Тесты. Тесты Какие переменные называются предопределенными а экзогенные б эндогенные в лаговые
![]()
|
0). Это свидетельствует оа) наличии фиктивной переменной; б) наличии мультиколлинерности; в) недостатке наблюдений в выборке; г) о существовании переменных, влияющих на объясняемую переменную больше, чем переменные, входящие в набор Х. 5.3.5.Коэффициенты парной корреляции между тремя регрессорами следующие: rx1x2=0,9; rx1x3=0,5;rx2x3=0,6. Это свидетельствует о мультиколлинеарности между объясняющими переменными. Какую из переменных следует исключить? а) х1; б) х2; в) х3; г) для ответа на вопрос данных недостаточно 5.3.6. Корреляционная матрица для объясняемой переменной y (объем потребления) и объясняющих переменных х1 (размер заработной платы); х2 (трансферты); х3 (доходы в целом) выглядит следующим образом: у х1 х2 х3 у 1 х10,4 1 х2 0,3 0,9 1 х3 0,5 0,75 0,82 1 Какое из уравнений регрессии можно идентифицировать? а) у=а1х1+ а2х2+ а3х3+ а0 б) у=а1х1+ а3х3+ а0 в) у=а2х2+ а3х3+ а0 г) у= а3х3+ а0 5.3.7. Стоимость торта коррелирует с затратами в % муки, сливочного масла и сахара. При построении регрессионной модели следует ожидать эффекта мультиколлинерности между тремя основными ингредиентами. Как можно выявить фактор, наименее значимый в модели? а) с помощью коэффициентов парной корреляции; б) с помощью коэффициентов частной корреляции; в) с помощью коэффициентов множественной корреляции; г) с помощью коэффициента детерминации. 5.3.8. Мультиколлинеарность между объясняющими переменными возникает вследствие того, что а) независимые переменные могут иметь общий временной тренд; б) среди независимых переменных используются переменные, агрегирующие другие; в) объясняющие переменные являются долями некоторого целого; г) верны все три утверждения. 5.4.1. Переменные, принимающие только два значения 0 и 1 не называются а) фиктивными; б) двойственными; в) бинарными; г) dummy. 5.4.2. Фиктивные переменные позволяют исследовать а) влияние качественных признаков; б) влияние нескольких переменных, взаимосвязанных между собой; в) сезонные различия; г) верны все утверждения. 5.4.3. Для описания влияния образования (высшее, среднее, среднее специальное, неполное среднее) на уровень заработной платы следует ввести фиктивные переменные в количестве: а) 1; б) 2; в) 3; г) 4. 5.4.4. Объем продажи зонтиков от дождя зависит от сезона (зима, весна, лето, осень). Для учета сезонной составляющей следует ввести фиктивные переменные в количестве а) 4; б) 3; в) 2; г) 1. 5.4.5. Модель y = a0 +a1 х1+a2 х2+a3 х3, где х1 и х2 принимают значения 0 и 1, а х3 - положительное подходит для описания следующей ситуации а) зависимость объема продаж тортов от цены в праздничные дни и в будни; б) зависимость объема продаж тортов от цены в выходные, праздничные дни и в будни; в) зависимость объема продаж от цены зонтиков от дождя в различные времена года; г) зависимость объема продаж велосипедов от цены в периоды с октября по март и с апреля по сентябрь включительно. 5.4.6. Модель y = a0 +a1 х1+a2 х2 описывает зависимость объема потребления y городских и сельских жителей от уровня дохода х2 в предположении одинаковой предельной склонности к потреблению у этих групп. Сдвиг в объеме потребления между этими группами жителей по абсолютной величине равен а) a0 б) a1 в) х1 г)a2 5.6.1. Выберите уравнения, которые могут быть преобразованы в уравнения, линейные по параметрам: Yi=exp(xi)i Yi=exp(-xi)+i Yi=exp(+xi+i) Yi=/exp(-xi)+i а) 1 и 3 б) 2 и 4 в) 1 и 4 г) 2 и 3 5.6.2. При каких условиях на параметры ипроизводственная функция в модели Кобба-Дугласа Y=AKL может быть преобразована в парную линейную регрессию по этим параметрам? а) при <1и<1 б)при =1 в) при+=1 г) при любых 6.1.1. В чем состоит условие гомоскедастичности в регрессионной модели, если t1,t2=1,2,…,n и t1t2: а) M[t1t2]=0; б)M[t1]M[t2] в)M[2t1]= M[2t2] г)M[t1t2] 0 6.1.2. В чем состоит условие гетероскедастичности в регрессионной модели, если t1,t2=1,2,…,n и t1t2: а) M[t1]=M[t2] б)M[2t1]= M[2t2] в)M[t1t2] 0; г)M[2t1] M[2t2] 6.1.3. Какие оценки коэффициентов регрессии будут иметь наименьшую дисперсию, если матрица ковариаций ошибок cov(ei,ej) имеет следующий вид: ![]() а) оценки, полученные с помощью метода наименьших квадратов; б) оценки, полученные с помощью обобщенного метода наименьших квадратов; в) оценки, полученные с помощью взвешенного метода наименьших квадратов; г) другое. 6.1.4. Оценка параметров a уравнения регрессии y=Xa получена обобщенным методом наименьших квадратов. Это означает, что она получена в результате решения оптимизационной задачи, в которой критерием оптимальности выступает: а) F(a) = (y-Xa)T(y-Xa) min; б)F(a) = (y-Xa)TV(y-Xa) min, где V – матрица ковариаций ошибок; в)F(a) = (y-Xa)TV-1(y-Xa) min, где V – матрица ковариаций ошибок; г) F(a) = (y-Xa)T(XTX)-1(y-Xa) min. 6.3.1. Матрица ковариаций ошибок имеет вид ![]() Это свидетельствует о наличии а) авторегрессии ошибок; б) автокорреляции ошибок: в) гетероскедастичности; г) гомоскедастичности. 6.3.2. Если ошибки регрессии порождаются авторегрессионным процессом 1-го порядка: ei=ei-1+ui, где ei – i-тая ошибка регрессии, - коэффициент авторегрессии, ui - «белый шум», то ковариационная матрица может быть представлена в виде: а) ![]() б) ![]() в) ![]() г) ![]() 6.3.3 Наличие автокорреляции в модели может быть выражено следующей записью (t=2,…,n ): а) M[t]M[t-1]; б) D[t]D[t-1]; в) M[tt-1] =0; г) rt,t-1 0. 7.1 Цена на двухкомнатные квартиры price зависит от общей площади totsq, площади кухни kitsq и расстояния от центра dist следующим образом: price= 235,6+ 1,8 totsq +1,6 kitsq – 1,7 dist При этом дисперсия ошибок составляет s2=35,24. В каких пределах может находится цена на квартиру с параметрами totsq=32; kitsq=6; dist=15 с вероятностью 95% (t=1,96). а) [208,23; 346,37]; б) [265,67; 288,94]; в) [275,34; 279,26]; г) [242,06; 312,54]. 7.2 Цена на двухкомнатные квартиры price зависит от общей площади totsq, площади кухни kitsq и расстояния от центра dist следующим образом: price= 235,6+ 1,8 totsq +1,6 kitsq – 1,7 dist При этом дисперсия ошибок составляет s2=35,24. В каких пределах может находится цена на квартиру с параметрами totsq=40; kitsq=8; dist=5 с вероятностью 95% (t=1,96). а) [300,27; 323,54]; б) [309,94; 313,86]; в) [276,66; 347,14]; г) [242,83; 380,97]. 7.3. Цена на однокомнатные квартиры price зависит от общей площади totsq, площади кухни kitsq и расстояния от автобусной остановки dist следующим образом: price= 184,8+ 2,8 totsq +1,3 kitsq – 3,7 dist При этом дисперсия ошибок составляет s2=51,7. В каких пределах может находится цена на квартиру с параметрами totsq=40; kitsq=8; dist=5 с вероятностью 95% (t=1,96). а) [237; 340,4]; б) [274,61; 302,79]; в) [187,37; 390,03]; г) [286,74; 290,66]. 7.4. Цена на однокомнатные квартиры price зависит от общей площади totsq, площади кухни kitsq и расстояния от автобусной остановки dist следующим образом: price= 184,8+ 2,8 totsq +1,3 kitsq – 3,7 dist При этом дисперсия ошибок составляет s2=51,7. В каких пределах может находится цена на квартиру с параметрами totsq=40; kitsq=8; dist=5 с вероятностью 99% (t=2,58). а) [155,53; 421,87]; б) [286,12; 291,28]; в) [270,18; 307,22]; г) [237; 340,4]. 7.5. Цена на однокомнатные квартиры price зависит от общей площади totsq, площади кухни kitsq и расстояния от автобусной остановки dist следующим образом: price= 184,8+ 2,8 totsq +1,3 kitsq – 3,7 dist При этом дисперсия ошибок составляет s2=31,7. В каких пределах может находится цена на квартиру с параметрами totsq=30; kitsq=4; dist=4 с вероятностью 99% (t=2,58). а) [244,7; 273,7]; б) [177,55; 340,85]; в) [256,62; 261,78]; г) [227,5; 290,9]. 7.6. Интервальная оценка при прогнозировании значения случайной величины зависит от а) заданного уровня вероятности; б) дисперсии случайной величины; в) среднего значения случайной величины; г) всего вышеперечисленного. 7.7. Интервальный прогноз в регрессионной модели будет тем менее достоверным, чем далее удалена точка Xn+1 относительно ![]() а) известны коэффициенты регрессии и ошибки гомоскедастичны; б) известны оценки коэффициентов регрессии и ошибки гомоскедастичны; в) известны оценки коэффициентов регрессии и ошибки автокоррелированы; 8.1.1. Временной ряд x(t) называется строго стационарным (в узком смысле слова) если а) закон распределения вероятностей случайной величины x(t) не зависит от t; б) среднее значение случайной величины x(t) постоянно для любого t; в) дисперсия случайной величины x(t) постоянна для любого t; г) среднее значение случайной величины x(t) постоянно для любого t и равно0. 8.2.1. Автоковариационная функция в предположении строгой стационарности ряда xtдля (0) равна: а) r[xt1xt2] б) cov[xt1xt2] в) D[xt] г) M[xt] 8.3.1. Какой метод не используется для сглаживания стационарного временного ряда? а) метод скользящего среднего б) метод серий, основанных на медиане в) метод подбора аппроксимирующего полинома г) метод Брауна 8.4.1. Для модели авторегрессионного преобразования АР(1) (t)=(t-1)+u(t) известны значения автоковариационной функции (1)=1,3 и (0)=1,5. Чему равен коэффициент ? а) 2,8; б) 0,87; в) 1,15; г) –0,2; 8.4.2. Для модели авторегрессионного преобразования АР(1) (t)=(t-1)+u(t) известны значения автоковариационной функции (1)=1,2 и (0)=1,7. Чему равен коэффициент ? а) 2,04; б) 1,41; в) 0,71; г) 2,9. 8.4.3. Для модели авторегрессионного преобразования АР(1) (t)=(t-1)+u(t) известны значения автоковариационной функции (1)=1,1 и (0)=2,7. Чему равен коэффициент ? а) 0,41; б) 2,45; в) 3,8; г) 2,87. 8.4.4. Для модели авторегрессии второго порядка АР(1) (t) = 1(t-1) + 2(t-2) + u(t) верно следующее утверждение: а) (1) = 1(0) + 2(2) б) (0) = 1(1) + 2(2) в) (1) = 1(0) + 2(1) г) (1) = 1(2) + 2(0) 8.4.5. Известен вид модели авторегрессионного преобразования АР(2) ![]() а) (1) = 2,5(0) + 4,5(2) б) (0) = 2,5(1) + 4,5(2) в) 3,5(1) = -2,5(0) г) (1) = 2,5(2) + 4,5(0) 8.4.6. Известен вид модели авторегрессионного преобразования АР(2) ![]() а) (1) = 4,5(0) + 2,5(2) б) (0) = 4,5(1) + 2,5(2) в) (1) = 4,5(2) + 2,5(0) г) (1) = -3(0) 8.4.7. Известен вид модели авторегрессионного преобразования АР(2) ![]() а) (1) = 5(0) + 2(2) б) (1) + 5(0) = 0 в) (1) = 5(2) + 2(0) г) (0) = 5(1) + 2(2) 8.4.8. Известен вид модели авторегрессионного преобразования АР(3) ![]() а) 4,5(0) = -2,5(2) б) (2) = 5,5(1) + 2,5(0) в) (1) = 4,5(2) + 2,5(0) + (1) г) (1) = -3,5(0) + (2) 8.4.9. Известен вид модели авторегрессионного преобразования АР(3) ![]() а) 4,5(1) = -2,5(2) б) (2) = 4,5(1) в) (2)= -4,5 - 2,5(1) г) (2) = 5,5(1) + 2,5 9.2.1. Какая из систем регрессионных уравнений относится к рекурсивной модели: а) y1,t=1(x1,t;y2,t-1;x2,t-1) y2,t=2(y1,t;x1,t; x2,t) б) y1,t=1(x1,t;y2,t;x2,t-1) y2,t=2(y1,t; y2,t-1;x1,t) в) y1,t=1(y2,t;x1,t; x2,t-1) y2,t=2(y1,t;xt; x2,t) г)y1,t=1(x1,t;y2,t;x1,t-1) y2,t=2(y1,t;x1,t-1; x2,t-2) 9.3.1. При нахождении оценок параметров системы одновременных эконометрических уравнений не используется: а) трехшаговый метод; б) косвенный метод: в)метод скользящих средних; г)двухшаговый метод. 10.1.1. Плотность вероятности распределения на заданном интервале одинакова. Такое распределение называется а) равновероятным б) нормальным в) биномиальным г) равномерным 10.1.2. Какова вероятность попадания реализации случайной величины R(1;5) в интервал (-;2]? а) 0,5 б) 1 в) 0,25 г) 0,75 10.2.1. Если ряд случайных величин (X1,X2, …Xn) имеет нормальное распределение, то их линейная комбинация (1X1+2X2+ …+nXn) будет иметь а) нормальное распределение б) распределение Стьюдента в) распределение Фишера г) равномерное распределение 10.2.2. Какова вероятность попадания реализации случайной величины N(1;100) в интервал (-;1]? а) 0,5 б) 1 в) 0,25 г) 0,75 10.2.3. По таблице функции распределения стандартного нормального распределения определите, какова вероятность попадания реализации случайной величины N(1;10) в интервал (-;2]?
|