Множественная регрессия и корреляция

108. Чем ближе к нулю определитель матрицы межфакторной корреляции, тем:

1. сильнее мультиколлинеарность факторов;

2. слабее мультиколлинеарность факторов;

3. ненадежнее результаты множественной регрессии;

4. надежнее результаты множественной регрессии.

109. Если в уравнение множественной регрессии включено три фактора, то число наблюдений должно быть:

1) 6-10; 2) не менее 18-30; 3) не более 18-30.

110. При исследовании спроса на мясо получено следующее уравнение регрессии: , где у – спрос на мясо; х₁ – цена; х₂ – доход. Выберите правильный ответ:

1. рост цен на 1% при том же доходе вызывает снижение спроса в среднем на 2,6%;

2. рост цен на 1 ден.ед. при том же доходе вызывает увеличение спроса в среднем на 1,2%;

3. увеличение дохода на 1% обуславливает рост спроса на 1,2% при неизменных ценах;

4. увеличение дохода на 1 ден.ед. обуславливает снижение спроса на 0,8% при неизменных ценах.

111. В линейной множественной регрессии параметры при х называются:

1. коэффициентами корреляции;

2. стандартизованными коэффициентами регрессии;

3. коэффициентами условно чистой регрессии.

112. Коэффициенты называются:

1) коэффициентами корреляции;

2. стандартизованными коэффициентами регрессии;

3. коэффициентами условно чистой регрессии.

113. Стандартизованные коэффициенты регрессии показывают:

1. на сколько процентов изменится в среднем результат, если соответствующий фактор изменится на один процент при неизменном среднем уровне других факторов;

2. на сколько единиц изменится в среднем результат, если соответствующий фактор изменится на одну единицу при неизменном среднем уровне других факторов;

3. на сколько сигм изменится в среднем результат, если соответствующий фактор изменится на одну сигму при неизменном среднем уровне других факторов;

4. на сколько сигм изменится в среднем фактор, если результативный признак изменится на одну сигму.

114. Коэффициент определяется по формуле:

1) ; 2) ; 3) ; 4) .

115. Уравнение множественной регрессии в стандартизованной форме имеет вид:

1) ; 2) ;

3) .

116. Уравнение регрессии в стандартизованном масштабе имеет вид: . Наибольшее влияние на результат оказывает фактор:

1) ; 2) ; 3) коэффициенты сравнивать нельзя.

117. При линейной зависимости признаков формула индекса корреляции имеет вид:

1) ; 2) ; 3) .

118. Тесноту связи совместного влияния факторов на результат в модели множественной регрессии оценивает:

1. Частный коэффициент корреляции;

2. индекс множественной корреляции;

3. множественный коэффициент детерминации.

119. На стадии формирования модели, в частности в процедуре отсева факторов, используют:

1. частные коэффициенты корреляции;

2. коэффициенты условно чистой регрессии;

3. стандартизованные коэффициенты регрессии.

120. Частный F-критерий Фишера оценивает:

1. статистическую значимость присутствия соответствующего фактора в уравнении множественной регрессии;

2. целесообразность включения в уравнение одного фактора после другого фактора;

3. значимость коэффициентов чистой регрессии;

4. значимость уравнения регрессии в целом.

121. Фиктивные переменные во множественной регрессии – это:

1. преобразованные в количественные качественные переменные;

2. все независимые переменные в модели;

3. лаговые переменные.

122. «Структурными переменными» называются:

1) лаговые переменные; 2) фиктивные переменные; 3) стандартизованные коэффициенты.

123. Оценки параметров регрессии должны быть:

1) фиктивными; 2) эффективными; 3) коллинеарными;

4) несмещенными; 5) состоятельными.

124. Несмещенность оценки означает, что:

1) дисперсия наименьшая;

2) увеличение точности оценок с увеличением объема выборки;

3) математическое ожидание остатков равно нулю;

4) математическое ожидание остатков стремиться к бесконечности.

125. Оценки считаются эффективными, если:

1) они характеризуются наименьшей дисперсией;

2) они характеризуются наибольшей дисперсией;

3) математическое ожидание остатков равно нулю;

4) математическое ожидание остатков стремиться к бесконечности.

126. Одной из пяти предпосылок метода наименьших квадратов является:

1) гетероскедастичность; 2) коллинеарность; 3) мультиколлинеарность;

4) гомоскедастичность; 5) автокорреляция.

127. Отличия скорректированного коэффициента детерминации от обычного:

1. содержит поправку на число степеней свободы;

2. меньше обычного коэффициента детерминации;

3. больше обычного коэффициент детерминации;

4. характеризует вариацию результативного признака.

128. В чем сущность гомоскедастичности?

1) дисперсии случайных отклонений изменяются;

2)для каждого значения фактора остатки имеют одинаковую дисперсию;

3) случайные отклонения взаимно коррелированны;

4)автокорреляция в остатках отсутствует.

129. Для оценки гетероскедастичности используется:

1) метод наименьших квадратов; 2) F-критерий Фишера;

3) t-критерий Стьюдента; 4) метод Гольдфельда – Квандта.

130. При нарушении гомоскедастичности и наличии автокорреляции используется:

1) традиционный метод наименьших квадратов;

2) обобщенный метод наименьших квадратов;

3) частный метод наименьших квадратов;

4) метод максимального правдоподобия.

131. Дана матрица парных коэффициентов корреляции:

	у	х1	х2	х3
у	1,0	-	-	-
х1	0,6	1,0	-	-
х2	-0,5	0,6	1,0	-
х3	0,4	-0,3	-0,9	1,0

Какие факторы являются коллинеарными?

1) и ; 2) и ; 3) и .

132. Дана матрица парных коэффициентов корреляции:

	у	х1	х2	х3
у	1,0	-	-	-
х1	0,6	1,0	-	-
х2	-0,5	0,8	1,0	-
х3	0,4	-0,3	-0,5	1,0

Какие факторы являются коллинеарными?

1) и ; 2) и ; 3) и .

133. Дана матрица парных коэффициентов корреляции:

	у	х1	х2	х3
у	1,0	-	-	-
х1	0,7	1,0	-	-
х2	-0,5	0,4	1,0	-
х3	0,4	0,8	-0,1	1,0

Какие факторы являются коллинеарными?

1) и ; 2) и ; 3) и .

134. При расчете модели множественной регрессии и корреляции в Excel для вывода матрицы парных коэффициентов корреляции используется:

1. инструмент анализа данных Корреляция;

2. инструмент анализа данных Регрессия;

3. инструмент анализа данных Описательная статистика.

135. Для расчета множественного коэффициента корреляции в Excel используется:

1. инструмент анализа данных Корреляция;

2. инструмент анализа данных Регрессия;

3. инструмент анализа данных Описательная статистика.

136. Для проведения дисперсионного анализа в Excel используется:

1) инструмент анализа данных Корреляция;

2) инструмент анализа данных Регрессия;

3) инструмент анализа данных Описательная статистика.

137. Для расчета множественного коэффициента детерминации в Excel используется:

1. инструмент анализа данных Корреляция;

2. инструмент анализа данных Регрессия;

3. инструмент анализа данных Описательная статистика.

138. Для расчета коэффициентов регрессии в Excel используется:

1. инструмент анализа данных Корреляция;

2. инструмент анализа данных Регрессия;

3. инструмент анализа данных Описательная статистика.

139. Для определения F-критерия в Excel используется:

1. инструмент анализа данных Корреляция;

2. инструмент анализа данных Регрессия;

3. инструмент анализа данных Описательная статистика.