Тестовые задания Парная регрессия и корреляция Наиболее наглядным видом выбора уравнения парной регрессии является
 Скачать 0.66 Mb.
|
|
Тестовые задания Парная регрессия и корреляция 1. Наиболее наглядным видом выбора уравнения парной регрессии является: а) аналитический; б) графический; в) экспериментальный (табличный). 2. Рассчитывать параметры парной линейной регрессии можно, если у нас есть: а) не менее 5 наблюдений; б) не менее 7 наблюдений; в) не менее 10 наблюдений. 3. Суть метода наименьших квадратов состоит в: а) минимизации суммы остаточных величин; б) минимизации дисперсии результативного признака; в) минимизации суммы квадратов остаточных величин. 4. Коэффициент линейного парного уравнения регрессии: а) показывает среднее изменение результата с изменением фактора на одну единицу; б) оценивает статистическую значимость уравнения регрессии; в) показывает, на сколько процентов изменится в среднем результат, если фактор изменится на 1%. 5. На основании наблюдений за 50 семьями построено уравнение регрессии  , где  – потребление,  – доход. Соответствуют ли знаки и значения коэффициентов регрессии теоретическим представлениям?а) да; б) нет; в) ничего определенного сказать нельзя. 6. Суть коэффициента детерминации  состоит в следующем:а) оценивает качество модели из относительных отклонений по каждому наблюдению; б) характеризует долю дисперсии результативного признака , объясняемую регрессией, в общей дисперсии результативного признака;в) характеризует долю дисперсии , вызванную влиянием не учтенных в модели факторов.7. Качество модели из относительных отклонений по каждому наблюдению оценивает: а) коэффициент детерминации ;б)  -критерий Фишера;в) средняя ошибка аппроксимации  .8. Значимость уравнения регрессии в целом оценивает: а) -критерий Фишера;б)  -критерий Стьюдента;в) коэффициент детерминации .9. Классический метод к оцениванию параметров регрессии основан на: а) методе наименьших квадратов: б) методе максимального правдоподобия: в) шаговом регрессионном анализе. 10. Остаточная сумма квадратов равна нулю: а) когда правильно подобрана регрессионная модель; б) когда между признаками существует точная функциональная связь; в) никогда. 11. Объясненная (факторная) сумма квадратов отклонений в линейной парной модели имеет число степеней свободы, равное: а)  ;б)  ;в)  .12. Остаточная сумма квадратов отклонений в линейной парной модели имеет число степеней свободы, равное: а) ;б) ;в) .13. Общая сумма квадратов отклонений в линейной парной модели имеет число степеней свободы, равное: а) ;б) ;в) .14. Для оценки значимости коэффициентов регрессии рассчитывают: а) -критерий Фишера;б) -критерий Стьюдента;в) коэффициент детерминации .15. Какое уравнение регрессии нельзя свести к линейному виду: а)  ;б)  :в)  .16. Какое из уравнений является степенным: а) ;б) :в) .17. Параметр  в степенной модели является:а) коэффициентом детерминации; б) коэффициентом эластичности; в) коэффициентом корреляции. 18. Коэффициент корреляции  может принимать значения:а) от –1 до 1; б) от 0 до 1; в) любые. 19. Для функции  средний коэффициент эластичности имеет вид:а)  ;б)  ;в)  .20. Какое из следующих уравнений нелинейно по оцениваемым параметрам: а)  ;б)  ;в)  .Множественная регрессия и корреляция 1. Добавление в уравнение множественной регрессии новой объясняющей переменной: а) уменьшает значение коэффициента детерминации; б) увеличивает значение коэффициента детерминации; в) не оказывает никакого влияние на коэффициент детерминации. 2. Скорректированный коэффициент детерминации: а) меньше обычного коэффициента детерминации; б) больше обычного коэффициента детерминации; в) меньше или равен обычному коэффициенту детерминации; 3. С увеличением числа объясняющих переменных скорректированный коэффициент детерминации: а) увеличивается; б) уменьшается; в) не изменяется. 4. Число степеней свободы для остаточной суммы квадратов в линейной модели множественной регрессии равно: а) ;б)  ;в)  .5. Число степеней свободы для общей суммы квадратов в линейной модели множественной регрессии равно: а) ;б) ;в) .6. Число степеней свободы для факторной суммы квадратов в линейной модели множественной регрессии равно: а) ;б) ;в) .7. Множественный коэффициент корреляции  . Определите, какой процент дисперсии зависимой переменной объясняется влиянием факторов  и  :а) 90%; б) 81%; в) 19%. 8. Для построения модели линейной множественной регрессии вида  необходимое количество наблюдений должно быть не менее:а) 2; б) 7; в) 14. 9. Стандартизованные коэффициенты регрессии  :а) позволяют ранжировать факторы по силе их влияния на результат; б) оценивают статистическую значимость факторов; в) являются коэффициентами эластичности. 10. Частные коэффициенты корреляции: а) характеризуют тесноту связи рассматриваемого набора факторов с исследуемым признаком; б) содержат поправку на число степеней свободы и не допускают преувеличения тесноты связи; в) характеризуют тесноту связи между результатом и соответствующим фактором при элиминировании других факторов, включенных в уравнение регрессии. 11. Частный -критерий:а) оценивает значимость уравнения регрессии в целом; б) служит мерой для оценки включения фактора в модель; в) ранжирует факторы по силе их влияния на результат. 12. Несмещенность оценки параметра регрессии, полученной по МНК, означает: а) что она характеризуется наименьшей дисперсией; б) что математическое ожидание остатков равно нулю; в) увеличение ее точности с увеличением объема выборки. 13. Эффективность оценки параметра регрессии, полученной по МНК, означает: а) что она характеризуется наименьшей дисперсией; б) что математическое ожидание остатков равно нулю; в) увеличение ее точности с увеличением объема выборки. 14. Состоятельность оценки параметра регрессии, полученной по МНК, означает: а) что она характеризуется наименьшей дисперсией; б) что математическое ожидание остатков равно нулю; в) увеличение ее точности с увеличением объема выборки. 15. Укажите истинное утверждение: а) скорректированный и обычный коэффициенты множественной детерминации совпадают только в тех случаях, когда обычный коэффициент множественной детерминации равен нулю; б) стандартные ошибки коэффициентов регрессии определяются значениями всех параметров регрессии; в) при наличии гетероскедастичности оценки параметров регрессии становятся смещенными. 16. При наличии гетероскедастичности следует применять: а) обычный МНК; б) обобщенный МНК; в) метод максимального правдоподобия. 17. Фиктивные переменные – это: а) атрибутивные признаки (например, как профессия, пол, образование), которым придали цифровые метки; б) экономические переменные, принимающие количественные значения в некотором интервале; в) значения зависимой переменной за предшествующий период времени. 18. Если качественный фактор имеет три градации, то необходимое число фиктивных переменных: а) 4; б) 3; в) 2. Системы эконометрических уравнений 1. Наибольшее распространение в эконометрических исследованиях получили: а) системы независимых уравнений; б) системы рекурсивных уравнений; в) системы взаимозависимых уравнений. 2. Эндогенные переменные – это: а) предопределенные переменные, влияющие на зависимые переменные, но не зависящие от них, обозначаются через .;б) зависимые переменные, число которых равно числу уравнений в системе и которые обозначаются через ;в) значения зависимых переменных за предшествующий период времени. 3. Экзогенные переменные – это: а) предопределенные переменные, влияющие на зависимые переменные, но не зависящие от них, обозначаются через ;б) зависимые переменные, число которых равно числу уравнений в системе и которые обозначаются через ;в) значения зависимых переменных за предшествующий период времени. 4. Лаговые переменные – это: а) предопределенные переменные, влияющие на зависимые переменные, но не зависящие от них, обозначаются через .;б) зависимые переменные, число которых равно числу уравнений в системе и которые обозначаются через ;в) значения зависимых переменных за предшествующий период времени. 5. Для определения параметров структурную форму модели необходимо преобразовать в: а) приведенную форму модели; б) рекурсивную форму модели; в) независимую форму модели. 6. Модель идентифицируема, если: а) число приведенных коэффициентов меньше числа структурных коэффициентов; б) если число приведенных коэффициентов больше числа структурных коэффициентов; в) если число параметров структурной модели равно числу параметров приведенной формы модели. 7. Модель неидентифицируема, если: а) число приведенных коэффициентов меньше числа структурных коэффициентов; б) если число приведенных коэффициентов больше числа структурных коэффициентов; в) если число параметров структурной модели равно числу параметров приведенной формы модели. 8. Модель сверхидентифицируема, если: а) число приведенных коэффициентов меньше числа структурных коэффициентов; б) если число приведенных коэффициентов больше числа структурных коэффициентов; в) если число параметров структурной модели равно числу параметров приведенной формы модели. 9. Уравнение идентифицируемо, если: а)  ;б)  ;в)  .10. Уравнение неидентифицируемо, если: а) ;б) ;в) .11. Уравнение сверхидентифицируемо, если: а) ;б) ;в) .12. Для определения параметров точно идентифицируемой модели: а) применяется двушаговый МНК; б) применяется косвенный МНК; б) ни один из существующих методов применить нельзя. 13. Для определения параметров сверхидентифицируемой модели: а) применяется двушаговый МНК; б) применяется косвенный МНК; б) ни один из существующих методов применить нельзя. 14. Для определения параметров неидентифицируемой модели: а) применяется двушаговый МНК; б) применяется косвенный МНК; б) ни один из существующих методов применить нельзя. Временные ряды 1. Аддитивная модель временного ряда имеет вид: а)  ;б)  ;в)  .2. Мультипликативная модель временного ряда имеет вид: а) ;б) ;в) .3. Коэффициент автокорреляции: а) характеризует тесноту линейной связи текущего и предыдущего уровней ряда; б) характеризует тесноту нелинейной связи текущего и предыдущего уровней ряда; в) характеризует наличие или отсутствие тенденции. 4. Аддитивная модель временного ряда строится, если: а) значения сезонной компоненты предполагаются постоянными для различных циклов; б) амплитуда сезонных колебаний возрастает или уменьшается; в) отсутствует тенденция. 5. Мультипликативная модель временного ряда строится, если: а) значения сезонной компоненты предполагаются постоянными для различных циклов; б) амплитуда сезонных колебаний возрастает или уменьшается; в) отсутствует тенденция. 6. На основе поквартальных данных построена аддитивная модель временного ряда. Скорректированные значения сезонной компоненты за первые три квартала равны: 7 – I квартал, 9 – II квартал и –11 – III квартал. Значение сезонной компоненты за IV квартал есть: а) 5; б) –4; в) –5. 7. На основе поквартальных данных построена мультипликативная модель временного ряда. Скорректированные значения сезонной компоненты за первые три квартала равны: 0,8 – I квартал, 1,2 – II квартал и 1,3 – III квартал. Значение сезонной компоненты за IV квартал есть: а) 0,7; б) 1,7; в) 0,9. 8. Критерий Дарбина-Уотсона применяется для: а) определения автокорреляции в остатках; б) определения наличия сезонных колебаний; в) для оценки существенности построенной модели. |