V3: Метод наименьших квадратов (мнк)

I:

S: Метод наименьших квадратов может применяться в случае

-: только парной регрессии

-: только множественной регрессии

+: нелинейной и линейной множественной регрессии

-: коллинеарной регрессии

I:

S: Метод наименьших квадратов используется для оценивания

+: параметров линейной регрессии

-: величины коэффициента корреляции

-: величины коэффициента детерминации

-: средней ошибки аппроксимации

I:

S: Параметры модели линейной парной регрессии y=a+bx могут быть найдены

-: методом скользящей средней

+: методом наименьших квадратов

-: методом аналитического выравнивания

I:

S: Модель линейной парной регрессии имеет вид y=-5.79+36.84x, коэффициент регрессии в такой модели равен:

-: -5.79

+: 36.84

-: 0.6

I:

S: Модель линейной парной регрессии имеет вид y=1.9+0.65x, коэффициент регрессии в такой модели равен:

-: 1.9

+: 0.65

-: 0.55

I:

S: Модель линейной парной регрессии имеет вид y=3.4+2.986x, коэффициент регрессии в такой модели равен:

-: 3.4

+: 2.986

-: 0.986

I:

S: Величина коэффициента регрессии показывает …

+: среднее изменение результата при изменении фактора на одну единицу

-: характер связи между фактором и результатом

-: тесноту связи между фактором и результатом

-: тесноту связи между исследуемыми факторами

I:

S: В зависимости от типа взаимосвязи между эндогенной переменной и экзогенной регрессионные модели подразделяются на:

+: линейные и нелинейные

-: парные и множественные

I:

S: В зависимости от количества экзогенных переменных в модели их подразделяются на:

-: линейные и нелинейные

+: парные и множественные

-: статические и динамические

-: стационарные и нестационарные

I:

S: Выбрать правильный ответ.

Независимые переменные в регрессионных моделях называются:

-: откликами

-: возмущениями

+: регрессорами

-: остатком

I:

S: Оценка случайного возмущения называется:

+: остатком

-: откликом

-: регрессором

I:

S: Выбрать правильный ответ.

Уравнение линейной парной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, может иметь вид:

+: Y=a+bX

-: Y=a+bX²

-: Y=a+b₁X₁+b₂X₂

I:

S: Уравнение линейной парной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, не может иметь вид:

-:Y=a+bX

+: Y=a+bX²

-: Y= bX

I:

S: Уравнение линейной парной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, может иметь вид:

-: Y=a+bX²

+: Y=a+bX

-: Y=a+b₁X₁+b₂X₂

-: Y=a+ b/X

I:

S: Уравнение линейной парной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, не может иметь вид:

+: Y=a+bX²

-: Y=a+bX

-: Y= bX

I:

S: Какое из уравнений соответствует уравнению модели линейной парной регрессии?

+: y=a+bx

-: y=a+b₁x₁+b₂x₂+

-: y=a+b/x+

-: y=a+b₁x+b₂x²+

I:

S: Примером линейной зависимости экономических показателей является

-: классическая гиперболическая зависимость спроса от цены

+: зависимость зарплаты рабочего от его выработки при сдельной оплате труда

-: зависимость объема продаж от недели реализации

I:

S: Примером линейной зависимости экономических показателей является

+: зависимость стоимости квартиры от ее площади

-: зависимость зарплаты рабочего от номера месяца в течение года

-:зависимость объема продаж от недели реализации

V2: Модель линейной множественной регрессии

I:

S: Уравнение линейной множественной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, может иметь вид:

-: Y=a+bX

-: Y=a+bX²

+: Y=a+b₁X₁+b₂X₂

-: Y= bX

I:

S: Уравнение линейной множественной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, не может иметь вид:

+: Y=a+b₁X₁²+b₂X₂³

-: Y=a+b₁X₁+b₂X₂

-: Y=a+b₁X₁+b₂X₂+b₃X₃

I:

S: Какое из уравнений соответствует модели линейной множественной регрессии?

-: y=a+bx

+: y=a+b₁x₁+b₂x₂+

-: y=a+b₁x+b₂x²+

I:

S: Какие из уравнений не соответствуют модели линейной множественной регрессии?

-: y= a+b₁x₁+b₂x₂+b₃x₃+

-: y=a+b₁x₁+b₂x₂+

+: y=a+b₁x+b₂x²+

I:

S: Нелинейным является уравнение регрессии нелинейное относительно входящих в него

+: переменных(факторов)

-: результатов

-: параметров

-: случайных величин

I:

S: Примером нелинейной зависимости экономических показателей является

+: классическая гиперболическая зависимость спроса от цены

-: линейная зависимость выручки от величины оборотных средств

-: зависимость объема продаж от недели реализации

-: линейная зависимость затрат на производство от объема выпуска продукции

I:

S: Линеаризация нелинейной модели регрессии может быть достигнута:

-: отбрасыванием нелинейных переменных

-: перекрестной суперпозицией переменных

+: преобразованием анализируемых переменных

-: сглаживанием переменных

I:

S: При помощи какого математического преобразования можно выполнить линеаризацию модели y=a+bx³:

-: путем дифференцирования

-: путем логарифмирования

+: путем замены переменных

-: путем потенцирования

I:

S: При помощи какого математического преобразования можно выполнить линеаризацию модели y=a+blnx:

-: путем дифференцирования

-: путем логарифмирования

+: путем замены переменных

-: путем потенцирования

I:

S: При помощи какого математического преобразования можно выполнить линеаризацию модели y=a+b/x:

-: путем дифференцирования

-: путем логарифмирования

+: путем замены переменных

-: путем потенцирования

I:

S: При помощи какого математического преобразования можно выполнить линеаризацию модели y=аb^x

-: путем дифференцирования

+: путем логарифмирования

-: путем замены переменных

-: путем потенцирования

I:

S: При помощи какого математического преобразования можно выполнить линеаризацию модели y= аx^b:

-: путем дифференцирования

+: путем логарифмирования

-: путем замены переменных

-: путем потенцирования

I:

S: При помощи какого математического преобразования можно выполнить линеаризацию модели y=аe^bx:

-: путем дифференцирования

+: путем логарифмирования

-: путем замены переменных

-: путем потенцирования

I:

S: К линейному уравнению нельзя привести следующий вид модели

+: y=a+bx^C

-: y=a+b₁x₁+b₂x₂+

-: y=a+b/x+

-: y=a+b₁x+b₂x²+

I:

S: Теснота статистической связи между переменной у и объясняющими переменными Х измеряется:

-: t-критерием Стьюдента

-: коэффициентом детерминации

+: коэффициентом корреляции

-: F-критерием Фишера

I:

S: Коэффициент парной линейной корреляции характеризует:

+: тесноту линейной связи между двумя переменными

-: тесноту нелинейной связи между двумя переменными

-: тесноту линейной связи между несколькими переменными

-: тесноту нелинейной связи между несколькими переменными

I:

S: Корреляция подразумевает наличие связи между

+: переменными

-: параметрами

-: случайными факторами

-: результатом и случайными факторами

I:

S : К оэффициент корреляции для модели линейной парной регрессии может быть рассчитан по формуле:

-:

- : R=(r_xy)²

+:

I:

S: Линейный коэффициент корреляции r_xy может принимать значения в диапазоне:

-: (-1; 1)

-: [0; 1]

+: [-1; 1]

-: [-1.1; 1]

I:

S: Линейный коэффициент корреляции r_xy не может принимать значения в диапазоне:

+: (-2; 1)

-: [0; 1]

-:[-1; 1]

-: [-0.1; 1]

I:

S: Линейный коэффициент корреляяции r_xy может принимать значения в диапазоне:

-: (-1; 1.1)

-: [0; 1.5]

-: [0; 2]

+: [-1; 1]

I:

S: Линейный коэффициент корреляции r_xy может принимать значения в диапазоне:

-: [0; 1.5]

-: [0; 1.1]

+: [-1; 1]

-: [-0.5; 1.5]

I:

S: Линейный коэффициент корреляции r_xy может принимать значения только в диапазоне:

-: [-1; 1.5]

-: [-1.1; 1]

-: [-1.1; 1]

+: [-1; 1]

I:

S: Линейный коэффициент корреляции r_xy не может принимать значение равное:

-: 0.5

-: 0.99

-: -0.5

+: 1.2

I:

S: Линейный коэффициент корреляции r_xy не может принимать значение равное:

-: 0.5

-: 0.99

+: 1.05

-: 1

I:

S: Линейный коэффициент корреляции r_xy не может принимать значение равное:

-: 0.6

-: 0.01

+: -1.05

-: 1

I:

S: Линейный коэффициент корреляции r_xy может принимать значение равное:

-: -1.1

+: 0.99

-: 1.05

-: 1.2

I:

S: Линейный коэффициент корреляции r_xy может принимать значение равное:

-: -1.35

+: -0.99

-: 1.05

-: 1.001

V2:

I:

S: Корреляционная связь между переменными X и Y считается тесной, если коэффициент корреляции принимает следующие значения:

-: r_xy=0;

-: 0<r_xy0.3

-: 0.3<r_xy0.7

+: 0.7<r_xy<1

-: r_xy=1

I:

S: Корреляционная связь между переменными X и Y считается умеренной, если коэффициент корреляции принимает следующие значения:

-: r_xy=0;

-: 0<r_xy0.3

+: 0.3<r_xy0.7

-: 0.7<r_xy<1

-: r_xy=1

I:

S: Корреляционная связь между переменными X и Y считается слабой, если коэффициент корреляции принимает следующие значения:

-: r_xy=0;

+: 0<r_xy0.3

-: 0.3<r_xy0.7

-: 0.7<r_xy<1

-: r_xy=1

I:

S: Корреляционная связь между переменными X и Y считается линейной функциональной, если коэффициент корреляции принимает следующие значения:

-: r_xy=0;

-: 0<r_xy0.3

-: 0.3<r_xy0.7

-: 0.7<r_xy<1

+: r_xy=1

I:

S: Корреляционная связь между переменными X и Y отсутствует, если коэффициент корреляции принимает следующие значения:

-: r_xy=0;

-: 0<r_xy0.3

-: 0.3<r_xy0.7

+: 0.7<r_xy<1

-: r_xy=1

I:

S: Коэффициент детерминации R является показателем

-: тесноты связи между переменными X и Y

+: качества построенной модели

-: адекватности модели исходным фактическим данным

-: статистической значимости модели

I:

S: Коэффициент детерминации рассчитывается для оценки качества

+: подбора уравнения регрессии

-: параметров уравнения регрессии

-: мультиколлинеарных факторов

-: факторов, не включенных в уравнение регрессии