Font size
WorksheetsЭконометрика
Total questions: 22
Worksheet time: 12mins
Что показывает коэффициент парной корреляции?
Степень зависимости одной переменной от всех остальных
Связь между двумя случайными величинами
Качество подбора уравнения регрессии
Абсолютное значение изменения одной переменной при изменении другой
В эконометрике фиктивной переменной принято считать
переменную, принимающую значения 0 и 1
описывающую количественным образом качественный признак
переменную, которая может равняться только целому числу
несущественную переменную
Для эконометрической модели уравнения регрессии ошибка модели определяется как (a) между фактическим значением зависимой переменной и ее расчетным значением.
Для регрессионной модели вида y = f(x) +ξ получена диаграмма / Такое графическое отображение называется …
полем корреляции
диаграммой детерминации
полем детерминации
коррелограммой
Значение коэффициента корреляции r = 0,85 свидетельствует о:
а) слабой прямой связи между переменными;
б) сильной прямой связи между переменными;
в) слабой обратной связи между переменными;
г) отсутствии связи между переменными.
Диапазон возможных значений коэффициента парной корреляции:
от 0 до 1;
от –1 до 0;
от –1 до 1;
от –∞ до +∞.
Уравнение парной линейной регрессии имеет вид:
а) y = a + bx + ε;
б) y = ax² + bx + c;
в) y = ab^x;
г) y = a/x + b.
В уравнении регрессии y = a + bx + ε, параметр b означает:
а) среднее значение зависимой переменной;
б) изменение зависимой переменной при увеличении независимой на единицу;
в) константу, не зависящую от значений переменных;
г) случайную ошибку модели.
Цель построения парной регрессии — это:
а) определение причинно-следственных связей между всеми переменными модели;
б) прогнозирование значения зависимой переменной по значению независимой;
в) расчёт коэффициента детерминации;
г) проверка статистической значимости всех коэффициентов модели.
Коэффициент множественной корреляции R показывает:
а) связь между двумя независимыми переменными;
б) долю дисперсии зависимой переменной, не объяснённую моделью;
в) тесноту связи между зависимой переменной и набором независимых переменных;
г) статистическую значимость коэффициентов регрессии.
Если коэффициент множественной корреляции R = 0,9, это означает, что:
а) модель объясняет 90% дисперсии зависимой переменной;
б) модель не объясняет дисперсию зависимой переменной;
в) модель объясняет 81% дисперсии зависимой переменной;
г) связь между переменными слабая.
Матрица парных коэффициентов корреляции используется для:
а) проверки мультиколлинеарности независимых переменных;
б) расчёта коэффициента детерминации;
в) определения значимости коэффициентов регрессии;
г) построения доверительных интервалов.
Уравнение множественной линейной регрессии имеет вид:
а) y = a + b₁x₁ + b₂x₂ + … + bₙxₙ + ε;
б) y = a(x₁ + x₂ + … + xₙ) + b;
в) y = a/(b₁x₁ + b₂x₂ + … + bₙxₙ);
г) y = a^b₁x₁ b₂x₂ … * bₙxₙ.
Отбор факторов в модель множественной регрессии может быть осуществлён на основе:
а) значений коэффициентов автокорреляции уровней ряда;
б) сравнения остаточной дисперсии до и после включения фактора;
в) анализа матрицы парных коэффициентов корреляции;
г) всё вышеперечисленное верно.
Проблема мультиколлинеарности возникает, когда:
а) независимые переменные сильно коррелируют друг с другом;
б) зависимая переменная сильно коррелирует с независимыми;
в) коэффициенты регрессии становятся статистически значимыми;
г) остатки модели не подчиняются нормальному распределению.
Теорема Гаусса — Маркова утверждает, что оценки коэффициентов регрессии являются наилучшими в классе линейных несмещённых оценок при выполнении следующих предпосылок:
а) остатки имеют нулевое математическое ожидание;
б) гомоскедастичность остатков;
в) отсутствие автокорреляции остатков;
г) всё вышеперечисленное верно.
Гомоскедастичность означает, что:
а) дисперсия остатков постоянна для всех значений независимых переменных;
б) остатки имеют нормальное распределение;
в) остатки не коррелируют друг с другом;
г) коэффициенты регрессии несмещены.
Нарушение предпосылки об отсутствии автокорреляции остатков приводит к:
а) смещённости оценок коэффициентов;
б) потере эффективности оценок;
в) неверному расчёту стандартных ошибок;
г) всё вышеперечисленное верно.
Какой метод используется для оценки параметров простой линейной регрессии?
Метод наименьших квадратов.
Метод максимального правдоподобия.
Метод моментов.
все
Если показатель детерминации R² близок к единице, это означает
Отсутствие значимой связи между зависимой и объясняющими переменными.
Высокую степень влияния факторов на зависимую переменную.
Низкую значимость модели.
Значительная часть изменчивости зависимой переменной объяснена моделью
Какие показатели используются для проверки качества множественного регрессионного уравнения?
Коэффициенты эластичности.
Среднее арифметическое отклонение.
Критерий Фишера
t-критерий Стьюдента
Является ли наличие гетероскедастичности нарушением условий теоремы Гаусса-Маркова?
Да, поскольку нарушается условие постоянства дисперсии остатков.
Нет, теорема применима даже при наличии гетероскедастичности.
Да, но только если количество наблюдений превышает 100.
