Эконометрика лаб 7
.docxПРАВИЛЬНЫМ ОТВЕТОМ ВЕЗДЕ ЯВЛЯЕТСЯ ПЕРВЫЙ! |
||
В каком случае может проявляться мультиколлинеарность? |
1 |
в случае множественной регрессии |
2 |
в случае парной регрессии |
|
3 |
только в случае решения задач нелинейной регрессии |
|
4 |
в случае наличия большого количества статистических выбросов |
|
Что такое мультиколлинеарность? |
1 |
линейная взаимосвязь двух или нескольких объясняющих переменных |
2 |
мультипликативная модель регрессии |
|
3 |
независимость эндогенной и экзогенных переменных |
|
4 |
нелинейность одной или нескольких объясняющих переменных |
|
Когда мультиколлинеаность является совершенной? |
1 |
когда объясняющие переменные связаны строгой функциональной зависимостью |
2 |
когда рассматриваются модели временных рядов |
|
3 |
никогда - мультиколлинеарность не может быть совершенной |
|
4 |
когда она красива до невозможности |
|
Какие виды мультиколлинеарности существуют? |
1 |
совершенная и несовершенная |
2 |
парная и множественная |
|
3 |
линейная и нелинейная |
|
4 |
пространственная и временная |
|
В чем состоит негативное влияние мультиколлинеарности? |
1 |
в невозможности разделить влияние отдельных объясняющих переменных |
2 |
в появлении статистических выбросов |
|
3 |
в необходимости применять для решения метод последовательных разностей |
|
4 |
в чрезмерной сложности получаемой модели |
|
Что иллюстрируют диаграммы Вейна?
|
1 |
последствия наличия мультиколлинеарности в модели |
2 |
воздействие эндогенной переменной на экзогенные |
|
3 |
парность или множественной регрессии |
|
4 |
тип исходных данных |
|
Что такое коррелированность переменных?
|
1 |
зависимость переменных друг от друга |
2 |
независимость переменных друг от друга |
|
3 |
зависимость значений переменных от предыдущих значений |
|
4 |
зависимость значений переменных от последующих значений |
|
Может ли зависимая переменная быть мультиколлинеарной?
|
1 |
нет, вообще мультиколлинеарность - свойство модели, а не переменной |
2 |
да |
|
3 |
нет, если только она не бинарная |
|
4 |
да, если рассматривается модель временных рядов |
|
Мультиколлинеарность - это
|
1 |
связь между собой объясняющих переменных |
2 |
связь между объясняющими и зависимой переменными |
|
3 |
связь между зависимой переменной и одной из объясняющих |
|
4 |
связь между соседними наблюдениями исходных статистических данных |
|
Что такое совершенная мультиколлинеарность?
|
1 |
ситуация, когда объясняющие переменные связаны строгой функциональной зависимостью |
2 |
идеальный вариант модели множественной регрессии |
|
3 |
совершение действий по исключению незначимых факторов модели |
|
4 |
показатель прекрасного качества исходных данных |
|
Когда появляется совершенная мультиколлинеарность?
|
1 |
когда один из показателей является линейной комбинацией других |
2 |
когда величина «Значимость F» больше 10% |
|
3 |
когда количество статистических выбросов составляет больше половины наблюдений |
|
4 |
когда коэффициент корреляции меньше 0,3 |
|
Что такое несовершенная мультиколлинеарность?
|
1 |
это ситуация, когда между регрессорами существует высокая корреляция |
2 |
это ситуация, когда между регрессорами существует обратная корреляция |
|
3 |
это ситуация, когда между регрессорами отсутствует корреляция |
|
4 |
это ситуация, когда между регрессорами существует стопроцентная корреляция |
|
Чем обусловлено появление мультиколлинеарности?
|
1 |
наличием связи между регрессорами (объясняющими переменными) |
2 |
отсутствием связи между регрессорами и зависимой переменной |
|
3 |
наличием связи между регрессорами и зависимой переменной |
|
4 |
отсутствием связи между регрессорами (объясняющими переменными) |
|
Возможно ли появление мультиколлинеарности в моделях парной регрессии?
|
1 |
нет |
2 |
да |
|
3 |
да, если недостаточно наблюдений |
|
4 |
да, если есть статистические выбросы |
|
Возможно ли появление мультиколлинеарности в моделях нелинейной регрессии?
|
1 |
да, только если это множественная регрессия |
2 |
да, только если это парная регрессия |
|
3 |
нет, если это не модели временных рядов |
|
4 |
мультиколлинеарность появляется только в линейной регрессии |
|
Каково основное негативное проявление мультиколлинеарности?
|
1 |
невозможно определить вклад каждой переменной х в их общее влияние на у |
2 |
невозможно получить коэффициенты регрессии обычным МНК |
|
3 |
отсутствуют итоговые величины расчетного у |
|
4 |
невозможно определить тесноту связи между реальными и расчетными значениями у |
|
Что является следствием мультиколлинеарности?
|
1 |
искажение экономического смысла коэффициентов регрессии |
2 |
увеличение модулей остатков |
|
3 |
появление статистических выбросов |
|
4 |
искажение математического смысла коэффициента корреляции |
|
Следствием наличия мультиколлинеарности в регрессионной модели является |
1 |
невозможность однозначного и достоверного определения коэффициентов регрессии |
2 |
невозможность определения тесноты связи искомой регрессионной зависимости |
|
3 |
появление статистических выбросов |
|
4 |
изменение средних значений величин исходных данных проводимой регрессии |
|
Что относится к характерным признакам мультиколлинеарности?
|
1 |
высокие Р-значения при значимой, в целом, модели |
2 |
низкое значение величины «Значимость F» |
|
3 |
низкое значение коэффициента корреляции |
|
4 |
высокое значение коэффициента детерминаци |
|
В качестве меры мультиколлинеарности в модели регрессии можно использовать |
1 |
разность между коэффициентами R^2 множественной и суммы R^2 парных регрессий у на х |
2 |
матрицу попарных корреляций |
|
3 |
разность коэффициентов регрессии |
|
4 |
коэффиицент Бета |
|
Можно ли для устранения мультиколлинеарности использовать процедуру удаления факторов? |
1 |
да |
2 |
нет |
|
3 |
да, но только если коэффициент корреляции стремится к 0 |
|
4 |
да, но только если коэффициент корреляции стремится к 1 |
|
Что можно использовать для устранения мультиколлинеарности? |
1 |
изменение спецификации модели |
2 |
введение еще одной зависимой переменной. |
|
3 |
упорядочивание данных по возрастанию или по убыванию |
|
4 |
увеличение количества наблюдений |
|
Что такое предпосылки МНК? |
1 |
условия, которые должны выполняться, чтобы регрессия по МНК давала лучшие результаты |
2 |
предположительные значения параметров до выполнения регрессионного анализа |
|
3 |
описание метода наименьших квадратов |
|
4 |
построение моделей Множественной Нелинейной Корреляции |
|
Что такое условия Гаусса-Маркова?
|
1 |
предпосылки для применения метода наименьших квадратов |
2 |
условия соглашения между Гауссом и Марковым |
|
3 |
описание процедуры регрессионного анализа |
|
4 |
обоснование метода наименьших квадратов |
|
Для чего должны выполняться условия Гаусса-Маркова?
|
1 |
чтобы регрессионный анализ, основанный на обычном МНК, давал наилучшие результаты |
2 |
чтобы исследуемая выборка была репрезентативной |
|
3 |
чтобы была возможность рассчитать параметры регрессии |
|
4 |
чтобы можно было построить график зависимости исследуемых переменных |
|
К каким последствиям не может привести нарушение предпосылок МНК?
|
1 |
к невозможности расчета параметров регрессии |
2 |
к автокорреляции остатков |
|
3 |
к мультиколлинеарности |
|
4 |
к гетероскедастичности |
|
Какими свойствами должны обладать оценки параметров регрессии, проведенной с помощью МНК?
|
1 |
несмещенность, состоятельность и эффективность |
2 |
парность и/или множественность |
|
3 |
коррелированность |
|
4 |
понятность, логичность и корректность |
|
Что означает несмещенность регрессионной оценки?
|
1 |
равенство нулю математического ожидания остатков |
2 |
что оценка всегда одинакова |
|
3 |
равенство оценок для различных выборок |
|
4 |
равенство оценок для различных наблюдений |
|
Что означает эффективнность регрессионных оценок?
|
1 |
что их дисперсия является минимальной из всех возможных |
2 |
что оценки в точности равны остаткам |
|
3 |
равенство оценок для различных выборок |
|
4 |
что в полученной регрессии наименьший коэффициент детерминации |
|
Что означает состоятельность регрессионных оценок?
|
1 |
увеличение их точности при увеличении объема выборки |
2 |
что оценки в точности равны остаткам |
|
3 |
что их дисперсия является минимальной из всех возможных |
|
4 |
что их количество является достаточным для достоверных прогнозов |
|
Что такое математическая модель экономического объекта?
|
1 |
записанное в математической форме абстрактное отображение экономического объекта |
2 |
произвольная математическая комбинация значений, характеризующих экономический объект |
|
3 |
совокупность числовых характеристик, характеризующих экономический объект |
|
4 |
графическое изображение экономического объекта |
|
Исходные значения случайной величины Х – это
|
1 |
реальные значения |
2 |
остатки |
|
3 |
нормированные остатки |
|
4 |
стандартные остатки |
|
Какая функция Excel позволяет рассчитать дисперсию выборки значений случайной величины?
|
1 |
ДИСП |
2 |
в Excel нет такой функции |
|
3 |
ДИСПР |
|
4 |
ВЫБДИСП |
|
Что обозначается символом "сигма" в эконометрических задачах?
|
1 |
СКО |
2 |
коэффициент ковариации |
|
3 |
математическое ожидание |
|
4 |
коэффициент корреляции |
|
Величина коэффициента корреляции для взаимозависимых случайных величин
|
1 |
стремится к модулю единицы |
2 |
стремится к нулю |
|
3 |
равна коэффициенту ковариации |
|
4 |
стремится к бесконечности |
|
Для чего строится матрица попарных корреляций?
|
1 |
для определения тесноты линейной связи между парами всех изучаемых факторов |
2 |
для построения графиков зависимости факторов между собой |
|
3 |
для ликвидации асимметрии распределений изучаемых факторов |
|
4 |
для нормализации эксцесса изучаемых факторов |
|
Функциональная зависимость между переменными
|
1 |
задается точной формулой и проявляется определенно и точно при каждом наблюдении |
2 |
означает невозможность табулирования значений переменных |
|
3 |
проявляется в том, что при изменении одной из величин изменяется среднее значение другой |
|
4 |
это фикция |
|
Линейная связь между переменными означает, что
|
1 |
график их зависимости представляется прямой линией |
2 |
график их зависимости представляется кривой линией |
|
3 |
линии обоих графиков, построенных по значениям переменных, являются прямыми |
|
4 |
линии графиков, построенных по значениям переменных, пересекаются |
|
Что такое МНК?
|
1 |
метод наименьших квадратов |
2 |
метод наибольших квадратов |
|
3 |
метод наилучшего качества |
|
4 |
множественная нелинейная корреляция |
|
Для чего применяется МНК?
|
1 |
для оценки параметров регрессии |
2 |
для расчета Мат. ожидания, Нелинейности и Коэффициента вариации |
|
3 |
для перехода от нелинейной формы зависимости переменных к линейной |
|
4 |
для определения достоверности статистики |
|
Если увеличение объясняющей переменной приводит к уменьшению зависимой, значит |
1 |
связь между ними является обратной |
2 |
связь между ними является нелинейной |
|
3 |
связь между ними отсутствует |
|
4 |
в статистических данных - явная ошибка |
|
В уравнении регрессии параметры регрессии обычно обозначаются как
|
1 |
а и b |
2 |
R и R-квадрат |
|
3 |
Р-значения |
|
4 |
х и у |
|
В уравнении регрессии факторы обычно обозначаются как
|
1 |
х и у |
2 |
а и b |
|
3 |
R и R-квадрат |
|
4 |
Р-значения |
|
Эндогенная переменная уравнения регрессии - это
|
1 |
зависимая переменная |
2 |
независимая переменная |
|
3 |
бинарная переменная |
|
4 |
свободный член уравнения |
|
В результатах регрессионного анализа Y-пересечение - это
|
1 |
коэффициент регрессии а |
2 |
значение у |
|
3 |
фактор регрессии |
|
4 |
величина остатка |
|
Как в уравнении регрессии интерпретируется коэффициент перед переменной х?
|
1 |
показывает величину изменения у при единичном изменении х |
2 |
показывает тесноту связи в уравнении регрессии |
|
3 |
показывает среднее значение х |
|
4 |
показывает статистическую значимость переменной х |
|
Вероятность выполнения нуль-гипотезы для коэффициента регрессии оценивается с помощью
|
1 |
Р-значения этого коэффициента регрессии |
2 |
значения этого коэффициента регрессии |
|
3 |
величины TSS |
|
4 |
преподавателя |
|
В уравнении y = a + bx незначимость коэффициента регрессии а означает, что
|
1 |
влияние коэффициента а на переменную у отсутствует |
2 |
влияние переменной х на переменную у отсутствует |
|
3 |
влияние переменной у на коэффициент а отсутствует |
|
4 |
влияние коэффициента b на переменную у отсутствует |
|
Для практического удаления из модели y = a + bx незначимого коэффициента регрессии а необходимо |
1 |
активизировать в окне "Регрессия" поле «Константа-ноль» |
2 |
удалить из исходных данных столбец переменной у |
|
3 |
перейти к нелинейной зависимости |
|
4 |
удалить из исходных данных столбец переменной х |
|
Что означает не значимость коэффициента регрессии?
|
1 |
что соответствующая ему независимая переменная не влияет на зависимую |
2 |
что зависимая переменная не влияет на соответствующую ему независимую |
|
3 |
что коэффициент рассчитан неверно |
|
4 |
что регрессия является множественной |
|
Величина «Значимость F» показывает
|
1 |
вероятность недостоверности коэффициента корреляцими |
2 |
вероятность незначимости соответствующего коэффициента регрессии |
|
3 |
вероятность наличия статистических выбросов |
|
4 |
величину значительности Фишера |
|
Что показывает коэффициент детерминации?
|
1 |
объясненную регрессией долю дисперсии зависимой переменной у |
2 |
объясненную регрессией долю дисперсии независимой переменной х |
|
3 |
объясненную долю ошибки уравнения регрессии |
|
4 |
долю необъясненной дисперсии в общей дисперсии зависимой переменной |
|
В результатах выполнения регрессионного анализа в Excel коэффициент детерминации отображается как:
|
1 |
R-квадрат |
2 |
Значимость F |
|
3 |
Множественный R |
|
4 |
Y-пересечение |
|
Каким образом при решении регрессионной задачи в пакете Excel обнаруживаются статистические выбросы?
|
1 |
по величинам стандартных остатков наблюдений |
2 |
по величинам Р-значений |
|
3 |
по величинам стандартных ошибок |
|
4 |
с помощью активизации поля "Константа-ноль" в окне "Регрессия" |
|
Каковы последствия удаления статистических выбросов в регрессионном анализе?
|
1 |
увеличение тесноты связи в модели |
2 |
устранение автокорреляции |
|
3 |
улучшение статистической значимости коэффициентов регрессии |
|
4 |
возникающее чувство глубокого удовлетворения |
|
Какая из нескольких описывающих одинаковую зависимость моделей является наиболее устойчивой?
|
1 |
та, в которой отклонения коэффициентов регрессии от средних - наименьшие |
2 |
модель, в которой установлена прямая и тесная связь между регрессорами |
|
3 |
модель, являющаяся не парной, а множественной |
|
4 |
самая нелинейная |
|
Какие эконометрические модели строятся по различным типам исходных данных?
|
1 |
пространственные модели и модели временных рядов |
2 |
линейные и нелинейные модели |
|
3 |
парные и множественные модели |
|
4 |
красивые и блестящие |
|
Регрессионная модель Вашей задачи является
|
1 |
множественной линейной |
2 |
множественной нелинейной |
|
3 |
парной линейной |
|
4 |
в начале решения - множественной, а в конце - парной |
|
Мультиколлинеарность как проблема проявляется
|
1 |
только во множественной регрессии |
2 |
только в парной регрессии |
|
3 |
только в нелинейной регрессии |
|
4 |
только во временных рядах |
|
В каком случае не может проявляться мультиколлинеарность?
|
1 |
в случае парной регрессии |
2 |
в случае множественной регрессии |
|
3 |
в случае решения задач нелинейной регрессии |
|
4 |
в моделях временных рядов |
|
Возможно ли появление мультиколлинеарности в моделях множественной регрессии?
|
1 |
да, только в них и возможно |
2 |
нет, мультиколлинеарность проявляется только в парной регрессии |
|
3 |
да, если недостаточно наблюдений |
|
4 |
да, если есть статистические выбросы |
|
Возможно ли появление мультиколлинеарности в моделях временных рядов?
|
1 |
да |
2 |
да, только если это парная регрессия |
|
3 |
нет |
|
4 |
да, только если это нелинейная модель |
|
Можно ли определить степень влияния каждого фактора на результирующий показатель при наличии мультиколлинеарности?
|
1 |
нет |
2 |
да |
|
3 |
да, если наблюдений достаточно |
|
4 |
нет, если есть статистические выбросы |
|
Что относится к характерным признакам мультиколлинеарности?
|
1 |
высокие парные или частные коэффициенты корреляции |
2 |
значение коэффициента дететрминации меньшее, чем значение коэффициента корреляции |
|
3 |
низкая чувствительность коэффициентов регрессии к выборочным наблюдениям |
|
4 |
наличие статистических выбросов |
|
Коэффициент Бета показывает |
1 |
на сколько СКО изменится у при изменении х на 1 СКО |
2 |
на сколько единиц изменится у при изменении х на 1 единицу |
|
3 |
возможность получения достоверных прогнозов по построенной модели |
|
4 |
значимость константы в уравнении регрессии |
|
Какой метод может быть использован для устранения мультиколлинеарности?
|
1 |
метод исключения переменных |
2 |
метод Хилдрета-Лу |
|
3 |
метод наименьших квадратов |
|
4 |
метод факториалов |
|
Каковы последствия невыполнения условий Гаусса-Маркова?
|
1 |
полученные по МНК результаты не будут лучшими (и, возможно, будут некорректными) |
2 |
невозможность усиления связи между зависимой и объясняющими переменными |
|
3 |
невозможность применения бинарных переменных в регрессионном анализе |
|
4 |
невозможность рассчитать регрессию по МНК |
|
Среднеквадратичное отклонение случайной величины показывает
|
1 |
абсолютную величину разброса случайной величины вокруг ее среднего значения |
2 |
относительную величину разброса случайной величины вокруг ее среднего значения |
|
3 |
квадрат среднего отклонения случайной величины от ее математического ожидания |
|
4 |
среднее значение случайной величины |
|
Дисперсия случайной величины - это
|
1 |
мера отклонения случайной величины от ее математического ожидания |
2 |
квадрат математического ожидания случайной величины |
|
3 |
сумма квадратов всех значений случайной величины |
|
4 |
среднее значение дискретной случайной величины |
|
Какая функция Excel позволяет рассчитать дисперсию генеральной совокупности значений случайной величины?
|
1 |
ДИСПР |
2 |
СТАНДОТКЛОН |
|
3 |
ДИСП |
|
4 |
в Excel нет такой функции |
|
Коэффициент корреляции является
|
1 |
мерой тесноты линейной связи между исследуемыми переменными |
2 |
показателем отклонения ковариации от среднего значения |
|
3 |
центрированным коэффициентом ковариации |
|
4 |
средним значением многомерной случайной величины |
|
Функция, описывающая корреляционную зависимость между х и у, называется
|
1 |
регрессией у на х |
2 |
корреляционной функцией f(x,y) |
|
3 |
корреляционным полем |
|
4 |
регрессией х на у |
|
Для оценки формы связи между переменными служит
|
1 |
уравнение регрессии |
2 |
значения дисперсий исследуемых переменных |
|
3 |
коэффициент корреляции |
|
4 |
сумма квадратов отклонений реальных значений переменных от расчетных |
|
Экзогенная переменная уравнения регрессии - это
|
1 |
независимая переменная |
2 |
зависимая переменная |
|
3 |
бинарная переменная |
|
4 |
свободный член уравнения |
|
Для выявления значимости коэффициентов регрессии используется
|
1 |
процедура проверки статистических нуль-гипотез |
2 |
метод Хилдрета-Лу |
|
3 |
таблица величин стандартных остатков |
|
4 |
значение нормированного коэффициента детерминации |
|
В уравнении y = a + bx незначимость коэффициента регрессии b означает, что
|
1 |
влияние переменной х на переменную у отсутствует |
2 |
влияние переменной у на коэффициент b отсутствует |
|
3 |
влияние коэффициента b на переменную х отсутствует |
|
4 |
влияние переменной х на коэффициент b отсутствует |
|
В уравнении y = a + bx незначимость Y-пересечения означает, что
|
1 |
в уравнении регрессии отсутствует константа |
2 |
влияние переменной х на переменную у отсутствует |
|
3 |
a + bx равно нулю |
|
4 |
статистические данные по у недостоверны |
|
Сколько условий обязательно должно выполняться для признания регрессионной модели качественной?
|
1 |
три |
2 |
четыре |
|
3 |
восемь |
|
4 |
семь |
|
В каком случае коэффициент корреляции может быть не достоверен?
|
1 |
в случае нерепрезентативности выборки |
2 |
в случае, если его величина меньше 0,7 |
|
3 |
в случае, если он отрицателен |
|
4 |
в случае, если единицы измерения переменных Х и Y различны |
|
Как связаны между собой коэффициенты корреляции и детерминации?
|
1 |
коэффициент детерминации – это квадрат коэффициента корреляции |
2 |
коэффициент корреляции – это квадрат коэффициента детерминации |
|
3 |
никак |
|
4 |
коэффициент детерминации – это корень квадратный из коэффициента корреляции |
|
Если модуль стандартизованного остатка наблюдения больше 2, это значит |
1 |
что наблюдение является статистическим выбросом |
2 |
наблюдение лежит на линии регрессии |
|
3 |
наблюдение близко расположено к линии регрессии |
|
4 |
нельзя применять метод наименьших квадратов |