Вопросы теста

1. @ Cистема независимых эконометрических уравнений

- не может решаться - решается двухшаговым МНК - решается косвенным МНК - решается обычным МНК - решается трехшаговым МНК

2. @ Cистема рекурсивных эконометрических уравнений

- не может решаться - решается двухшаговым МНК - решается косвенным МНК - решается обычным МНК - решается трехшаговым МНК

3. @ Y(t) = A + B0*X(t) + B1*X(t–1) + … + Bp*X(t–p) + С1*Y(t–1) + … + Сq*Y(t–q) + E(t)

- авторегрессионная модель с условной гетероскедастичностью GARCH - уравнение авторегрессионной модели AR(p) - уравнение авторегрессионной модели с распределенными лагами ADL(p,q) - уравнение модели с распределенными лагами p-го порядка DL(p) - уравнение модели скользящей средней MA(p)

4. @ Y(t) = A0 + B0*X(t) + B1*X(t–1) + B2*X(t–2) + … + Bp*X(t–p) + E(t)

- авторегрессионная модель с условной гетероскедастичностью GARCH - уравнение авторегрессионной модели AR(p) - уравнение авторегрессионной модели с распределенными лагами ADL(p,q) - уравнение модели с распределенными лагами p-го порядка DL(p) - уравнение модели скользящей средней MA(p)

5. @ Y(t) = B0 + B1*Y(t–1) + B2*Y(t–2) + … + Bp*Y(t–p) + E(t)

- авторегрессионная модель с условной гетероскедастичностью GARCH - уравнение авторегрессионной модели AR(p) - уравнение авторегрессионной модели с распределенными лагами ADL(p,q) - уравнение модели с распределенными лагами p-го порядка DL(p) - уравнение модели скользящей средней MA(p)

6. @ Y(t) = E(t) + G1*E(t-1) + G2*E(t-2) + … + Gp*E(t-p)

- авторегрессионная модель с условной гетероскедастичностью GARCH - уравнение авторегрессионной модели AR(p) - уравнение авторегрессионной модели с распределенными лагами ADL(p,q) - уравнение модели с распределенными лагами p-го порядка DL(p) - уравнение модели скользящей средней MA(p)

7. @ Автокорреляционная функция - это ...

- временной ряд, в котором ошибки некоррелированы и их математическое ожидание равно 0 - зависимость коэффициентов корреляции между участками временного ряда одинаковой продолжительности, сдвинутыми на лаг, от величины этого лага - значения коэффициента корреляции объясняемой переменной с различными объясняющими переменными - общая тенденция изменения корреляционной зависимости - сдвиг во временном ряде относительно начального момента

8. @ Автокорреляция остатков регрессионной модели – это

- возможность построения нескольких моделей (в том числе нелинейных) на основе одних исходных данных - высокая значимость характеристик регрессионной модели - высокая степень взаимной коррелированности некоторых из объясняющих переменных - зависимость значений объясняемой переменной от ее значений в предшествовавшие моменты времени - зависимость объясняемой переменной от нескольких объясняющих факторов

9. @ Авторегрессионные модели с условной гетероскедастичностью (GARCH-модели) удовлетворяют условиям

- D[E(t)] = 0, M[E(t)] = a + b*M[E(t-1)] - M[E(t)] = 0, D[E(t)] = 0 - M[E(t)] = 0, D[E(t)] = a + b*D[E(t-1)] - M[E(t)] = 0, D[E(t)] = Const - M[E(t)] = Const, D[E(t)] = a + b*D[E(t-1)]

28. @ Взаимозависимые переменные системы одновременных уравнений, определяемые внутри модели, называются

- лаговыми переменными - предопределенными переменными - тождественными переменными - экзогенными переменными - эндогенными переменными

30. @ Гетероскедастичность регрессионной модели – это

- высокая степень взаимной коррелированности объясняющих переменных - зависимость объясняющей переменной только от нескольких объясняющих факторов - немонотонность графика регрессионной зависимости - непостоянство дисперсий ошибок регрессии для различных значений объясняющей переменной - непостоянство математического ожидания объясняемой переменной

31. @ Дисперсия случайной величины характеризует

- максимально возможное значение случайной величины - минимально возможное значение случайной величины - наиболее вероятное значение случайной величины - рассеяние значений случайной величины около математического ожидания - среднее значение случайной величины

32. @ Идентифицируемая система совместных эконометрических уравнений

- не может решаться - решается двухшаговым МНК - решается косвенным МНК - решается обычным МНК - решается трехшаговым МНК

- терпит разрыв - убывает (по абсолютной величине)

34. @ Как оценить значимость модели, описываемой системой совместных эконометрических уравнений?

- F-статистиками Фишера-Снедекора для каждого уравнения системы в отдельности - коэффициентами детерминации для каждого уравнения системы в отдельности - наибольшей из F-статистик Фишера-Снедекора уравнений системы - общей F-статистикой Фишера-Снедекора - общим коэффициентом детерминации

35. @ Как оценить точность модели, описываемой системой совместных эконометрических уравнений?

- F-статистиками Фишера-Снедекора для каждого уравнения системы в отдельности - коэффициентами детерминации для каждого уравнения системы в отдельности - наибольшим из коэффициентов детерминации уравнений системы - общей F-статистикой Фишера-Снедекора - общим коэффициентом детерминации

36. @ Какая безразмерная характеристика определяет степень зависимости случайных величин X и Y

- дисперсия - ковариация - коэффициент корреляции - математическое ожидание - медиана

37. @ Какая размерная характеристика определяет степень зависимости случайных величин X и Y

- дисперсия - ковариация - коэффициент корреляции - математическое ожидание - медиана

41. @ Какая функция Microsoft Excel позволяет без дополнительных вычислений (за одну операцию) вычислить прогнозное значение объясняемой переменной Y в парной линейной модели ?

- КОРРЕЛ - ЛИНЕЙН - НАКЛОН - ОТРЕЗОК - ТЕНДЕНЦИЯ

42. @ Какая характеристика определяет разброс случайной величины относительно среднего значения

- дисперсия - ковариация - математическое ожидание - медиана - мода

43. @ Какая характеристика определяет среднее значение случайной величины

- дисперсия - математическое ожидание - медиана - мода - среднеквадратичное отклонение

46. @ Каков диапазон возможных значений коэффициента детерминации?

- от 0 до +1 - от 0 до 100 - от -1 до +1 - от -1 до 0 - от -100 до +100

47. @ Каков диапазон возможных значений коэффициента корреляции?

- от 0 до +1 - от 0 до 100 - от -1 до +1 - от -1 до 0 - от -100 до +100

52. @ Каково практически приемлемое значение коэффициента детерминации для регрессионной модели?

- <0,5 - <0,8 - >0,5 - >0,8 - 0

53. @ Какое значение коэффициента корреляции практически свидетельствует о наличии между переменными сильной корреляционной связи?

- <0,5 - <0,9 - >0,5 - >0,9 - 0

55. @ Какое средство Microsoft Excel позволяет проще всего найти коэффициент (индекс) детерминации для многих нелинейных регрессионных моделей?

- "Вставка линии тренда" - пакет "Корреляция" - пакет "Регрессия" - функция КОРРЕЛ - функция ЛИНЕЙН

56. @ Какой временной ряд называется стационарным?

- временной ряд с условно постоянными во времени вероятностными свойствами - временной ряд с горизонтальной линией тренда - временной ряд с линейной регрессионной зависимостью - временной ряд с монотонной регрессионной зависимостью - временной ряд с нелинейной регрессионной зависимостью

57. @ Какой из методов является методом сглаживания временного ряда?

- метод инструментальных переменных - метод моментов - метод Монте-Карло - метод скользящих средних - метод треугольников

58. @ Какой из приведенных тестов является тестом на автокорреляцию?

- Гаусса-Маркова - Голдфелда-Квандта - Дарбина-Уотсона - Чебышева - Чоу

59. @ Какой из приведенных тестов является тестом на гетероскедастичность?

- Гаусса-Маркова - Голдфелда-Квандта - Дарбина-Уотсона - Льюинга-Бокса - Чоу

60. @ Какой метод даёт наиболее эффективные оценки коэффициентов линейной регрессионной модели (по теореме Гаусса-Маркова)?

- метод максимального правдоподобия - метод наименьших квадратов - метод наименьших модулей - метод скользящих средних - метод экспертных оценок

61. @ Какой пакет анализа Microsoft Excel позволяет оценить многие характеристики линейной регрессионной модели?

- "Выборка" - "Гистограмма" - "Ковариация" - "Корреляция" - "Регрессия"

62. @ Какой пакет анализа Microsoft Excel позволяет построить корреляционную матрицу для множественной линейной модели?

- "Выборка" - "Гистограмма" - "Ковариация" - "Корреляция" - "Регрессия"

63. @ Какой показатель характеризует значимость коэффициента корреляции?

- F-статистика Фишера-Снедекора - t-статистика Стьюдента коэффициента регрессии - t-статистика Стьюдента этого коэффициента корреляции - коэффициент корреляции - средняя ошибка аппроксимации

64. @ Какой показатель характеризует значимость коэффициента регрессии?

- F-статистика Фишера Снедекора - t-статистика Стьюдента коэффициента корреляции - t-статистика Стьюдента этого коэффициента регрессии - коэффициент корреляции - средняя ошибка аппроксимации

65. @ Какой показатель характеризует тесноту нелинейной связи?

- индекс корреляции - коэффициент детерминации - коэффициент корреляции - коэффициент регрессии - средняя ошибка аппроксимации

66. @ Какому коэффициенту корреляции соответствует возрастающая линейно-функциональная регрессионная зависимость?

- 0 - 1 - -1 - 100 - -100

67. @ Какую характеристику модели не вычисляет пакет анализа "Регрессия" Microsoft Excel?

- F-статистику Фишера-Снедекора - коэффициент детерминации - множественный коэффициент корреляции - нормированный (скорректированный) коэффициент детерминации - среднюю относительную ошибку

68. @ Коррелограмма - это ...

- временной ряд, в котором ошибки некоррелированы и их математическое ожидание равно 0 - график автокорреляционной функции - значения коэффициента корреляции объясняемой переменной с различными объясняющими переменными - общая тенденция изменения корреляционной зависимости - сдвиг во временном ряде относительно начального момента

69. @ Лаговые переменные - это

- взаимозависимые переменные системы одновременных уравнений, определяемые внутри модели - независимые переменные системы одновременных уравнений, определяемые вне модели - переменные парной линейной модели - переменные системы одновременных уравнений, известные к расчетному моменту времени - эндогенные переменные в предшествовавшие моменты времени

70. @ Линеаризовать нелинейную модель ln y = a + b*x + c*x^2 + e

- Y = A + x*B + E, где Y = ln y, A = ln a, B= ln b, E = ln e - Y = a + b*x + e, где Y = ln y - y = a + b*X + e, где X = 1/x - y = a + b*x1 + c*x2 + e, где x1 = x, x2 = x^2 - Y = a + b*x1 + c*x2 + e, где x1 = x, x2 = x^2, Y = ln y

71. @ Линеаризовать нелинейную модель ln y = a + b*x + e

- y = a + b*x + e - Y = a + b*x + e, где Y = ln y - Y = A + b*X + E, где Y = ln y, A = ln a, X = ln x, E = ln e - Y = a + b*x + e, где z = 1/x - Y = A + x*B + E, где Y = ln y, A = ln a, B = ln b, E = ln e

72. @ Линеаризовать нелинейную модель y = 1 / (a + b*x + c*x^2 + e)

- Y = a + b*X + e, где X = 1/x - Y = a + b*x + e, где Y = ln y - y = a + b*x1 + c*x2 + e, где x1 = x, x2 = x^2 - Y = a + b*x1 + c*x2 + e, где x1 = x, x2 = x^2, Y = 1/y - Y = A + x*B + E, где Y = ln y, A = ln a, B = ln b, E = ln e

73. @ Линеаризовать нелинейную модель y = 1 / (a + b*x+e)

- y = a + b*x + e - y = a + b*X + e, где X = 1/x - Y = a + b*x + e, где Y = 1/y - Y = a + b*x + e, где Y = ln y - Y = A + x*B + E, где Y = ln y, A = ln a, B = ln b, E = ln e

74. @ Линеаризовать нелинейную модель y = a + b*x + c*x^2 + d*x^3 + e

- Y = a + b*x + e, где Y = ln y - y = a + b*X + e, где X = 1/x - y = a + b*x1 + c*x2 + d*x3 + e, где x1 = x, x2 = x^2, x3=x^3 - Y = a + b*x1 + c*x2 + e, где x1 = x, x2 = x^2, Y=1/y - Y = A + x*B + E, где Y = ln y, A = ln a, B = ln b, E = ln e

75. @ Линеаризовать нелинейную модель y = a + b*x + c*x^2 + e

- y = a + b*x + e - y = a + b*X + e, где X = 1/x - Y = a + b*x + e, где Y = ln y - y = a + b*x1 + c*x2 + e, где x1 = x, x2 = x^2 - Y = A + x*B + E, где Y = ln y, A = ln a, B = ln b, E = ln e

76. @ Линеаризовать нелинейную модель y = a + b/x + e

- y = a + b*x + e - y = a + b*X + e, где X = 1/x - Y = a + b*x + e, где Y = ln y - Y = A + b*X + E, где Y = ln y, A = ln a, X = ln x, E = ln e - Y = A + x*B + E, где Y = ln y, A = ln a, B = ln b, E = ln e

77. @ Линеаризовать нелинейную модель y = a*(b^x)*e

- y = a + b*x + e - y = a + b*X + e, где X = 1/x - Y = a + b*x + e, где Y = ln y - Y = A + b*X + E, где Y = ln y, A = ln a, X = ln x, E = ln e - Y = A + x*B + E, где Y = ln y, A = ln a, B = ln b, E = ln e

78. @ Линеаризовать нелинейную модель y = a*(x^b)*e

- y = a + b*x + e - y = a + b*X + e, где X = 1/x - Y = a + b*x + e, где Y = ln y - Y = A + b*X + E, где Y = ln y, A = ln a, X = ln x, E = ln e - Y = A + x*B + E, где Y = ln y, A = ln a, B = ln b, E = ln e

79. @ Линеаризовать нелинейную модель y = exp(a+b*x)*e

- y = a + b*x + e - y = a + b*X + e, где X = 1/x - Y = A + b*X + E, где Y = ln y, A = ln a, X = ln x, E = ln e - Y = a + b*x + lne, где Y = ln y - Y = A + x*B + E, где Y = ln y, A = ln a, B = ln b, E = ln e

80. @ Марковский случайный процесс в эконометрике иначе называется

- GARCH-модель - авторегрессионная модель 1-го порядка AR(1) - авторегрессионная модель с распределёнными лагами ADL(p,q) - модель адаптивных ожиданий - модель скользящей средней MA(q)

81. @ Математическое ожидание случайной величины характеризует

- максимально возможное значение случайной величины - минимально возможное значение случайной величины - наиболее вероятное значение случайной величины - рассеяние значений случайной величины около математического ожидания - среднее значение случайной величины

82. @ Метод скользящих средних - это метод ...

- механического сглаживания временного ряда - определения наличия в модели автокорреляции остатков - определения наличия в модели гетероскедастичности - определения наличия в модели мультиколлинеарности - отбора малозначимых факторов

83. @ Метод скользящих средних - это...

- метод механического сглаживания временного ряда - метод решения систем одновременных эконометрических уравнений - метод устранения (уменьшения) автокорреляции в модели - метод устранения (уменьшения) гетероскедатичности в модели - метод устранения (уменьшения) мультиколлинеарности в модели

84. @ Метод устранения (уменьшения) мультиколлинеарности

- введение в модель фиктивных переменных - применение пошаговых процедур отбора наиболее информативных переменных - сглаживание временного ряда - упорядочение переменных по возрастанию фактора - устранение временного тренда

85. @ Мультиколлинеарность регрессионной модели – это

- возможность построения нескольких моделей (в том числе нелинейных) на основе одних исходных данных - высокая значимость характеристик регрессионной модели - высокая степень взаимной коррелированности некоторых из объясняющих переменных - зависимость значений объясняемой переменной от ее значений в предшествовавшие моменты времени - зависимость объясняемой переменной от нескольких объясняющих факторов

86. @ Нарушение какого допущения (предпосылки) регрессионного анализа ведет к возникновению в модели автокорреляции остатков?

- некоррелированность объясняющих переменных между собой: r(Xi,Xj)=0, (i не = j) - некоррелированность ошибок разных наблюдений: r(Ei,Ej)=0, (i не = j) - несмещенность ошибок разных наблюдений: M(Ei)=0, i=1,2,...n - нормальность распределения ошибок: Ei ~ N(0;D) - постоянство дисперсии ошибок при различных значениях объясняющей переменной: D(Ei)=CONST

87. @ Нарушение какого допущения (предпосылки) регрессионного анализа ведет к возникновению в модели гетероскедастичности?

- некоррелированность объясняющих переменных между собой: r(Xi,Xj)=0, (i не = j) - некоррелированность ошибок разных наблюдений: r(Ei,Ej)=0, (i не = j) - несмещенность ошибок разных наблюдений: M(Ei)=0, i=1,2,...n - нормальность распределения ошибок: Ei ~ N(0;D) - постоянство дисперсии ошибок при различных значениях объясняющей переменной: D(Ei)=CONST

88. @ Нарушение какого допущения (предпосылки) регрессионного анализа ведет к возникновению в модели мультиколлинеарности?

- некоррелированность объясняющих переменных между собой: r(Xi,Xj)=0, (i не = j) - некоррелированность ошибок разных наблюдений: r(Ei,Ej)=0, (i не = j) - несмещенность ошибок разных наблюдений: M(Ei)=0, i=1,2,...n - нормальность распределения ошибок: Ei ~ N(0;D) - постоянство дисперсии ошибок при различных значениях объясняющей переменной: D(Ei)=CONST

89. @ Независимые переменные системы одновременных уравнений, определяемые вне модели, называются

- лаговыми переменными - предопределенными переменными - тождественными переменными - экзогенными переменными - эндогенными переменными

90. @ Неидентифицируемая система совместных эконометрических уравнений решается

- не может решаться - решается двухшаговым МНК - решается косвенным МНК - решается обычным МНК - решается трехшаговым МНК

91. @ Общее уравнение авторегрессионной модели p-го порядка AR(p)

- Y = B0 + B1*X1 + B2*X2 + … + Bp*Xp + E - Y(t) = A0 + B0*X(t) + B1*X(t–1) + B2*X(t–2) + … + Bp*X(t–p) + E(t) - Y(t) = B0 + B1*Y(t+1) + B2*Y(t+2) + … + Bp*Y(t+p) + E(t) - Y(t) = B0 + B1*Y(t–1) + B2*Y(t–2) + … + Bp*Y(t–p) + E(t) - Y(t) = E(t) + G1*E(t-1) + G2*E(t-2) + … + Gp*E(t-p)

92. @ Общее уравнение авторегрессионной модели с распределенными лагами ADL(p,q)

- Y(t) = A + B0*X(t) + B1*X(t–1) + … + Bp*X(t–p) + С1*Y(t–1) + … + Сq*Y(t–q) + E(t) - Y(t) = A0 + B0*X(t) + B1*X(t–1) + B2*X(t–2) + … + Bp*X(t–p) + E(t) - Y(t) = B0 + B1*Y(t+1) + B2*Y(t+2) + … + Bp*Y(t+p) + E(t) - Y(t) = B0 + B1*Y(t–1) + B2*Y(t–2) + … + Bp*Y(t–p) + E(t) - Y(t) = E(t) + G1*E(t-1) + G2*E(t-2) + … + Gp*E(t-p)

93. @ Общее уравнение модели с распределенными лагами p-го порядка DL(p)

- Y = B0 + B1*X1 + B2*X2 + … + Bp*Xp + E - Y(t) = A0 + B0*X(t) + B1*X(t–1) + B2*X(t–2) + … + Bp*X(t–p) + E(t) - Y(t) = B0 + B1*Y(t+1) + B2*Y(t+2) + … + Bp*Y(t+p) + E(t) - Y(t) = B0 + B1*Y(t–1) + B2*Y(t–2) + … + Bp*Y(t–p) + E(t) - Y(t) = E(t) + G1*E(t-1) + G2*E(t-2) + … + Gp*E(t-p)

94. @ Общее уравнение модели скользящей средней p-го порядка MA(p)

- Y = B0 + B1*X1 + B2*X2 + … + Bp*Xp + E - Y(t) = A0 + B0*X(t) + B1*X(t–1) + B2*X(t–2) + … + Bp*X(t–p) + E(t) - Y(t) = B0 + B1*Y(t+1) + B2*Y(t+2) + … + Bp*Y(t+p) + E(t) - Y(t) = B0 + B1*Y(t–1) + B2*Y(t–2) + … + Bp*Y(t–p) + E(t) - Y(t) = E(t) + G1*E(t-1) + G2*E(t-2) + … + Gp*E(t-p)

95. @ Отрицательная автокорреляция наблюдается,

- если Y завышен в какой-либо момент времени, то он скорее всего будет завышен в последующий момент времени - если Y завышен в какой-либо момент времени, то он скорее всего будет занижен в последующий момент времени - если Y завышен в какой-либо момент времени, то он скорее всего будет постоянен в последующий момент времени - если дисперсия ошибок непостоянна для различных значений объясняемой переменной - если дисперсия ошибок постоянна для различных значений объясняемой переменной