a.     A Pearson-féle korrelációs együttható mértékegysége megegyezik a változók mértékegységének szorzatával.

b.     A Pearson-féle korrelációs együttható meghatározható a változók standardizált értékeinek mátrix szorzatával is.

c.     A Pearson-féle korrelációs együttható csak a kovaranciából határozható meg.

d.    A Pearson-féle korrelációs együttható meghatározható a változók standardizált értékeinek skalári szorzatával is.

a.    Amikor legalább az egyik változó ordinális típusú.

b.     Csak akkor, ha mindkét változó ordinális típusú.

c.     Nominális típusú adatok összefüggés vizsgálatakor.

d.     Csak akkor, ha mindkét változó skála típusú.

a)     A két változó nem független, a korrelációs együttható értéke abszolút értékben 1.

b)     a kát változó nem független, a korrelációs együttható értéke nulla.

c) A két változó független a korrelációs együttható értéke nulla.

d)     A két változó független, a korrelációs együttható értéke abszolút értékben 1.

a)     Nincs, mert a számított érték abszolút értékét kell venni.

b)     Van, mert legtöbbször negatív előjelű.

c)   Nincs, mert csak a kapcsolat szorosságát méri.

d)     Van, mrt a kapcsolat szorosságát és irányát méri.

a)     Amikor két korrelációs együttható hányadosára vagyunk kíváncsiak.

b)   Amikor a két változó közötti kapcsolat nem lineáris.

c)     Amikor a korrelációs koefficiens szignifikáns.

d)     Amikor a két változó között nincs kapcsolat.

a)     A regresszó és az összesen eltérés-négyzetösszeg hányadosaként.

b)     A hiba és az összesen eltérés-négyzetösszeg összegeként.

c)     A Pearson-féle korrelációs együttható korrigálásával.

d)     A regresszió és a hiba eltérés-négyzetösszeg hányadosaként.

a)     Két változó közötti lineáris összefüggés szorosságát, irányát és az előrejelzés pontosságát.

b)     Két változó közötti lineáris összefüggés irányát.

c)     Két változó közötti lineáris összefüggés szorosságát.

d)   Két változó közötti lineáris összefüggés szorosságát és irányát.

a)     A Spearman-féle rangkorreláció értéke mindig megegyezik a korrelációs koefficiens értékével.

   b) A Spearman-féle rangkorrelációt két magas mérési szintű változó összefüggésének jellemzésére számítjuk.

c)     A Spearman-féle rangkorreláció egy paraméteres teszt.

d)     A Spearman-féle rangkorreláció egy nem paraméteres teszt.

a)     Az eredeti alapadatok különbségének négyzetéből.

b)     A rangszámok különbségének négyzetéből.

c) A rangszámok eltérés-négyzetösszegéből.

d)     Az eredeti alapadatok eltérés-négyzetösszegéből.

e) A rangszámok különbségének eltérés-négyzetösszegéből.

a)     Csak akkor, ha mindkét változó ordinális típusú.

b)   Amikor legalább az egyik változó ordinális típusú.

c)     Nominális típusú adatok összefüggés vizsgálatakor.

d) Csak akkor, ha mindkét változó skála típusú.

a)     a két változó között nagyon szoros függvényszerű kapcsolat van.

b)   legtöbbször csak a két változó azonosan ingadozik, nincs szorosan vett ok és okozati kapcsolat között.

c)     mindig szorosan vett ok és okozati kapcsolat van a két változó között.

d)     egyáltalán nincs kapcsolat a két változó között.

a)     akkor teljesül a regresszió-analízis alkalmazhatósági feltétele.

b)   akkor autokorreláció van.

c)     akkor  Durbin-Wattson teszt értéke 2 körüli.

d)     akkor nincs autokorreláció.

a)     A korrelációs együttható időbeli változását.

b)     A korrelációs együttható értékéből az egyik változó hozzájárulását az összefüggés szorosságához.

c)   Két változó közötti lineáris összefüggés szorosságát és irányát, amikor kiszűrjük egy harmadik vagy akár több változó befolyásoló hatását.

d)     Az aszimmetrikus korrelációs együtthatóból a nagyobb értékű hozzájárulást.

a)   Csak akkor, ha mindkét változó skála típusú.

b) Nominális típusú adatok összefüggés vizsgálatakor.

c) Amikor legalább az egyik változó ordinális típusú.

d) Csak akkor, ha mindkét változó ordinális típusú.

e)  Csak akkor, ha mindkét változó skála típusú.

a) akkor nincs autokorreláció.

b) akkor negatív autokorreláció van.

c) akkor pozitív autokorreláció van.

d) ekkor nem lehet egyértelmű döntést hozni.

a) Idősoroknál egy változó saját értékeivel vett lineáris összefüggése, amikor kiszűrjük az előző időpontok befolyásoló hatását.

b) Idősoroknál egy változó saját késleltetett értékeivel vett lineáris összefüggése, amikor kiszűrjük az előző időpontok befolyásoló hatását.

c) Idősoroknál egy változó saját késleltetett értékeivel vett lineáris összefüggése, amikor kiszűrjük a többi változó befolyásoló hatását.

d) Idősoroknál egy változó saját értékeivel vett lineáris összefüggése, amikor kiszűrjük a többi változó befolyásoló hatását.

a)     A nullhipotézis esetén Student-féle, n-1 szabadságfokkal.

b)   A nullhipotézis esetén Student-féle n-2 szabadságfokkal.

c) A nullhipotézis esetén standard normális eloszlást, n-2 szabadságfokkal.

d)     A nullhipotézis esetén standard normális eloszlást, n-1 szabadságfokkal.

a)     idősoroknál egy változó saját késleltetett értékeivel vett nem lineáris összefüggése.

b)     idősoroknál egy változó saját értékeivel vett nem lineáris összefüggése.

c)   idősoroknál egy változó saját késleltetett értékeivel vett lineáris összefüggése.

d)     idősoroknál egy változó saját értékeivel vett lineáris összefüggése.

a) Shapiro-Wilk teszttel.

b) Breusch-Pagan teszttel.

c) Durbin-Watson teszttel.

d) Box-Cox teszttel.

a)   Mindkét változó magas mérési szintű, folytonos normális eloszlású valószínűségi változó és feltételezhető a lineáris kapcsolat.

b)     Mindkét változó alacsony mérési szintű, folytonos normális eloszlású valószínűségi változó és feltételezhető a lineáris kapcsolat.

c)     Mindkét változó magas mérési szintű, folytonos normális eloszlású valószínűségi változó és szoros nem lineáris kapcsolat feltételezhető.

d)     Mindkét változó magas mérési szintű valószínűségi változó és feltételezhető a lineáris kapcsolat.

a)   A két változó független, a korrelációs együttható értéke 0.

b)   A két változó nem független, a korrelációs együttható értéke 0.

c) A két változó független, a korrelációs együttható értéke abszolút értékben 1.

d) A két változó nem független, a korrelációs együttható értéke abszolút értékben 1.

a) Durbin-Watson tesztet.

b)  F-próbát.

c) Box-Cox tesztet.

d) Breusch-Pagan tesztet.

a)  akkor nincs autokorreláció.

b) ekkor nem lehet egyértelmű döntést hozni.

c) akkor negatív autokorreláció van.

d) akkor pozitív autokorreláció van.

a)     A regressziós együtthatók standard hibái csökkennek.

b)     Teljesül a regresszió-analízis alkalmazhatóság feltétele.

c)   A regressziós együtthatók strandard hibái megnőnek.

d)     A becslés torzítatlan lesz.

a)     Újabb változók bevonásával.

b)     A függő változó transzformálásával.

c) Változók törlésével, vagy ridge-regresszió használatával.

d) A magyarázó változók transzformálásával.

a) A magyarázó változók között lineáris függőség van.

b) A magyarázó változók lineárisan függetlenek.

c) A függő változó és magyarázó változók között lineáris kapcsolat van.

d) A függő változót csak több magyarázó változóval tudjuk leírni.

a) a magyarázó változók VIF értékei alacsonyak.

b) a magyarázó változók lineárisan nem függetlenek.

c) a magyarázó változók többszörös R-négyzete alacsony.

d) a magyarázó változók lineárisan függetlenek.

a) Ha a magyarázó változók determinációs együtthatóinak összege kétszerese a többszörös determinációs együttható értékének.

b) Ha a többszörös determinációs együttható értéke 0.

c) Ha a többszörös determinációs együttható értéke 1.

d) Ha a magyarázó változók determinációs együtthatóinak összege megegyezik a többszörös determinációs együttható értékével.

a) Multikollinearitás, heteroszkedaszticitás, függetlenség.

b) Ugyanazok, mint a kétváltozós regressziónál.

c) Multikolloinearitás, heteroszkedaszticitás, a maradék nulla várható értékű normális eloszlású.

d) Multikollinearitás, homoszkedaszticitás, függetlenség.

a) Amikor az első lépésben csak egy magyarázó változót vonok be a modellbe, és lépésenként próbálkozom a többivel.

b) Amikor az első lépésben a magyarázó változók felét vonom be a modellbe, és lépésenként próbálkozom a többivel.

c) Amikor az első lépésben az összes magyarázó változót bevonom a modellbe, és lépésenként hagyom ki őket, ha szükséges.

d) Amikor az első lépésben az összes magyarázó változót bevonom a modellbe, és lépésenként kettesével hagyom ki őket, ha szükséges.

a.     akkor a magyarázó változó egységnyi növekedése egy egységgel növeli a függő változó értékét.

b)    akkor nullával egyenlő.

c) akkor szignifikánsan eltér nullától.

d) akkor a vizsgált paraméter nagyobb, mint a tengelymetszet értéke.

a)  A standardizált maradékok négyzetösszegéből.

b) A független változó standardizált értékének négyzetéből.

c) A becsült értékek szórásából.

d) A törölt maradékok négyzetösszegéből.

a.     A regressziós modell létezik, mert a számított F-érték kisebb, mint a kritikus.

b.     A regressziós modell nem létezik, mert a számított F-érték nagyobb, mint a kritikus.

c.    A regressziós modell létezik, mert a számított F-érték nagyobb, mint a kritikus.

d.     A regressziós modell nem létezik, mert a számított F-érték kisebb, mint a kritikus.

a.     Amikor a magyarázó változó terjedelmén belül becslünk.

b.    Amikor a magyarázó változó terjedelmén kívül becslünk.

c.     Amikor a magyarázó változó 95%-os konfidencia intervallumán belül becslünk.

d.     Amikor a magyarázó változó egy szórásnyi távolságán belül becslünk.

a.    Amikor a magyarázó változó terjedelmén belül becslünk.

b.     Amikor a magyarázó változó egy szórásnyi távolságán belül becslünk.

c.     Amikor a magyarázó változó 95%-os konfidencia-intervallumán belül becslünk.

d.     Amikor a magyarázó változó terjedelmén kívül becslünk.

a)   Az együttható értéke szignifikánsan eltér a nullától.

b)     A vizsgált paraméter nagyobb, mint a tengelymetszet értéke.

c)     Az együttható értéke szignifikánsan eltér egytől.

d)     A vizsgált paraméter nem létezik.

a)   sztochasztikus változó

b)     nem sztochasztikus változók.

c)     ordinális változók.

d)     nominális változók.

a)     Semmit, közlöm az analízis eredményét.

b)   Transzformálom a függő változót (ez az Y)

c)     Törlöm a függő változót.

d)     Transzformálom a független változókat.

Amivel nem lehet regressziót számítani.

A tengelymetszet előtti megfigyeléseket, amelyek kétfelé törik a regressziós egyenest.

Amelyeknek a legkisebb a varianciájuk.

Aminek a maradéka szignifikánsan eltér a többi megfigyelés maradékától.

a)     a függő és független változóktól

b)   a becsült értéktől és önmaguktól

c)     a független változótól

d)     a független változótól

a)   A standardizált regressziós együtthatók.

b)     A determinációs koefficiensek.

c)     A korrelációs koefficiensek.

d)     A regressziós együtthatók.

a)     A tengelymetszet előtti megfigyeléseket.

b)     A függő változó extrén nagy értékét.

c)     A függő változó egyik értéke a középértékétől nagyon messze esik.

d)   A magyarázó változó egyik esete a középértékétől nagyon messze esik.

a)   A koefficiens értékét osztjuk a koefficiens standard hibájával.

b)     A koefficiens értékét osztjuk a koefficiens szórásával.

c) A koefficiens értékét osztjuk a koefficiens terjedelmével.

d)     A koefficiens értékét osztjuk a koefficiens varianciájával.

a)   A regressziós modell létezik, mert a számított F-érték kisebb, mint a kritikus.

b)     A regressziós nem modell létezik, mert a számított F-érték kisebb, mint a kritikus.

c)     A regressziós nem modell létezik, mert a számított F-érték nagyobb, mint a kritikus.

d)     A regressziós nem modell létezik, mert a számított F-érték nagyobb, mint a kritikus.

a)Transzformálom a függő változókat.

b)     Semmit, a lineáris modell így is megfelelő pontosságú.

c)     Újabb magyarázó változókat vonok be a modellbe.

d)     Transzformálom a magyarázó változókat. (logaritmikus transzformáció)

a)     Kolmogorov-Smirnov teszttel.

b)     Khi-négyzet próbával.

c)   t-próbával. (koefficiens/standard hiba)

d)     F-próbával. (regressziós egyenes szignifikanciáját teszteli)

A vizsgált paraméter nagyobb, mint a tengelymetszet értéke.

b)   Az együttható értéke szignifikánsan nem tér el nullától.

c)     Az együttható értéke szignifikánsan eltér a nullától.

d)     A paraméter létezik, alkalmas az előrejelzésre.

a)   nem sztochasztikus változók.

b)   sztochasztikus változók.

c)   ordinális változók.

d) nominális változók.

a) A regressziós egyenes tengelymetszetét.

b) A regressziós egyenes konfidencia intervallumát.

c)  A regressziós egyenes hibáját.

d)   A regressziós egyenes meredekségét.

a)     Nincs mértékegysége, mert ez egy standardizált paraméter.

b)     Megegyezik a független változó mértékegységével.

c)   Megegyezik a függő változó mértékegységével.

d)     A függő változó mértékegysége osztva a független változó mértékegységével.

·       Semmit, mert ez azt jelenti, hogy a magyarázó változó jól magyarázza a függő változót.

·       Törlöm a modellből és készen vagyok az illesztéssel.

·       Semmit, közlöm az analízis eredményét.

·       Törlöm a modellből, és újból elvégzem az illesztést.

·       A becsült értékek szórása.

·       A maradékok terjedelme.

·       A maradékok varianciája.

·       A maradékok szórása.

·       Nincs, mert a függő változó várható értéke nulla.

·       Nincs, mert nem állítjuk be a modellbe.

·       Van, mert tengelymetszetnek mindig lennie kell.

·       Van, mert a modell illesztése ezzel lesz a legpontosabb.

·       A magyarázó változó nulla értékénél ennyi a függő változó értéke.

·       Ennyivel nő a függő változó értéke a magyarázó változó egységnyi növekedésével.

·       Ennyivel változik a függő változó értéke a magyarázó változó egységnyi növekedésével.

·       A magyarázó változó egy szórásnyi értékénél ennyi a függő változó értéke.

·       Az adatok elhelyezkedését adott valószínűség mellett.

·       Ez az intervallum tartalmazza a megfigyelések 95%-t.

·       Ez az intervallum tartalmazza a sokaság valódi regressziós egyenesét.

·       Ez az intervallum tartalmazza a megfigyelések 50%-t.

·       a függő változó szerepel.

·       akár a független, akár a függő változó is szerepelhet.

·       a kiugró értékek szerepelnek.

·       a független változó szerepel.

·       Korrelációs koefficienssel.

·       t-próbával.

·       F-próbával.

·       Khi-négyzet próbával.

·       Olyan nem lineáris regresszió, ahol a függő változók hatványai szerepelnek.

·       Az olyan regresszió, amiben a magyarázó változók hatványai szerepelnek.

·       A parabolikus regresszió-analízis.

·       Amikor a magyarázó változók összes részhalmazaira regresszió-analízist készítünk.

·       Amikor egy függő változót több magyarázó változóval írunk le.

·       Amikor egy függő változót egy magyarázó változóval írunk le.

·       Amikor több függő változót egy magyarázó változóval írunk le.

·       Amikor több függő változót több magyarázó változóval írunk le.

·       A hibatagok függetlenek, nulla várható értékű normális eloszlású, homoszkedasztikus.

·       A hibatagok függetlenek, nulla várható értékű normális eloszlású, homoszkedasztikus, sorrendjük kötött.

·       A független változó értékei függetlenek, nulla várható értékű normális eloszlású, homoszkedasztikus.

·       A függő változó értékei függetlenek, nulla várható értékű normális eloszlású, homoszkedasztikus

·       A regresszió és a hiba varianciája megegyezik.

·       A mért adatok és a hiba varianciája megegyezik.

·       A regresszió és a hiba varianciájának hányadosa nulla.

·       A mért és becsült adatok varianciája megegyezik.

·       Wiliam Sealy Grosset

·       Student

·       Carl Friedrich Gauss

·       Fisher

·       Nincs mértékegysége, mert ez egy standardizált paraméter.

·       A függő változó mértékegysége osztva a független változó mértékegységével.

·       Megegyezik a független változó mértékegységével.

·       Megegyezik a függő változó mértékegységével.

·       A vizsgált paraméter nagyobb, mint a tengelymetszet értéke.

·       Az együttható értéke szignifikánsan nem tér el nullától.

·       Az együttható értéke szignifikánsan eltér a nullától.

·       A paraméter létezik, alkalmas az előrejelzésre.

10

3

100

30

·       Amikor az első lépésben a magyarázó változók felét vonom be a modellbe, és lépésenként próbálkozom a többivel.

·       Amikor az első lépésben az összes magyarázó változót bevonom a modellbe, és lépésenként kettesével hagyom ki őket, ha szükséges.

·       Amikor az első lépésben az összes magyarázó változót bevonom a modellbe, és lépésenként hagyom ki őket, ha szükséges.

·       Amikor az első lépésben csak egy magyarázó változót vonok be a modellbe, és lépésenként próbálkozom a többivel.

·       A függő változó egyik értéke a középértékétől nagyon messze esik.

·       A független változó extrém nagy értékét.

·       A magyarázó változó egyik esete a középértékétől nagyon messze esik.

·       A tengelymetszet utáni megfigyeléseket.

·       A standardizált regressziós együtthatók.

·       A determinációs koefficiensek.

·       A korrelációs koefficiensek.

A regressziós együtthatók.

·       a koefficiens értékét osztjuk a koefficiens standard hibájával

a koefficiens értékét szorozzuk a koefficiens standard hibájával

a koefficiens értékét szorozzuk a standard hibával

·       Az összesen MS és az MSE hányadosaként.

·       A regresszió MS és az MSE hányadosaként.

A függő változó varianciáját osztom a független változó varianciájával.

·       A regresszió MS és az összesen MS hányadosaként.

·       Minden kiugró érték.

·       Aminek a becsült értéke kétszer nagyobb, mint a mért érték.

·       A szélsőséges esethez tartozó kiugró érték.

·       Minden szélsőséges eset.

·       Magas mérési szintű változók, normális eloszlásúak, a változók között feltételezhető a lineáris kapcsolat.

·       Magas mérési szintű változók, normális eloszlásúak, a változók között feltételezhető a kapcsolat.

·       Magas mérési szintű változók, bármilyen eloszlásúak, a változók között feltételezhető a lineáris kapcsolat.

·       Alacsony mérési szintű változók, normális eloszlásúak, a változók között feltételezhető a lineáris kapcsolat.

·       Mahalanobis-féle távolsággal.

·       Cook-távolsággal.

·       Shapiro-Wilk teszttel.

·       Gauss-távolsággal.

·       A standardizált érték négyzete.

·       A terjedelem négyzete.

·       Megegyezik a standardizált értékkel.

·       Az átlagtól vett eltérések négyzete.

·       Amelyiknek kisebb az AIC értéke.

·       Amelyiknek az AIC értéke 0.

·       Amelyiknek az AIC értéke 1.

·       Amelyiknek nagyobb az AIC értéke.

·       A regresszió maradékaitól.

·       A megfigyelések számától.

Az illesztett modell maradékaitól és eloszlásától, valamint a paramétereinek számától

·       Az illesztett modell maradékaitól és a paramétereinek számától.

a)     A minta nem tér el szignifikánsan a normális eloszlástól.

b)   A minta nem normális eloszlású.

c)     A minta normális eloszlású.

d)     A normális eloszlás és a minta közötti korreláció egy.

a)     A minta F-eloszlásának igazolására

b)     A minta t-eloszlásának igazolására.

c)     A minta normális eloszlásának vizsgálatára

d)   Két középérték különbségének tesztelésére.

a.   A normális eloszlás és a minta közötti korreláció nulla.

b.   A minta szignifikánsan eltér a normális eloszlástól.

c.  A minta normális eloszlású.

d.   A minta nem normális eloszlású.

·       Breusch-Pagan teszt.

·       Box-Cox teszt.

·       Kolmogorov-Smirnov teszt.

·       Durbin-Watson teszt.

a)     A minta t-eloszlású.

b)     A minta F-eloszlású.

c)     A minta nem normális eloszlású.

d)   A minta nem különbözik a normális elosztástól.

a)   A minta normális eloszlású.

b)     A minta nem normális eloszlású.

c)     A normális eloszlás és a minta közötti korreláció nulla.

d)     A minta szignifikánsan eltér a normális eloszlástól.

·       A minta nem tér el szignifikánsan a normális eloszlástól.

·       A minta normális eloszlású.

·       A minta nem normális eloszlású.

·       A normális eloszlás és a minta közötti korreláció 1.

a)     A minta F-eloszlásának igazolására.

b)     Két középérték különbségének tesztelésére.

c)     A minta t-eloszlásának igazolására.

d)   A  minta normális eloszlásának vizsgálatára.

A hibatagok függetlenek a becsült értéktől

·       A hibatagok autokorrelálnak.

·       A hibatagok között nincs autokorreláció.

·       A hibatagok függetlenek a magyarázó változóktól.

1

4

2

0

·       A hibatagok között nincs autokorreláció.

·       A hibatagok függetlenek a magyarázó változótól.

·       A hibatagok függetlenek a becsült értékektől.

·       A hibatagok autokorrelálnak.

·       Shapiro-Wilk teszttel.

·       Breusch-Pagan teszttel.

·       Durbin-Watson teszttel.

·       Box-Cox teszttel.

·       Durbin-Watson tesztet.

·       F-próbát.

·       Box-Cox tesztet.

·       Breusch-Pagan tesztet.

·       akkor nincs autokorreláció.

·       ekkor nem lehet egyértelmű döntést hozni.

·       akkor negatív autokorreláció van.

·       akkor pozitív autokorreláció van.

·       A hiba varianciája függ a független változó értékétől.

·       A hiba varianciája függ a függő változó értékétől.

·       A hiba varianciája önmaga függvénye.

·       A hiba varianciája függ a becsült értékektől.

·       A hiba varianciája független a függő változó értékétől.

·       A hiba varianciája önmaga függvénye.

·       A hiba varianciája független a becsült értékektől.

·       A hiba varianciája független a független változó értékétől.

·       A mintát kétfelé osztjuk és két modellt alkotunk. Ezek közül a jobbikat választjuk ki.

·       A validációt többször is megismételjük.

·       Különböző adatokon végezzük el a regressziós modell illesztését és a validációt.

·       A teljes mintát k-számú véletlen mintára osztjuk. A k számú illesztett modell közül választjuk ki a „legjobbat”.

·       a teljes mintát k-számú véletlen mintára osztjuk. A k számú alminták egy csoportja a validációt, a maradék k-1 csoportok kombinációja a modell optimalizálását szolgálja.

·       a regressziós-modellt k-szor illesztjük.

·       a teljes mintát k-számú véletlen mintára osztjuk. A k számú alminták egy csoportja a modell optimalizálását, a maradék k-1 csoportok kombinációja a validálást szolgálja.

·       a validációt k-szor ismételjük meg.

a)   A magyarázó változók transzformációját, ha nem teljesül a lineáris kapcsolat a regresszióanalízisben.

a)     A függő változó transzformációját, ha nem teljesül a regresszió-analízisben a normális eloszlás feltétele.

a)     A függő változó transzformációját, ha multikollinearitás lép fel.

a)     A független változó transzformációját, ha nem teljesül a regresszió-analízisben a normális eloszlás feltétele.

·       A független változók transzformációját, ha multikollinearitás lép fel.

·       A függő változó transzformációját, ha nem teljesül a regresszió-analízisben a normális eloszlás feltétele.

·       A független változó transzformációját, ha nem teljesül a regresszió-analízisben a normális eloszlás feltétele.

·       A függő változó transzformációját, ha multikollinearitás lép fel.

a)   A hiba varianciája függ a becsült értéktől.

b)     A hiba varianciája állandó a becsült értékek függvényében.

c)     A hiba varianciája állandó a függő változók függvényében.

d)     A hiba varianciája állandó a független függvényében.

·       A modell maradékainak szórása nem állandó.

A modell maradékainak szórása állandó.

A modell maradékainak standard modellje állandó.

A modell maradékainak standard modellje nem állandó.

·       A hiba varianciája állandó a független változók függvényében.

·       A hiba varianciája állandó a függő változók függvényében.

·       A hiba varianciája függ a becsült értékektől.

·       A hiba varianciája állandó a becsült értékek függvényében.

·       Durbin-Watson teszttel.

·       Shapiro-Wilk teszttel.

·       Breusch-Pagan teszttel.

·       Kolmogorov-Smirnov teszttel.

A modell maradékainak szórása állandó.

A becsült értékek szórása megegyezik a maradékok szórásával.

A becsült értékek szórása állandó.

A modell maradékainak szórása függ a becsült értékek nagyságától.

·       A VIF másik neve toleranciamutató.

·       A VIF minimális értékét, az 1-et akkor veszi fel, amikor az adott magyarázó változó nem korrelál a többivel.

·       A VIF 5-nél nagyobb értéket akkor vesz fel, amikor az adott magyarázó változó nem korrelál a többivel.

·       A VIF minimális értékét, az 1-et akkor veszi fel, amikor az adott magyarázó változó lineárisan függ a többitől.

a)     A VIF-t.

b)   A VIF reciprokát.

c)     A VIF gyökét.

d)     A VIF négyzetét.

·       A maradékok varianciája hányszorosa annak, ami a multikollinearitás hiányakor lenne.

·       A magyarázó változó becsült együtthatója hányszorosa annak, ami a multikollinearitás hiányakor lenne.

·       A maradékok standard hibája hányszorosa annak, ami a multikollinearitás hiányakor lenne.

·       A magyarázó változó becsült együtthatójának varianciája hányszorosa annak, ami a multikollinearitás hiányakor lenne.

·       1 körüli érték.

·       0 körüli érték.

·       5 felett.

·       2 felett.