Ответы на тест по эконометрике - файл n1.rtf

приобрести
Ответы на тест по эконометрике
скачать (1968.8 kb.)
Доступные файлы (1):
n1.rtf1969kb.13.09.2012 13:48скачать

n1.rtf

1   2   3   4   5
i) = D(εj)


M(εi) = 0


cov(εij) = 0











293


По 40 точкам оценена следующая модель производственной функции:








y =0,6+0,46 l +0,32 k,
t =(2,6)(0,75)(1,81)



R2 = 0,75 ; DW = 2,45


y, l, k - темпы прироста объема выпуска, затрат труда и затрат капитала.
Укажите неверный вывод:

0001

имеет место автокорреляция остатков первого порядка, поэтому надо изменить форму зависимости

надо исключить фактор l, так как он оказался статистически незначим

модель имеет удовлетворительные статистики, поэтому нет смысла ее совершенствовать










179

Коэффициент а в уравнении линейной регрессии измеряет:

01

сдвиг по оси ординат

наклон прямой

среднее значение y










286

Чем скорректированный R2 отличается от обычного?

01

скорректированный R2содержит поправку на число степеней свободы для получения несмещенных оценок дисперсии

скорректированный R2 всегда меньше обычного R2

скоректированный R2 больше, чем обычный R2

скорректированный R2 вычисляется намного проще, чем обычный R2







287

Когда целесообразно добавление новой объясняющей переменной в модель?

0001

при росте R2

при росте скорректированного R2

в любом случае

если модель не соответствует экономической теории







288

По результатам бюджетного обследования пяти семей записано следующее уравнение регрессии накоплений (регрессоры – доход и имущество, тыс. руб.) y = 0,279 + 0,123 x1 - 0,029 x2


Спрогнозируйте накопление семьи, имеющей доход 40 тыс. руб. и имущество стоимостью 25 тыс. Руб

01

4,47

3,78

5,06

5,47

0,18

1,23

289

По результатам бюджетного обследования пяти семей записано следующее уравнение регрессии накоплений (регрессоры – доход и имущество, тыс. руб.) y = 0,279 + 0,123 x1 - 0,029 x2
Оцените, как возрастут накопления семьи, если ее доход вырос на 10 тыс. руб.,а стоимость имущества не изменилась?

0001

10,123

1,23

0,123

10,0

0,18

4,47

290

По результатам бюджетного обследования пяти семей записано следующее уравнение регрессии накоплений (регрессоры – доход и имущество, тыс. руб.) y = 0,279 + 0,123 x1 - 0,029 x2
Оцените, как возрастут накопления семьи, если ее доход вырос на 5 тыс. руб., а стоимость имущества увеличилась на 15 тыс. руб

00000001

0,20

0,35

0,15

0,18

1,23

4,47

291

Тест Дарбина – Уотсона применяется для:

000001

обнаружения недостающих регрессоров

выявления порядка автокорреляции

выявления автокорреляции в модели










316

Если ни один из коэффициентов автокорреляции не является значимым, это свидетельствует о том, что:

000001

исследуемый ряд содержит только тенденцию

исследуемый ряд содержит циклические колебания

временный ряд не содержит тенденции и циклических колебаний










282

Какое из утверждений о гетероскедастичности не верно:

00000001

проблема гетероскедастичности обычно характерна для перекрестных данных

выводы по t –статистикам и F-статистике при гетероскедастичности являются ненадежными

не существует общего теста для анализа гетероскедастичности

гетероскедастичность проявляется через низкое значение статистики Дарбина–Уотсона







350

Уравнения приведенной формы получаются:

01

путем решения структурных уравнений, когда каждая эндогенная переменная в системе выражается как функция только экзогенных или предопределенных переменных системы

при решении структурных уравнений обычным МНК

при уменьшении количества независимых переменных










314

Автокорреляционная функция временного ряда – это:

01

последовательность коэффициентов автокорреляции уровней временного ряда

коррелограмма

последовательность уровней временного ряда










341

Модель сверхидентифицируема, если:

000001

число коэффициентов структурной модели равно числу коэффициентов приведенной формы модели

число приведенных коэффициентов меньше числа структурных коэффициентов

число приведенных коэффициентов больше числа структурных коэффициентов










342

Модель считается идентифицируемой, если:

01

каждое уравнение системы идентифицируемо

хотя бы два уравнения модели идентифицируемы

большинство уравнений модели идентифицируемо










343

Необходимое условие идентификации выполняется, если для уравнения модели соблюдается счетное правило:

01

Д + 1 = Н

Д + 1 < Н

Д + 1 > Н










344

Структурные коэффициенты модели можно оценить тогда, когда:

000001

модель идентифицируема

модель сверхидентифицируема

модель идентифицируема или сверхидентифицируема










345

Методы оценивания коэффициентов структурной модели:

00000001

косвенный МНК

двухшаговый и трехшаговый МНК

метод максимального правдоподобия

косвенный МНК, двухшаговый и трехшаговый МНК, метод максимального правдоподобия







346

Под системой или моделью одновременных уравнений понимается:

01

случай, когда зависимая переменная в одном или нескольких уравнениях является объясняющей переменной в других уравнениях системы

система из нескольких независимых уравнений, описывающих изучаемое явление

система уравнений с одной и той и той же зависимой переменной, но с разным набором объясняющих переменных










347

Эндогенные переменные это:

01

зависимые переменные в системе одновременных уравнений, определяемые данной системой, даже если они появляются в качестве объясняющих переменных в других уравнениях системы

переменные определяемые внешними факторами

переменные в каждом уравнении, некоррелированные с соответствующей ошибкой










339

Модель идентифицируема, если:

01

число коэффициентов структурной модели равно числу коэффициентов приведенной формы модели

число приведенных коэффициентов меньше числа структурных коэффициентов

число приведенных коэффициентов больше числа структурных коэффициентов










349

Под смещением одновременных уравнений понимается:

01

переоценка или недооценка структурных параметров при применении структурных параметров при применении обычного МНК к структурным уравнениям модели одновременных уравнений

результат, получаемый при использовании косвенного МНК

оценка, получаемая при применении обычного МНК к приведенным моделям










338

Идентификация модели – это:

01

единственность соответствия между приведенной и структурной формами модели

преобладание эндогенных переменных над экзогенными

преобладание экзогенных переменных над эндогенными










351

Дана следующая система из двух структурных уравнений – простейшая модель спроса и предложения:


Спрос: Qt = a0 + a1 Pt + a2 Yt + u1t , a1 < 0 и a2 > 0


Предложение: Qt = в0 + в1 Pt + u2t, в1 >0 ,


где, Q - количество продаваемых и покупаемых товаров,
P - цена,
Y - доход потребителей


Почему оценка данной функции спроса и предложения обычным МНК дает смещенные и несостоятельные оценки?

01

так как эндогенная переменная P является объясняющей переменной в обоих уравнениях и коррелирован с u1t в уравнении спроса и с u2t в уравнении предложения

так как для решения системы одновременных нельзя использовать МНК

так как при решении системы одновременных уравнений невозможно получить несмещенные и состоятельные оценки










352

Дана следующая система из трех уравнений:


Y1t = a0 + a1 Xt + u1t


Y2t = в0 + в1 Y1t + в2 Xt+ u2t


Y3t = c0 + c1 Y1t + c2t Y2t+c3 Yt + u3t


Может ли быть использован обычный МНК для оценки каждого из этих уравнений?

00000001

нет

только для первого

только для второго и третьего

да, для каждого уравнения







353

Под идентификацией понимается:

01

возможность или невозможность получения структурных параметров системы одновременных уравнений через приведенные формы уравнений

определение количества эндогенных переменных в системе уравнений

получение оценок параметров приведенных уравнений










354

Дана следующая модель спроса и предложения:


Спрос: Qt = a0 + a1 Pt + u1t , a1 < 0 ;


Предложение: Qt = в0 + в1 Pt + u2t, в1 >0 ,


где, Q - количество продаваемых и покупаемых товаров,
P - цена,
Y - доход потребителей


000001

данная модель точно идентифицируема

данная модель сверхидентифицируема

данная модель неидентифицируема










355

Косвенный МНК используется для определения состоятельных структурных параметров в системе одновременных уравнений:

01

если уравнения точно идентифицированы

если уравнения неидентифицированы

если уравнения сверхидентифицированы










356

Для точно идентифицированных уравнений двухшаговый метод наименьших квадратов дает оценки:

01

одинаковые с косвенным МНК

лучше чем косвенный МНК

хуже чем косвенный МНК










357

Дана следующая модель:


Y1t = a0 + a1 X1t + u1t


Y2t = b0 + b1 Y1t + b2 X2t + u2t


Y3t = c0 + c1 Y1t + c2 Y2t + c3 X2t + u3t


Данная модель является:

01

системой рекурсивных уравнений

системой независимых уравнений

системой взаимосвязанных моделей










358

Выберите верное из следующих утверждений: «Преимуществом двухшагового МНК, по сравнению с косвенным МНК, является то, что он может быть использован для получения состоятельных оценок структурных параметров…»:

01

…как для сверхидентифицированных, так и для точно идентифицированных уравнений в системе одновременных уравнений

…для неидентифицированных уравнений в системе одновременных уравнений

…как для неидентифицированных, так и для точно идентифицированных уравнений в системе уравнений










348

Предопределенные переменные включают в себя:

0001

экзогенные переменные, определенные внешними для данной модели факторами

экзогенные переменные и лаговые эндогенные переменные

эндогенные переменные










326

Прогнозирование по аддитивной модели временного ряда сводится к расчету по уравнению модели в виде:

01

y = T + S

y = T · S

y = T + S + E

y = T · S · E







283

Тест Голдфелда – Кванта основан на использовании:

0001

t–статистики распределения Стьюдента

F–статистики распределения Фишера

статистики Дарбина – Уотсона

коэффициента ранговой корреляции Спирмена







317

Кусочно–линейная модель регрессии применяется:

01

для моделирования тенденции временного ряда, испытывающего влияние структурных изменений

для моделирования тенденции временного ряда за небольшой промежуток времени

для моделирования тенденции временного ряда










318

Коинтеграция временных рядов:

01

причинно – следственная зависимость в уровнях двух (или более) временных рядов

корреляционная зависимость между последовательными уровнями временного ряда

последовательность коэффициентов автокорреляции уровней временного ряда










319

Авторегрессионные модели включают в качестве объясняющих переменных:

01

лаговые значения зависимых переменных

лаговые значения независимых переменных

лаговые значения зависимых и независимых переменных










320

Модели с распределенными лагами включают в качестве объясняющих переменных:

0001

лаговые значения зависимых переменных

лаговые значения независимых переменных

лаговые значения зависимых и независимых переменных










321

Суть метода инструментальных переменных состоит в:

01

замене переменной модели на новую переменную, которая тесно коррелирует с прежней, но не коррелирует с остатками модели

замене переменной модели на новую переменную, которая тесно коррелирует с остатками модели, но не коррелирует с прежней переменной

в упрощении модели










322

К факторам, под действием которых формируются значения элементов временного ряда относятся:

0001

аддитивные и мультипликативные

долговременные (трендовые), сезонные, циклические, случайные

эволюционные, корреляционные










323

Автокорреляционная функция показывает:

0001

корреляцию, существующую между двумя различными временными рядами

изменение величины r(τ) в зависимости от значения τ













340

Модель неидентифицируема, если:

0001

число коэффициентов структурной модели равно числу коэффициентов приведенной формы модели

число приведенных коэффициентов меньше числа структурных коэффициентов

число приведенных коэффициентов больше числа структурных коэффициентов










325

Автокорреляционная функция показывает изменение величины r(τ) в зависимости от значения τ. Если τ = 0, то:

0001

r(τ) = 0

r(τ) = 1

r(τ) = τ

r(τ) = 1 - τ







315

Наиболее высокий коэффициента автокорреляции первого порядка свидетельствует о том, что:

01

исследуемый ряд содержит только тенденцию

исследуемый ряд содержит циклические колебания

ряд не содержит тенденции и циклических колебаний










327

Прогнозирование по мультипликативной модели временного ряда сводится к расчету по уравнению модели в виде:

0001

y = T + S

y = T · S

y = T + S + E

y = T · S · E







329

Статическими называются модели:

01

включающие переменные только текущего периода

включающие только лаговые переменные

включающие как лаговые, так и переменные текущего периода










330

Стабильность регрессионной модели во времени можно проверить с помощью:

01

Чоу теста

теста Дарбина – Уотсона

теста Голдфелда – Квандта

t-теста







331

Если регрессионная модель включает лаговую зависимую переменную, то для проверки гипотезы об отсутствии автокорреляции используется:

01

Чоу тест

h-тест Дарбина

тест Голдфелда-Квандта

t-тест







332

Стационарным называется временной ряд:

01

если его математическое ожидание, генеральная дисперсия независимы от времени и ковариация между значениями в момент t и t+s моменты времени зависят от s, но не от времени

если его математическое ожидание не зависит от времени

если его математическое ожидание, генеральная дисперсия независимы от времени

если значения ряда в течение времени не меняются







335

Принцип построения системы независимых уравнений состоит в том, что:

01

каждая зависимая переменная рассматривается как функция одного и того же набора факторов

одни и те же зависимые переменные в одних уравнениях входят в левую часть, в других уравнениях – в правую часть системы

модель содержит как в правой, так и в левой части эндогенные и экзогенные переменные










336

Принцип построения системы взаимозависимых уравнений состоит в том, что:

0001

каждая зависимая переменная рассматривается как функция одного и того же набора факторов

одни и те же зависимые переменные в одних уравнениях входят в левую часть, в других уравнениях – в правую часть системы

модель содержит как в правой, так и в левой части эндогенные и экзогенные переменные










337

Система одновременных уравнений – это:

01

система взаимозависимых уравнений

система независимых уравнений

приведенная форма модели

система взаимозависимых уравнений или структурная форма модели







324

Значения автокорреляционной функции не зависят от масштаба и изменяются в пределах:

01

от –1 до 1

от - ∞ до + ∞

от 0 до + ∞

от 0 до 1







225

Если свободный коэффициент в уравнении регрессии меньше нуля, то:

000001

вариация результата меньше вариации фактора

вариация результата больше вариации фактора

относительное изменение результата происходит быстрее, чем изменение фактора










234

Статистическая надежность оценки коэффициентов регрессии увеличивается:

01

с увеличением числа степеней свободы

с уменьшением числа степеней свободы

не зависит от числа степеней свободы










217

Допущение М(ε)=0 не нарушается, если:

01

в уравнение регрессии включен свободный коэффициент а

линия регрессии проходит через начало координат

в уравнении регрессии не менее двух независимых переменных










218

Оценки коэффициентов регрессии не имеют минимальную дисперсию при:

0001

нарушении допущения о равенстве нулю математического ожидания остатков

нарушении допущения о постоянстве дисперсии остатков

включении в модель менее двух независимых переменных










219

В парной линейной регрессии между наблюдаемыми значениями t-статистик существует взаимосвязь:

01

tb = tr

tb = 1 - tr

tb =1 / tr

tb =tr - 1







220

Графический метод подбора вида уравнения регрессии основан на:

01

поле корреляции

математической природе связи

сравнении остаточной дисперсии для разных моделей










221

Аналитический метод подбора вида уравнения регрессии основан на:

0001

поле корреляции

математической природе связи

сравнении остаточной дисперсии для разных моделей










222

Экспериментальный метод подбора вида уравнения регрессии основан на:

000001

поле корреляции

математической природе связи

сравнении остаточной дисперсии для разных моделей










223

Если свободный коэффициент в уравнении регрессии больше нуля, то:

01

вариация результата меньше вариации фактора

вариация результата больше вариации фактора

относительное изменение результата происходит быстрее, чем изменение фактора










215

Можно ли сравнивать R2 для моделей с различными зависимыми переменными:

01

нет, поскольку вариация зависимых переменных различна

да, поскольку вариация каждой из зависимых переменных не влияет на величину R2













285

Укажите неверное применительно к автокорреляции выражение:

00000001

оценки коэффициентов перестают быть эффективными

выводы по t- и F – статистикам могут быть неверными

дисперсия регрессии является смещенной оценкой истинного значения

дисперсии оценок коэффициентов остаются несмещенными







214

Вариация переменной y может быть объяснена:

01

значением случайного отклонения ε

МНК-оценками регрессии

наблюдаемыми t-статистиками










272

Метод первых разностей применяется для определения коэффициента автокорреляции «ро» тогда, когда:

01

DW ≈ 0 , DW ≈ 4

DW ≈ 1 , DW ≈ 3

0 ≤ DW ≤ 4










227

Сопоставим ли коэффициент регрессии по модели прибыли от состава выпускаемой продукции с коэффициентом регрессии прибыли от затрат на рекламу:

0001

да, поскольку не имеет значения однородность регрессоров

нет, поскольку регрессоры являются разноименными величинами













228

О случайном характере остатков регрессии свидетельствует:

01

график зависимости остатков от теоретических значений результативного признака

наблюдаемое значение статистики Стьюдента

тест Бокса-Кокса

тест Чоу







229

Регрессионная модель отличается от функции регрессии на:

01

величину случайной компоненты ε

величину среднего значения зависимой переменной

величину среднего значения независимой переменной










230

Если по одной и той же выборке рассчитаны регрессии У на Х и Х на У, то совпадают ли в этом случае линии регрессии:

0001

да, поскольку оценки коэффициента регрессии и свободного коэффициента одинаковы

нет, поскольку оценки коэффициента регрессии и свободного коэффициента различны













231

Суть статистической значимости коэффициентов регрессии означает:

0001

их равенство нулю

их отличие от нуля

приближение их абсолютных значений к единице










232

Теоретическое уравнение регрессии:

01

это линейная функция M(Y|Х=хi)= α + β · хi, построенная по всем значениям переменных Х и У в генеральной совокупности

это линейная функция yi= a + b · хi, построенная по выборке ограниченного объема

это зависимость Y= α + β · X + ε










233

Множественная регрессия представлена в виде:

01

M(Y|x1,x2,...xm) = ƒ(x1,x2,...xm)

M(Y|x) = ƒ(x)

M(Y|xt-1) = ƒ(xt-1)

Система следующих уравнений:
y1 = ƒ(x1,x2,x3)
y2 = ƒ(x1,x2)
y3 = ƒ(x1)







224

Если коэффициент парной регрессии больше нуля, то коэффициент корреляции rxy:

00000001

0 ≤ rxy ≤ 1

-1 ≤ rxy ≤ 0

-1 ≤ rxy ≤ 1

0 < rxy ≤ 1







205

С увеличением объема выборки:

01

увеличивается точность оценок

увеличивается точность прогноза по модели

уменьшается коэффициент детерминации










195

Отсутствие автокорреляции случайных отклонений влечет соотношение:

01

cov(ε
1   2   3   4   5


Учебный материал
© nashaucheba.ru
При копировании укажите ссылку.
обратиться к администрации