Модуль 2. Множественная регрессия и корреляция Модульная единица 5.1. Параметризация и спецификация уравнения множественной регрессии
49. Какие уравнения являются множественными регрессиями?
1) у = а + вх + сх2+ dх3 |
3) (верно) |
2) |
4) (верно) |
50. Чистый эффект дохода в модели спроса
у = + 1х + 2 р + и
где p – цена,выражается как:
1) + 1х + 2 р + и |
4) + 2 р |
2) + 1х + 2 р |
5) 1х (верно) |
3) + 1х |
6) 2 р |
51. В уравнениях множественной регрессии коэффициенты при независимых переменных интерпретируются как
1) условные начала |
3) коэффициенты полной регрессии
|
2) коэффициенты чистой регрессии (верно) |
4) коэффициенты раздельной детерминации |
52. При отборе факторов в модель каждая дополнительно включенная в модель независимая переменная
1) должна уменьшать снижать множественный коэффициент детерминации |
3) должна уменьшать коэффициенты чистой регрессии |
2) должна увеличивать коэффициенты чистой регрессии |
4) должна увеличивать множественный коэффициент детерминации (верно) |
53.
Коэффициент чистой регрессии при второй
независимой переменной в уравнении
интерпретируется:
1) если среднее значение увеличится на 1, то среднее значение зависимой переменной уменьшится на 2 при условии, что переменная будет фиксирована на среднем уровне (верно) |
3) если среднее значение увеличится на 1, то среднее значение зависимой переменной увеличится на 2 при условии, что переменная будет фиксирована на среднем уровне |
2) если значение увеличится на 1, то значение зависимой переменной уменьшится на 2 |
4) если среднее значение увеличится на 1, то среднее значение зависимой переменной уменьшится на 5-2=3, при условии, что переменная не изменится |
54. Мультиколлинеарность это:
1) сильная корреляционная связь между объясняемыми переменными |
3) сильная корреляционная связь между объясняемой и объясняющими переменными |
2) сильная корреляционная связь между объясняющими переменными (верно) |
4) слабая корреляционная связь между объясняемой и объясняющими переменными |
55. Укажите методы устранения мультиколлинеарности:
1) изменение единиц измерения переменных |
3) применение метода наименьших квадратов |
2) переход к уравнениям в приведенной форме (верно) |
4) переход к совмещенным уравнениям (верно) |
56. Укажите формулу для расчета коэффициента эластичности для двухфакторной линейной модели:
1) (верно) |
3) |
2) |
4) |
57. Для парной линейной модели бета-коэффициент равен:
1) коэффициенту чистой регрессии |
3) коэффициенту парной корреляции (верно) |
2) коэффициенту эластичности |
4) коэффициенту полной регрессии |
58. Сумма коэффициентов эластичности в модели Коба-Дугласа
1) не имеет самостоятельного экономического смысла |
3) равна произведению бэта-коэффициентов |
2) показывает, на сколько процентов в среднем увеличиваются объемы производства при увеличении всех факторов на 1% (верно) |
4) показывает, на сколько процентов в среднем увеличиваются объемы производства при увеличении одного из факторов на 1% |
59. Мультиколлинерность в модели множественной регрессии
1) приводит к смещенности оценок коэффициентов чистой регрессии, получаемых МНК |
3) приводит к большим ошибкам и, как следствие, незначимости параметров, хотя уравнение в целом может оставаться значимым (достоверным) (верно) |
2) приводит к тому, что нельзя определить чистое влияние факторов, и параметры уравнения оказываются неинтерпретируемыми (верно) |
4) не является серьезной проблемой |
60. Если строится двухфакторная модель множественной регрессии, то минимальное число наблюдений должно быть равно:
1) 6-7 |
4) 500 |
2) 12-14 (верно) |
5) 100 |
Модульная единица 5.2. «Множественная и частная корреляция. Предпосылки МНК»
61. Коэффициент множественной детерминации определяется по формулам:
1) (верно) |
3) (верно) |
2) |
4) |
62. Коэффициент раздельной детерминации можно определить по формулам:
1) , где - бета-коэффициент (верно) |
3)
|
2) |
4) |
(верно)
63. Скорректированный индекс детерминации определяется по формулам:
1) |
3) |
2) (верно) |
4) (верно) |
64. Частные коэффициенты (или индексы) корреляции
1) характеризуют тесноту связи между результатом и соответствующим фактором |
3) характеризуют тесноту связи между факторами |
2) характеризуют тесноту связи между результатом и соответствующим фактором при устранении влияния других факторов, включенных в уравнение регрессии (верно) |
4) равны парным коэффициентам корреляции |
65. Для двухфакторной модели можно рассчитать … коэффициент(а) частной корреляции
1) один |
3) три (верно) |
2) два |
4) четыре |
66. При отборе факторов методом исключения переменных исключается фактор с несущественным по t-критерию
1) частным коэффициентом корреляции (верно) |
3) коэффициентом эластичности |
2) коэффициентом парной корреляции |
4) скорректированным индексом корреляции |
67. Частый критерий Фишера определяется по формуле
1) |
3) |
2) |
4) (верно) |
68. Перечислите требования t и F-тестов к остаткам регрессии
1) остатки должны представлять собой независимые случайные величины и их среднее значение равно нулю (верно) |
3) остатки должны иметь постоянную дисперсию и подчиняться закону нормального распределения (верно) |
2) остатки должны представлять собой независимые фиксированные величины и их среднее значение должно быть больше нуля |
4) дисперсия остатков должна быть непостоянной |
69. Если математическое ожидание остатков равно нулю, то оценки параметров уравнения регрессии, полученные МНК являются:
1) смещенными |
4) неэффективными |
2) несмещенными (верно) |
5) состоятельными |
3) эффективными |
6) равными |
70. Если точность оценок уменьшается с увеличением объема выборки на одну единицу, то они являются:
1) смещенными |
4) неэффективными |
2) несмещенными |
5) состоятельными |
3) эффективными |
6) несостоятельными (верно) |
71. На каком из графиков большая дисперсия остатков соответствует большим значениям «у»?
1) (верно) |
3)
|
2)
|
4)
|
72. Для проверки остатков на гомоскедастичность используется метод:
1) Гольдфельда-Квандта (верно) |
4) косвенный метод наименьших квадратов |
2) метод инструментальных переменных |
5) двухшаговый метод наименьших квадратов |
Модуль. 3. Модульная единица 6. Моделирование одномерных временных рядов
73. Тенденция отражает влияние
1) совокупного долговременного воздействия множества факторов на динамику изучаемого показателя (верно) |
3) воздействия случайных факторов на динамику изучаемого показателя |
2) воздействия определенного фактора на динамику изучаемого показателя |
4) воздействия циклических колебаний на динамику изучаемого показателя |
74. Циклическая компонента временного ряда может быть обусловлена влиянием:
1) множества факторов на динамику изучаемого показателя |
3) случайных факторов на динамику изучаемого показателя |
2) длительных циклических колебаний (верно) |
4) сезонных колебаний на динамику изучаемого показателя (верно) |
75. Какая из моделей временного ряда является аддитивной, если:
Т – тренд;
S – циклическая компонента;
E – случайная компонента.
1) Yt=T+S·E |
3) Yt=T+S+E (верно) |
2) Yt=T·S·E |
4) Yt=T/S+E |
76. Какие компоненты временного ряда:
Т – тренд;
S – циклическая компонента;
E – случайная компонента
– являются закономерными, неслучайными?
1) только T |
3) только S |
2) T и S (верно) |
4) T и Е |
77. Значения временного ряда уt
1) являются неслучайными величинами |
3) нельзя рассматривать ни в качестве случайных ни в качестве неслучайных величин |
2) являются случайными величинами (верно) |
4) неизвестные исследователю величины |
78. Корреляционную зависимость между последовательными уровнями временного ряда называют
1) автокорреляцией (верно) |
3) гетероскедастичностью |
2) мультиколлинеарностью |
4) мультипликатором временного ряда |
79. Если ряд динамики содержит только тенденцию и случайную компоненту, то его график
1) (верно) |
3) |
2) |
4) |
80. Если при построении уравнения регрессии по данным временных рядов при высоком коэффициенте детерминации присутствует автокорреляция уровней (значений) в рядах динамики, то:
1) уравнение регрессии отражает реальные связи между переменными |
3) присутствует сложная корреляция между переменными |
2) присутствует ложная корреляция между переменными (верно) |
4) предпосылки МНК не нарушаются |
81. Автокорреляция в остатках наблюдается, если:
1) остатки содержат тенденцию (верно) |
3) остатки содержат сезонность (верно) |
2) остатки распределены в соответствии с законом нормального распределения |
4) остатки распределены случайно |
82. Возможные причины автокорреляции остатков:
1) в модель включен фактор, оказывающий существенное воздействие на результат |
3) в модель не включен фактор, оказывающий существенное воздействие на результат (верно) |
2) модель не учитывает влияние нескольких второстепенных факторов, совместное влияние которых не существенно |
4) автокорреляция остатков может заключаться в неверной функциональной спецификации модели (верно) |
83. Для выявления автокорреляции в рядах динамики используется тест
1) Гольдфельда-Квандта |
3) Дарбина-Уотсона (верно) |
2) F-тест |
4) t-тест |
84. Если в момент времени tm (t=1,2…n) ряда динамики был серьезный экономический кризис, то выявить тенденцию развития уровня безработицы, можно путем
1) построения тренда за весь период (t=1,2…n) |
3) построения линейного тренда |
2) моделирования тенденции отдельно по подпериодам: от 1 до m и от m+1 до n (верно) |
4) построения степенного тренда |