ЭКОНОМЕТРИКА
ТЕСТОВЫЕ ЗАДАНИЯ
Составитель /Д.Ю. Сулейманова/
«___»______________2012 г.
Тестовые задания обсуждены на заседании кафедры инженерно-технических дисциплин и сервиса «__» ________ 2012 г. протокол __
Заведующий кафедрой /А.М. Мухаметшин/
СОГЛАСОВАНО
Начальник отдела
менеджмента качества /Д.Н. Алюшева/
ПАСПОРТ
| № | Наименование пункта | Значение |
| 1. | Кафедра | Инженерно – технические дисциплины и сервис |
| 2. | Автор – разработчик | Сулейманова Д.Ю. к.ф.-м.н., доцент |
| 3. | Наименование дисциплины | Эконометрика |
| 4. | Общая трудоемкость по учебному плану | |
| 5. | Вид контроля (нужное подчеркнуть) | Предварительный (входной), текущий, промежуточный |
| 6. | Для направления(й) подготовки | 080100 «Экономика» 080200 «Менеджмент» |
| 7. | Количество тестовых заданий всего по дисциплине, из них | |
| 8. | Количество заданий при тестировании студента | |
| 9. | Из них правильных ответов (в %): | |
| 10. | для оценки «отлично» | 85 % и больше |
| 11. | для оценки «хорошо» | 70 % - 84% |
| 12. | для оценки «удовлетворительно» | 50% - 69% |
| или для получения оценки «зачёт» не менее | - | |
| 13. | Время тестирования (в минутах) |
Содержание
1. Понятие эконометрики
2. Линейная модель множественной регрессии
3. Метод наименьших квадратов (МНК)
4. Оценка качества эконометрической модели
5. Нелинейные модели регрессии
6. Характеристики временных рядов
7. Система линейных одновременных уравнений
V1: Понятие эконометрики
S: Эконометрика – это …
+: наука, которая дает количественное выражение взаимосвязей экономических явлений и процессов
-: раздел экономической теории, связанный с анализом статистической информации
-: специальный раздел математики, посвященный анализу экономической информации
-: наука, которая осуществляет качественный анализ взаимосвязей экономических явлений и процессов
I:
S: Термин эконометрика был введен:
+: Фришем
-: Марковым
-: Тинбергеном
-: Фишером
I:
S: Значения экономических параметров, характеризующих различные экономические объекты в данный или один и тот же момент времени принято называть:
+: пространственными данными
-: временными данными или рядами
I:
S: Значения экономических параметров, характеризующих один и тот же экономический объект в различные моменты времени принято называть:
-: пространственными данными
+: временными данными или рядами
I:
S: Внешние по отношению к рассматриваемой экономической модели переменные называются:
-: эндогенные
+: экзогенные
-: лаговые
-: интерактивные
I:
S: Переменные, значения которых формируются внутри самой модели и являются объясняемыми, называются:
+: эндогенными
-: экзогенными
-: лаговыми
-: предопределенными
I:
S: Переменные, значения которых датированы предыдущими моментами времени, называются:
-: эндогенными
-: экзогенными
+: лаговыми
-: предопределенными
I:
S: Переменные, значения которых известны к моменту моделирования, называются:
-: эндогенными
-: экзогенными
-: лаговыми
+: предопределенными
I:
S: К классу предопределенных переменных не относят:
-: лаговые эндогенные
-: лаговые экзогенные
+: текущие эндогенные
-: текущие экзогенные
I:
S: Выберите правильную последовательность.
Этапы построения эконометрической модели:
1) оценка параметров модели (параметризация)
2) спецификация модели (выбор формы модели)
3) проверка адекватности модели
4) сбор статистической информации об объекте исследования
+: 2,4,1,3
-: 1,2,3,4
-: 2,4,3,1
-: 3,2,4,1
I:
S: Под верификацией модели понимается:
-: спецификация модели (выбор формы модели)
-: оценка параметров модели (параметризация)
-: сбор статистической информации об объекте исследования
+: проверка адекватности модели
I:
S: Под параметризацией (настройкой) модели понимается:
-: спецификация модели
+: оценка параметров модели
-: сбор статистической информации об объекте исследования
-: проверка адекватности модели
I:
S: Выбор списка переменных модели и типа взаимосвязи между ними выполняется на этапе:
+: спецификации
-: оценки параметров
-: сбора статистической информации об объекте исследования
-: проверка адекватности
I:
S: Статистический анализ модели (статистическое оценивание её параметров) относится к этапу:
-: априорному
-: информационному
+: идентификации
-: верификации
I:
S: Метод наименьших квадратов может применяться в случае
-: только парной регрессии
-: только множественной регрессии
+: нелинейной и линейной множественной регрессии
-: коллинеарной регрессии
I:
S: Метод наименьших квадратов используется для оценивания
+: параметров линейной регрессии
-: величины коэффициента корреляции
-: величины коэффициента детерминации
-: средней ошибки аппроксимации
S: Эконометрика – это …
+: наука, которая дает количественное выражение взаимосвязей экономических явлений и процессов
-: раздел экономической теории, связанный с анализом статистической информации
-: специальный раздел математики, посвященный анализу экономической информации
-: наука, которая осуществляет качественный анализ взаимосвязей экономических явлений и процессов
I:
S: Термин эконометрика был введен:
+: Фришем
-: Марковым
-: Тинбергеном
-: Фишером
I:
S: Значения экономических параметров, характеризующих различные экономические объекты в данный или один и тот же момент времени принято называть:
+: пространственными данными
-: временными данными или рядами
I:
S: Значения экономических параметров, характеризующих один и тот же экономический объект в различные моменты времени принято называть:
-: пространственными данными
+: временными данными или рядами
I:
S: Внешние по отношению к рассматриваемой экономической модели переменные называются:
-: эндогенные
+: экзогенные
-: лаговые
-: интерактивные
I:
S: Переменные, значения которых формируются внутри самой модели и являются объясняемыми, называются:
+: эндогенными
-: экзогенными
-: лаговыми
-: предопределенными
I:
S: Переменные, значения которых датированы предыдущими моментами времени, называются:
-: эндогенными
-: экзогенными
+: лаговыми
-: предопределенными
I:
S: Переменные, значения которых известны к моменту моделирования, называются:
-: эндогенными
-: экзогенными
-: лаговыми
+: предопределенными
I:
S: К классу предопределенных переменных не относят:
-: лаговые эндогенные
-: лаговые экзогенные
+: текущие эндогенные
-: текущие экзогенные
I:
S: Выберите правильную последовательность.
Этапы построения эконометрической модели:
5) оценка параметров модели (параметризация)
6) спецификация модели (выбор формы модели)
7) проверка адекватности модели
8) сбор статистической информации об объекте исследования
+: 2,4,1,3
-: 1,2,3,4
-: 2,4,3,1
-: 3,2,4,1
I:
S: Под верификацией модели понимается:
-: спецификация модели (выбор формы модели)
-: оценка параметров модели (параметризация)
-: сбор статистической информации об объекте исследования
+: проверка адекватности модели
I:
S: Под параметризацией (настройкой) модели понимается:
-: спецификация модели
+: оценка параметров модели
-: сбор статистической информации об объекте исследования
-: проверка адекватности модели
I:
S: Выбор списка переменных модели и типа взаимосвязи между ними выполняется на этапе:
+: спецификации
-: оценки параметров
-: сбора статистической информации об объекте исследования
-: проверка адекватности
I:
S: Статистический анализ модели (статистическое оценивание её параметров) относится к этапу:
-: априорному
-: информационному
+: идентификации
-: верификации
V2: Линейная модель множественной регрессии
I:
S: Параметры модели линейной парной регрессии y=a+b×x могут быть найдены
-: методом скользящей средней
+: методом наименьших квадратов
-: методом аналитического выравнивания
I:
S: Модель линейной парной регрессии имеет вид y=-5.79+36.84×x, коэффициент регрессии в такой модели равен:
-: -5.79
+: 36.84
-: 0.6
I:
S: Модель линейной парной регрессии имеет вид y=1.9+0.65×x, коэффициент регрессии в такой модели равен:
-: 1.9
+: 0.65
-: 0.55
I:
S: Модель линейной парной регрессии имеет вид y=3.4+2.986×x, коэффициент регрессии в такой модели равен:
-: 3.4
+: 2.986
-: 0.986
I:
S: Величина коэффициента регрессии показывает …
+: среднее изменение результата при изменении фактора на одну единицу
-: характер связи между фактором и результатом
-: тесноту связи между фактором и результатом
-: тесноту связи между исследуемыми факторами
I:
S: В зависимости от типа взаимосвязи между эндогенной переменной и экзогенной регрессионные модели подразделяются на:
+: линейные и нелинейные
-: парные и множественные
I:
S: В зависимости от количества экзогенных переменных в модели их подразделяются на:
-: линейные и нелинейные
+: парные и множественные
-: статические и динамические
-: стационарные и нестационарные
I:
S: Выбрать правильный ответ.
Независимые переменные в регрессионных моделях называются:
-: откликами
-: возмущениями
+: регрессорами
-: остатком
I:
S: Оценка случайного возмущения называется:
+: остатком
-: откликом
-: регрессором
I:
S: Выбрать правильный ответ.
Уравнение линейной парной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, может иметь вид:
+: Y=a+bX
-: Y=a+bX2
-: Y=a+b1X1+b2X2
I:
S: Уравнение линейной парной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, не может иметь вид:
-:Y=a+bX
+: Y=a+bX2
-: Y= bX
I:
S: Уравнение линейной парной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, может иметь вид:
-: Y=a+bX2
+: Y=a+bX
-: Y=a+b1X1+b2X2
-: Y=a+ b/X
I:
S: Уравнение линейной парной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, не может иметь вид:
+: Y=a+bX2
-: Y=a+bX
-: Y= bX
I:
S: Какое из уравнений соответствует уравнению модели линейной парной регрессии?
+: y=a+bx
-: y=a+b1x1+b2x2+e
-: y=a+b/x+e
-: y=a+b1x+b2x2+e
I:
S: Примером линейной зависимости экономических показателей является
-: классическая гиперболическая зависимость спроса от цены
+: зависимость зарплаты рабочего от его выработки при сдельной оплате труда
-: зависимость объема продаж от недели реализации
I:
S: Примером линейной зависимости экономических показателей является
+: зависимость стоимости квартиры от ее площади
-: зависимость зарплаты рабочего от номера месяца в течение года
-:зависимость объема продаж от недели реализации
I:
S: Уравнение линейной множественной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, может иметь вид:
-: Y=a+bX
-: Y=a+bX2
+: Y=a+b1X1+b2X2
-: Y= bX
I:
S: Уравнение линейной множественной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, не может иметь вид:
+: Y=a+b1X12+b2X23
-: Y=a+b1X1+b2X2
-: Y=a+b1X1+b2X2+b3X3
I:
S: Какое из уравнений соответствует модели линейной множественной регрессии?
-: y=a+bx
+: y=a+b1x1+b2x2+e
-: y=a+b1x+b2x2+e
I:
S: Какие из уравнений не соответствуют модели линейной множественной регрессии?
-: y= a+b1x1+b2x2+b3x3+e
-: y=a+b1x1+b2x2+e
+: y=a+b1x+b2x2+e
I:
S: Нелинейным является уравнение регрессии нелинейное относительно входящих в него
+: переменных(факторов)
-: результатов
-: параметров
-: случайных величин
I:
S: Примером нелинейной зависимости экономических показателей является
+: классическая гиперболическая зависимость спроса от цены
-: линейная зависимость выручки от величины оборотных средств
-: зависимость объема продаж от недели реализации
-: линейная зависимость затрат на производство от объема выпуска продукции
I:
S: Линеаризация нелинейной модели регрессии может быть достигнута:
-: отбрасыванием нелинейных переменных
-: перекрестной суперпозицией переменных
+: преобразованием анализируемых переменных
-: сглаживанием переменных
I:
S: При помощи какого математического преобразования можно выполнить линеаризацию модели y=a+b×x3:
-: путем дифференцирования
-: путем логарифмирования
+: путем замены переменных
-: путем потенцирования
I:
S: При помощи какого математического преобразования можно выполнить линеаризацию модели y=a+b×lnx:
-: путем дифференцирования
-: путем логарифмирования
+: путем замены переменных
-: путем потенцирования
I:
S: При помощи какого математического преобразования можно выполнить линеаризацию модели y=a+b/x:
-: путем дифференцирования
-: путем логарифмирования
+: путем замены переменных
-: путем потенцирования
I:
S: При помощи какого математического преобразования можно выполнить линеаризацию модели y=а×bx
-: путем дифференцирования
+: путем логарифмирования
-: путем замены переменных
-: путем потенцирования
I:
S: При помощи какого математического преобразования можно выполнить линеаризацию модели y= а×xb:
-: путем дифференцирования
+: путем логарифмирования
-: путем замены переменных
-: путем потенцирования
I:
S: При помощи какого математического преобразования можно выполнить линеаризацию модели y=а×ebx:
-: путем дифференцирования
+: путем логарифмирования
-: путем замены переменных
-: путем потенцирования
I:
S: К линейному уравнению нельзя привести следующий вид модели
+: y=a+bxC
-: y=a+b1x1+b2x2+e
-: y=a+b/x+e
-: y=a+b1x+b2x2+e
I:
S: Теснота статистической связи между переменной у и объясняющими переменными Х измеряется:
-: t-критерием Стьюдента
-: коэффициентом детерминации
+: коэффициентом корреляции
-: F-критерием Фишера
I:
S: Коэффициент парной линейной корреляции характеризует:
+: тесноту линейной связи между двумя переменными
-: тесноту нелинейной связи между двумя переменными
-: тесноту линейной связи между несколькими переменными
-: тесноту нелинейной связи между несколькими переменными
I:
S: Корреляция подразумевает наличие связи между
+: переменными
-: параметрами
-: случайными факторами
-: результатом и случайными факторами
I:
 |
S:
 |
Коэффициент корреляции для модели линейной парной регрессии может быть рассчитан по формуле:
-:
 |
-: R=(rxy)2
+:
I:
S: Линейный коэффициент корреляции rxy может принимать значения в диапазоне:
-: (-1; 1)
-: [0; 1]
+: [-1; 1]
-: [-1.1; 1]
I:
S: Линейный коэффициент корреляции rxy не может принимать значения в диапазоне:
+: (-2; 1)
-: [0; 1]
-:[-1; 1]
-: [-0.1; 1]
I:
S: Линейный коэффициент корреляяции rxy может принимать значения в диапазоне:
-: (-1; 1.1)
-: [0; 1.5]
-: [0; 2]
+: [-1; 1]
I:
S: Линейный коэффициент корреляции rxy может принимать значения в диапазоне:
-: [0; 1.5]
-: [0; 1.1]
+: [-1; 1]
-: [-0.5; 1.5]
I:
S: Линейный коэффициент корреляции rxy может принимать значения только в диапазоне:
-: [-1; 1.5]
-: [-1.1; 1]
-: [-1.1; 1]
+: [-1; 1]
I:
S: Линейный коэффициент корреляции rxy не может принимать значение равное:
-: 0.5
-: 0.99
-: -0.5
+: 1.2
I:
S: Линейный коэффициент корреляции rxy не может принимать значение равное:
-: 0.5
-: 0.99
+: 1.05
-: 1
I:
S: Линейный коэффициент корреляции rxy не может принимать значение равное:
-: 0.6
-: 0.01
+: -1.05
-: 1
I:
S: Линейный коэффициент корреляции rxy может принимать значение равное:
-: -1.1
+: 0.99
-: 1.05
-: 1.2
I:
S: Линейный коэффициент корреляции rxy может принимать значение равное:
-: -1.35
+: -0.99
-: 1.05
-: 1.001
I:
S: Корреляционная связь между переменными X и Y считается тесной, если коэффициент корреляции принимает следующие значения:
-: rxy=0;
-: 0<rxy£0.3
-: 0.3<rxy£0.7
+: 0.7<rxy<1
-: rxy=1
I:
S: Корреляционная связь между переменными X и Y считается умеренной, если коэффициент корреляции принимает следующие значения:
-: rxy=0;
-: 0<rxy£0.3
+: 0.3<rxy£0.7
-: 0.7<rxy<1
-: rxy=1
I:
S: Корреляционная связь между переменными X и Y считается слабой, если коэффициент корреляции принимает следующие значения:
-: rxy=0;
+: 0<rxy£0.3
-: 0.3<rxy£0.7
-: 0.7<rxy<1
-: rxy=1
I:
S: Корреляционная связь между переменными X и Y считается линейной функциональной, если коэффициент корреляции принимает следующие значения:
-: rxy=0;
-: 0<rxy£0.3
-: 0.3<rxy£0.7
-: 0.7<rxy<1
+: rxy=1
I:
S: Корреляционная связь между переменными X и Y отсутствует, если коэффициент корреляции принимает следующие значения:
-: rxy=0;
-: 0<rxy£0.3
-: 0.3<rxy£0.7
+: 0.7<rxy<1
-: rxy=1
I:
S: Коэффициент детерминации R является показателем
-: тесноты связи между переменными X и Y
+: качества построенной модели
-: адекватности модели исходным фактическим данным
-: статистической значимости модели
I:
S: Коэффициент детерминации рассчитывается для оценки качества
+: подбора уравнения регрессии
-: параметров уравнения регрессии
-: мультиколлинеарных факторов
-: факторов, не включенных в уравнение регрессии
I:
S: Качество построенной модели парной регрессии может быть измерено:
-: t-критерием Стьюдента
+: коэффициентом детерминации
-: коэффициентом корреляции
-: F-критерием Фишера
I:
S: Коэффициент детерминации для модели линейной парной регрессии может быть рассчитан по формуле:
-:
|
+: R=(rxy)2
I:
S: Линейный коэффициент детерминации R может принимать значения в диапазоне:
-: (-1; 1)
+: [0; 1]
-: [-1; 1]
-: [-1.1; 1]
I:
S: Линейный коэффициент детерминации R не может принимать значения в диапазоне:
+: (1; 1.5)
-: [0; 1]
-: [0; 0.99]
-: [0.1; 1]
I:
S: Линейный коэффициент детерминации R может принимать значения в диапазоне:
-: (-1; 1)
-: [0; 1.5]
+: [0; 1]
-: [-1.1; 1]
I:
S: Линейный коэффициент детерминации R может принимать значения в диапазоне:
+: [0; 1]
-: [0; 1.1]
-: [-1; 1]
-: [-0.5; 1]
I:
S: Линейный коэффициент детерминации R может принимать значения только в диапазоне:
-: [-1; 1]
-: [-1.1; 1]
-: [-1; 1]
+: [0; 1]
I:
S: Линейный коэффициент детерминации R не может принимать значение равное:
-: 0.5
-: 0.99
+: -0.5
-: 1
I:
S: Линейный коэффициент детерминации R не может принимать значение равное:
-: 0.5
-: 0.99
+: 1.05
-: 1
I:
S: Линейный коэффициент детерминации R не может принимать значение равное:
-: 0.6
-: 0.01
+: -1.05
-: 1
I:
S: Линейный коэффициент детерминации R может принимать только значение равное:
-: -0.5
+: 0.99
-: 1.05
-: 1.2
I:
S: Линейный коэффициент детерминации R может принимать только значение равное:
+: 0.35
-: -0.99
-: 1.05
-: 1.001
I:
S: Определить коэффициент детерминации линейной двухфакторной модели, если известно, что коэффициент корреляции rxy= -0.5
-: 0.5
+: 0.25
-: -0.5
-: -0.25
I:
S: Определить коэффициент детерминации линейной двухфакторной модели, если известно, что коэффициент корреляции rxy= -0.3
-: 0.3
+: 0.09
-: -0.3
-: -0.09
I:
S: Определить коэффициент детерминации линейной двухфакторной модели, если известно, что коэффициент корреляции rxy= -0.4
-: 0.4
+: 0.16
-: -0.4
-: -0.16
I:
S: Определить коэффициент детерминации линейной двухфакторной модели, если известно, что коэффициент корреляции rxy= -0.25
+: 0.0625
-: -0.625
-: 0.5
-: -0.25
I:
S: Определить коэффициент детерминации линейной двухфакторной модели, если известно, что коэффициент корреляции rxy= -0.6
+: 0.36
-: -0.36
-: 0.6
-: -0.24
I:
S: Определить коэффициент детерминации линейной двухфакторной модели, если известно, что коэффициент корреляции rxy= -0.7
-: 0.07
-: -0.49
+: 0.49
-: -0.7
I:
S: Определить коэффициент детерминации линейной двухфакторной модели, если известно, что коэффициент корреляции rxy= 0.7
-: 0.07
-: -0.49
+: 0.49
-: -0.7
I:
S: Определить коэффициент детерминации линейной двухфакторной модели, если известно, что коэффициент корреляции rxy= 0.8
+: 0.64
-: -0.64
-: 0.8
-: -0.8
I:
S: Определить коэффициент детерминации линейной двухфакторной модели, если известно, что коэффициент корреляции rxy= 0.9
-: -0.81
+: 0.81
-: 0.9
-: -0.9
I:
S: Определить коэффициент детерминации линейной двухфакторной модели, если известно, что коэффициент корреляции rxy= 0.65
-: -0.65
-: 0.65
+: 0.4225
-: -0.125
I:
S: Тенденция (Тренд) временного ряда характеризует совокупность факторов,
+: оказывающих долговременное влияние и формирующих общую динамику изучаемого показателя
-: оказывающих сезонное воздействие
-: оказывающих единовременное влияние
-: не оказывающих влияние на уровень ряда
I:
S: Плавно меняющаяся компонента временного ряда, отражающая влияние на экономические показатели долговременных факторов, называется:
+: трендом
-: сезонной компонентой
-: циклической компонентой
-: случайной компонентой
I:
S: Компонента временного ряда, которая отражает колебания экономических показателей с периодом равным одному году, называется:
-: трендом
+: сезонной компонентой
-: циклической компонентой
-: случайной компонентой
I:
S: Компонента временного ряда, которая отражает колебания экономических показателей с периодами длиной в несколько лет, называется:
-: трендом
-: сезонной компонентой
+: циклической компонентой
-: случайной компонентой
I:
S: Компонента временного ряда, которая отражает влияние не поддающихся учету и регистрации случайных факторов, называется:
-: трендом
-: сезонной компонентой
-: циклической компонентой
+: случайной компонентой
I:
S: Временной ряд называется стационарным, если
+: среднее значение членов ряда постоянно
-: члены ряда образуют арифметическую прогрессию
-: члены ряда образуют геометрическую прогрессию
-: среднее значение членов ряда постоянно растет
I:
S: Временной ряд является нестационарным, если:
-: среднее значение его членов постоянно
-: его случайная составляющая зависит от времени
-: его члены не зависят от времени
+: его неслучайная составляющая зависит от времени
I:
S: В стационарном временном ряде трендовая компонента
+: отсутствует+
-: присутствует
-: имеет линейную зависимость от времени
-: имеет нелинейную зависимость от времени
I:
S: В аддитивной модели временного ряда его основные компоненты
-: перемножаются
-: логарифмируются
+: складываются
-: закономерные компоненты перемножаются, а случайная - складывается
I:
S: В мультипликативной модели временного ряда его основные компоненты
-: логарифмируются
+: перемножаются
-: складываются
-: закономерные компоненты перемножаются, а случайная - складывается
I:
S: В мультипликативно-аддитивной модели временного ряда его основные компоненты
-: логарифмируются
-: перемножаются
-: складываются
+: закономерные компоненты перемножаются, а случайная - складывается;
I:
S: Временной ряд записан в следующем виде: Y=T+S+C+E, выберите вид соответствующей модели:
-: регрессионная модель
-: мультипликативная модель
-: мультипликативно-аддитивная модель
+: аддитивная модель
I:
S: Временной ряд записан в следующем виде: Y=T×S×C×E, выберите вид соответствующей модели:
-: регрессионная модель
+: мультипликативная модель
-: мультипликативно-аддитивная модель
-: аддитивная модель
I:
S: Временной ряд записан в следующем виде: Y=T×S×C+E, выберите вид соответствующей модели:
-: регрессионная модель
-: мультипликативная модель
+: мультипликативно-аддитивная модель
-: аддитивная модель
I:
S: Какой из методов используется при вычислении сезонной компоненты временного ряда:
-: метод укрупнения интервалов
+: метод скользящей средней
-: метод экспоненциального сглаживания
I:
S: Какие методы используются при моделировании тренда временного ряда?
+: метод укрупнения интервалов
+: метод скользящей средней
+: метод аналитического выравнивания
-: графический метод
I:
S: Какой метод не используется при моделировании тренда временного ряда?
-: метод укрупнения интервалов
-: метод скользящей средней
-: метод аналитического выравнивания
+: графический метод
I:
S: Система одновременных уравнений может быть записана в виде:
+: структурной формы
-: функциональной формы
+: приведенной формы
-: обобщенной формы
I:
S: Набор взаимосвязанных регрессионных моделей, в которых одни и те же переменные могут одновременно быть эндогенными в одних уравнениях и экзогенными в других уравнениях называется:
-: системой рекурсивных уравнений
-: системой независимых уравнений
+: системой одновременных уравнений
-: системой уравнений с фиксированным набором факторов
I:
S: Система уравнений, в которой каждая зависимая переменная (уj) рассматривается как функция одного и того же набора факторов (хi), при этом каждое уравнение системы может рассматриваться самостоятельно, называется:
-: системой рекурсивных уравнений
+: системой независимых уравнений
-: системой одновременных уравнений
-: системой уравнений с фиксированным набором факторов
I:
S: Система уравнений, в которой зависимая переменная у включает в каждое последующее уравнение в качестве факторов все зависимые переменные из предшествующих уравнений наряду с набором собственных факторов х. (Каждое уравнение этой системы можно рассматривать самостоятельно, каждая зависимая переменная (уj) рассматривается как функция одного и того же набора факторов (хi)) называется:
+: системой рекурсивных уравнений
-: системой независимых уравнений
-: системой одновременных уравнений
-: системой уравнений с фиксированным набором факторов
I:
S: Система уравнений, в которой одни и те же зависимые переменные в одних уравнениях входят в левую часть, а в других уравнениях – в правую часть системы:
-: системой рекурсивных уравнений
-: системой независимых уравнений
+: системой одновременных уравнений
-: системой уравнений с фиксированным набором факторов
I:
S: Форма записи эконометрической модели в виде:
y1=d11x1+d12x2+e1
y2=d21x1+d22x2+e2
называется
-: структурной формой
+: приведенной формой
-: редуцированной формой
-: нормальной формой
I:
S: В правой части приведенной формы системы одновременных уравнений могут стоять только…….. переменные
+: экзогенные
-: лаговые
-: эндогенные
-: нелаговые
I:
S: Форма записи эконометрической модели в виде:
y1=a11x1+ a12x2+b12y2+e1
y2= a21x1+ a22x2+b21y1+e2
называется
+: структурной формой;+
-: приведенной формой;
-: редуцированной формой;
-: нормальной формой;
I:
S: В левой части структурной формы системы одновременных уравнений могут стоять только…….. переменные
-: экзогенные
-: лаговые
+: эндогенные
-: нелаговые
I:
S: Ниже приводится макроэкономическая модель:
Функция потребления: Ct=a0 +a1Yt+a2Yt-1 +u1
Функция инвестиций: It= b0+b1Yt+u2
Тождество дохода: Yt=Ct+It+Gt,
где Ct, - расходы на конечное потребление в период t;
Yt, Yt-1 – доход в годы t и t-1;
It- валовые инвестиций в году t;
Gt – государственные расходы году t;
u1, u2 – случайные ошибки.
Определить количество эндогенных (зависимых) переменных в модели:
-: 2;
+: 3;+
-: 4;
-: 7;
I:
S: Ниже приводится макроэкономическая модель:
Функция потребления: Ct=a0 +a1Yt+a2Yt-1 +u1
Функция инвестиций: It= b0+b1Yt+u2
Тождество дохода: Yt=Ct+It+Gt,
где Ct, - расходы на конечное потребление в период t;
Yt, Yt-1 – доход в годы t и t-1;
It- валовые инвестиций в году t;
Gt – государственные расходы году t;
u1, u2 – случайные ошибки.
Определить количество экзогенных (независимых) переменных в модели:
+: 2
-: 3
-: 4
-: 7
I:
S: Ниже приводится макроэкономическая модель:
Функция денежного рынка: Rt=a0 +a1Yt+a2Mt +u1
Функция товарного рынка: Yt= b0+b1Rt+ b2Gt +u2
Функция инвестиций: It= c0+c1Rt + u3,
где Rt – процентная ставка в период t;
Yt – реальный валовый национальный доход в период t;
It- внутренние инвестиции в году t;
Mt- денежная масса в период t;
Gt – государственные расходы году t;
u1, u2, u3– случайные ошибки.
Определить количество эндогенных (зависимых) переменных в модели:
-: 2
+: 3
-: 4
-: 7
I:
S: Ниже приводится макроэкономическая модель:
Функция денежного рынка: Rt=a0 +a1Yt+a2Mt +u1
Функция товарного рынка: Yt= b0+b1Rt+ b2Gt +u2
Функция инвестиций: It= c0+c1Rt + u3,
где Rt – процентная ставка в период t;
Yt – реальный валовый национальный доход в период t;
It- внутренние инвестиции в году t;
Mt- денежная масса в период t;
Gt – государственные расходы году t;
u1, u2, u3– случайные ошибки.
Определить количество экзогенных (независимых) переменных в модели:
+: 2
-: 3
-: 4
-: 7
I:
S: Ниже приводится макроэкономическая модель, характеризующая спрос на продукцию:
Qt=a0 +a1Yt +u1
Ct= b0+b1Yt +u2
It=c0+c1(Yt-1-Kt-1)+u3
Yt=Ct+It
Kt=Kt-1+It
где Qt –реализованная продукция в период t;
Yt, Yt-1 –валовая добавленная стоимость в периоды t и t-1;
It – валовые инвестиции в регион в году t;
Kt, Kt-1 – реальный запас капитала в регионе на конец периода t и t-1;
u1, u2, u3, – случайные ошибки
Определить количество эндогенных (зависимых) переменных в модели:
-: 3
-: 4
+: 5
-: 7
I:
S: Ниже приводится макроэкономическая модель, характеризующая спрос на продукцию:
Qt=a0 +a1Yt +u1
Ct= b0+b1Yt +u2
It=c0+c1(Yt-1-Kt-1)+u3
Yt=Ct+It
Kt=Kt-1+It
где Qt –реализованная продукция в период t;
Yt, Yt-1 –валовая добавленная стоимость в периоды t и t-1;
It – валовые инвестиции в регион в году t;
Kt, Kt-1 – реальный запас капитала в регионе на конец периода t и t-1;
u1, u2, u3, – случайные ошибки
Определить количество экзогенных (независимых) переменных в модели:
-: 7
-: 4
-: 5
+: 2
I:
S: Ниже приводится макроэкономическая модель спроса и предложения кейнсианского типа:
QtS=a0 +a1Pt + a2Pt-1 +u1 (предложение)
Qtd= b0+b1Pt + b2Pt + b3Yt +u2 (спрос)
QtS=Qtd (тождество)
где Qtd –спрос на товар в период t;
QtS предложение товара в момент t;
Рt –цена товара в моменты t и t-1;
Уt –доход в момент t;
u1, u2– случайные ошибки.
Определить количество эндогенных (зависимых) переменных в модели:
+: 2
-: 4
-: 5
-: 7
I:
S: Ниже приводится макроэкономическая модель спроса и предложения кейнсианского типа:
QtS=a0 +a1Pt + a2Pt-1 +u1 (предложение)
Qtd= b0+b1Pt + b2Pt + b3Yt +u2 (спрос)
QtS=Qtd (тождество)
где Qtd –спрос на товар в период t;
QtS предложение товара в момент t;
Рt –цена товара в моменты t и t-1;
Уt –доход в момент t;
u1, u2– случайные ошибки.
Определить количество экзогенных (независимых) переменных в модели:
+: 2
-: 4
-: 5
-: 7
I:
S: Ниже приводится макроэкономическая модель, характеризующая денежный рынок:
Rt=a1 +b11Mt + b12Yt +u1
Ct= a2+b21Rt + b22It +u2,
где Rt –процентная ставка в период t;
Yt –ВВП в период t;
М – денежная масса,
It – внутренние инвестиции году t;
u1, u2, u3, – случайные ошибки.
Определить количество эндогенных (зависимых) переменных в модели:
+: 2
-: 4
-: 5
-: 7
I:
S: Ниже приводится макроэкономическая модель, характеризующая денежный рынок:
Rt=a1 +b11Mt + b12Yt +u1
Ct= a2+b21Rt + b22It +u2,
где Rt –процентная ставка в период t;
Yt –ВВП в период t;
М – денежная масса,
It – внутренние инвестиции году t;
u1, u2, u3, – случайные ошибки.
Определить количество экзогенных (независимых) переменных в модели:
-: 2
-: 4
-: 5
+: 3
V3: Метод наименьших квадратов (МНК)
I:
S: Метод наименьших квадратов может применяться в случае
-: только парной регрессии
-: только множественной регрессии
+: нелинейной и линейной множественной регрессии
-: коллинеарной регрессии
I:
S: Метод наименьших квадратов используется для оценивания
+: параметров линейной регрессии
-: величины коэффициента корреляции
-: величины коэффициента детерминации
-: средней ошибки аппроксимации
I:
S: Параметры модели линейной парной регрессии y=a+b×x могут быть найдены
-: методом скользящей средней
+: методом наименьших квадратов
-: методом аналитического выравнивания
I:
S: Модель линейной парной регрессии имеет вид y=-5.79+36.84×x, коэффициент регрессии в такой модели равен:
-: -5.79
+: 36.84
-: 0.6
I:
S: Модель линейной парной регрессии имеет вид y=1.9+0.65×x, коэффициент регрессии в такой модели равен:
-: 1.9
+: 0.65
-: 0.55
I:
S: Модель линейной парной регрессии имеет вид y=3.4+2.986×x, коэффициент регрессии в такой модели равен:
-: 3.4
+: 2.986
-: 0.986
I:
S: Величина коэффициента регрессии показывает …
+: среднее изменение результата при изменении фактора на одну единицу
-: характер связи между фактором и результатом
-: тесноту связи между фактором и результатом
-: тесноту связи между исследуемыми факторами
I:
S: В зависимости от типа взаимосвязи между эндогенной переменной и экзогенной регрессионные модели подразделяются на:
+: линейные и нелинейные
-: парные и множественные
I:
S: В зависимости от количества экзогенных переменных в модели их подразделяются на:
-: линейные и нелинейные
+: парные и множественные
-: статические и динамические
-: стационарные и нестационарные
I:
S: Выбрать правильный ответ.
Независимые переменные в регрессионных моделях называются:
-: откликами
-: возмущениями
+: регрессорами
-: остатком
I:
S: Оценка случайного возмущения называется:
+: остатком
-: откликом
-: регрессором
I:
S: Выбрать правильный ответ.
Уравнение линейной парной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, может иметь вид:
+: Y=a+bX
-: Y=a+bX2
-: Y=a+b1X1+b2X2
I:
S: Уравнение линейной парной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, не может иметь вид:
-:Y=a+bX
+: Y=a+bX2
-: Y= bX
I:
S: Уравнение линейной парной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, может иметь вид:
-: Y=a+bX2
+: Y=a+bX
-: Y=a+b1X1+b2X2
-: Y=a+ b/X
I:
S: Уравнение линейной парной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, не может иметь вид:
+: Y=a+bX2
-: Y=a+bX
-: Y= bX
I:
S: Какое из уравнений соответствует уравнению модели линейной парной регрессии?
+: y=a+bx
-: y=a+b1x1+b2x2+e
-: y=a+b/x+e
-: y=a+b1x+b2x2+e
I:
S: Примером линейной зависимости экономических показателей является
-: классическая гиперболическая зависимость спроса от цены
+: зависимость зарплаты рабочего от его выработки при сдельной оплате труда
-: зависимость объема продаж от недели реализации
I:
S: Примером линейной зависимости экономических показателей является
+: зависимость стоимости квартиры от ее площади
-: зависимость зарплаты рабочего от номера месяца в течение года
-:зависимость объема продаж от недели реализации
V2: Модель линейной множественной регрессии
I:
S: Уравнение линейной множественной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, может иметь вид:
-: Y=a+bX
-: Y=a+bX2
+: Y=a+b1X1+b2X2
-: Y= bX
I:
S: Уравнение линейной множественной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, не может иметь вид:
+: Y=a+b1X12+b2X23
-: Y=a+b1X1+b2X2
-: Y=a+b1X1+b2X2+b3X3
I:
S: Какое из уравнений соответствует модели линейной множественной регрессии?
-: y=a+bx
+: y=a+b1x1+b2x2+e
-: y=a+b1x+b2x2+e
I:
S: Какие из уравнений не соответствуют модели линейной множественной регрессии?
-: y= a+b1x1+b2x2+b3x3+e
-: y=a+b1x1+b2x2+e
+: y=a+b1x+b2x2+e
I:
S: Нелинейным является уравнение регрессии нелинейное относительно входящих в него
+: переменных(факторов)
-: результатов
-: параметров
-: случайных величин
I:
S: Примером нелинейной зависимости экономических показателей является
+: классическая гиперболическая зависимость спроса от цены
-: линейная зависимость выручки от величины оборотных средств
-: зависимость объема продаж от недели реализации
-: линейная зависимость затрат на производство от объема выпуска продукции
I:
S: Линеаризация нелинейной модели регрессии может быть достигнута:
-: отбрасыванием нелинейных переменных
-: перекрестной суперпозицией переменных
+: преобразованием анализируемых переменных
-: сглаживанием переменных
I:
S: При помощи какого математического преобразования можно выполнить линеаризацию модели y=a+b×x3:
-: путем дифференцирования
-: путем логарифмирования
+: путем замены переменных
-: путем потенцирования
I:
S: При помощи какого математического преобразования можно выполнить линеаризацию модели y=a+b×lnx:
-: путем дифференцирования
-: путем логарифмирования
+: путем замены переменных
-: путем потенцирования
I:
S: При помощи какого математического преобразования можно выполнить линеаризацию модели y=a+b/x:
-: путем дифференцирования
-: путем логарифмирования
+: путем замены переменных
-: путем потенцирования
I:
S: При помощи какого математического преобразования можно выполнить линеаризацию модели y=а×bx
-: путем дифференцирования
+: путем логарифмирования
-: путем замены переменных
-: путем потенцирования
I:
S: При помощи какого математического преобразования можно выполнить линеаризацию модели y= а×xb:
-: путем дифференцирования
+: путем логарифмирования
-: путем замены переменных
-: путем потенцирования
I:
S: При помощи какого математического преобразования можно выполнить линеаризацию модели y=а×ebx:
-: путем дифференцирования
+: путем логарифмирования
-: путем замены переменных
-: путем потенцирования
I:
S: К линейному уравнению нельзя привести следующий вид модели
+: y=a+bxC
-: y=a+b1x1+b2x2+e
-: y=a+b/x+e
-: y=a+b1x+b2x2+e
I:
S: Теснота статистической связи между переменной у и объясняющими переменными Х измеряется:
-: t-критерием Стьюдента
-: коэффициентом детерминации
+: коэффициентом корреляции
-: F-критерием Фишера
I:
S: Коэффициент парной линейной корреляции характеризует:
+: тесноту линейной связи между двумя переменными
-: тесноту нелинейной связи между двумя переменными
-: тесноту линейной связи между несколькими переменными
-: тесноту нелинейной связи между несколькими переменными
I:
S: Корреляция подразумевает наличие связи между
+: переменными
-: параметрами
-: случайными факторами
-: результатом и случайными факторами
I:
|
S:
|
Коэффициент корреляции для модели линейной парной регрессии может быть рассчитан по формуле:
-:
|
-: R=(rxy)2
+:
I:
S: Линейный коэффициент корреляции rxy может принимать значения в диапазоне:
-: (-1; 1)
-: [0; 1]
+: [-1; 1]
-: [-1.1; 1]
I:
S: Линейный коэффициент корреляции rxy не может принимать значения в диапазоне:
+: (-2; 1)
-: [0; 1]
-:[-1; 1]
-: [-0.1; 1]
I:
S: Линейный коэффициент корреляяции rxy может принимать значения в диапазоне:
-: (-1; 1.1)
-: [0; 1.5]
-: [0; 2]
+: [-1; 1]
I:
S: Линейный коэффициент корреляции rxy может принимать значения в диапазоне:
-: [0; 1.5]
-: [0; 1.1]
+: [-1; 1]
-: [-0.5; 1.5]
I:
S: Линейный коэффициент корреляции rxy может принимать значения только в диапазоне:
-: [-1; 1.5]
-: [-1.1; 1]
-: [-1.1; 1]
+: [-1; 1]
I:
S: Линейный коэффициент корреляции rxy не может принимать значение равное:
-: 0.5
-: 0.99
-: -0.5
+: 1.2
I:
S: Линейный коэффициент корреляции rxy не может принимать значение равное:
-: 0.5
-: 0.99
+: 1.05
-: 1
I:
S: Линейный коэффициент корреляции rxy не может принимать значение равное:
-: 0.6
-: 0.01
+: -1.05
-: 1
I:
S: Линейный коэффициент корреляции rxy может принимать значение равное:
-: -1.1
+: 0.99
-: 1.05
-: 1.2
I:
S: Линейный коэффициент корреляции rxy может принимать значение равное:
-: -1.35
+: -0.99
-: 1.05
-: 1.001
V2:
I:
S: Корреляционная связь между переменными X и Y считается тесной, если коэффициент корреляции принимает следующие значения:
-: rxy=0;
-: 0<rxy£0.3
-: 0.3<rxy£0.7
+: 0.7<rxy<1
-: rxy=1
I:
S: Корреляционная связь между переменными X и Y считается умеренной, если коэффициент корреляции принимает следующие значения:
-: rxy=0;
-: 0<rxy£0.3
+: 0.3<rxy£0.7
-: 0.7<rxy<1
-: rxy=1
I:
S: Корреляционная связь между переменными X и Y считается слабой, если коэффициент корреляции принимает следующие значения:
-: rxy=0;
+: 0<rxy£0.3
-: 0.3<rxy£0.7
-: 0.7<rxy<1
-: rxy=1
I:
S: Корреляционная связь между переменными X и Y считается линейной функциональной, если коэффициент корреляции принимает следующие значения:
-: rxy=0;
-: 0<rxy£0.3
-: 0.3<rxy£0.7
-: 0.7<rxy<1
+: rxy=1
I:
S: Корреляционная связь между переменными X и Y отсутствует, если коэффициент корреляции принимает следующие значения:
-: rxy=0;
-: 0<rxy£0.3
-: 0.3<rxy£0.7
+: 0.7<rxy<1
-: rxy=1
I:
S: Коэффициент детерминации R является показателем
-: тесноты связи между переменными X и Y
+: качества построенной модели
-: адекватности модели исходным фактическим данным
-: статистической значимости модели
I:
S: Коэффициент детерминации рассчитывается для оценки качества
+: подбора уравнения регрессии
-: параметров уравнения регрессии
-: мультиколлинеарных факторов
-: факторов, не включенных в уравнение регрессии
