24. Односторонняя стохастическая зависимость, устанавливающая соответствие

Между случайными величинами Х и У называется:

1. функцией;

2. отношением;

3. корреляцией;

4. 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 (х_i; y_i) , б)корреляционная таблица;3. а) исследование вариации эмпирических значений х_i и y_i;

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 (х_i; у_i) 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 ( х_i; у_i);

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 r_XY и детерминации B равны:

r_XY= B_XY=

36. Интенсивность нелинейной корреляционной связи определяется отношением:

1.

2.

3.

4.

37. Статистики

(1)

Используются для проверки:

1. значимости коэффициентов регрессии и корреляции;

2. для проверки гипотез H_o : b₁ ≠ 0 и H_o : r = 0;

3. для проверки наличия корреляционной связи;

4. для проверки гипотез H_o : b₁ = 0 и H_o : 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,… , t_n ;

2) числовая последовательность наблюдений y₀, y₁, y₂,… , y_n ;

3) начальный и конечный уровни : y₀,y_n ;

4) числовая последовательность наблюдений y₀, y₁, y₂,… , y_n , 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 y_t динамического ряда в виде нелинейной комбинации конечного числа предшествующих значений этого показателя и аддитивной случайной составляющей ;

4. модель , выражающая значение уровня y_t 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 H_o 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 y_t на период по авторегрессионной модели осуществляется по схеме :

1. сначала вычисляют значение y^*_t+1 по формуле затем исключают значение y_t-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 y_t 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(U_i·U_i-k)=0 , k ≠0;

3.M(U²_i)=σu² ;

4.M(x_iku_i)=0.

61. Мультиколлинеарность – это когда :

1. возмущающая переменная U оказывает существенное влияние на переменную Y в модели ;

2. переменные факторы X_i не коррелируют возмущающей переменной U ; т.е.

3. дисперсия возмущающей переменной U одинакова и постоянна для всех U_i

4. между переменными факторами X_i не существует строгой линейной зависимости.