4.3. Особливі випадки у регресійному аналізі

Завдання № 3.1

Якщо між чинниками існує лінійна залежність, то це явище назива­ють:

1. Автокореляцією;

2. Гетероскедастичністю;

3. Гомоскедастичністю;

4. Мультиколінеарністю;

5. Специфікацією.

Завдання № 3.2

Якщо економетрична модель будується на основі часових рядів, то спостерігається явище, яке називають:

1. Автокореляцією;

2. Гетероскедастичністю;

3. Гомоскедастичністю;

4. Мультиколінеарністю;

5. Специфікацією.

Завдання № 3.3

Якщо дисперсія залишків є сталою для кожного спостереження, то це явище називають:

1. Автокореляцією;

2. Гетероскедастичністю;

3. Гомоскедастичністю;

4. Мультиколінеарністю;

5. Специфікацією.

Завдання № 3.4

Якщо дисперсія залишків змінюється для кожного спостереження, то це явище називають:

1. Автокореляцією;

2. Гетероскедастичністю;

3. Гомоскедастичністю;

4. Мультиколінеарністю;

5. Специфікацією.

Завдання № 3.5

Мультиколінеарність присутня, коли:

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 № 3.6

Виявити мультиколінеарність можна за допомогою:

1. Алгоритму Фаррара-Глобера;

2. Критерію ;

3. Критерію фон Неймана;

4. Тесту Глейсера;

5. Тесту Гольфельда – Квандта.

Завдання № 3.7

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 № 3.8

Існування мультиколінеарністі дає:

1. Два залишки, які корелюють один з одним;

2. Найкращі лінійні оцінки (BLUE);

3. Неефективні оцінки параметрів; Оцінки параметрів з відхиленням;

4. Проблеми зі статистичними висновками.

Завдання № 3.9

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 № 3.10

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 № 3.11

Виявити гетероскедастичність можна за допомогою:

1. Алгоритму Фаррара – Глобера;

2. Критерію ;

3. Критерію Дарбіна – Вотсона;

4. Критерію фон Неймана;

5. Методу головних компонент.

Завдання № 3.12

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 № 3.13

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 № 3.14

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 № 3.15

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 № 3.16

Виявити автокореляцію можна за допомогою:

1. Алгоритму Фаррара – Глобера;

2. Критерію ;

3. Критерію Дарбіна – Вотсона;

4. Методу головних компонентів;

5. Тесту Гольфельда – Квандта.

Завдання № 3.17

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 № 3.18

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. изької точності оцінювання параметрів моделі.

Завдання № 3.19

Здійснити оцінку параметрів з автокорельованими залишками можна:

1. За алгоритмом Фаррара – Глобера;

2. Методом головних компонентів;

3. Методом Айткена;

4. Методом найменших квадратів;

5. Непрямим методом найменших квадратів.

Завдання № 3.20

Помилка в специфікації присутня, коли:

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 № 3.21

Помилка специфікації дає:

1. Автокореляцію;

2. Мультиколінеарність;

3. Найкращі лінійні оцінки (BLUE);

4. Неефективні оцінки параметрів;

5. Оцінки параметрів з відхиленням.

Завдання № 3.22

Dummy-змінна може вживатися, коли:

1. Незалежна змінна гетероскедастична;

2. Незалежна змінна кількісна4

3. Незалежна змінна якісна;

4. Немає автокореляції;

5. Проблемою є мультиколінеарність.

Завдання № 3.23

Якщо ми зацікавлені у використанні dummy-змінних для відображен­ня ефекту різних місяців на віддачу від цінних паперів, ми повинні ви­користати:

1. 1 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.