Тест Лагранжа;

Тест Валда;

Тест Рамсея;

Тест Чоу.

В большинстве случаев положительная автокорреляция объясняется следующими причинами:

воздействие не учтенных в модели факторов;

наличие дисперсии случайных отклонений;

использование перекрестных данных в модели;

отсутствием зависимости между объясняющими переменными.

При применении МНК к последствиям автокорреляции чаще всего относят:

оценки параметров перестают быть эффективными;

дисперсии оценок не являются смещенными;

отсутствие инерции экономических показателей;

отсутствие корреляции между случайными отклонениями.

К методам обнаружения автокорреляции относят:

Метод Кохрана – Оркатта;

метод рядов;

метод Хилдрета – Лу;

метод взвешенных наименьших квадратов.

К методам устранения автокорреляции относят:

Метод первых разностей;

метод взвешенных наименьших квадратов;

метод наименьших квадратов;

все выше указанные методы.

Мультиколлинеарность – это:

линейная взаимосвязь двух или нескольких значений случайных отклонений;

инерция в изменениях экономических показателей;

нелинейная взаимосвязь двух или нескольких объясняющих переменных;

линейная взаимосвязь двух или нескольких объясняющих переменных;

Мультиколлинеарность может быть в случае:

парной регрессии;

множественной регрессии;

нелинейной регрессии;

во всех выше рассмотренных случаях.

Сильная корреляционная зависимость между двумя или несколькими объясняющими переменными называется:

несовершенной мультиколлинеарностью;

совершенной мультиколлинеарностью;

положительная автокорреляция;

отрицательная автокорреляция

К последствиям мультиколлинеарности относится:

увеличение t-статистки коэффициентов;

оценки коэффициентов по МНК не меняются при малейшем изменении данных;

низкие частные коэффициенты корреляции;

большие дисперсии оценок.

К признакам, по которым может быть установлено наличие мультиколлинеарности относится:

высокие t-статистки коэффициентов;

низкая парная корреляция между малозначимыми объясняющими переменными;

высокие частные коэффициенты корреляции;

ни один из признаков не является верным.

Методом устранения мультиколлинеарности не является:

изменение спецификации модели;

использование предварительной информации о некоторых параметрах;

исключение переменной из модели;

авторегрессионное преобразование первого порядка.

Исключение переменной из модели может привести к:

возникновению ошибок спецификации;

устранению автокорреляции в модели;

появлению отрицательной автокорреляции;

возникновению мультиколлинеарности в модели.

Переменная, которая отражает влияние в моделях качественного фактора называют:

фиктивной;

эмпирической;

статистической;

действительной.

Регрессионные модели, содержащие лишь качественные объясняющие переменные называются:

ANCOVA – модель;

LOGIT – модель;

ANOVA – модель;

ANVA – модель.

Модели, в которых объясняющие переменные носят как количественный, так и качественный характер называются: