионной модели определяется :
1. по скорости затухания амплитуды колебаний автокорреляционной функции ;
2. используя критерий Бартлетта , состоящий в проверке гипотезы Ho о том , что исследуемый процесс представляет авторегрессию заданного порядка h , применяя статистику ;
3. используя финальную ошибку прогноза (ФОП) :
;
4. по величине дисперсии остатков динамического ряда
.
59. Прогнозирование значений yt на период по авторегрессионной модели осуществляется по схеме :
1. сначала вычисляют значение y*t+1 по формуле затем исключают значение yt-h и находят значение y*t+2 и т.д.;
2. сначала вычисляют значение y*t+1 по формуле затем прибавляют вычисленное значение
y*t+1 в модель и находят значение y*t+2 и т.д.
3. сначала вычисляют значение y*t+1 по формуле затем делят вычисленное значение y*t+1 на yt и находят y*t+2 и т.д.
4. сначала вычисляют значение y*t+1 по формуле , затем делят вычисленное значение y*t+1 подставляют в модель и находят значение y*t+2 и т.д.
60. Гомоскедастичностью называется свойство возмущающей переменной U , описывающей суммарный эффект от воздействия всех неучтенных факторов и случайностей , если :
1. M(U)=0 ;
2. M(Ui·Ui-k)=0 , k ≠0;
3.M(U2i)=σu2 ;
4.M(xikui)=0.
61. Мультиколлинеарность – это когда :
1. возмущающая переменная U оказывает существенное влияние на переменную Y в модели ;
2. переменные факторы Xi не коррелируют возмущающей переменной U ; т.е.
3. дисперсия возмущающей переменной U одинакова и постоянна для всех Ui
4. между переменными факторами Xi не существует строгой линейной зависимости.