Эконометрика все что есть к экзамену

значения информационных критериев Акайке и Шварца примерно равны коэффициент детерминации больше 0,9

51. Частная автокорреляционная функция позволяет оценить:

порядок авторегрессионной модели

наличие сезонности автокорреляцию в остатках

52. Информационный критерий Ханнан — Куина, использующийся при идентификации модели ARMA, определяется формулой (ˆσ2σ^2 — дисперсия остатков, k — число оцениваемых параметров, T — размер выборки):

ln(ˆσ2)+2kTln[ln(T)]ln(σ^2)+2kTln[ln(T)] ln(ˆσ2)+kTlnTln(σ^2)+kTlnT ln(ˆσ2)+2kTln(σ^2)+2kT

53.Тест Бреуша-Пагана используется для выбора лучшей модели при сравнении:

объединенной модели и модели с фиксированными эффектами

объединенной модели и модели со случайными эффектами

модели с фиксированными эффектами и модели со случайными эффектами

54.Тест Хаусмана позволяет определить лучшую модель при сравнении:

объединенной модели и модели с фиксированными эффектами

модели с фиксированными эффектами и модели со случайными эффектами

объединенной модели и модели со случайными эффектами

55.Коэффициент множественной детерминации изменяется в пределах:

от 0 до +1

от −1 до +1 от 1 до +∞ от −∞ до +∞ от 0 до +∞

56. Формула ˆy=a+bx+dxz+ey^=a+bx+dxz+e, где z — фиктивная переменная, соответствует:

модели регрессии с фиктивной переменной сдвига

модели регрессии с фиктивной переменной наклона

57.Имеется уравнение парной регрессии у = 5 − 1,2х. Известны среднеквадратические отклонения для переменных и количество наблюдений: σx = 0,36, σy = 0,64, n = 16. Вычислите коэффициент корреляции и сделайте вывод относительно тесноты связи между y и x:

−0,675 теснота связи средняя, зависимость обратная

−0,9 теснота связи сильная, зависимость обратная 0,9 теснота связи сильная, зависимость прямая 0,675 теснота связи средняя, зависимость прямая

58.Коэффициент эластичности при переменной х в множественной регрессии равен 0,37:

при изменении переменной х на 1% от заданного уровня результативный признак изменится на 0,37% значения, рассчитанного по уравнению регрессии, при неизменных значениях других независимых переменных, включенных в уравнение регрессии

59.Формула ˆy=a+bx+dxz+ey где z — фиктивная переменная, соответствует

модели регрессии с фиктивной переменной наклона

60.Коэффициент детерминации R2 принимает значения:

от 0 до +∞ от −1 до +1

от 0 до +1

от −∞ до +∞

61.Изменение численности занятых на одного человека приводит к изменению количества выпущенных изделий в среднем на 3 единицы при неизменной стоимости оборудования. Этот вывод был сделан по:

коэффициенту парной линейной регрессии (коэффициенты a, b в y=a+bx)

одному из коэффициентов эластичности множественной регрессии (как изменится у в зависимости от изменения х на 1% в %)

коэффициенту множественной линейной регрессии (коэффициенты a, b, с в y=a+bx1+сх2...) парному линейному коэффициенту корреляции (теснота линейной связи между х и у)

62.Имеется следующая система одновременных уравнений:

yt=α1+b11Ct+b12Lt+ε1 Lt=α2+b21yt+b22pt+ε2 Ct=α3+b31yt+b32qt+ε3

В данной системе число экзогенных переменных равно:

12

9

2 (pt, qt – т.к. они находятся ТОЛЬКО справа; те, что есть слева - эндогенные)

3 63. При проверке модели на автокоррелированность остатков с помощью критерия

Дарбина — Уотсона, в случае D – W < 2 и D – W < D – Wl:

нельзя ни отвергнуть, ни принять нулевую гипотезу об отсутствии автокорреляции в остатках

нулевая гипотеза об отсутствии автокорреляции в остатках принимается

нулевая гипотеза об отсутствии автокорреляции в остатках отвергается

64. Информационный критерий Акайке, использующийся при идентификации модели ARMA, определяется формулой (ˆσ2σ^2 — дисперсия остатков, k — число оцениваемых параметров, T — размер выборки):

ln(ˆσ2)+2kT ln(ˆσ2)+2kTln[ln(T)]ln(σ^2)+2kTln[ln(T)] ln(ˆσ2)+kTlnTln(σ^2)+kTlnT (неверно)

65.Формула ˆy=a+bx+dxz+e, где z — фиктивная переменная, соответствует:

модели регрессии с фиктивной переменной наклона

модели регрессии с фиктивной переменной сдвига

66.Среди информационных критериев, использующихся при идентификации модели ARMA, наименьшую величину штрафа за количество параметров дает критерий:

Акайке

Ханнан — Куина Шварца

67.Рассматривается аддитивная модель динамического ряда по квартальным данным за

5лет. Оценки сезонной компоненты для первого, второго и четвертого кварталов соответственно равны (тыс. руб.): −5; +11; −2. Оценка сезонной компоненты для третьего квартала равна:

+4 (неверно)

−6

+5

ДАЛЕЕ КРАСНЫМ _ НЕПРАВИЛЬНОЕ

1.Для модели регрессии используют третьи разности, если тенденция характеризуется: логарифмической параболой

степенной

линейной параболой второго порядка

полиномом третьей степени

экспонентой

2.Оценка параметра является несмещенной, если ее математическое ожидание равно оцениваемому параметру.

3.Имеется следующая система одновременных уравнений: yt=α1+b11Ct+b12Lt+ε1

Lt=α2+b21yt+b22pt+ε2

Ct=α3+b31yt+b32qt+ε3

В данной системе число экзогенных переменных равно:

2

9

12

3

4.Измеритель коллинеарности, равный отношению максимального и минимального собственных чисел матрицы XT X, называется показатель обусловленности матрицы XT X.

5.Сопоставьте понятия и определения

Анализ временных рядов - совокупность математико-статистических методов, предназначенных для выявления структуры временных рядов и прогноза Панельные данные - представляют собой прослеженные во времени пространственные

микроэкономические выборки, т.е. они состоят из наблюдений одних и тех же экономических единиц в последовательные периоды времени Регрессионный анализ - статистический метод исследования связи между зависимой

переменной y и одной или несколькими независимыми переменными x1,x2,..., хp

6. Корреляционная связь между последовательными значениями уровней динамического ряда называется Автокорреляция динамического ряда.

7.Обобщенный МНК применяется для:

исключения мультиколлинеарности исключения тенденции выявления автокорреляции в остатках

оценки параметров уравнения при наличии гетероскедастичности

8.При проверке модели на автокоррелированность остатков с помощью критерия Дарбина — Уотсона, в случае D – W > 2 и 4 − D – W < D – Wl:

нулевая гипотеза об отсутствии автокорреляции в остатках отвергается

нельзя ни отвергнуть, ни принять нулевую гипотезу об отсутствии автокорреляции в остатках нулевая гипотеза об отсутствии автокорреляции в остатках принимается

9.Информационный критерий Ханнан — Куина, использующийся при идентификации модели ARMA, определяется формулой (ˆσ2σ^2 — дисперсия остатков, k — число оцениваемых параметров, T — размер выборки): ln(ˆσ2)+2kTln[ln(T)]ln(σ^2)+2kTln[ln(T)]

ln(ˆσ2)+kTlnTln(σ^2)+kTlnT ln(ˆσ2)+2kTln(σ^2)+2kT

10.Имеется уравнение парной регрессии у = 5 − 1,2х. Известны среднеквадратические отклонения для переменных и количество наблюдений: σx = 0,36, σy = 0,64, n = 16. Вычислите коэффициент корреляции (b* σx/ σy) и сделайте вывод относительно тесноты связи между y и x:

−0,9 теснота связи сильная, зависимость обратная 0,675 теснота связи средняя, зависимость прямая

−0,675 теснота связи средняя, зависимость обратная

0,9 теснота связи сильная, зависимость прямая

11.Автокорреляция в остатках по моделям авторегрессии определяется с помощью:

метода Койка теста Дарбина-Уотсона

h-статистики Дарбина

12.Переменные, принимающие значения 0 и 1, которые вводят в модель множественной регрессии для количественного задания некоторого качественного признака, называются:

независимыми

коллинеарными

фиктивными

зависимыми

13.Гипотеза о значимости в целом уравнения нелинейной регрессии проверяется с помощью критерия:

Дарбина-Уотсона Стьюдента Пирсона

Фишера

14.К предопределенным переменным системы эконометрических уравнений относятся:

лаговые эндогенные переменные текущие экзогенные переменные лаговые экзогенные переменные

текущие эндогенные переменные

15.Формула ˆy=a+bx+dxz+ey^=a+bx+dxz+e, где z — фиктивная переменная,

соответствует:

модели регрессии с фиктивной переменной наклона

модели регрессии с фиктивной переменной сдвига

16.Для парной линейной регрессии, построенной по 25 наблюдениям, число степеней свободы, соответствующее общей сумме квадратов отклонений, составляет:

23

1

24

2

25

17.Сопоставьте, как учитываются тенденции в методах Метод последовательных разностей -учитывает тенденцию, представленную полиномом соответствующей степени

Метод отклонений от тренда -тенденция учитывается в виде уравнения тренда, описывающего закономерность изменения уровней ряда во времени 18.Оценка параметров моделей с распределенными лагами производится:

обобщенным МНК

обычным МНК

двухшаговым МНК методом максимального правдоподобия

19.По результатам выполнения теста Чоу получено, что фактическое значение F- критерия больше табличного. Это означает, что:

имеют место структурные сдвиги и целесообразно строить уравнение регрессии с соответствующей фиктивной переменной

структурные сдвиги отсутствуют и нецелесообразно строить уравнение регрессии с соответствующей фиктивной переменной

20.Тест Хаусмана позволяет определить лучшую модель при сравнении:

модели с фиксированными эффектами и модели со случайными эффектами

объединенной модели и модели с фиксированными эффектами объединенной модели и модели со случайными эффектами

21.Если ненаблюдаемые индивидуальные характеристики не коррелируют с включенными в модель объясняющими переменными, то используется:

модель с фиксированными эффектами

модель со случайными эффектами

объединенная модель

22.Модели регрессии по временным рядам с лаговыми переменными принято называть динамическими моделями. Их можно подразделить на три класса.

Модели с лаговыми объясняющими переменными — модели с распределенными лагами

Модели с лаговыми независимыми переменными — модели авторегрессии

Модели с лаговыми зависимыми и независимыми переменными — авторегрессионные модели с распределенными лагами

Модели с лаговыми зависимыми и независимыми переменными — мультипликативной модели с распределенными лагами

Модели с лаговыми зависимыми переменными — модели авторегрессии

23.Практическое использование рассматриваемой модели затруднено следующими обстоятельствами:

коэффициент регрессии при факторе х может подвергаться сезонности, а в модели он предполагается независимым от сезонной компоненты

коэффициент регрессии при факторе х может не подвергаться сезонности, а в модели он предполагается независимым от сезонной компоненты

ряды динамики обнаруживают тенденцию ограничено число объясняющих переменных х ввиду сравнительно коротких динамических рядов в экономических исследованиях

коэффициентами эластичности

абсолютными показателями силы связи стандартизованными коэффициентами регрессии коэффициентами корреляции

25.В эконометрических моделях на значения параметров уравнения множественной регрессии могут накладываться ограничения, связанные с величиной этих параметров, взаимосвязи их друг с другом. Примеры таких ограничений:

ai ≠ aj;

ai + aj =0; ai =1;

ai + aj =1;

ai = aj;

ai =0;

26.Процесс, описываемый уравнением Xt = Xt−1 + εt, где εt — белый шум, называется:

процесс случайного блуждания

27.Сопоставьте понятие и определение строго стационарного и слабо стационарного ряда.

Строго стационарнарный ряд - означает, что сдвиг по времени не меняет ни одну из функций плотности распределения ряда Слабо стационарный ряд - называют такой процесс, у которого математическое ожидание

и дисперсия существуют вне зависимости от времени

28. Коэффициент множественной детерминации изменяется в пределах:

от −1 до +1 от 1 до +∞ от 0 до +∞

от 0 до +1

7.Для парной линейной регрессии, построенной по 25 наблюдениям, число степеней свободы, соответствующее общей сумме квадратов отклонений, составляет:

8.Если распределение остатков регрессии не нормально, то наилучшим методом из оценки является:

метод максимального правдоподобия

метод наименьших квадратов

9.Линейный коэффициент парной корреляции принимает значения:

от −∞∞ до +∞∞

от 0 до +∞∞ от 0 до +1 от −1 до 0

от −1 до +1

10.Коэффициент детерминации R2 принимает значения:

от −∞ до +∞ от 0 до +∞

от 0 до +1

от −1 до +1

1.Выберите уравнение множественной линейной регрессии в матричном виде: x = ya + e

Y = Xa + e

X = Ya + e y = xa + e

2.В эконометрических моделях на значения параметров уравнения множественной регрессии могут накладываться ограничения, связанные с величиной этих параметров, взаимосвязи их друг с другом. Примеры таких ограничений:

ai =1;

ai + aj =0; ai =0;

ai ≠ aj; ai = aj;

ai + aj =1;

3.Уравнение множественной линейной регрессии имеет вид:

y = a0 + a1x1 + … + apхp + e

y = a0 + a1x1y1 + … + apxpyp + e y = a0 + a1y1 + … + apyp + e

y = a0 + anx1 + … + an+pхn+p + e

4.Что отражает уравнение множественной регрессии?

корреляционную связь результативной (зависимой) переменной у и нескольких объясняющих (независимых) x1,x2,..., хp

корреляционную связь объясняющей (независимой) переменной у и нескольких результативных (зависимых) x1,x2,..., хp

дисперсионную связь результативной (зависимой) переменной у и нескольких объясняющих (независимых) x1,x2,..., хp

дисперсионную связь объясняющей (независимой) переменной у и нескольких результативных (зависимых) x1,x2,..., хp

Баллов: 1

5.Изменение численности занятых на одного человека приводит к изменению количества выпущенных изделий в среднем на 3 единицы при неизменной стоимости оборудования. Этот вывод был сделан по:

парному линейному коэффициенту корреляции

одному из коэффициентов эластичности множественной регрессии

коэффициенту парной линейной регрессии (нет) коэффициенту множественной линейной регрессии (нет)

6. Скорректированный коэффициент детерминации применяется для: сравнения факторов по силе их влияния на результат

сравнения моделей с разным числом параметров

характеристики тесноты связи рассматриваемого фактора с результатом, при условии, что остальные факторы зафиксированы

7. В одном из вариантов формулы F-критерия для оценки значимости уравнения регрессии используется:

относительная ошибка аппроксимации

коэффициент детерминации

коэффициент ранговой корреляции коэффициент эластичности

8.Частный F-критерий для фактора х3 равен 6,5 при табличном значении 3,1. Это означает:

целесообразность включения переменной х3 в уравнение не определена

гипотеза о незначимости включения переменной х3 в уравнение регрессии отклоняется

гипотеза о незначимости включения переменной х3 в уравнение регрессии принимается

9.Отсутствие постоянства дисперсии случайных остатков означает:

коэффициентами эластичности

абсолютными показателями силы связи коэффициентами корреляции стандартизованными коэффициентами регрессии

12.Мультиколлинеарностью называется:

тесная связь между объясняющими переменными

вид множественной регрессии взаимозависимость эндогенных переменных

тесная связь между зависимой и независимыми переменными

13.Измеритель коллинеарности, равный отношению максимального и минимального собственных чисел матрицы XT X, называется показатель обусловленности матрицы XT X.

14.Минимальное и максимальное значения зависимой переменной, в промежуток между которыми она попадает с заданной долей вероятности и при заданных значениях независимых переменных —ИНТЕРВАЛЬНЫЙ прогноз.