Эта запись получена с использованием тригонометрического тождества

№

Вопрос

Варианты ответа

1.

Прогноз – это:

1. достоверное, основанное на логическом выводе суждение о состоянии какого-либо объекта (процесса или явления) в будущем;

2. вероятностное суждение о состоянии какого-либо объекта (процесса или явления) в определенный момент в будущем и (или) альтернативных путях достижения каких-либо результатов;

3. опережающее отражение действительности, основанное на познании законов развития объекта (процесса или явления).

2.

Предсказание – это:

1. достоверное, основанное на логическом выводе суждение о состоянии какого-либо объекта (процесса или явления) в будущем;

2. вероятностное суждение о состоянии какого-либо объекта (процесса или явления) в определенный момент в будущем и (или) альтернативных путях достижения каких-либо результатов;

3. опережающее отражение действительности, основанное на познании законов развития объекта (процесса или явления).

3.

Предвидение – это:

1. достоверное, основанное на логическом выводе суждение о состоянии какого-либо объекта (процесса или явления) в будущем;

2. вероятностное суждение о состоянии какого-либо объекта (процесса или явления) в определенный момент в будущем и (или) альтернативных путях достижения каких-либо результатов;

3. опережающее отражение действительности, основанное на познании законов развития объекта (процесса или явления).

4.

Период упреждения прогноза – это:

1. промежуток времени от настоящего в будущее, на который разрабатывается прогноз;

2. промежуток времени, на базе которого строится прогнозная модель;

3. максимально возможный промежуток времени, на который разрабатывается прогноз.

5.

Нормативный прогноз реализует процесс прогнозирования:

1) от настоящего к будущему;

2) от будущего к настоящему.

3) от прошлого к настоящему.

6.

В среднесрочных прогнозах дается оценка:

1) количественная;

2) качественно-количественная;

3) количественно-качественная;

4) качественная.

7.

По какому признаку прогнозы подразделяются на поисковый и нормативный?

1) по масштабу прогнозирования;

2) по времени упреждения;

3) по функциональному признаку;

4) по характеру объекта.

8.

Прогноз называется наивным, если используется зависимость показателя:

1. от каких-либо факторов, исключая время;

2. только от времени;

3. от каких-либо факторов, включая время.

9.

Сколько типов роста рассматривается при анализе динамики экономических показателей?

1. два;

2. три;

3. четыре.

10.

Какая функция используется при моделировании показателей с постоянным ростом?

1. линейная;

2. показательная;

3. степенная.

11.

Какой величине равна производная функции, применяемой для моделирования постоянного роста?

1. убывающей;

2. возрастающей;

3. постоянной.

12.

Как ведет себя относительная величина прироста показателя, динамика которого характеризуется постоянным ростом?

1. убывает, имея пределом отрицательную величину;

2. убывает, имея пределом положительную величину;

3. убывает, имея пределом нулевую величину.

13.

Какой величине равна производная функции, применяемой для увеличивающегося роста?

1. убывающей;

2. возрастающей;

3. постоянной.

14.

В каком случае рекомендуется применять для моделирования показателей с увеличивающимся ростом показательную функцию?

1. если относительная величина прироста увеличивается неограниченно;

2. если абсолютная величина прироста растет по линейному закону;

3. если относительная величина прироста неизменна.

15.

Если у функции, применяемой для моделирования увеличивающегося роста, есть вторая производная, то значение этой производной:

1) положительное;

2) отрицательное;

3) нулевое.

16.

В каком случае тип роста считается уменьшающимся?

1) приросты увеличиваются;

2) приросты уменьшаются;

3) приросты неизменны.

17.

Какой величине равна производная функции, применяемой для моделирования уменьшающегося роста?

1. убывающей;

2. возрастающей;

3. постоянной.

18.

Если у функции, применяемой для моделирования уменьшающегося роста, есть вторая производная, то значение этой производной:

1) положительное;

2) отрицательное;

3) нулевое.

19.

Каким основным свойством должна обладать вторая производная функции, применяемой для моделирования показателя с изменяющимся характером динамики?

1. быть положительной;

2. быть отрицательной;

3. менять знак на противоположный.

20.

Можно ли функции, применяемые для моделирования показателей с изменяющимся характером динамики, построить с помощью МНК?

1. да;

2. можно, но все;

3. нет.

можн

21.

Смена характера динамики показателя происходит в точке, в которой:

1) первая производная равная нулю;

2) вторая производная равная нулю;

3) первая производная меняет знак.

22.

Почему для оценки параметров кривой Гомперца не применим МНК?

1. функция не приводится к виду, линейному по независимой переменной;

2. функция не приводится к виду, линейному по параметрам;

3. функция нелинейная по оцениваемым параметрам.

23.

Для обнаружения автокорреляции используется критерий:

1) Стьюдента;

2) Фишера;

3) Дарбина – Уотсона.

24.

Какой вывод следует из равенства коэффициента корреляции 0?

1. между показателем и фактором нет зависимости;

2. между показателем и фактором нет линейной зависимости;

3. между показателем и фактором есть зависимость, но нелинейная.

25.

Каковы возможные границы изменения коэффициента корреляции?

1) ;

2) ;

3) .

26.

Каковы возможные границы изменения индекса корреляции?

1) ;

2) ;

3) .

27.

В каком случае модель считается адекватной?

1) ; 2) ;

3) .

28.

Как интерпретируется в линейной однофакторной модели коэффициент регрессии ?

1. коэффициент эластичности;

2. коэффициент относительного роста;

3) коэффициент абсолютного роста.

29.

Как в показательной модели интерпретируется коэффициент регрессии ?

1. коэффициент эластичности;

2. коэффициент относительного роста;

3) коэффициент абсолютного роста.

30.

Как в степенной модели интерпретируется коэффициент регрессии ?

1. коэффициент эластичности;

2. коэффициент относительного роста;

3) коэффициент абсолютного роста.

31.

Применим ли метод наименьших квадратов для расчета параметров нелинейных моделей?

1) нет;

2) да;

3. применим после ее специального приведения к линейному виду.

32.

Величина коэффициента абсолютного роста:

1) зависит от масштаба измерения и ;

2) зависит от масштаба измерения только ;

3) не зависит от масштаба измерения и .

33.

Величина коэффициента эластичности:

1) зависит от масштаба измерения и ;

2) зависит от масштаба измерения только ;

3) не зависит от масштаба измерения и .

34.

Если множественный коэффициент корреляции равен 0, то можно ли считать правильным утверждение: между показателем и факторами нет зависимости?

1) да;

2) нет.

35.

Можно ли коэффициенты регрессии использовать для ранжирования факторов по степени их влияния на моделируемый показатель?

1) да;

2) нет.

36.

С помощью какого критерия оценивается значимость коэффициентов регрессии?

1. хи-квадрат;

2. F-критерия;

3. t-Стьюдента.

37.

Ранжирование факторов по степени их влияния на моделируемый показатель осуществляется с помощью:

1. коэффициентов регрессии;

2. бета-коэффициентов;

3. стандартных ошибок коэффициентов регрессии;

4. t-статистик Стьюдента.

38.

Что принимается за стандартные ошибки коэффициентов регрессии?

1. элементы первой строки ковариационной матрицы векторной оценки регрессионных коэффициентов;

2. диагональные элементы ковариационной матрицы векторной оценки регрессионных коэффициентов;

3. корни квадратные из диагональных элементов ковариационной матрицы векторной оценки регрессионных коэффициентов.

39.

Обеспечивает ли МНК получение оценок регрессионных коэффициентов с наименьшими стандартными ошибками?

1) да;

2) нет.

40.

В уравнении регрессии, построенном для отклонения от средних , свободный член:

1) меньше нуля;

2) равен нулю;

3) больше нуля.

41.

Почему нельзя построить регрессию на три независимых переменных , и ?

1. модель не будет иметь содержательной интерпретации;

2. матрица системы нормальных уравнений будет вырожденной;

3. МНК-оценки окажутся смещенными.

42.

Можно ли построить регрессию на , , при условии, что

1. нельзя;

2. можно;

3. можно, если и разных знаков.

43.

Если число независимых переменных модели находится с числом наблюдений в соотношении , то коэффициент корреляции :

1) ;

2) ;

3) .

44.

Если число независимых переменных находится с числом наблюдений n в соотношении , то какие проблемы могут возникнуть при проверке значимости коэффициентов регрессии:

1) все -статистики равны нулю;

2) нельзя вычислить ни одну -статистику;

3) нельзя проверить значимость свободного члена.

45.

Почему не имеет смысла проверять адекватность регрессионной модели в случае, когда ( – число наблюдений, – число независимых переменных модели)?

1) полная дисперсия равна нулю;

2) воспроизведенная дисперсия равна нулю;

3) остаточная дисперсия равна нулю.

46.

В каком из случаев воспроизведенная дисперсия может совпадать с полной дисперсией (– коэффициент корреляции)?

1); 2) ; 3) .

47.

У какой модели остаточная дисперсия совпадает с полной?

1) ; 2) ;

3) .

48.

В каком случае остаточная дисперсия равна полной?

1) все коэффициенты регрессии, кроме , ненулевые;

2) все коэффициенты регрессии, кроме , нулевые;

3) все коэффициенты регрессии ненулевые.

49.

Если с помощью МНК оцениваются коэффициенты модели , то равно:

1) ;

2) ;

3) .

50.

Если оценивается модель , то:

1) ; 2) ; 3) .

51.

Чему равна F-статистика в случае, если при построении регрессионной модели были получены следующие оценки: , , ?

1) 0;

2) 1;

3) .

52.

Чему не может быть равна F-статистика в случае, если при построении регрессионной модели

были получены следующие оценки: , , ?

1) 0; 2) 1; 3) .

53.

В процедуре ридж-оценивания для нахождения вектора оценок параметров используется следующая формула ( – единичная матрица, –параметр):

1) ;

2) ;

3) .

54.

В случае применения ридж-оценивания какая характеристика оценок коэффициентов модели искажается?

1) эффективность;

2) состоятельность;

3) несмещенность.

55.

Что лежит в основе построения гребневой регрессии?

1) идея нахождения бипараметрического семейства оценок с помощью подправленной формулы МНК ;

2) идея нахождения однопараметрического семейства оценок с помощью подправленной формулы МНК ;

3) идея нахождения однопараметрического семейства оценок с помощью подправленной формулы МНК .

56.

В случае применения ридж-оценивания, какая характеристика оценок коэффициентов модели исправляется?

1) эффективность;

2) состоятельность;

3) несмещенность.

57.

Если расширенная матрица данных Х имеет ранг меньше m+1, то какой метод оценивания можно применять?

1. обычный МНК;

2. обобщенный МНК;

3) ридж-оценивание;

4) метод максимального правдоподобия.

58.

Что понимается под абсолютной мультиколлинеарностью?

1) ситуация, когда определитель матрицы системы нормальных уравнений равен нулю;

2) ситуация, когда определитель матрицы в точности не равен 0, но мало от него отличается;

3) ситуация, когда определитель матрицы в точности не равен 0, но мало от него отличается.

59.

При нарушении какого условия необходимо строить обобщенную регрессионную модель?

1. матрица независимых переменных Х имеет максимальный ранг (– число переменных в модели);

2. математическое ожидание случайной составляющей равно нулю;

3. ковариационная матрица случайной составляющей диагональная с равными на диагонали элементами.

60.

Если оценки коэффициентов обобщенной регрессии получить с помощью МНК, то они будут:

1. смещенными;

2. несмещенными;

3. трудно понять, какими свойствами они обладают.

61.

Почему ковариационная матрица вектора оценок обобщенной регрессии, полученных с помощью МНК, не рассчитывается при построении модели?

1. не выведена формула для ее расчета;

2. неизвестна матрица ;

3. матрица известна, но не диагональная.

62.

Можно ли ковариационную матрицу вектора оценок обобщенной регрессии, полученных с помощью МНК, заменить оценкой ?

1. можно;

2. нельзя, потому что такая оценка является смещенной;

3. нельзя, потому что такую оценку нельзя рассчитать.

63.

В обобщенном МНК оценки коэффициентов регрессии получаются по формуле:

1) ;

2) ;

3) .

64.

В чем состоит суть доступного обобщенного МНК?

1. сначала получают оценку матрицы , а затем эту оценку используют вместо в расчетной формуле;

2. в расчетах используется произвольная невырожденная матрица ;

3. матрица заменяется диагональной матрицей.

65.

Основное отличие взвешенного МНК от обобщенного МНК заключается в том, что:

1) – произвольная невырожденная матрица;

2) – диагональная матрица;

3) – недиагональная матрица.

66.

В каких ситуациях обобщенный МНК сводится к взвешенному МНК с двухуровневой дисперсии:

1. когда данные неоднородны по дисперсии, но их можно разделить на две группы однородных;

2. когда дисперсия случайной составляющей пропорциональна одному из двух факторов;

3. когда дисперсия случайной составляющей зависит от двух факторов.

67.

Во взвешенном МНК наибольший вес приписывается данным:

1. с большей дисперсией;

2. с меньшей дисперсией;

3. со средним уровнем дисперсии.

68.

Как поступают в том случае, если дисперсия случайной составляющей пропорциональна одной из независимых переменных моделей:

1. все данные умножить на эту независимую переменную;

2. все данные разделить на эту независимую переменную;

3. зависимую переменную разделить на эту зависимую переменную.

69.

Как поступают в том случае, если дисперсия случайной составляющей зависит от нескольких независимых переменных?

1. применяют обобщенный МНК с произвольной диагональной матрицей ;

2. применяют обычный МНК, реализуемый в три этапа;

3. применяют доступный обобщенный МНК, реализуемый в три этапа.

70.

Для чего корректируются стандартные ошибки коэффициентов обобщенной регрессии?

1. чтобы получить несмещенную оценку ковариационной матрицы коэффициентов;

2. чтобы получить состоятельную оценку ковариационной матрицы коэффициентов;

3. чтобы получить минимально возможные стандартные ошибки оценок коэффициентов регрессии.

71.

Что означает гетероскедастичность?

1. неравенство дисперсий случайной составляющей;

2. равенство дисперсий случайной составляющей;

3. зависимость между случайными составляющими.

72.

Что означает гомоскедастичность?

1. неравенство дисперсий случайной составляющей;

2. равенство дисперсий случайной составляющей;

3. зависимость между случайными составляющими.

73.

Какой тест применяется для проверки предположения: дисперсия случайной составляющей зависит от нескольких независимых переменных?

1. тест Уайта;

2. тест Голдфельда – Куандта;

3. тест Бреуша – Пагана.

74.

Какой тест надо применить для проверки предположения: дисперсия случайной составляющей зависит от величины одной из независимых переменных?

1. тест Уайта;

2. тест Голдфельда – Куандта;

3. тест Бреуша – Пагана.

75.

В основе какого теста лежит идея о проверке зависимости дисперсии от регрессоров модели?

1. теста Уайта;

2. теста Голдфельда –Куандта;

3. теста Бреуша – Пагана.

76.

Почему нельзя оценить неизвестные элементы ковариационной матрицы в обобщенной регрессии?

4. матрица вырожденная;

5. число элементов в больше числа наблюдений;

3) оценивание элементов требует нелинейных методов.

77.

Какой МНК следует применять, если случайная составляющая имеет двухуровневую дисперсию?

1) косвенный;

2) взвешенный;

3) обычный.

78.

В обобщенной регрессии ковариационная матрица остатков :

1) произвольная;

2) положительно определенная;

3) отрицательно определенная.

79.

Коэффициент автокорреляции – это:

1) коэффициент корреляции между зависимой переменной и ее запаздывающим значением;

2) коэффициент корреляции между зависимой переменной и независимой переменной;

3) коэффициент корреляции между зависимой переменной и случайной составляющей модели.

80.

Если остатки регрессии автокоррелированы, то чему равна их дисперсия?

1) ; 2) ; 3) .

81.

Какому условию удовлетворяет параметр авторегрессионной зависимости ?

1) ; 2) ; 3) .

82.

Если остатки регрессии автокоррелированы, то чему равно их математические ожидание?

1. сумме убывающей геометрической прогрессии со знаменателем ;

2. коэффициенту авторегрессии ;

3. нулю.

83.

По какой формуле рассчитывается статистика Дарбина – Уотсона?

1) ;

2) ;

3) .

84.

Если для оценивания параметра использовать статистику Дарбина – Уотсона , то:

1) ; 2) ;

3) .

85.

Модель с бесконечным числом лагов имеет вид:

1) ;

2) ;

3) .

86.

Коэффициент модели с лаговыми переменными принято называть:

1. краткосрочным мультипликатором;

2. промежуточным мультипликатором;

3. долгосрочным мультипликатором.

87.

Сумма всех коэффициентов модели с лаговыми переменными называется:

1. краткосрочным мультипликатором;

2. промежуточным мультипликатором;

3. долгосрочным мультипликатором.

88.

Любая частичная сумма коэффициентов модели с лаговыми переменными называется:

1) краткосрочным мультипликатором;

2) промежуточным мультипликатором;

3) долгосрочным мультипликатором.

89.

Какой метод основан на предположении о том, что степень влияния лаговой переменной убывает по мере возрастания лага согласно закону, описываемому геометрической прогрессией?

1. метод наименьших квадратов;

2. метод Алмон;

3. метод Койка;

4. метод максимального правдоподобия.

90.

Метод Койка основан на предположении о том, что степень влияния лаговой переменной убывает по мере возрастания в:

1. арифметической последовательности;

2. геометрической последовательности;

3. любой последовательности.

91.

Модель Алмон строится в предположении, что:

1. значения коэффициентов модели могут быть аппроксимированы полиномами соответствующей степени от величины лага ;

2. степень влияния лаговой переменной убывает по мере возрастания лага согласно закону, описываемому арифметической прогрессией;

3. степень влияния лаговой переменной убывает по мере возрастания лага согласно закону, описываемому геометрической прогрессией.

92.

Уравнение, которое получено в результате преобразования Койка:

1) не содержит бесконечного числа лагов с убывающими по закону геометрической прогрессии коэффициентами и представляет собой уравнение линейного тренда;

2) не содержит бесконечного числа лагов с убывающими по закону геометрической прогрессии коэффициентами и представляет собой уравнение с авторегрессионным членом;

3) содержит бесконечное число лагов с убывающими по закону геометрической прогрессии коэффициентами и представляет собой авторегрессионное уравнение второго порядка.

93.

Какие ряды являются стационарными?

1) ряды, у которых с течением времени дисперсия остается неизменной;

2) ряды, у которых с течением времени среднее и дисперсия неизменны, а ковариация зависит от временного интервала между соответствующими наблюдениями;

3) ряды, у которых с течением времени амплитуда остается неизменной.

94.

Какой процесс называется авторегрессионным?

1) если его текущие значения находятся в линейной зависимости от предыдущих значений;

2) если его текущие значения находятся в линейной зависимости от фактора времени;

3) если его текущие значения находятся в линейной зависимости от текущих и предыдущих значений.

95.

Как записывается модель авторегрессионного процесса первого порядка?

1) ;

2) ;

3) .

96.

Если для временного ряда не выполняются условия стационарности, то с помощью какого преобразования его можно привести к стационарному?

1. путем представления в виде разностей;

2. путем перехода к отклонениям от среднего;

3. путем деления на среднеквадратическое отклонение.

97.

Какой временной ряд называется интегрированным рядом первого порядка?

1. исходные значения которого представляют собой стационарный ряд;

2. первые разности которого представляют собой стационарный ряд;

3. вторые разности которого представляют собой стационарный ряд.

98.

Как обозначается интегрированный ряд первого порядка?

1. RA(1);

2. МА(1);

3. I(1)

99.

Модель скользящего среднего – это:

1) модель, в которой моделируемый показатель задается линейной функцией от отклонений расчетных значений от фактических;

2) модель, в которой моделируемый показатель задается линейной функцией от отклонений расчетных значений от средних;

3) модель, в которой моделируемый показатель задается линейной функцией от отклонений фактических значений от средних.

100.

Какая из моделей является авторегрессионной моделью скользящего среднего?

1)

2)

3)

101.

Какие модели называют моделями ARIMA?

1. модели, представляющие собой комбинацию авторегрессии, интегрирования и скользящего среднего;

2. модели, представляющие собой комбинацию авторегрессии, дифференцирования и скользящего среднего;

3. модели, представляющие собой комбинацию авторегрессии, интегрирования и среднего.

102.

Какую модель можно построить по данным исходного временного ряда?

1. ARIMA(1, 1, 0);

2. ARIMA(1, 0, 1);

3. ARIMA(0, 1, 1).

103.

К какому классу относится модель ?

1. ARIMA(1, 0, 0);

2. ARIMA(0, 1, 0);

3. ARIMA(0, 0, 1).

104.

К какому классу относится модель ?

1. ARIMA(1, 0, 0);

2. ARIMA(0, 1, 0);

3. ARIMA(0, 0, 1).

105.

Процесс описывается авторегрессионной моделью порядка , если:

1) значения автокорреляционной функции экспоненциально затухают, а значения частной автокорреляционной функции снижаются резко до нуля, начиная с порядка;

2) значения автокорреляционной функции снижаются резко до нуля, начиная с порядка, а значения частной автокорреляционной функции экспоненциально затухают;

3) значения автокорреляционной функции равны значениям частной автокорреляционной функции до порядка включительно.

106.

Процесс скорее описывается моделью скользящего среднего порядка , чем авторегрессией, если:

1. значения автокорреляционной функции экспоненциально затухают, а значения частной автокорреляционной функции снижаются резко до нуля, начиная с порядка;

2. значения автокорреляционной функции снижаются резко до нуля, начиная с порядка, а значения частной автокорреляционной функции экспоненциально затухают;

3. значения автокорреляционной функции равны значениям частной автокорреляционной функции до порядка включительно.

107.

Что проверяется с помощью критерия, основанного на -статистике Бокса – Пирса?

1. значимость авторегрессионных коэффициентов;

2. значимость -го значения автокорреляционной функции остатков;

3. значимость первых значений автокорреляционной функции остатков.

108.

Что позволяет установить критерий Дики – Фуллера?

1. порядок авторегрессии;

2. степень интегрированности;

3. порядок скользящего среднего.

109.

В каких случаях рекомендуется использовать расширенный критерий Дики – Фуллера?

1. в случае автокоррелированности остатков;

2. когда порядок авторегрессии выше первого;

3. когда в модель включается тренд.

110.

Какую модель рекомендуется выбирать в ситуации, когда адекватными оказалось несколько моделей ARMA?

1) наиболее простую модель, содержащую наименьшее количество параметров;

2) модель с наибольшим числом включенных в нее переменных;

3) модель, в которой порядки авторегрессии и скользящего среднего совпадают.

111.

Если в построенной авторегрессионной модели коэффициент , то мы имеем дело с процессом:

1. ARIMA(1, 0, 0);

2. ARIMA(1, 1, 0);

3. ARIMA(1, 0, 1).

112.

У истоков адаптивных методов лежит:

1) процедура сглаживания с использованием линейной функции;

2) процедура экспоненциального сглаживания;

3) процедура сглаживания, в которой используется взвешенная скользящая средняя по трем точкам.

113.

Для построения адаптивных моделей используется:

1. обычный МНК;

2. обобщенный МНК;

3. рекуррентный МНК.

114.

Как осуществляется настройка параметра адаптации ?

1. по формуле Брауна;

2) методом проб и ошибок;

3) оптимизационными методами.

115.

Для оптимальной настройки параметра адаптации используется:

1. вся выборочная совокупность;

2. выборочная совокупность делится на две части: обучающуюся и контрольную;

3. только последние наблюдения.

116.

Настройка параметра адаптации осуществляется на данных:

1) всей выборочной совокупности;

2) обучающей выборочной совокупности;

3) контрольной выборочной совокупности.

117.

После оптимальной настройки параметра адаптации :

1. модель не пересчитывается;

2. модель пересчитывается на данных обучающей выборки;

3. модель пересчитывается на данных всех выборки.

118.

Алгоритмы, в которых для корректировки коэффициентов модели используется более одного наблюдения, называются:

1. рекуррентными;

2. адаптивными;

3. одношаговыми;

4. многошаговыми.

119.

Периодом называется:

1) интервал времени, необходимый для того, чтобы значения временного ряда начали изменяться на противоположные по знаку;

2) интервал времени, необходимый для того, чтобы значения временного ряда начали повторяться;

3) интервал времени, необходимый для того, чтобы значения временного ряда увеличились в два раза.

120.

Частотой называется величина:

1) прямо пропорциональная периоду;

2) равная корню квадратному из периода;

3) обратная периоду.

121.

Амплитудой временного ряда называется:

1) отклонение от среднего значения временного ряда до пика или впадины;

2) отклонение от минимального значения временного ряда до его максимального значения;

3) отклонение от начального значения временного ряда до его среднего значения.

122.

Фазой называется расстояние:

1) между началом отсчета времени и ближайшим минимальным значением;

2) между началом отсчета времени и ближайшим пиковым значением;

3) между началом отсчета времени и ближайшим средним значением.

123.

Какая форма представления временного ряда называется гармонической?

1) ;

2) ;

3) .

124.

Какое представление временного ряда называется рядом Фурье?

1) представление в виде бесконечной суммы периодических рядов;

2) представление в виде конечной суммы периодических рядов;

3) представление в виде бесконечной суммы непериодических рядов.

125.

Почему модели в виде рядов Фурье, практически, не используются в экономике?

1) в экономике нет периодических рядов;

2) не разработан математический аппарат исследования рядов Фурье;

3) экономические временные ряды слишком короткие.

126.

Аддитивную модель рекомендуется строить, когда амплитуда сезонных колебаний:

1. имеет тенденцию к возрастанию или снижению в зависимости от уровня временного ряда;

2. остается практически неизменной во всех циклах;

3. с течением времени затухает.

127.

Мультипликативную модель рекомендуется строить, когда амплитуда сезонных колебаний:

1. имеет тенденцию к возрастанию или снижению в зависимости от уровня временного ряда;

2. остается практически неизменной во всех циклах;

3. с течением времени затухает.

128.

Какие независимые переменные используются в множественной регрессии для моделирования сезонных колебаний?

1. значимые переменные;

2. фиктивные переменные;

3. запаздывающие переменные.

129.

Сколько переменных, описывающих сезонные колебания, необходимо включать в множественную регрессию?

1. равное числу периодов внутри одного цикла колебаний;

2. на единицу больше числа периодов внутри одного цикла колебаний;

3. на единицу меньше числа периодов внутри одного цикла колебаний.

130.

Модель сезонных колебаний в виде множественной регрессии по своей сути представляет:

1) разновидность мультипликативной модели временного ряда;

2) разновидность аддитивной модели временного ряда;

3) модель, комбинирующую аддитивное и мультипликативное представление сезонной составляющей временного ряда.

131.

Какие способы включения коэффициентов сезонности в прогнозную модель Вы знаете?

1. мультипликативный, адаптивный;

2. мультипликативный, аддитивный;

3. мультипликативный, пропорциональный.

132.

Каким образом данные при корректировке коэффициентов очищаются от сезонности в модели с мультипликативным коэффициентом сезонности?

1. путем умножения;

2. путем деления;

3. путем вычитания.

133.

В адаптивных моделях изменяются:

1. только коэффициенты полинома;

2. только коэффициенты сезонности;

3. коэффициенты полинома и коэффициенты сезонности.

134.

Границы возможных изменений параметров адаптации в сезонных моделях:

1. одинаковы;

2. различны;

3. взаимосвязаны.

135.

Если моделируемый процесс имеет тенденцию линейного роста, то в сезонной модели полином нулевого порядка заменяется:

1. полиномом первого порядка;

2. полиномом второго порядка;

3. полиномом произвольного порядка.

136.

Как учитывается аддитивный коэффициент сезонности в адаптивных моделях с тенденцией линейного роста?

1. путем умножения полинома на коэффициент сезонности;

2. путем деления полинома на коэффициент сезонности;

3. путем прибавления полинома к коэффициенту сезонности.

137.

Как учитывается мультипликативный коэффициент сезонности в адаптивных моделях с тенденцией линейного роста?

1. путем умножения полинома на коэффициент сезонности;

2. путем деления полинома на коэффициент сезонности;

3. путем прибавления полинома к коэффициенту сезонности.

138.

Обобщение адаптивной модели сезонных явлений основано на:

1. повышении степени полинома, используемого в модели;

2. комбинировании различных трендов и способов учета эффектов сезонности;

3. изменении принципа адаптивного сглаживания.

139.

Какие тенденции роста могут учитываться в обобщенной модели сезонных явлений?

1. тенденции линейного роста;

2. тенденции экспоненциального роста;

3. тенденции линейного и экспоненциального роста.