Тест по эконометрике

Тестовые задания
Парная регрессия и корреляция
1. Наиболее наглядным видом выбора уравнения парной регрессии является:
а) аналитический;
б) графический;
в) экспериментальный (табличный).
2. Рассчитывать параметры парной линейной регрессии можно, если у нас есть:
а) не менее 5 наблюдений;
б) не менее 7 наблюдений;
в) не менее 10 наблюдений.
3. Суть метода наименьших квадратов состоит в:
а) минимизации суммы остаточных величин;
б) минимизации дисперсии результативного признака;
в) минимизации суммы квадратов остаточных величин.
4. Коэффициент линейного парного уравнения регрессии:
а) показывает среднее изменение результата с изменением фактора на одну единицу;
б) оценивает статистическую значимость уравнения регрессии;
в) показывает, на сколько процентов изменится в среднем результат, если фактор изменится на 1%.
5. На основании наблюдений за 50 семьями построено уравнение регрессии  , где   – потребление,   – доход. Соответствуют ли знаки и значения коэффициентов регрессии теоретическим представлениям?
а) да;
б) нет;
в) ничего определенного сказать нельзя.
6. Суть коэффициента детерминации   состоит в следующем:
а) оценивает качество модели из относительных отклонений по каждому наблюдению;
б) характеризует долю дисперсии результативного признака  , объясняемую регрессией, в общей дисперсии результативного признака;
в) характеризует долю дисперсии  , вызванную влиянием не учтенных в модели факторов.
7. Качество модели из относительных отклонений по каждому наблюдению оценивает:
а) коэффициент детерминации  ;
б)  -критерий Фишера;
в) средняя ошибка аппроксимации  .
8. Значимость уравнения регрессии в целом оценивает:
а)  -критерий Фишера;
б)  -критерий Стьюдента;
в) коэффициент детерминации  .
9. Классический метод к оцениванию параметров регрессии основан на:
а) методе наименьших квадратов:
б) методе максимального правдоподобия:
в) шаговом регрессионном анализе.
10. Остаточная сумма квадратов равна нулю:
а) когда правильно подобрана регрессионная модель;
б) когда между признаками существует точная функциональная связь;
в) никогда.
11. Объясненная (факторная) сумма квадратов отклонений в линейной парной модели имеет число степеней свободы, равное:
а)  ;
б)  ;
в)  .
12. Остаточная сумма квадратов отклонений в линейной парной модели имеет число степеней свободы, равное:
а)  ;
б)  ;
в)  .
13. Общая сумма квадратов отклонений в линейной парной модели имеет число степеней свободы, равное:
а)  ;
б)  ;
в)  .
14. Для оценки значимости коэффициентов регрессии рассчитывают:
а)  -критерий Фишера;
б)  -критерий Стьюдента;
в) коэффициент детерминации  .
15. Какое уравнение регрессии нельзя свести к линейному виду:
а)  ;
б)  :
в)  .
16. Какое из уравнений является степенным:
а)  ;
б)  :
в)  .
17. Параметр   в степенной модели является:
а) коэффициентом детерминации;
б) коэффициентом эластичности;
в) коэффициентом корреляции.
18. Коэффициент корреляции   может принимать значения:
а) от –1 до 1;
б) от 0 до 1;
в) любые.
19. Для функции   средний коэффициент эластичности имеет вид:
а)  ;
б)  ;
в)  .
20. Какое из следующих уравнений нелинейно по оцениваемым параметрам:
а)  ;
б)  ;
в)  .
Множественная регрессия и корреляция
1. Добавление в уравнение множественной регрессии новой объясняющей переменной:
а) уменьшает значение коэффициента детерминации;
б) увеличивает значение коэффициента детерминации;
в) не оказывает никакого влияние на коэффициент детерминации.
2. Скорректированный коэффициент детерминации:
а) меньше обычного коэффициента детерминации;
б) больше обычного коэффициента детерминации;
в) меньше или равен обычному коэффициенту детерминации;
3. С увеличением числа объясняющих переменных скорректированный коэффициент детерминации:
а) увеличивается;
б) уменьшается;
в) не изменяется.
4. Число степеней свободы для остаточной суммы квадратов в линейной модели множественной регрессии равно:
а)  ;
б)  ;
в)  .
5. Число степеней свободы для общей суммы квадратов в линейной модели множественной регрессии равно:
а)  ;
б)  ;
в)  .
6. Число степеней свободы для факторной суммы квадратов в линейной модели множественной регрессии равно:
а)  ;
б)  ;
в)  .
7. Множественный коэффициент корреляции  . Определите, какой процент дисперсии зависимой переменной   объясняется влиянием факторов   и  :
а) 90%;
б) 81%;
в) 19%.
8. Для построения модели линейной множественной регрессии вида   необходимое количество наблюдений должно быть не менее:
а) 2;
б) 7;
в) 14.
9. Стандартизованные коэффициенты регрессии  :
а) позволяют ранжировать факторы по силе их влияния на результат;
б) оценивают статистическую значимость факторов;
в) являются коэффициентами эластичности.
10. Частные коэффициенты корреляции:
а) характеризуют тесноту связи рассматриваемого набора факторов с исследуемым признаком;
б) содержат поправку на число степеней свободы и не допускают преувеличения тесноты связи;
в) характеризуют тесноту связи между результатом и соответствующим фактором при элиминировании других факторов, включенных в уравнение регрессии.
11. Частный  -критерий:
а) оценивает значимость уравнения регрессии в целом;
б) служит мерой для оценки включения фактора в модель;
в) ранжирует факторы по силе их влияния на результат.
12. Несмещенность оценки параметра регрессии, полученной по МНК, означает:
а) что она характеризуется наименьшей дисперсией;
б) что математическое ожидание остатков равно нулю;
в) увеличение ее точности с увеличением объема выборки.
13. Эффективность оценки параметра регрессии, полученной по МНК, означает:
а) что она характеризуется наименьшей дисперсией;
б) что математическое ожидание остатков равно нулю;
в) увеличение ее точности с увеличением объема выборки.
14. Состоятельность оценки параметра регрессии, полученной по МНК, означает:
а) что она характеризуется наименьшей дисперсией;
б) что математическое ожидание остатков равно нулю;
в) увеличение ее точности с увеличением объема выборки.
15. Укажите истинное утверждение:
а) скорректированный и обычный коэффициенты множественной детерминации совпадают только в тех случаях, когда обычный коэффициент множественной детерминации равен нулю;
б) стандартные ошибки коэффициентов регрессии определяются значениями всех параметров регрессии;
в) при наличии гетероскедастичности оценки параметров регрессии становятся смещенными.
16. При наличии гетероскедастичности следует применять:
а) обычный МНК;
б) обобщенный МНК;
в) метод максимального правдоподобия.
17. Фиктивные переменные – это:
а) атрибутивные признаки (например, как профессия, пол, образование), которым придали цифровые метки;
б) экономические переменные, принимающие количественные значения в некотором интервале;
в) значения зависимой переменной за предшествующий период времени.
18. Если качественный фактор имеет три градации, то необходимое число фиктивных переменных:
а) 4;
б) 3;
в) 2.
Системы эконометрических уравнений
1. Наибольшее распространение в эконометрических исследованиях получили:
а) системы независимых уравнений;
б) системы рекурсивных уравнений;
в) системы взаимозависимых уравнений.
2. Эндогенные переменные – это:
а) предопределенные переменные, влияющие на зависимые переменные, но не зависящие от них, обозначаются через  .;
б) зависимые переменные, число которых равно числу уравнений в системе и которые обозначаются через  ;
в) значения зависимых переменных за предшествующий период времени.
3. Экзогенные переменные – это:
а) предопределенные переменные, влияющие на зависимые переменные, но не зависящие от них, обозначаются через  ;
б) зависимые переменные, число которых равно числу уравнений в системе и которые обозначаются через  ;
в) значения зависимых переменных за предшествующий период времени.
4. Лаговые переменные – это:
а) предопределенные переменные, влияющие на зависимые переменные, но не зависящие от них, обозначаются через  .;
б) зависимые переменные, число которых равно числу уравнений в системе и которые обозначаются через  ;
в) значения зависимых переменных за предшествующий период времени.
5. Для определения параметров структурную форму модели необходимо преобразовать в:
а) приведенную форму модели;
б) рекурсивную форму модели;
в) независимую форму модели.
6. Модель идентифицируема, если:
а) число приведенных коэффициентов меньше числа структурных коэффициентов;
б) если число приведенных коэффициентов больше числа структурных коэффициентов;
в) если число параметров структурной модели равно числу параметров приведенной формы модели.
7. Модель неидентифицируема, если:
а) число приведенных коэффициентов меньше числа структурных коэффициентов;
б) если число приведенных коэффициентов больше числа структурных коэффициентов;
в) если число параметров структурной модели равно числу параметров приведенной формы модели.
8. Модель сверхидентифицируема, если:
а) число приведенных коэффициентов меньше числа структурных коэффициентов;
б) если число приведенных коэффициентов больше числа структурных коэффициентов;
в) если число параметров структурной модели равно числу параметров приведенной формы модели.
9. Уравнение идентифицируемо, если:
а)  ;
б)  ;
в)  .
10. Уравнение неидентифицируемо, если:
а)  ;
б)  ;
в)  .
11. Уравнение сверхидентифицируемо, если:
а)  ;
б)  ;
в)  .
12. Для определения параметров точно идентифицируемой модели:
а) применяется двушаговый МНК;
б) применяется косвенный МНК;
б) ни один из существующих методов применить нельзя.
13. Для определения параметров сверхидентифицируемой модели:
а) применяется двушаговый МНК;
б) применяется косвенный МНК;
б) ни один из существующих методов применить нельзя.
14. Для определения параметров неидентифицируемой модели:
а) применяется двушаговый МНК;
б) применяется косвенный МНК;
в) ни один из существующих методов применить нельзя.
Временные ряды
1. Аддитивная модель временного ряда имеет вид:
а)  ;
б)  ;
в)  .
2. Мультипликативная модель временного ряда имеет вид:
а)  ;
б)  ;
в)  .
3. Коэффициент автокорреляции:
а) характеризует тесноту линейной связи текущего и предыдущего уровней ряда;
б) характеризует тесноту нелинейной связи текущего и предыдущего уровней ряда;
в) характеризует наличие или отсутствие тенденции.
4. Аддитивная модель временного ряда строится, если:
а) значения сезонной компоненты предполагаются постоянными для различных циклов;
б) амплитуда сезонных колебаний возрастает или уменьшается;
в) отсутствует тенденция.
5. Мультипликативная модель временного ряда строится, если:
а) значения сезонной компоненты предполагаются постоянными для различных циклов;
б) амплитуда сезонных колебаний возрастает или уменьшается;
в) отсутствует тенденция.
6. На основе поквартальных данных построена аддитивная модель временного ряда. Скорректированные значения сезонной компоненты за первые три квартала равны: 7 – I квартал, 9 – II квартал и –11 – III квартал. Значение сезонной компоненты за IV квартал есть:
а) 5;
б) –4;
в) –5.
7. На основе поквартальных данных построена мультипликативная модель временного ряда. Скорректированные значения сезонной компоненты за первые три квартала равны: 0,8 – I квартал, 1,2 – II квартал и 1,3 – III квартал. Значение сезонной компоненты за IV квартал есть:
а) 0,7;
б) 1,7;
в) 0,9.
8. Критерий Дарбина-Уотсона применяется для:
а) определения автокорреляции в остатках;
б) определения наличия сезонных колебаний;
в) для оценки существенности построенной модели.