Эконометрика все что есть к экзамену

15.Расчетное значение зависимой переменной, полученное подстановкой в уравнение множественной линейной регрессии прогнозных значений независимых переменных —

ТОЧЕЧНЫЙ прогноз.

5.По результатам проведенного анализа сделан следующий вывод: с изменением значения переменной х1 на 1% от своего среднего значения значение переменной у в среднем изменится противоположным образом на 13% от своего среднего значения при неизменных прочих независимых переменных, включенных в уравнение регрессии. Этот вывод сделан, исходя из значения:

коэффициента эластичности

коэффициента корреляции (нет) стандартизованного коэффициента регрессии коэффициента детерминации

6.Коэффициент детерминации R2 равен 0,93. Это означает:

доля вариации результата, объясненная вариацией факторов, в общей вариации результата составляет 93%

при изменении одного из факторных признаков на единицу результативный признак изменится на 0,93 единицы при изменении каждого из факторных признаков на единицу результативный признак изменится на 0,93 единицы

при изменении одного из факторных признаков на 1% результативный признак изменится на 0,93%

7.В регрессионной модели y = f (x1; x2; x3; x4) + ε, построенной по 25 наблюдениям,

остаточное число степеней свободы равно:

21

25

20

4

1. Решается вопрос о введении фиктивной переменной, характеризующей уровень квалификации. При трех возможных степенях квалификации — высшая, средняя, низкая — число фиктивных переменных будет равно:

3

2

1

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

модели регрессии с фиктивной переменной сдвига

модели регрессии с фиктивной переменной наклона

4.Значение F-критерия при проведении теста Чоу оказалось равным 25,2 при критическом значении 3,21. Это означает, что:

совокупность однородна уравнение регрессии незначимо (нет) уравнение регрессии значимо (нет)

совокупность неоднородна

5.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

1.К предопределенным переменным системы эконометрических уравнений относятся:

лаговые экзогенные переменные

текущие эндогенные переменные

лаговые эндогенные переменные текущие экзогенные переменные

2. Переменные в системе эконометрических уравнений, влияющие на эндогенные переменные, но не зависящие от них и не коррелирующие с ошибками,

называются экзогенными переменными.

3.Имеется следующая система одновременных уравнений:

yt=α1+b11yt−1+b12Lt+ε1

Lt=α2+b21yt+b22pt+ε2

Ct=α3+b31yt+b32qt+ε3

Для решения данной системы следует использовать:

двухшаговый МНК

косвенный МНК МНК (нет)

4.Если состоятельные оценки коэффициентов приведенной формы позволяют получить состоятельные оценки коэффициентов уравнений структурной формы, то такие уравнения называются идентифицируемыми.

2. Зависимые переменные, стоящие, как правило, в левой части системы эконометрических уравнений, число которых равно числу уравнений в системе, назваются эндогенными переменными.

3.Если в модели каждое уравнение идентифицируемо и хотя бы одно уравнение сверхидентифицируемо, то она называется:

точно идентифицируемой

сверхидентифицируемой

неидентифицируемой

1.Стационарным называется ряд динамики, в котором:

отсутствует тенденция, но присутствуют периодические колебания присутствует тенденция, но отсутствуют периодические колебания

отсутствует как тенденция, так и периодические колебания

присутствует тенденция и периодические колебания

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

3.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 принимается

нулевая гипотеза об отсутствии автокорреляции в остатках отвергается

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

4.Интервал времени, необходимый, чтобы динамический ряд начал повторяться, называется период.

5.Отклонение от среднего уровня до пика (или впадины)

называется амплитуда временного ряда. 1. Что такое временной лаг?

изменение уровней одного ряда относительно другого несоответствие уровней одного ряда относительно другого

запаздывание уровней всех рядов относительно другого

запаздывание уровней одного ряда относительно другого

2.Сопоставьте, как учитываются тенденции в методах

Метод отклонений от тренда - тенденция учитывается в виде уравнения тренда, описывающего закономерность изменения уровней ряда во времени Метод последовательных разностей - учитывает тенденцию, представленную полиномом соответствующей степени

3.Наиболее точным методом исключения тенденции из уровней временного ряда является метод:

отклонений от тренда

последовательных разностей

4. Ряд динамики характеризуется тенденцией в виде параболы второй степени. Для ее устранения исходные уровни ряда можно заменить:

логарифмами уровней рядом Фурье первыми разностями

величинами абсолютных ускорений

5.Для модели регрессии используют третьи разности, если тенденция характеризуется:

линейной

степенной

полиномом третьей степени

экспонентой параболой второго порядка

логарифмической параболой

6. Обобщенный метод наименьших квадратов позволяет строить модели:

по логарифмам уровней ряда при исключении тенденции из уровней ряда

по исходным уровням временного ряда

7.Обобщенный метод наименьших квадратов применяют с целью:

устранить автокорреляцию в остатках

устранить тенденцию устранить автокорреляцию уровней ряда

выявить периодические колебания

8.При отсутствии тенденции в рядах динамики и при наличии сезонной компоненты в модели регрессии зависимая переменная yt может рассматриваться как функция объясняющих переменных x1t, x2t, ..., xpt и сезонного фактора z, который можно ввести в

модель в виде фиктивных переменных 0 и 1.

9.Сезонный фактор вводится в модель в виде фиктивной переменной. Сколько фиктивных переменных потребуется для месячных данных:

12

4

11

10.Практическое использование рассматриваемой модели затруднено следующими обстоятельствами:

ограничено число объясняющих переменных х ввиду сравнительно коротких динамических рядов в экономических исследованиях

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

сезонность по у и по х может не совпадать по кварталам

сезонность по у и по х может совпадать по кварталам

ряды динамики обнаруживают тенденцию

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

1.Что приведено на рисунке?

Распределение эндогенных переменных Распределение обыкновенных переменных Распределение экзогенных переменных

Распределение лаговых переменных

2.Приведите правильную последовательность при применении метода Алмон

1.определение максимальной величины лага k

2.определение степени полинома m, описывающего распределение коэффициентов регрессии bj в зависимости от величины лага

3.расчет преобразованных переменных zj

4.расчет параметров линейной регрессии y от преобразованных переменных z, т.е. оценка cj

5.переход к исходным параметрам bj модели с распределенными лагами

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

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

Модели с лаговыми зависимыми переменными — модели авторегрессии Модели с лаговыми объясняющими переменными — модели с распределенными лагами

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

4.В моделях временных рядов зависимая переменная yt может быть связана не только со значениями объясняющих переменных x в момент времени t, но и с их значениями в предыдущие моменты времени. Какие в этом случае строятся модели?

сдетерминированными объясняющими переменными

собъясняющими переменными

слаговыми переменными

слаговыми объясняющими переменными

5.Как называются объясняющие переменные, взятые в модели регрессии с запаздыванием во времени

лаговые переменные

измеряемые переменные объясняющие переменные детерминированные переменные

6.Модели регрессии по временным рядам с лаговыми переменными принято называть:

динамическими моделями

логнормальными моделями моделями множественного выбора

логит-моделями

7.Оценка параметров моделей с распределенными лагами производится:

обычным МНК

обобщенным МНК методом максимального правдоподобия двухшаговым МНК

8.Основные производственные фонды в зависимости от размера инвестиций

описываются следующим уравнением регрессии: yt =0,4 + 0,6 xt + 1,4 xt−1 + 1,8 xt−2 + 1,2 xt−3 + 1,0 xt−4, где t – номер года. Медианный лаг равен:

1,4

2,5

1,6

1,8

9.Процесс скользящего среднего порядка q принято обозначать: МАq

MA(q)

ARq AR(q)

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

h-статистики Дарбина

теста Дарбина-Уотсона метода Койка

1. Что приведено на рисунке?

динамическая функция автокорреляционная функция (нет)

случайное блуждание

белый шум

2. Модель ARMA отличается от модели ARIMA:

отсутствием числа лагов для остаточных величин отсутствием числа лагов в авторегрессии

отсутствием числа последовательных разностей уровней временных рядов

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

процесс случайного блуждания

4.Белым шумом называется процесс, имеющий:

постоянную дисперсию, и нулевую для всех, кроме нулевого лага, автоковариационную функцию постоянное математическое ожидание и нулевую для всех, кроме нулевого лага,

автоковариационную функцию

постоянное математическое ожидание, постоянную дисперсию, и нулевую для всех, кроме нулевого лага, автоковариационную функцию

постоянное математическое ожидание, постоянную дисперсию

5. Для любого стационарного авторегрессионного процесса автокорреляционная функция будет:

расти по экспоненте (нет)

уменьшаться по экспоненте

уменьшаться по логарифмической кривой (нет) изменяться по синусоиде

6.Построено уравнение регрессии по двум временным рядам. Эти ряды коинтегрируемы, если:

значения информационных критериев Акайке и Шварца примерно равны коэффициент детерминации больше 0,9 информационный критерий Ханнан-Куина не превышает 1000

остатки стационарны

7. Частная автокорреляционная функция позволяет оценить:

автокорреляцию в остатках

порядок авторегрессионной модели

наличие сезонности

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

Шварца

Акайке

Ханнан — Куина

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

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

8.Расположите информационные критерии, использующиеся при идентификации модели ARMA, в порядке увеличения штрафа за количество параметров:

критерий Акайке - критерий Ханнан-Куина - критерий Шварца

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

модель со случайными эффектами

объединенная модель модель с фиксированными эффектами

2.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

3.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

4.По результатам выполнения теста Хаусмана получено, что QH = 319 (Prob. = 0,000). Это значит, что наиболее подходящей является:

модель со случайными эффектами объединенная модель

модель с фиксированными эффектами

1. Проведена проверка значимости включения переменных х2 и х5 после переменных х1, х3. Для этого был использован критерий Фишера, р значение равно 0,8. Таким образом,

включение этих переменных после переменных х1, х3 статистически незначимо (больше

0,05).

2. Фактор инфляции дисперсии для переменной х1 равен 3,2. Это свидетельствует о

наличии мультиколлинеарности.

3.Проведена проверка корректности выбора линейной формы уравнения регрессии вместо нелинейной. Для этого был использован критерий Рамсея. Р-значение равно 0,33. Это свидетельствует о линейности связи между ними.

4.При проверке случайных остатков с помощью теста Жака-Бера расчетное значение оказалось больше критического. Это означает, что остатки нормально распределены.

5.При анализе случайных остатков по тесту Бреуша-Пагана p-значение составило 0,007.

Вывод: остатки гетероскедастичны (0,007 < 0,05).

6.Проведена проверка значимости включения переменных х2 и х5 после переменных х1, х3. Для этого был использован критерий Фишера, р значение равно 0,15. Таким образом, включение этих переменных после переменных х1, х3 статистически незначимо (больше

0,05).

7.Фактор инфляции дисперсии для переменной х1 равен 10,1. Это свидетельствует о

наличии мультиколлинеарности.

8.Проведена проверка корректности выбора линейной формы уравнения регрессии вместо нелинейной. Для этого был использован критерий Рамсея. Р-значение равно 0,003. Это свидетельствует о нелинейности связи между ними.

9.Фактор инфляции дисперсии для переменной х1 равен 6,4. Это свидетельствует о

наличии мультиколлинеарности.

10.При анализе случайных остатков по тесту Бреуша-Пагана p-значение составило 0,003.

Вывод: остатки гетероскедастичны (0,003 < 0,05).

11.При анализе коинтеграции двух временных рядов при проверке случайных остатков коинтеграционного уравнения по тесту Дики-Фуллера p-значение составило 0,041. Вывод:

ряды коинтегрированы (меньше 0,05).

12.Укажите порядок процесса AR. Если это необходимо, можно указать несколько значений лагов: 1.

13. При анализе временного ряда получены следующие результаты: расширенный тест Дики-Фулера для х1 testing down from 8 lags, criterion Крит.Акаике, объем выборки 25, нулевая гипотеза единичного корня: а = 1. Тест с константой, включая один лаг для (1- L)х1, модель: (1-L)у=b0+(a-1)*y(-1)+…+e. Оценка для (a-1): -0,0825854, тестовая статистика: tau_c(1)=-1,19233, асимпт. р-значение 0,6802, коэф. автокорреляции 1-го порядка для е: 0,061. Вывод: ряд нестационарный (0,6802 > 0,05).

14.Анализ периодограммы (см. рисунок ниже) показал отсутствие периода. Период равен 0 (целое число). Если период не выявлен, укажите ноль (0).

15.При анализе случайных остатков по тесту Льюинга-Бокса р-значение составило 0,75.

Вывод: остатки не автокоррелированы (больше 0,05).

16.При анализе коинтеграции двух временных рядов при проверке случайных остатков коинтеграционного уравнения по тесту Дики-Фуллера p-значение составило 0,11. Вывод:

ряды не коинтегрированы (больше 0,05).

17.При анализе случайных остатков по тесту Льюинга-Бокса р-значение составило

0,00116. Вывод: остатки автокоррелированы (меньше 0,05).

18.Анализ периодограммы (см. рисунок ниже) показал наличие периода. Период равен 3 (целое число). Если период не выявлен, укажите ноль (0).

19. Укажите порядок процесса AR. Если это необходимо, можно указать несколько значений лагов: 3.

20. При анализе временного ряда получены следующие результаты: расширенный тест Дики-Фулера для у testing down from 8 lags, criterion Крит. Акаике, объем выборки 13, нулевая гипотеза единичного корня: а = 1. Тест с константой, включая 7 лага(-ов) для (1- L)у, модель: (1-L)у=b0+(a-1)*y(-1)+…+e. Оценка для (a-1): -0,548437, тестовая статистика: tau_c(1)=-4,14006, асимпт. р-значение 0,0008299, коэф. автокорреляции 1-го порядка для е: -0,310. Вывод: ряд стационарный (0,0008299 < 0,05).

21. При анализе случайных остатков по тесту Глейзера для k=-1 р-значение составило 0,3.

Вывод: остатки гетероскедастичны (больше 0,05).

ДОПОЛНИТЕЛЬНО

1.Как по периодограмме определить порядок периода? Период указан в верхней части графика. У нас n наблюдений, которые отложены на горизонтальной нижней оси. Все n наблюдений - один цикл, период = n (n/1). n/2 - 2 периода (например, внизу 20/2, тогда вверху 10). Период - где наибольший пик.

2.По инфляции дисперсии мультиколлинеарность, если больше 3.

3. По тесту Жака-Бера оценка по Хи2: нормальное распределение, если п-значение больше,

чем 0,05.

4.Смотрим на столбик ПАКФ и лаг - смотрим на резкое снижение. Если снижение в 2 периоде, то 1, если в 3 - 2, и так далее.

5.Тест Рамсея: Нулевая гипотеза - спецификация модели линейная. Строит линейную модель, по ней расчет у (теоретических), которые включаются в разных степенях в уравнение. Это и есть тест Рамсея.

6.Частный критерий Фишера - значимость включения доп переменных. нулевая гипотеза - включением доп переменных в модель статистически НЕзначимо

7.Критерий Акаике используется для моделей, имеющих одну и ту же зависимую переменную.

8.Если коэффициент вариации меньше 30, то однородная совокупность. Если коэффициент вариации больше 30, но меньше 60, то средняя однородность. Если коэффициент вариации превышает 60, то неоднородная совокупность.

9.Число степеней свободы = все наблюдения – 1 – число параметров (х)

10.F(a,b), где b - остаточное число степеней свободы

11.Обобщенный мнк = гетероскедастичность скорректирована

12.Нормальная ошибка аппроксимации до 10%

13.F-критерий фишера > F табл, то параметр целесообразно включать в модель

14.В стандартизированном виде можно сравнивать коэффициенты: чем больше коэффициент, тем больше влияние на результат. Если уравнение в натуральном масштабе, то коэффициенты нельзя сравнивать

15.Коэффициент эластичности - относительный показатель, Коэффициент регрессии - абсолютный показатель (не показатель силы связи)

16.Показатель а никогда не интерпретируется. Полином и гипербола не интерпретируются

17.Стационарный ряд не имеет тенденции. Если ряд нестацинарный, то есть единичный корень

18.PACF - частная корреляционная функция - отвечает за AR-процесс (авторегрессионный процесс (ур ряда текущего зависят от ур ряда предыдущего)); ACF - обычная корреляционная функция - отвечает за MA-процесс (процесс скользящего среднего (касается остатков: остатки тек пер - ост, сдвинутые с лагом)). Модель ARMA (p, q) только для стационарных процессов. Где звездочки – то подходит.

19.Модель ARIMA (p, d, q) - интегрированная авторегрессионная модель скользящего среднего.

20.Интегрирование - разность между текущим и предыдущим уровнями. Усли стационарны первые разности – то исходный ряд будет интегрированным рядом первого порядка

21.Тест Льюнг-Бокса: автокорреляции нет при p меньше 0,05, остатки нормальные при p больше 0,05, коэффициент детерминации – сколько процентов результат объясняет модель, ошибка аппроксимации: анализ - набл и рассчет знач.

22.Коинтеграция - долгосрочная связь. Стационарные ряды всегда некоинтегрированы. Коинтегрированные ряды:

1)каждый из этих рядов (2+) имеют один порядок интегрированности (например, оба ряда имеют 1 порядок)

2)арифметическая комбинация уровней ряда является стационарным процессом

Для проверки арифметической комбинации рядов нельзя использовать критические значения классическго теста Дики-Фуллера, надо применять эмпирическую таблицу Маккинонна и Дэвидсона. В гретл проверка 2х рядов на коинтеграцию м б осуществлена с помощью теста Энгела-Грейнджера. Асимптотическое p -знач должно быть меньше 0,05,

чтобы остатки были стационарны.при исключении тенденции из уровней

5 МАЯ

Установлено, что вариация результата на 81% объясняется вариацией факторов, включенных в уравнение регрессии. Чему равен коэффициент корреляции, рассчитанный по данному уравнению?

0,9

Дано уравнение регрессии y=1+5x+e R2=0,5 Чему равен коэффициент регрессии?

5

Дано уравнение: y=2+3x+e R2=0,6

Чему равен коэффициент регрессии?

3

Коэффициент детерминации R2 равен 0,952. Какова доля случайной компоненты в общей дисперсии?

0,048

Дано уравнение регрессии y=2-8x+e R2=0,8 Чему равен коэффициент регрессии?

-8

Линейный коэффициент парной корреляции принимает значения:

От -1 до +1

Нулевая гипотеза (Н0):

Предположение о ненадежности и статистической незначимости показателя

Экономический смысл коэффициента регрессии (b):

Оценивает абсолютное изменение результата при изменении фактора на 1 единицу

Для парной линейной регрессии, построенной на 30 наблюдениях, число степеней свободы, соответствующее сумме квадратов отклонений, объясненной регрессией, составляет:

1