2. Корреляционно-регрессионный анализ

1. В основе математического обеспечения регрессионной модели лежит:

а) математическая статистика;

б) линейная алгебра;

в) математическое программирование.

2. Уравнением регрессии называется уравнение, которое

а) задает зависимость среднего значения объясняемой переменной от значений объясняющих переменных;

б) характеризует тесноту связи между показателями;

в) характеризует случайность связи между показателями;

2. Уравнение простой линейной регрессии имеет вид:

а) Y = a∙x + b∙y + z

б) Y = a∙x + b

в) Y = a∙x + b∙x

2. Уравнение множественной линейной регрессии имеет вид:

а) Y = a1∙x1 + a2∙x2 + … + an∙xn + b

б) Y = a1∙x1 + b

в) Y = a1∙x + a2∙x + …+ an∙x + b

2. Коэффициент корреляции характеризует:

а) вид уравнения регрессии;

б) вид связи между показателями

в) тесноту связи между показателями.

2. Если коэффициент детерминации в парной линейной регрессии равен 0,8, то это означает, что:

а) при увеличении фактора на 1 % зависимый показатель изменяется на 0,8 %;

б) при увеличении фактора на единицу зависимый показатель изменяется на 0,8 ед.;

в) включенные в регрессионную модель факторы на 80 % определяют колебания зависимого показателя.

2. Коэффициент парной линейной регрессии b показывает, что:

а) при изменении фактора на единицу зависимый показатель изменяется на b ед.;

б) при изменении фактора на 1 % зависимый показатель изменяется на b %;

в) при изменении фактора на 1 единицу среднее значение зависимого показателя изменяется на b ед.

2. Т-статистика параметров регрессии используется для оценки статистической значимости:

а) параметров регрессии;

б) уравнения регрессии в целом;

в) совокупности введенных в регрессионную модель факторов.

2. Стандартизованные коэффициенты регрессии позволяют оценить:

а) значимость параметров регрессии;

б) сравнительную силу влияния введенных в модель факторов;

в) статистическую значимость введенных в модель факторов.

2. Критерий Фишера позволяет оценить:

а) значимость уравнения регрессии в целом;

б) значимость параметров регрессии;

в) тесноту связи между показателями.

2. Мультиколлинеарность факторов в регрессионной модели:

а) нежелательна, так как приводит к нарушению свойств несмещенности, состоятельности и эффективности оценок параметров регрессии;

б) желательна, так как увеличивает коэффициент детерминации;

в) не влияет на степень надежности оценок параметров регрессии.

2. Коэффициент эластичности показывает:

а) величину изменения зависимой переменной

б) процент изменения независимой переменной

в) на сколько процентов изменится зависимая переменная при изменении независимой переменной на 1%.

2. Построение регрессионной модели средствами Excel можно осуществить с помощью команд:

а) АНАЛИЗ ДАННЫХ;

б) МОБР;

в) ПОИСК РЕШЕНИЯ.

2. Линейную регрессионную модель в ТП MS Excel можно рассчитать при помощи функций:

а) ЛГРФПРИБЛ

б) ЛИНЕЙН

в) FРАСПОБР

2. Экспоненциальную регрессионную модель в ТП MS Excel можно рассчитать при помощи функций:

а) ЛГРФПРИБЛ

б) ЛИНЕЙН

в) FРАСПОБР

2. Показатели значимости коэффициентов уравнения регрессии в ТП MS Excel можно рассчитать при помощи функций:

а) FРАСПОБР

б) СТЬЮДРАСПОБР

в) КОРРЕЛ

2. Показатель статистической значимости уравнения регрессии в целом в ТП MS Excel можно рассчитать при помощи функций:

а) FРАСПОБР

б) СТЬЮДРАСПОБР

в) КОРРЕЛ

2. Прогнозные значения результативного признака линейной регрессионной модели в ТП MS Excel можно рассчитать при помощи функций:

а) РОСТ

б) ЛИНЕЙН

в) ТЕНДЕНЦИЯ

2. Прогнозные значения результативного признака экспоненциальной регрессионной модели в ТП MS Excel можно рассчитать при помощи функций:

а) РОСТ

б) ЛИНЕЙН

в) ТЕНДЕНЦИЯ

2. Тесноту связи между показателями в ТП MS Excel можно рассчитать при помощи функций:

а) КОРРЕЛ

б) ЛИНЕЙН

в) FРАСПОБР

21. Коэффициенты регрессии – это:

а) коэффициенты уравнения регрессии при переменных

б) коэффициенты, характеризующие адекватность модели

в) коэффициенты, характеризующие статистическую значимость уравнения регрессии