4. Особливі випадки у регресійному аналізі
Завдання № 4.1
Якщо між чинниками існує лінійна залежність, то це явище називають:
1. Автокореляція.
2. Гетероскедастичність.
3. Гомоскедастичність.
4. Мультиколінеарність.
5. Специфікація.
Завдання № 4.2
Якщо економетрична модель будується на основі часових рядів, то спостерігається явище, яке називають:
1. Автокореляція.
2. Гетероскедастичність.
3. Гомоскедастичність.
4. Мультиколінеарність.
5. Специфікація.
Завдання № 4.3
Якщо дисперсія залишків є сталою для кожного спостереження, то це явище називають:
1. Автокореляція.
2. Гетероскедастичність.
3. Гомоскедастичність.
4. Мультиколінеарність.
5. Специфікація.
Завдання № 4.4
Якщо дисперсія залишків змінюється для кожного спостереження, то маємо явище, яке називають:
1. Автокореляція.
2. Гетероскедастичність.
3. Гомоскедастичність.
4. Мультиколінеарність.
5. Специфікація.
Завдання № 4.5
Мультиколінеарність наявна, якщо:
1. Дві чи більше незалежних змінних мають високу кореляцію;
2. Дисперсія випадкових величин не стала;
3. Побудовано неправильну версію істинної моделі;
4. Незалежна змінна виміряна з помилкою;
5. Теперішні та лагові значення помилок корелюють.
Завдання № 4.6
Виявити мультиколінеарність можна за допомогою:
1. Алгоритму Фаррара – Глобера;
2. Критерію
;
3. Критерію фон Неймана;
4. Тесту Глейсера;
5. Тесту Гольфельда – Квандта.
Завдання № 4.7
Наявність мультиколінеарності призводить до:
1. Зміни специфікації моделі.
2. Зміщеності оцінок параметрів моделі.
3. Неадекватності висновку про незначущість впливу чинників на показник.
4. Неефективності оцінок параметрів моделі, які призведуть до неефективних прогнозів.
5. Низької точності оцінювання параметрів моделі.
Завдання № 4.8
Наявність мультиколінеарністі дає:
1. Два залишки, які корелюють один з одним.
2. Найкращі лінійні оцінки (BLUE).
3. Неефективні оцінки параметрів.
4. Оцінки параметрів з відхиленням.
5. Проблеми зі статистичними висновками.
Завдання № 4.9
З метою виключення мультиколінеарності можна:
1. Використати атрибутивні змінні;
2. Використати залежну змінну з лагом;
3. Використати метод зважених найменших квадратів;
4. Використати перехід до логарифмів (log transformation);
5. Відкинути одну чи більше незалежних змінних.
Завдання № 4.10
Гетероскедастичність існує, якщо:
1. Дві чи більше незалежних змінних мають високу кореляцію.
2. Дисперсія випадкової величини не стала.
3. Ми будуємо неправильну версію істинної моделі.
4. Незалежна змінна виміряна з помилкою.
5. Теперішні та лагові значення помилок корелюють.
Завдання № 4.11
Виявити гетероскедастичність можна за допомогою:
1. Алгоритму Фаррара – Глобера;
2. Критерію ц;
3. Критерію Дарбіна – Вотсона;
4. Критерію фон Неймана;
5. Методу головних компонентів.
Завдання № 4.12
Наявність гетероскедастичності призводить до:
1. Зміни специфікації моделі.
2. Зміщеності оцінок параметрів моделі.
3. Істотної залежності оцінок параметрів моделі від кількості спостережень.
4. Неадекватності висновку про незначущість дії чинників на показник
5. Низької точності оцінювання параметрів моделі.
Завдання № 4.13
Наявність гетероскедастичність дає:
1. Високий ступінь кореляції між залишками та залежною змінною.
2. Ефективні оцінки параметрів.
3. Найкращі лінійні оцінки (BLUE).
4. Оцінки параметрів з відхиленням.
5. Проблеми зі статистичними висновками.
Завдання № 4.14
З метою вилучення гетероскедастичності можна:
1. Використати атрибутивні змінні.
2. Використати метод зважених найменших квадратів.
3. Використати перехід до логарифмів (log transformation).
4. Відкинути одну чи більше незалежних змінних.
5. Спершу усунути проблему автокореляції.
Завдання № 4.15
Автокореляція існує, якщо:
1. Дві чи більше незалежних змінних мають високу кореляцію;
2. Дисперсія випадкової величини не постійна;
3. Ми будуємо неправильну версію істинної моделі;
4. Незалежна змінна виміряна з помилкою;
5. Теперішні та лагові значення випадкової величини корелюють.
Завдання № 4.16
Виявити автокореляцію можна за допомогою:
1. Алгоритму Фаррара – Глобера;
2. Критерію ;
3. Критерію Дарбіна – Вотсона;
4. Методу головних компонентів;
5. Тесту Гольфельда – Квандта.
Завдання № 4.17
Автокореляція дає:
1. Високий ступінь кореляції між залишками та незалежною змінНою.
2. Найкращі лінійні оцінки (BLUE).
3. Неефективні оцінки параметрів.
4. Оцінки параметрів з відхиленням.
5. Проблеми зі статистичними висновками.
Завдання № 4.18
Наявність автокореляції призводить до:
1. Зміни специфікації моделі.
2. Зміщеності оцінок параметрів моделі.
3. Неефективності оцінок параметрів моделі, які призведуть до неефективних прогнозів.
4. Неможливості застосування критеріїв Стьюдента та Фішера.
5. Низької точності оцінювання параметрів моделі.
Завдання № 4.19
Здійснити оцінку параметрів з автокорельованими залишками можна:
1. За алгоритмом Фаррара – Глобера.
2. Методом головних компонентів.
3. Методом Ейткена.
4. Методом найменших квадратів.
5. Непрямим методом найменших квадратів.
Завдання № 4.20
Помилка в специфікації наявна, якщо:
1. Дві чи більше залежних змінних мають високу кореляції.
2. Дві чи більше незалежних змінних мають високу кореляцію.
3. Дисперсія значень помилки не постійна.
4. Побудовано неправильну версію істинної моделі.
5. Незалежна змінна виміряна з помилкою.
Завдання № 4.21
Помилка специфікації дає:
1. Автокореляцію.
2. Мультиколінеарність.
3. Найкращі лінійні оцінки (BLUE).
4. Неефективні оцінки параметрів.
5. Оцінки параметрів з відхиленням.
Завдання № 4.22
Dummy-змінна може вживатися, коли:
1. Незалежна змінна гетероскедастична.
2. Незалежна змінна кількісна.
3. Незалежна змінна якісна.
4. Немає автокореляції.
5. Є мультиколінеарність.
Завдання № 4.23
Якщо ми зацікавлені у використанні dummy-змінних для відображення ефекту різних місяців на віддачу від цінних паперів, ми повинні використати:
1. Одну атрибутивну змінну.
2. 11 атрибутивних змінних.
3. 12 dummy-змінних (атрибутивних змінних), одну для кожного місяця року.
4. Не можна використовувати атрибутивну змінну для відображення цього ефекту.
5. Стільки атрибутивних змінних, скільки ми захочемо.