Линейный коэффициент детерминации. 6 страница

—Наибольшее влияние на результат оказывает фактор наименьшее -

—Наибольшее влияние на результат оказывает фактор наименьшее -

Уравнение регрессии в стандартизованном виде имеет вид:

Как влияют факторы на результат и каковы значения частных коэффициентов эластичности?

+—Наибольшее влияние на результат оказывает фактор , наименьшее

—Наибольшее влияние на результат оказывает фактор наименьшее - ;

—Наибольшее влияние на результат оказывает фактор наименьшее -

—Наибольшее влияние на результат оказывает фактор наименьшее -

По 20 наблюдениям получены следующие данные:

Значения скорректированного коэффициента детерминации, частных коэффициентов эластичности и параметра равны:

+—

—

—

—

По 16 наблюдениям получены следующие данные:

Значения скорректированного коэффициента детерминации, частных коэффициентов эластичности и параметра равны:

+—

—

—

—

Уравнения регрессии на и в стандартизованном и натуральном масштабе имеют вид:

+—

—

—

—

Уравнения регрессии y на и в стандартизированном и натуральном масштабе имеют вид:

+—

—

—

—

Уравнения регрессии на и в стандартизованном и натуральном масштабе имеют вид:

+—

—

—

—

. Уравнения регрессии в стандартизированном и натуральном масштабе имеют вид:

+—

—

—

—

. Уравнения регрессии в стандартизированном и натуральном масштабе имеют вид:

+—

—

—

—

. Уравнения регрессии в стандартизированном и натуральном масштабе имеют вид:

+—

—

—

—

.Уравнения регрессии в стандартизированном и натуральном масштабе имеют вид:

+—

—

—

—

При построении регрессионной зависимости некоторого результативного признака на 8 факторов по 25 измерениям коэффициент детерминации составил 0,736. После исключения 3 факторов коэффициент детерминации уменьшился до 0,584. Обоснованно ли было принятое решение на уровнях значимости 0,1, 0,05 и 0,01:

+—Да, только на уровнях 0,05 и 0,01

—Да, на всех уровнях значимости

—Нет, на всех уровнях значимости

—Да, только на уровне 0,01

—Да, только на уровнях 0,1 и 0,05

При построении регрессионной зависимости некоторого результативного признака на 7 факторов по 32 измерениям коэффициент детерминации составил 0,812. После исключения 2 факторов коэффициент детерминации уменьшился до 0,76. Обоснованно ли было принятое решение на уровнях значимости 0,1, 0,05 и 0,01:

+—Да, только на уровнях 0,05 и 0,01

—Да, на всех уровнях значимости

—Нет, на всех уровнях значимости

—Да, только на уровне 0,01

—Да, только на уровнях 0,1 и 0,05

При построении регрессионной зависимости некоторого результативного признака на 10 факторов по 45 измерениям коэффициент детерминации составил 0,617. После исключения 3 факторов коэффициент детерминации уменьшился до 0,512. Обоснованно ли было принятое решение на уровнях значимости 0,1, 0,05 и 0,01:

+—Да, только на уровне 0,01

—Да, на всех уровнях значимости

—Нет, на всех уровнях значимости

—Да, только на уровнях 0,05 и 0,01

—Да, только на уровнях 0,1 и 0,05

При построении регрессионной зависимости некоторого результативного признака на 10 факторов по 45 измерениям коэффициент детерминации составил 0,347. После добавления 3 факторов коэффициент детерминации увеличился до 0,536. Обоснованно ли было принятое решение на уровнях значимости 0,1, 0,05 и 0,01:

+—Да, на всех уровнях значимости

—Нет, на всех уровнях значимости

—Да, только на уровнях 0,1 и 0,05

—Да, только на уровне 0,1

—Да, только на уровнях 0,05 и 0,01

При построении регрессионной зависимости некоторого результативного признака на 7 факторов по 42 измерениям коэффициент детерминации составил 0,443. После добавления 3 факторов коэффициент детерминации увеличился до 0,527. Обоснованно ли было принятое решение на уровнях значимости 0,1, 0,05 и 0,01:

+—Нет, на всех уровнях значимости

—Да, на всех уровнях значимости

—Да, только на уровнях 0,1 и 0,05

—Да, только на уровне 0,1

—Да, только на уровнях 0,05 и 0,01

При построении регрессионной зависимости некоторого результативного признака на 8 факторов по 38 измерениям коэффициент детерминации составил 0,558. После добавления 2 факторов коэффициент детерминации увеличился до 0,644. Обоснованно ли было принятое решение на уровнях значимости 0,1, 0,05 и 0,01:

+—Да, только на уровнях 0,1 и 0,05

—Да, на всех уровнях значимости

—Нет, на всех уровнях значимости

—Да, только на уровне 0,1

—Да, только на уровнях 0,05 и 0,01

По данным 150 наблюдений о доходе индивидуума Y, уровне его образования X₁, и возрасте X₂ определите, можно ли считать на уровне значимости 5 % линейную регрессионную модель Y на X₁ и X₂ гетероскедастичной, если суммы квадратов остатков после упорядочения данных по уровню образования следующие: RSS₁ (для 50 значений с наименьшим уровнем образования) = 894,1; RSS₂ (для 50 значений с наибольшим уровнем образования) = 3918,2:

+—гипотеза об отсутствии гетероскедастичности отвергается

—гипотеза об отсутствии гетероскедастичности принимается

—на основе имеющихся данных такую гипотезу нельзя проверить

Имеется следующая модель, построенная на основе 30 наблюдений:

Y = 1, 48+ 0, 788X R² = 0,97

(3,29) (29,37)

В скобках указаны t – статистики

Для проверки гетероскедастичности, были построены отдельные модели по первым 12 и последним 12 наблюдениям. Остаточные суммы квадратов отклонений составили RSS₁ = 1069 и RSS₂ = 3344 . Проверить гипотезу о гомоскедастичности с уровнем значимости 5%:

+—гипотеза о гомоскедастичности отвергается

—гипотеза о гомоскедастичности принимается

—для проверки данной гипотезы в данной задаче недостаточно данных

Имеется следующая модель, построенная на основе 30 наблюдений:

Y = 1, 75+ 1, 251X R² = 0,97

(3,02 ) (2,37)

В скобках указаны t – статистики

Для проверки гетероскедастичности, были построены отдельные модели по первым 12 и последним 12 наблюдениям. Остаточные суммы квадратов отклонений составили RSS₁ = 344 и RSS₂ = 769 . Проверить гипотезу о гомоскедастичности с уровнем значимости 5%:

—гипотеза о гомоскедастичности отвергается

+—гипотеза о гомоскедастичности принимается

—для проверки данной гипотезы в данной задаче недостаточно данных

Тема Модели временных рядов (Теоретические вопросы)

Уровень временного ряда может содержать:

—тенденцию, циклические, сезонные колебания, случайные колебания

—тенденцию и сезонные колебания

—сезонные и случайные колебания

+—любое сочетание тенденции, циклических, сезонных, случайных колебаний

Аддитивная модель временного ряда имеет вид:

+—

—

—

Автокорреляцией уравнений временного ряда называют:

+—автокорреляционную зависимость между последовательными уровнями временного ряда

—значение аналитической функции, характеризующей зависимость уровней ряда от времени

—значение перехода

Автокорреляционная функция временного ряда – это:

+—последовательность коэффициентов автокорреляции уровней временного ряда

—коррелограмма

—последовательность уровней временного ряда

Наиболее высокий коэффициента автокорреляции первого порядка свидетельствует о том, что:

+—исследуемый ряд содержит только тенденцию

—исследуемый ряд содержит циклические колебания

—ряд не содержит тенденции и циклических колебаний

Если ни один из коэффициентов автокорреляции не является значимым, это свидетельствует о том, что:

—исследуемый ряд содержит только тенденцию

—исследуемый ряд содержит циклические колебания

+—временный ряд не содержит тенденции и циклических колебаний

Кусочно – линейная модель регрессии применяется:

+—для моделирования тенденции временного ряда, испытывающего влияние структурных изменений

—для моделирования тенденции временного ряда за небольшой промежуток времени

—для моделирования тенденции временного ряда

Коинтеграция временных рядов:

+—причинно – следственная зависимость в уровнях двух (или более) временных рядов

—корреляционная зависимость между последовательными уровнями временного ряда

—последовательность коэффициентов автокорреляции уровней временного ряда

Авторегрессионные модели включают в качестве объясняющих переменных:

+—лаговые значения зависимых переменных

—лаговые значения независимых переменных

—лаговые значения зависимых и независимых переменных

Модели с распределенными лагами включают в качестве объясняющих переменных:

—лаговые значения зависимых переменных

+—лаговые значения независимых переменных

—лаговые значения зависимых и независимых переменных

Суть метода инструментальных переменных состоит в:

+—замене переменной модели на новую переменную, которая тесно коррелирует с прежней, но не коррелирует с остатками модели

—замене переменной модели на новую переменную, которая тесно коррелирует с остатками модели, но не коррелирует с прежней переменной

—в упрощении модели

Дополнительные вопросы

«Белым шумом» называется:

+ чисто случайный процесс;

- функциональный процесс;

- неслучайный процесс;

- регрессионный процесс

Проверка является ли временной ряд «белым шумом» осуществляется с помощью:

+ статистики Бокса-Пирса;

- величины лага;

- критерия Дарбина-Уотсона;

- коэффициента автокорреляции.

Значения коэффициента автокорреляции первого порядка равно 0,9. Следовательно …

- линейная связь между последующим и предыдущим уровнями не тесная;

+ линейная связь между последующим и предыдущим уровнями тесная;

- нелинейная связь между последующим и предыдущим уровнями тесная;

- линейная связь между временными рядами двух экономических показателей тесная.

Параметры уравнения тренда определяются ________методом наименьших квадратов

+ обычным;

- двухшаговым;

- обобщенным;

- косвенным.

Стационарность временного ряда означает отсутствие …

+ тренда;

- наблюдений по уровням временного ряда;

- значений уровней ряда;

- временной характеристики.

Модель временного ряда не предполагает …

- зависимость значений экономического показателя от времени;

+ независимость значений экономического показателя от времени;

- учет временных характеристик;

- последовательность моментов (периодов) времени, в течении которых рассматривается поведение экономического показателя.

Временной ряд называется стационарным, если он является реализацией _____________ процесса:

- функционального;

+ стационарного стохастического;

- нестационарного стохастического;

- неслучайного.

Временной ряд – это совокупность значений экономического показателя . . . .

- за несколько непоследовательных моментов (периодов) времени;

- независящих от времени;

- по однотипным объектам;

+ за несколько последовательных моментов (периодов) времени.

Построена мультипликативная модель временного ряда, где - значение уровня ряда, - значение тренда, - значение сезонной компоненты, - значение случайной компоненты. Определите вариант правильного найденных значений компонент уровней ряда:

- ;

+ ;

- ;

- .

Временной ряд – это совокупность значений экономического показателя . . . .

- за несколько непоследовательных моментов (периодов) времени;

- независящих от времени;

- по однотипным объектам;

+ за несколько последовательных моментов (периодов) времени.

Построена мультипликативная модель временного ряда, где - значение уровня ряда, - значение тренда, - значение сезонной компоненты, - значение случайной компоненты. Определите вариант правильного найденных значений компонент уровней ряда:

- ;

+ ;

- ;

- .

Временной ряд называется стационарным, если он является реализацией _____________ процесса:

- функционального;

+ стационарного стохастического;

- нестационарного стохастического;

- неслучайного.

Проверка является ли временной ряд «белым шумом» осуществляется с помощью:

+ статистики Бокса-Пирса;

- величины лага;

- критерия Дарбина-Уотсона;

- коэффициента автокорреляции.

В общем случае каждый уровень временного ряда формируется под воздействием …

- случайных временных воздействий;

- сезонных колебаний и случайных факторов;

+тенденции, сезонных колебаний и случайных факторов;

- тенденции и случайных факторов.

Под стационарным процессом можно понимать …

- процесс с возрастающей тенденцией;

- процесс с убывающей тенденцией;

+ стохастический процесс, для которого среднее и дисперсия независимо от рассматриваемого периода имеют постоянные значения;

- функциональный процесс.

Автокорреляционной функцией временного ряда называется:

- последовательность приращений коэффициентов автокорреляции уровней различных порядков;

- последовательность отношений коэффициентов автокорреляции к величинам соответствующих лагов;

- зависимость коэффициентов автокорреляции первого порядка от числа уровней временного ряда;

+ последовательность значений коэффициентов автокорреляции различных порядков.

Известны значения мультипликативной модели временного ряда: - значение уровня ряда, =5 - значение тренда, =3 - значение сезонной компоненты. Определите значение компоненты (случайной компоненты).

- = -1;

- =3;

+ =1;

- =0.

Мультипликативная модель содержит исследуемые факторы …

- в виде их отношений;

- в виде слагаемых;

+ в виде сомножителей;

- в виде комбинации слагаемых и сомножителей.

Уровень временного ряда может формироваться под воздействием тенденции, сезонных колебаний и …

- динамической составляющей;

- тренда;

- циклических колебаний;

+ случайных воздействий.

Циклические колебания связаны с …

- трендовыми взаимодействиями между экономическими показателями;

- общей динамикой конъюнктуры рынка;

- воздействием аномальных факторов;

+ сезонностью некоторых видов экономической деятельности (сельское хозяйство, туризм и.т.д.).