5. Тесты по курсу "Эконометрика"

Сокращения:

МНК – метод наименьших квадратов,

НЗР – нормальный закон распределения,

СВ – случайная величина,

СКО – среднеквадратическое отклонение.

1. Регрессионная зависимость М_х(Y) = f(x) - это:

1. зависимость, при которой каждому значению переменной Х соответствует определенное условное математическое ожидание (среднее значение) СВ Y;

2. зависимость между СВ Х и СВ Y;

3. функциональная зависимость Y от СВ Х;

4. статистическая зависимость между СВ Х и СВ Y.

2. Поле корреляции - это:

1. регрессионная зависимость;

2. функциональная зависимость;

3. графическое представление статистической зависимости;

4. графическое представление регрессионной зависимости.

3. Критерий оптимальности метода наименьших квадратов:

1. минимум отклонений наблюденных значений от теоретических;

2. максимум отклонений наблюденных значений от теоретических;

3. минимум отклонений модулей наблюденных значений от теоретических;

4. минимум квадратов отклонений наблюденных значений от теоретических.

4. Доверительный интервал прогноза тем меньше, чем:

1. больше выборка;

2. больше значения результирующей переменной;

3. больше уровень значимости ;

4. больше дисперсия возмущений.

5. Несмещенной называется оценка, у которой:

1. минимальная дисперсия параметра;

2. максимальное математическое ожидание параметра;

3. максимальная дисперсия параметра;

4. математическое ожидание равно оцениваемому параметру.

6. Состоятельной называется оценка, для которой:

1. математическое ожидание равно оцениваемому параметру;

2. выполняется закон больших чисел: оценка сходится по вероятности к оцениваемому параметру;

3. дисперсия минимальна;

4. дисперсия максимальна.

7. Оценка называется эффективной, если:

1. ее дисперсия минимальна;

2. ее математическое ожидание равно нулю;

3. она несмещенная и имеет минимальную дисперсию;

4. она несмещенная и удовлетворяет закону больших чисел.

8. Коэффициент b регрессии Y по X показывает:

1. как влияет Y на Х;

2. как влияет Х на Y;

3. на сколько процентов изменится при изменении Х на 1%;

4. на сколько изменится при изменении Х на 1.

9. Коэффициент корреляции изменяется :

1. от 4 до 0;

2. от 0 до 1;

3. от –1 до +1;

4. от –1 до 0.

10. Модель y_i=_o+₁x_i +_i называется классической нормальной, если:

1. y_i есть СВ, а x_i - не СВ; M(_i)=0; D(_i)=²; M(_i; _j)=0; _i – СВ с НЗР;

2. y_i не СВ, а x_i - СВ; M(_i)=0; D(_i)=²; M(_i; _j)=0; _i) – СВ с НЗР;

3. y_i есть СВ, а x_i - не СВ; M(_i)0; D(_i)=²; M(_i; _j)=0; _i) – СВ с НЗР;

4. y_i есть СВ, а x_i - не СВ; M(_i)=0; D(_i)²; M(_i; _j)=0; _i) – СВ с НЗР.

11. Теорема Гаусса-Маркова утверждает, что для классической регрессионной модели:

1. оценки b₀ и b₁ наиболее несмещенные;

2. оценки b₀ и b₁ наиболее достоверные;

3. оценки b₀ и b₁ несмещенные и наиболее достоверные;

4. оценки b₀ и b₁ несмещенные и имеют наименьшую дисперсию.

12. Значимость уравнения регрессии означает:

1. важность решаемой задачи;

2. факт соответствия математической модели экспериментальным данным;

3. соответствие уравнения регрессии критерию Фишера;

4. соответствие уравнения регрессии критерию Стьюдента.

13. Множественный регрессионный анализ изучает модели:

1. классические нормальные линейные;

2. с одной объясняющей переменной;

3. с одной и более объясняющих переменных;

4. с несколькими объясняющими переменными.

14. Значения коэффициентов уравнения множественной регрессии находятся по формуле:

1. b=(XX’)^-1XY’;

2. b=(X’X)^-1X’Y;

3. y_i=_o+₁x_i;

4. y=b_o+b₁x₁+b₂x_2.

15. Коэффициент эластичности показывает:

1. на сколько изменится Y, если Х увеличится на 1;

2. на сколько изменится Y, если Х увеличится на 1%;

3. на сколько процентов изменится Y, если Х увеличится на 1;

4. на сколько процентов изменится Y, если Х увеличится на 1%.

16. Значимость коэффициента регрессии означает:

1. его важность для прогноза;

2. его отличие от 0 c заданной вероятностью;

3. наличие большого доверительного интервала;

4. выполнение требования несмещенности.

17. Коэффициент детерминации характеризует:

1. степень детерминированности переменных;

2. размах доверительного интервала;

3. долю вариации зависимой переменной, обусловленную изменчивостью объясняющих переменных;

4. долю вариации независимой переменной, обусловленную изменчивостью зависимой переменной.

18. Мультиколлинеарность есть:

1. высокая коррелированность объясняющих переменных с зависимой переменной;

2. высокая коррелированность объясняющих переменных между собой;

3. низкая коррелированность объясняющих переменных с зависимой переменной;

4. низкая коррелированность объясняющих переменных между собой.

19. Признаком линейной регрессионной модели с переменной структурой является:

1. наличие в уравнении лаговых переменных;

2. наличие в уравнении качественных переменных;

3. наличие в уравнении фиктивных переменных;

4. наличие в уравнении атрибутивных переменных.

20. Критерий Чоу используется для проверки гипотезы о:

1. высокой мультиколлинеарности объясняющих переменных;

2. значимости уравнения регрессии по критерию Фишера;

3. возможности объединить две регрессионные модели в одну с объемом n=n₁+n_2;

4. целесообразности включения очередного фактора в модель.

21. Модель регрессии нелинейна, если:

1. она включает в себя нелинейные функции от результирующих переменных;

2. она включает в себя нелинейные функции от объясняющих переменных и/или от параметров;

3. она включает в себя линейные функции от параметров модели;

4. линейная модель незначима.

22. Производственная функция Кобба-Дугласа имеет вид:

1. Y=AK^LM^;

2. Y=AK^L^M;

3. Y=AK^L^;

4. Y=AKL^M.

23. Выборочный частный коэффициент корреляции измеряет:

1. тесноту связи между двумя и более переменными;

2. степень влияния одной из переменных на остаточную дисперсию регрессии;

3. тесноту связи между парой объясняющих переменных;

4. тесноту связи между парой переменных при элиминировании влияния других переменных.

24. Полный набор возможных компонент временного ряда:

1. нестационарная, трендовая и случайная;

2. стационарная, трендовая, сезонная и случайная;

3. трендовая, сезонная, циклическая и случайная;

4. нестационарная, сезонная, циклическая и случайная.

25. Временной ряд называется стационарным (в широком смысле), если:

1. он не содержит случайной составляющей;

2. он не содержит циклической и случайной составляющих;

3. уровень ряда равномерно меняется во времени;

4. математическое ожидание и СКО не меняются во времени.

26. Коэффициент автокорреляции r (=1) есть:

1. обычный парный коэффициент корреляции между смежными значениями уровня ряда;

2. парный коэффициент корреляции между смежными значениями уровней двух рядов;

3. парный коэффициент корреляции между смежными объясняющими переменными;

4. обычный парный коэффициент корреляции между объясняющей и результирующей переменными.

27. Автокорреляционная функция является:

1. пространственной выборкой;

2. временным рядом;

3. нелинейной функцией;

4. линейной функцией.

28. Авторегрессионная модель р-го порядка – это:

1. нелинейная регрессионная модель с нулевой автокорреляционной функцией и с р объясняющими переменными: х₁, х₂ …х_р;

2. линейная регрессионная модель с нулевой автокорреляционной функцией;

3. нелинейная регрессионная модель с ненулевой автокорреляционной функцией;

4. линейная или нелинейная регрессионная модель с р лаговыми объясняющими переменными: у₁, у₂ …у_р.

29. У ковариационной матрицы nxn возмущений _=М(’) классической нормальной множественной регрессии:

1. ковариации M(_i_j) и дисперсии M(_i_i) могут быть произвольными;

2. ковариации M(_i_j) и дисперсии M(_i_i) равны между собой соответственно;

3. ковариации M(_i_j) и дисперсии M(_i_i) равны одной и той же величине;

4. ковариации M(_i_j)=0, а дисперсии M(_i_i) равны между собой.

30. У ковариационной матрицы nxn возмущений _=М(’) обобщенной множественной регрессии:

1. ковариации M(_i_j) и дисперсии M(_i_i) могут быть произвольными;

2. ковариации M(_i_j) и дисперсии M(_i_i) равны между собой соответственно;

3. ковариации M(_i_j) и дисперсии M(_i_i) равны одной и той же величине;

4. ковариации M(_i_j)=0, а дисперсии M(_i_i) равны между собой.

31. Обобщенная модель отличается от классической только тем, что:

1. она нелинейна;

2. она содержит более одной объясняющей переменной;

3. ковариации и дисперсии объясняющих переменных могут быть произвольными;

4. ковариации объясняющих переменных должны быть нулевыми, а дисперсии – равными между собой.

32. Обычный метод наименьших квадратов в обобщенной линейной регрессионной модели дает оценку для вектора b:

1. смещенную;

2. несостоятельную;

3. смещенную и несостоятельную;

4. неэффективную.

33. Обычный метод наименьших квадратов в обобщенной линейной регрессионной модели дает оценку для ковариационной матрицы _b вектора b:

1. смещенную;

2. несостоятельную;

3. смещенную и несостоятельную;

4. неэффективную.

34. Гетероскедастичность есть:

1. равенство между собой дисперсий возмущений (ошибок) регрессии;

2. нарушение равенства между собой всех дисперсий возмущений (ошибок) регрессии;

3. неизменность во времени математического ожидания временного ряда;

4. наличие в регрессионной модели более одной объясняющей переменной.

35. Гомоскедастичность есть:

1. равенство между собой дисперсий возмущений (ошибок) регрессии;

2. нарушение равенства между собой дисперсий возмущений (ошибок) регрессии;

3. неизменность во времени математического ожидания временного ряда;

4. наличие в регрессионной модели более одной объясняющей переменной.

36. Степень гетероскедастичности по тесту Спирмена оценивается по коэффициенту ранговой корреляции между значениями:

1. остатков е_i и значениями регрессора х_i;

2. регрессоров х_i и х_j;

3. остатков е_i и значениями результирующего фактора у_i;

4. регрессора х_i и значениями результирующего фактора у_i.

37. Степень гетероскедастичности по тесту Уайта оценивается по значению статистики Фишера при проверке на значимость:

1. коэффициента регрессии b₁;

2. коэффициентов регрессии b₀ и b₁;

3. уравнения регрессии для модели: e_i²=f(x_i)+u_i;

4. дисперсии остатков ².

38. Устранение гетероскедастичности взвешенным методом наименьших квадратов состоит в применении критерия:

1. S=( _i-y_i)² /_i². min;

2. S=( _i-y_i)² . min;

3. S=( _i-y_i)² /_i. min;

4. S=( _i-y_i)² /². min.

39. Тест Дарбина-Уотсона определяет, существует ли автокорреляция:

1. между объясняющими переменными;

2. между смежными парами значений объясняющей переменной;

3. между результирующей и одной из объясняющих переменных;

4. между смежными парами ошибок регрессии.

40. Идентификацией временного ряда с целью устранения автокорреляции называется:

1. определение наличия или отсутствия мультиколлинеарности факторов х₁ и х₂ временного ряда;

2. построение для ряда остатков регрессии-1 такой регрессии-2, что остатки-2 суть белый шум, а все регрессоры-2 значимы;

3. проверка на значимость корреляции между соседними наблюдениями фактора временного ряда;

4. подбор подходящей функции регрессии.

41. Регрессионной динамической моделью называется регрессия, у которой:

1. каждый регрессор образует временной ряд;

2. каждый регрессор образует стационарный временной ряд;

3. каждый регрессор является случайной величиной;

4. не один, а несколько регрессоров.

42. Метод инструментальных переменных состоит в том, чтобы:

1. отразить в регрессии атрибутивные факторы;

2. ввести в регрессию лаговые переменные;

3. подобрать новые переменные, которые бы не коррелировали с прежними, но коррелировали бы с ошибкой ;

4. подобрать новые переменные, которые бы тесно коррелировали с прежними и не коррелировали бы с ошибкой .

43. Авторегрессионной моделью с распределенными лагами порядков р=1 и q=1 называется модель вида:

1. y_t=+₀x_t+₁x_t-1+₁y_t-1;

2. y_t=+₀x_t+₁x_t-1+₁y_t-1+_t;

3. _t=+₀x_t+₁x_t-1+₁y_t-1+_t;

4. y_t=+₀x_t+₁x_t-1+₀+ ₁y_t-1+_t.

44. Оценивание модели с распределенными лагами порядка (0;1) y_t=+x_t+y_t-1+_t обычным МНК корректно при условии:

1. выборок большого объема;

2. выборок небольшого объема;

3. : коэффициент  авторегрессионного уравнения _t=_t-1+_t много меньше коэффициента авторегрессии ;

4. >>: коэффициент  авторегрессионного уравнения _t=_t-1+_t много больше коэффициента авторегрессии .

45. Эндогенные и экзогенные переменные формируются как:

1. объясняющие и результирующие переменные соответственно;

2. внутренние и внешние переменные соответственно;

3. результирующие и лаговые переменные соответственно;

4. объясняющие и лаговые переменные соответственно.

46. В системах одновременных уравнений в качестве объясняемых переменных выступают:

1. объясняющие переменные;

2. лаговые переменные;

3. фиктивные переменные;

4. инструментальные переменные.

47. Модель спроса и предложения как система одновременных уравнений имеет вид:

1. Q^d=₁+₂P+₃I+₁; Q^s=₄+₅P+₂; Q^d Q^s;

2. Q^d=₁+₂P+₃I+₁; Q^s=₄+₅P+₂;

3. Q^s=₄+₅P+₂; Q^d=₁+₂P+₃I+₁;

4. Q^d=₁+₂P+₃I+₁; Q^s=₄+₅P+₂; Q^d =Q^s.

48. Главное отличие между экзогенными и эндогенными переменными с математической точки зрения:

1. между экзогенными в отличие от эндогенных практически отсутствует корреляция;

2. между эндогенными в отличие от экзогенных практически отсутствует корреляция;

3. эндогенные не коррелируют с ошибками регрессии, а экзогенные – коррелируют;

4. экзогенные не коррелируют с ошибками регрессии, а эндогенные – коррелируют.

49. Косвенный метод наименьших квадратов состоит в:

1. разделении ролей между переменными и применении обычного МНК;

2. в предварительном дифференцировании уравнений и применении обычного МНК;

3. разрешении уравнений относительно эндогенных переменных и применении обычного МНК;

4. разрешении уравнений относительно экзогенных переменных и применении обычного МНК.

50. Параметры приведенной формы системы уравнений оцениваются:

1. косвенным МНК;

2. обычным МНК;

3. обобщенным МНК;

4. двухшаговым МНК.