Уменьшается коэффициент детерминации;

остается неизменной F – статистика;

растет скорректированный коэффициент детерминации;

неверны все выше перечисленные утверждения.

Для проверки статистической значимости коэффициента детерминации используется:

скорректированный коэффициент детерминации ;

дисперсия случайных отклонений;

статистика Фишера F;

стандартная ошибка аппроксимации.

Проверка равенства двух коэффициентов детерминации позволяет:

исключить возможность влияния объясняемой переменной на объясняющую;

определить значимость входящей в модель объясняемой переменной;

отклонить гипотезу о равенстве статистики Фишера и коэффициента детерминации;

оценить обоснованность исключения или добавления в уравнение регрессии некоторых наборов объясняющих переменных.

Для сравнения качества двух уравнений регрессии по коэффициенту детерминации R² обязательным является требование:

зависимая переменная была представлена в одной и той же форме и число наблюдений n для обеих моделей было одинаковым;

объясняемая переменная была представлена в одной и той же форме и число наблюдений (n-1) для обеих моделей было одинаковым;

зависимая переменная была представлена в одной и той же форме и число наблюдений (n-1) для обеих моделей было одинаковым

зависимая переменная была представлена в различной форме и число наблюдений (n-1) для обеих моделей было разным.

Проверка гипотезы о совпадении уравнений регрессии для двух выборок осуществляется с помощью:

теста Парка;

теста Чоу;

метода Хилдрета-Лу;

процедуры Кохрана-Оркатта.

Для анализа коррелированности отклонений на практике используют:

коэффициент корреляции;

статистику Дарбина-Уотсона;

t – статистику;

ни один из показателей.

Автокорреляция отсутствует, если:

DW < d­­­₁;

DW > 4 – d₁;

d_u < DW < 4 – d_u;

4 – d_u < DW < 4 – d_u.

Модель вида Y = AX^β называется:

логарифмической;

обратной;

степенной;

показательной.

Модель вида Y = β₀+β₁X+β₂Х²+…+β_mХ^m + ε является:

логарифмической;

обратной;

степенной;

показательной.

Модель вида Y = b₀e^βt называется:

логарифмической;

обратной;

степенной;

показательной.

Модель вида Y = β₀+β₁*1/X+ε является:

логарифмической;

обратной;

степенной;

показательной.

Какое из предположений не относится к ошибкам спецификации:

добавление незначимой переменной;

выбор неправильной функциональной формы;

отбрасывание значимой переменной;

изменение интервальных оценок.

Обнаружение и корректировка ошибок спецификации производится с помощью:

статистики Дарбина-Уотсона;

t – статистики;

F – статистики;

коэффициента детерминации R².

Одно из главных направлений эконометрического анализа:

постоянное совершенствование модели;

оценка параметров модели на основе статистических данных;

осуществление тестов проверки качества модели;

удаление ошибок спецификации.

Гетероскедастичность – это:

постоянство дисперсий отклонений;

непостоянство дисперсий отклонений;

отсутствие зависимости между объясняющими переменными;

корреляция между объясняющими переменными.

В случае гетероскедастичности последствия применения МНК будут следующими:

оценки не будут эффективны;

оценки коэффициентов будут смещенными и нелинейными;

теоретические значения оценок не будут совпадать с эмпирическими;

наблюдается постоянство дисперсий отклонений.

Проблема гетероскедастичности наиболее характерна:

при рассмотрении временных рядов;

для перекрестных данных;

для интервальных значений;

для эмпирических данных.

Какой из методов не является способ обнаружения гетероскедастичности:

тест Спирмена;

тест Лагранжа;

тест Парка;

тест Глейзера.

К методам смягчения проблем гетероскедастичности относится:

метод первых разностей;

метод Кохрана – Оркатта;

метод Хилдрета – Лу;

метод взвешенных наименьших квадратов.

Автокорреляция – это:

корреляция значений случайных отклонений от значений объясняющей переменной;

корреляция между наблюдаемыми показателями, упорядоченными во времени или в пространстве;

отсутствие зависимости значений случайных отклонений от значений отклонений во всех других наблюдениях;

непостоянство значений факторов, не учтенных в модели.

К причинам, вызывающим появление автокорреляции относятся:

инерция в изменениях экономических показателей;

сглаживание данных;

эффект паутины;

все вышеперечисленные явления.

К методу обнаружения ошибок спецификации не относится: