Significa econometría en el sentido más amplio de la palabra. Prueba. Series de tiempo. En una serie temporal estacionaria, el componente de tendencia

Durante mucho tiempo hubo dos definiciones diferentes de econometría: desde “econometría en el sentido amplio de la palabra” hasta “econometría en el sentido estricto de la palabra”. “Econometría en el sentido amplio de la palabra” se refiere a un conjunto de diversos tipos de investigación económica realizada utilizando métodos matemáticos. Por “econometría en el sentido estricto de la palabra” nos referimos principalmente a la aplicación de métodos matemáticos y estadísticos en la investigación económica: la construcción de modelos matemáticos y estadísticos de fenómenos económicos, la estimación de parámetros en modelos de cualquier tipo, etc.

El nombre "econometría" fue introducido por el fundador de esta dirección de la economía en 1926, Ragnar Frisch. Lingüísticamente el término “econometría” es de origen alemán (Okonometrie). Este término apareció por primera vez en 1910 en un libro alemán sobre contabilidad, cuyo autor entendía la teoría de la contabilidad mediante él. Traducido literalmente, econometría significa "mediciones en economía" (se puede comparar con la biometría, la cienciometría, la astrometría, la sociometría, la psicometría y la polimetría).

Sin embargo, en la actualidad podemos decir con total seguridad que la definición dada por S.A. Ayvazyan y V.S. Mkhitaryan en su último libro de texto son los más objetivos, modernos y precisos:

Definición: La econometría es una disciplina científica independiente que combina un conjunto de resultados teóricos, técnicas, métodos y modelos diseñados para

- teoría económica,

- estadísticas económicas,

- herramientas matemáticas y estadísticas

- Dar una expresión cuantitativa específica a los patrones generales (cuantitativos) determinados por la teoría económica.

Como podemos ver, esta definición corresponde plenamente a la introducida por R. Frisch hace setenta años. Creía que la econometría debería seguir una fórmula trina, combinando análisis teórico, datos empíricos y métodos matemáticos.

Hablando de teoría económica en el marco de la econometría, los investigadores están interesados ​​​​no solo en identificar las leyes económicas objetivamente existentes (a nivel cualitativo) y las conexiones entre los indicadores económicos, sino también en los enfoques para su formalización. Al considerar las estadísticas económicas como parte integral de la econometría, los investigadores solo están interesados ​​​​en aquel aspecto de esta disciplina independiente que está directamente relacionado con el soporte informativo del modelo econométrico analizado. Y, finalmente, las herramientas matemáticas y estadísticas de la econometría significan, naturalmente, no estadísticas matemáticas en su sentido tradicional, sino solo sus secciones individuales (modelos lineales clásicos y generalizados de análisis de regresión, análisis de series de tiempo, construcción y análisis de sistemas de ecuaciones simultáneas). . Estas secciones de estadística matemática deben complementarse con cierta información (tipos especiales de modelos de regresión, enfoques para resolver problemas de especificación, identificabilidad y verificabilidad de modelos, etc.).

En todas las actividades de un econometrista, el uso de un modelo es fundamental. Por tanto, es muy importante rastrear toda la “cadena” de definiciones relacionadas con este concepto.

Modelo matemático Es una abstracción del mundo real en la que las relaciones entre elementos reales de interés para el investigador son reemplazadas por relaciones adecuadas entre categorías matemáticas.

Modelo económico y matemático – Es cualquier modelo matemático que describe el mecanismo de funcionamiento de un determinado sistema económico o sistema socioeconómico hipotético. A veces el mismo modelo puede llamarse simplemente económico . (Un ejemplo de este modelo es la versión más simple del llamado "modelo web", que describe el proceso de generación de demanda y oferta de un determinado producto o tipo de servicio en un mercado competitivo).

Si en la definición de un modelo económico-matemático no hablamos de ningún modelo matemático, sino de un modelo construido utilizando el aparato de la teoría de la probabilidad y la estadística matemática, entonces ya podemos hacernos una idea del modelo econométrico. Pero para ello conviene recordar las siguientes definiciones.

Modelo probabilístico – Este es un modelo matemático que simula el mecanismo de funcionamiento. hipotético(no específico) fenómeno (o sistema) real de naturaleza estocástica.

Modelo probabilístico-estadístico – Este es un modelo probabilístico, cuyos valores de características individuales (parámetros) se estiman en base a los resultados de las observaciones (datos estadísticos iniciales) que caracterizan el funcionamiento del modelado. específico(en lugar de un fenómeno (o sistema) hipotético.

Finalmente, podemos hablar del modelo econométrico:

Modelo econométrico Se denomina modelo estadístico-probabilístico que describe el mecanismo de funcionamiento de un sistema económico o socioeconómico.

En cualquier modelo econométrico, todas las variables que intervienen en él, en función de los objetivos finales de aplicación, se dividen en exógenas, endógenas y predeterminadas:

variables exógenas(ekzo-exterior, origen genoso)- se trata de variables que se establecen como “desde fuera”, de forma autónoma y, en cierta medida, controlables (planificadas);

variables endógenas(endo-interior, genoso-origen) son variables cuyos valores se forman en el proceso y adentro el funcionamiento del sistema socioeconómico analizado en gran medida bajo la influencia de variables exógenas y, por supuesto, en interacción entre sí; en un modelo econométrico son objeto de explicación;

variables predefinidas- estas son variables que actúan en el sistema como factores - argumentos, o explicando variables.

El conjunto de variables predefinidas se forma a partir de todas las variables exógenas (que pueden estar “vinculadas” a momentos pasados, presentes y futuros en el tiempo) y las llamadas variables endógenas rezagadas, aquellos. tales variables endógenas, cuyos valores se incluyen en las ecuaciones del sistema econométrico analizado medido en pasado(en relación con el actual) momentos en el tiempo y, por lo tanto, son ya conocido, dado.

Pruebas de econometría - página No. 1/1

Pruebas econométricas
Introducción

1. 
   El modelo econométrico tiene la forma
   1. 
      y=fx
   2. 
      y=a+b1x+b2x2
   3. 
      y=fx+ε
   4. 
      y=fx

1. 
   Fósforo

1. 
   La regresión es
   1. 
      dependencia de los valores de la variable resultante de los valores de las variables explicativas (factores)
   2. 
      Regla según la cual cada valor de una variable está asociado con un único valor de otra variable.
   3. 
      la regla según la cual cada valor de la variable independiente está asociado con el valor de la variable dependiente
   4. 
      dependencia del valor promedio de la variable resultante de los valores de las variables explicativas (factores)

1. 
   Método de mínimos cuadrados...
   1. 
      Le permite obtener estimaciones de parámetros de regresión lineal basados ​​en la condición i=1nyi-yi2→min
   2. 
      Le permite obtener estimaciones de parámetros de regresión basados ​​en la condición ln⁡(i=1nf(yi,)→max
   3. 
      Le permite verificar la significación estadística de los parámetros de regresión.
   4. 
      Le permite obtener estimaciones de parámetros de regresión no lineal basados ​​en la condición i=1ny-yi2→min

1. 
   Ecuación de regresión lineal múltiple
   1. 
      y=a+bx
   2. 
      y=a+b1x1+b2x2+…+bpxp
   3. 
      y=ax1b1x2b2…xpbp
   4. 
      yt=Tt+St+Et

1. 
   Para una ecuación de regresión lineal múltiple, haga coincidir

1. 
   El problema de especificación del modelo de regresión implica
   1. 
      Selección de factores incluidos en la ecuación de regresión.
   2. 
      Estimación de los parámetros de la ecuación de regresión
   3. 
      Evaluación de la confiabilidad de los resultados del análisis de regresión.
   4. 
      Seleccionar el tipo de ecuación de regresión

1. Requisitos para los factores incluidos en un modelo de regresión lineal múltiple...

1. 
   El número de factores debe ser 6 veces menor que el volumen de la población.
2. 
   Los factores deben representar series de tiempo.
3. 
   Los factores deben tener la misma dimensión.
4. 
   No debería haber una alta correlación entre los factores.

2. Declaraciones verdaderas sobre la multicolinealidad de factores.

1. 
   Se recomienda incluir factores multicolineales en un modelo de regresión lineal múltiple.
2. 
   La multicolinealidad de factores conduce a una disminución en la confiabilidad de las estimaciones de los parámetros de las ecuaciones de regresión.
3. 
   La multicolinealidad de factores se manifiesta en la presencia de coeficientes de correlación entre factores pareados con valores superiores a 0,7.
4. 
   La multicolinealidad de factores se manifiesta en la presencia de coeficientes de correlación entre factores pareados con valores inferiores a 0,3.

3.Afirmaciones verdaderas sobre la inclusión de factores en la ecuación de regresión lineal múltiple.

1. 
   La inclusión de un factor en el modelo conduce a un aumento notable en el coeficiente de determinación múltiple.
2. 
   El coeficiente de correlación de pares para el factor y la variable de resultado es inferior a 0,3
3. 
   El valor de la prueba t de Student para el coeficiente de regresión cuando el factor es menor que el valor de la tabla
4. 
   El factor debe explicar el comportamiento del indicador en estudio de acuerdo con las disposiciones aceptadas de la teoría económica.

4. Al construir un modelo de regresión múltiple utilizando el método de inclusión de variables paso a paso, la primera etapa considera un modelo con...

1. 
   Una variable explicativa que tiene el coeficiente de correlación más pequeño con la variable dependiente
2. 
   Una variable explicativa que tiene el coeficiente de correlación más alto con la variable dependiente
3. 
   Varias variables explicativas que tienen coeficientes de correlación de módulo con la variable dependiente superiores a 0,5
4. 
   Lista completa de variables explicativas

1. 
   Parámetros para factores en regresión lineal múltiple
   y=a+b1x1+b2x2+…+bpxp caracterizar
   1. 
      La proporción de varianza en la variable de resultado explicada por la regresión en su varianza total.
   2. 
      La fuerza de la relación entre la variable de resultado y el factor correspondiente, eliminando al mismo tiempo la influencia de otros factores incluidos en el modelo.
   3. 
      
   4. 
      ¿En qué porcentaje en promedio cambia la variable resultante con un cambio en el factor correspondiente en un 1%?

5.La estandarización de variables se realiza según la fórmula.

1. 
   ty=ymaxy
2. 
   ty=yy
3. 
   ty=yσy
4. 
   ty=y-yσy

1. 
   La ecuación de regresión múltiple en una escala estandarizada es ty=20+0.9tx1+0.5tx2+ε. El signo efectivo está muy influenciado por:

1. 
   x1 y x2
2. 
   no se puede sacar ninguna conclusión

1. 
   La ecuación de regresión múltiple en su forma natural es
   y=20+0,7x1+0,5x2+ε. El signo efectivo está muy influenciado por:

1. 
   x1 y x2
2. 
   no se puede sacar ninguna conclusión

6. Las propiedades de una ecuación de regresión en forma estandarizada incluyen...

1. 
   Los coeficientes de regresión para las variables explicativas son iguales entre sí.
2. 
   No existe un parámetro constante (término libre de la ecuación) de regresión
3. 
   Los coeficientes de regresión estandarizados no son comparables entre sí.
4. 
   Las variables incluidas en la ecuación son adimensionales.

7. Se evalúa la cercanía de la influencia conjunta de los factores sobre el resultado en la ecuación de regresión lineal múltiple.

1. 
   Coeficiente de correlación de pares
2. 
   Coeficiente de correlación parcial
3. 
   
4. 
   

8. Partido

9. El coeficiente de correlación múltiple para una relación lineal se puede calcular utilizando la fórmula

10. Afirmaciones verdaderas sobre el coeficiente de correlación múltiple

1. 
   Cuanto más cerca esté el valor de Ryx1...xp, más estrecha será la conexión entre la característica efectiva y todos los factores.
2. 
   Cuanto más cerca esté el valor de cero Ryx1...xp, más estrecha será la conexión entre la característica efectiva y todos los factores.
3. 
   Ryx1…xp toma valores del intervalo
4. 
   Ryx1…xp toma valores del intervalo [– 1, 1]

11.El coeficiente de determinación múltiple caracteriza.

1. 
   La cercanía de la influencia conjunta de los factores sobre el resultado en la ecuación de regresión lineal múltiple.
2. 
   La cercanía de la relación entre el resultado y el factor correspondiente, eliminando al mismo tiempo la influencia de otros factores incluidos en el modelo.
3. 
   La proporción de la varianza del atributo resultante explicada por la regresión en su varianza total.
4. 
   El cambio promedio en la variable de resultado con un cambio en el factor correspondiente en uno, con el mismo valor de otros factores fijado en el nivel promedio

12. Para la suma de las desviaciones al cuadrado total (TSS), regresión (RSS) y residual (ESS) y el coeficiente de determinación R2, se satisface la igualdad...

1. 
   R2=RSSTSS
2. 
   R2=1-ESSTSS
3. 
   R2=ESTSSS
4. 
   R2=1-RSSTSS
5. 
   R2=RSSTSS+ESTSSS

13. La relación entre la varianza residual y la varianza total es 0,05. Significa …

1. 
   Coeficiente de determinación R2=0,95
2. 
   Coeficiente de determinación R2=0,05
3. 
   Diferencia (1-R2)=0,95, donde R2 es el coeficiente de determinación
4. 
   Diferencia (1-R2)=0,05, donde R2 es el coeficiente de determinación

14. Para eliminar el error sistemático de la varianza residual, se utiliza un modelo de regresión lineal múltiple para evaluar la calidad.

1. 
   Coeficiente de determinación múltiple.
2. 
   Coeficiente de correlación múltiple
3. 
   Coeficiente ajustado de determinación múltiple.
4. 
   Coeficiente de correlación parcial ajustado

15. La estimación de la significación estadística de la ecuación de regresión lineal múltiple en su conjunto se realiza utilizando

1. 
   prueba t de Student
2. 
   Criterio de Fisher
3. 
   Prueba de Durbin-Watson
4. 
   Prueba de Foster-Stewart

16.La evaluación de la significancia estadística de los coeficientes de regresión lineal múltiple se lleva a cabo utilizando

1. 
   prueba t de Student
2. 
   Criterio de Fisher
3. 
   Prueba de Durbin-Watson
4. 
   Prueba de Foster-Stewart

17. Si el coeficiente de regresión es significativo, entonces se cumplen las condiciones para ello.

1. 
   El valor real de la prueba t de Student es menor que el valor crítico
2. 
   El valor real de la prueba t de Student es mayor que el valor crítico
3. 
   El intervalo de confianza pasa por cero.
4. 
   El error estándar no supera la mitad del valor del parámetro.

18. Si la ecuación de regresión es significativa, entonces el valor real de la prueba F...

1. 
   más crítico
2. 
   menos que crítico
3. 
   cerca de la unidad
4. 
   cerca de cero

19. Los requisitos previos de las empresas multinacionales son...

1. 
   La varianza de las desviaciones aleatorias es constante para todas las observaciones.
2. 
   La varianza de las desviaciones aleatorias no es constante para todas las observaciones.
3. 
   Las desviaciones aleatorias se correlacionan entre sí.
4. 
   Las desviaciones aleatorias son independientes entre sí.

20.Indique las conclusiones que corresponden a la gráfica de los residuos

1. 
   Se viola la premisa de OLS sobre la independencia de los residuos entre sí.
2. 
   Hay una autocorrelación de los residuos.
3. 
   No hay patrón en el comportamiento de los residuos.
4. 
   No hay autocorrelación de residuos.

21. Cuando se cumplen las premisas del método de mínimos cuadrados (MCO), los residuos de la ecuación de regresión suelen caracterizarse por...

1. 
   Promedio cero
2. 
   heterosexualidad
3. 
   De naturaleza aleatoria
4. 
   Alto grado de autocorrelación

22. Los métodos para detectar la heterocedasticidad de los residuos incluyen

1. 
   Prueba de Durbin-Watson
2. 
   Prueba de Goldfeld-Quandt
3. 
   Análisis gráfico de saldos.
4. 
   método de mínimos cuadrados

23. Las variables ficticias en la ecuación de regresión múltiple son...

1. 
   Variables cualitativas convertidas a cuantitativas.
2. 
   Variables que representan las funciones más simples de variables ya incluidas en el modelo.
3. 
   Variables cuantitativas adicionales para mejorar la solución
4. 
   Combinaciones de factores incluidos en la ecuación de regresión que aumentan la adecuación del modelo

24. Reflejar la influencia de una variable cualitativa acompañante que ha metro Los estados generalmente se incluyen en el modelo... una variable ficticia.

1. 
   m+12
2. 
   m-12

25. Regresiones que son no lineales en las variables explicativas, pero lineales en los parámetros estimados

1. 
   y=a+b1x+b2x2+ε
2. 
   y=a∙xb∙ε
3. 
   y=a+bx+ε
4. 
   y=a+bx+ε
5. 
   y=a∙bx∙ε
6. 
   y=ea+bx∙ε

26.Regresiones no lineales en los parámetros estimados.

1. 
   y=a+b1x+b2x2+ε
2. 
   y=a∙xb∙ε
3. 
   y=a+bx+ε
4. 
   y=a+bx+ε
5. 
   y=a∙bx∙ε
6. 
   y=ea+bx∙ε

27.Indique las afirmaciones correctas sobre el modelo.

y=fx,z∙ε=a∙bx∙cz∙ε

1. 
   Se refiere al tipo de modelos que son no lineales en las variables explicativas, pero lineales en los parámetros estimados.
2. 
   Se refiere al tipo de modelos que son no lineales en los parámetros estimados.
3. 
   Se refiere al tipo de modelos lineales.
4. 
   No se puede reducir a forma lineal.
5. 
   Se puede reducir a forma lineal.

28.Indique las afirmaciones correctas sobre el modelo.

1. 
   Linealización de un modelo de regresión lineal múltiple.
2. 
   Linealización de un modelo de regresión lineal por pares
3. 
   Pertenece a la clase de modelos no lineales en términos de variables explicativas, pero lineales en términos de los parámetros estimados.
4. 
   Pertenece a la clase de modelos lineales.

29.El modelo y=a∙bx∙ε pertenece a la clase de... modelos econométricos de regresión no lineal

1. 
   sosegado
2. 
   contrarrestar
3. 
   indicativo
4. 
   lineal

30.El modelo y=a∙xb∙ε pertenece a la clase de... modelos econométricos de regresión no lineal

1. 
   sosegado
2. 
   contrarrestar
3. 
   indicativo
4. 
   lineal

31.El modelo y=a+bx+cx2+ε pertenece a la clase de... modelos econométricos de regresión no lineal

1. 
   sosegado
2. 
   polinomio
3. 
   indicativo
4. 
   lineal

32. Se observó que con un aumento en la cantidad de fertilizante aplicado, el rendimiento también aumenta, sin embargo, al alcanzar un cierto valor del factor, el indicador modelado comienza a disminuir. Para estudiar esta relación, puede utilizar la especificación de la ecuación de regresión...

1. 
   y=a+bx+cx2+ε
2. 
   y=a+b1x1+b2x2+ε
3. 
   y=a+bx+ε
4. 
   y=a+xb+ε

33. Para obtener estimaciones de los parámetros del modelo de regresión de potencia y=a∙xb...

1. 
   El método de mínimos cuadrados no es aplicable
2. 
   Es necesario seleccionar la sustitución adecuada.
3. 
   Se requiere conversión logarítmica
4. 
   Se necesita conversión trigonométrica

34. Utilizando el método de mínimos cuadrados, es imposible estimar los valores de los parámetros de la ecuación de regresión...

1. 
   y=a+bx+ε
2. 
   y=a+bxc+ε
3. 
   y=a+bx+cx2+ε
4. 
   y=a+b1x1+b2x2+ε

35. Un cambio que determina la dirección general del desarrollo, tendencia principal de una serie temporal, se entiende como...

1. 
   Tendencia
2. 
   Componente estacional
3. 
   Componente cíclico
4. 
   Componente aleatorio

36. Los componentes regulares de una serie temporal son

1. 
   Tendencia
2. 
   Componente estacional
3. 
   Componente cíclico
4. 
   Componente aleatorio

37. Si el período de fluctuaciones cíclicas en los niveles de una serie temporal no excede de un año, entonces se denominan ...

1. 
   Anual
2. 
   Oportunista
3. 
   Estacional
4. 
   Perenne

38. Sea Yt una serie de tiempo, Tt un componente de tendencia, St un componente estacional y Et un componente aleatorio. El modelo aditivo de series de tiempo tiene la forma...

1. 
   Yt=Tt+St+Et
2. 
   Yt=Tt∙St+Et
3. 
   Yt=Tt+St∙Et
4. 
   Yt=Tt∙St∙Et

39. Sea Yt una serie de tiempo, Tt un componente de tendencia, St un componente estacional y Et un componente aleatorio. El modelo de series de tiempo multiplicativas tiene la forma...

1. 
   Yt=Tt+St+Et
2. 
   Yt=Tt∙St+Et
3. 
   Yt=Tt+St∙Et
4. 
   Yt=Tt∙St∙Et

40. Se ha construido un modelo aditivo de series de tiempo, donde Yt es la serie de tiempo, Tt es el componente de tendencia, St es el componente estacional y Et es el componente aleatorio. Si Yt=15, entonces los valores de los componentes de la serie se encuentran correctamente...

1. 
   Tt=8, St=5, Et=0
2. 
   Tt=8, St=5, Et=2
3. 
   Tt=15, St=5, Et=0
4. 
   Tt=15, St=-5, Et=2

41. Se puede determinar la presencia de una tendencia en una serie de tiempo...

1. 
   Según gráfico de series de tiempo.
2. 
   Por volumen de series temporales
3. 
   Por la ausencia de un componente aleatorio.
4. 
   Utilizar pruebas estadísticas de la hipótesis sobre la existencia de una tendencia.

42. Se puede determinar la presencia de fluctuaciones cíclicas (estacionales) en una serie de tiempo...

1. 
   Como resultado del análisis de la función de autocorrelación.
2. 
   Según gráfico de series de tiempo.
3. 
   Por volumen de series temporales
4. 
   Usando la prueba de Foster-Stewart

43. Sea Yt una serie temporal con observaciones trimestrales y St un componente estacional aditivo. Las estimaciones del componente estacional para el primer, segundo y cuarto trimestre, respectivamente, son S1=5, S2=-1, S4=2. La estimación del componente estacional para el tercer trimestre es...

44. Como resultado de suavizar las series temporales 6, 2, 7, 5, 12 con una media móvil simple de tres términos, el primer valor suavizado es...

45. Como resultado de suavizar las series temporales 6, 2, 7, 5, 12 con una media móvil simple de cuatro términos, el primer valor suavizado es...

46. ​​Para describir la tendencia de una serie temporal se utiliza una curva de crecimiento con saturación...

1. 
   y=a+b1t+b2t2
2. 
   y=a+b1t+b2t2+b3t3
3. 
   y=a∙bt, b>1
4. 
   y=k+a∙bt, a

47.Coeficiente de autocorrelación de primer orden

1. 
   Coeficiente de correlación parcial entre niveles adyacentes de una serie temporal
2. 
   Coeficiente de correlación de pares lineales entre niveles arbitrarios de una serie temporal
3. 
   Coeficiente lineal de correlación de pares entre niveles adyacentes de una serie temporal
4. 
   Coeficiente lineal de correlación de pares entre el nivel de una serie temporal y su número

48. Función de autocorrelación...

1. 
   Dependencia del coeficiente de autocorrelación de las primeras diferencias en los niveles de la serie temporal
2. 
   Dependencia del nivel de una serie temporal del coeficiente de correlación con su número
3. 
   Secuencia de coeficientes de autocorrelación ordenados en orden creciente.
4. 
   Secuencia de coeficientes de autocorrelación ordenados en orden ascendente de sus valores.

49. Si el coeficiente de autocorrelación de orden 4 resulta ser el más alto, entonces la serie de tiempo tiene

1. 
   tendencia lineal
2. 
   componente aleatorio
3. 
   tendencia en forma de polinomio de cuarto orden
4. 
   oscilaciones cíclicas con un período de 4

50. Los valores conocidos de los coeficientes de autocorrelación son r1=0,8, r2=0,2, r3=0,3, r4=0,9. Por favor indique las afirmaciones correctas...

1. 
   
2. 
   La serie temporal contiene una tendencia en forma de polinomio de cuarto orden.
3. 
   
4. 
   

51. Los valores conocidos de los coeficientes de autocorrelación son r1=0,1, r2=0,8, r3=0,3, r4=0,9. Podemos concluir...

1. 
   La serie temporal contiene una tendencia lineal.
2. 
   La serie temporal es aleatoria.
3. 
   La serie temporal contiene fluctuaciones cíclicas con un período de 2
4. 
   La serie temporal contiene fluctuaciones cíclicas con un período de 4

52. Un modelo de series de tiempo se considera adecuado si los valores de los residuos...

1. 
   tener expectativa matemática cero
2. 
   el valor real de la prueba F es menor que el valor de la tabla
3. 
   obedecer la ley de distribución normal
4. 
   obedecer una ley de distribución uniforme
5. 
   son positivos
6. 
   son aleatorios e independientes

53. La independencia de los residuos de un modelo de series temporales se puede comprobar utilizando

1. 
   Prueba de Durbin-Watson
2. 
   prueba de pearson
3. 
   Criterio de Fisher
4. 
   

54. La aleatoriedad de los residuos de un modelo de series temporales se puede probar utilizando

1. 
   Análisis de la función de autocorrelación de residuos.
2. 
   prueba de pearson
3. 
   Probar la hipótesis sobre la presencia de una tendencia.
4. 
   Cálculo de asimetría y curtosis.

55. Para el suavizado exponencial, se utiliza la fórmula.

1. 
   St=αyt+1-αyt-1
2. 
   St=αyt+1-αSt-1
3. 
   yt=k+a∙bt, a
4. 
   Yt=Tt+St+Et

56. La constante de suavizado α en el modelo de suavizado exponencial St=αyt+1-αSt-1 toma los valores

1. 
   0,2 o 0,3
2. 
   de 0,7 a 0,9
3. 
   
4. 
   arbitrario

57. Se realiza la elección del valor óptimo de la constante de suavizado α en el modelo de suavizado exponencial St=αyt+1-αSt-1

1. 
   Siempre se utiliza el valor α=0,3.
2. 
   Siempre se utiliza el valor α=0,7
3. 
   Se considera que el valor óptimo de α es aquel en el que se obtiene la menor varianza del error.
4. 
   Se considera que el valor óptimo de α es aquel en el que se obtiene la mayor varianza del error.

58.Parámetro de adaptación α=0,3, y5=8, y6=7, S4=6. El valor de S6 obtenido como resultado del suavizado exponencial de la serie temporal utilizando la fórmula St=αyt+1-αSt-1 es...

Respuesta: 6,72

59. La serie temporal contiene una tendencia y se utiliza el modelo de Holt para suavizarla: St=αyt+1-α(St-1-mt-1), mt=γSt-St-1+1-γmt-1. Si α=γ=0.3, y5=8, S4=5, m4=2. El valor de m5 es...

Respuesta: 1,25
Sistemas de ecuaciones simultáneas

1. 
   La empresa agrícola se dedica al cultivo de trigo, maíz, cebada y trigo sarraceno. Se ha construido un modelo econométrico que describe el rendimiento de cada cultivo en función de las dosis de fertilizantes aplicadas y la cantidad de humedad. Este modelo pertenece a la clase de sistemas... ecuaciones.
   1. 
      simultáneo
   2. 
      independiente
   3. 
      recursivo
   4. 
      normal

1. 
   El estado de una economía cerrada se describe mediante las siguientes características: Y - producto interno bruto (PIB), C - nivel de consumo, I - monto de inversión, G - gasto público, T - monto de impuestos, R - tasa de interés real . La especificación del modelo se basa en las siguientes disposiciones de la teoría económica: 1) el consumo se explica por la cantidad de renta disponible (Y-T); 2) el nivel de inversión está determinado por el tamaño del PIB y la tasa de interés; 3) el consumo, la inversión y el gasto público suman el PIB. El sistema correspondiente de ecuaciones interconectadas se verá así:
   1. 
      C=a0+a1∙Y+ε1,I=b0+b1∙Y+b2∙R+ε2,Y=C+I+G
   2. 
      C=a0+a1∙Y-T+ε1,I=b0+b1∙Y+ε2,Y=C+I+G
   3. 
      C=a0+a1∙Y-T+ε1,I=b0+b1∙Y+b2∙R+ε2,Y=c0+c1∙C+c2∙I+c3∙G+ε3
   4. 
      C=a0+a1∙Y-T+ε1,I=b0+b1∙Y+b2∙R+ε2,Y=C+I+G

1. 
   En la forma estructural del modelo, construido de acuerdo con el esquema especificado de relaciones entre variables, el número de variables exógenas es igual a...

Respuesta: 2

En la forma estructural del modelo, construido de acuerdo con el esquema especificado de relaciones entre variables, el número de variables endógenas es igual a...

Respuesta: 3

En un sistema de ecuaciones simultáneas, las variables endógenas son

1. 
   En un sistema de ecuaciones simultáneas, las variables exógenas son

1. 
   El número de ecuaciones del sistema para el esquema especificado de relaciones entre variables es...

Respuesta: 2

61. El número de ecuaciones del sistema para el diagrama de relaciones entre variables especificado es...

1. 
   Ecuaciones que deben incluirse en el sistema para el diagrama de relaciones entre variables especificado

1. 
   Y1=b12Y2+a11X1+a12X2+ε1
2. 
   Y2=b21Y1+a21X1+a22X2+ε2
3. 
   Y1=a11X1+a12X2+ε1
4. 
   Y2=a21X1+a22X2+ε2
5. 
   Y1=b12Y2+a11X1+ε1
6. 
   Y2=b21Y1+a21X1+ε2

1. 
   Forma reducida del modelo correspondiente a la forma estructural del sistema de ecuaciones simultáneas.

incluye ecuaciones

1. 
   y1=a11x1+ε1
2. 
   y2=a22x2+ε2
3. 
   y1=δ11x1+u1
4. 
   y2=δ22x2+u2
5. 
   y1=δ11x1+δ12x2+u1
6. 
   y2=δ21x1+δ22x2+u2

1. 
   La forma reducida del modelo es el resultado de la transformación...
   1. 
      Ecuaciones de regresión no lineal
   2. 
      Forma estructural del modelo.
   3. 
      Sistemas de ecuaciones independientes.
   4. 
      Sistemas de ecuaciones recursivas.

62.Forma reducida del modelo de dinámica de precios y salarios.

y2 – tasa de cambio de precio,

x1 – porcentaje de desempleados,

x3 – tasa de cambio en los precios de las materias primas importadas,

parece...

1. 
   y1=δ11x1+ε1,y2=δ22x2+δ23x3+ε2
2. 
   y1=δ12y2+δ11x1+ε1,y2=δ21y1+δ22x2+δ23x3+ε2
3. 
   y1=δ12y2+ε1,y2=δ21y1+ε2
4. 
   y1=δ11x1+δ12x2+δ13x3+ε1,y2=δ21x1+δ22x2+δ23x3+ε2

63. La unicidad de la correspondencia entre las formas reducida y estructural del modelo de un sistema de ecuaciones simultáneas constituye un problema...

1. 
   multicolinealidad de factores
2. 
   identificación
3. 
   heterocedasticidad de residuos
4. 
   heterogeneidad de datos

64. Establecer una correspondencia entre el tipo de modelo estructural y la correspondencia entre los coeficientes estructurales y reducidos...

65. Utilizando la condición de identificación necesaria para el modelo de dinámica de precios y salarios, indique las afirmaciones correctas...

y1=b12y2+a11x1+ε1, y2=b21y1+a22x2+a23x3+ε2,

donde y1 es la tasa de cambio del salario mensual,

y2 – tasa de cambio de precio,

x1 – porcentaje de desempleados,

x2 – tasa de cambio del capital constante,

x3 – tasa de cambio en los precios de las materias primas importadas

1. 
   ambas ecuaciones son exactamente identificables
2. 
   ambas ecuaciones no son identificables
3. 
   ambas ecuaciones son sobreidentificables
4. 
   la primera ecuación es demasiado identificable
5. 
   la segunda ecuación es precisamente identificable

66. Sea D el número de variables exógenas que están contenidas en el sistema, pero que no están contenidas en esta ecuación. Para la primera ecuación del modelo de dinámica de precios y salarios, el valor de D es igual a...

y1=b12y2+a11x1+ε1, y2=b21y1+a22x2+a23x3+ε2,

Respuesta: 2

y1=b12y2+a11x1+ε1, y2=b21y1+a22x2+a23x3+ε2,

68. Sea H el número de variables endógenas en el sistema, D el número de variables exógenas que están contenidas en el sistema pero que no están contenidas en esta ecuación. Para la primera ecuación del modelo de dinámica de precios y salarios, el valor (H – D) es igual a...

y1=b12y2+a11x1+ε1, y2=b21y1+a22x2+a23x3+ε2,

Respuesta: 0

70. Establecer una correspondencia de la regla de conteo con la condición de identificación necesaria, si H es el número de variables endógenas en el sistema, D es el número de variables exógenas que están contenidas en el sistema, pero no están contenidas en esta ecuación

71. MCO convencional se utiliza con éxito para estimar coeficientes estructurales...

1. 
   Sistemas de ecuaciones no identificables.
2. 
   Sistemas de ecuaciones recursivas (modelos triangulares)
3. 
   Sistemas de ecuaciones interrelacionadas o simultáneas.
4. 
   Sistemas de ecuaciones-identidades.
5. 
   Sistemas de ecuaciones independientes.

72. Para una forma estructural identificable de un sistema de ecuaciones simultáneas, al estimar parámetros, ...

73. Para una forma estructural sobreidentificada de un sistema de ecuaciones simultáneas, al estimar parámetros, ...

1. 
   Método de mínimos cuadrados ordinario
2. 
   Método de mínimos cuadrados indirectos
3. 
   Mínimos cuadrados de dos pasos
4. 
   Método de mínimos cuadrados de tres pasos

q=……….. mín.corresponde método de mínimos cuadrados

Autocorrelación es la dependencia de correlación de los niveles de la serie con respecto a los valores anteriores.

La autocorrelación existe cuando cada valor subsiguiente de los restos

El modelo aditivo de series de tiempo tiene la forma: Y=T+S+E

Se puede utilizar una variable de atributo cuando: la variable independiente es cualitativa;

¿Dentro de qué límites cambia el coeficiente determinante?: de 0 a 1.

¿En qué caso se considera adecuado el modelo? Fcalc>Ftabla

Como resultado de la autocorrelación tenemos estimaciones de parámetros ineficientes

En un modelo bien ajustado, los residuos deberían y tener una ley normal

En análisis econométricoxjestán siendo considerados como variables aleatorias

El valor del intervalo de confianza nos permite establecer el supuesto de que: el intervalo contiene una estimación del parámetro de la incógnita.

El valor calculado por la fórmula.r=...es una estimación probabilidades de par Correlaciones

Regresión no lineal intrínseca Es una regresión verdaderamente no lineal que no se puede reducir a una regresión lineal transformando variables e introduciendo nuevas variables.

Series de tiempo es una secuencia de valores de una característica (variable resultante) tomados a lo largo de momentos o periodos de tiempo sucesivos.

Elija un modelo con retrasosУt= a+b0x1…….(fórmula más larga)

Valor selectivo Rxy no > 1, |R|< 1

Coeficiente de correlación muestralren términos absolutos no excede la unidad

heterocedasticidad- violación de la constancia de la varianza para todas las observaciones.

La heterocedasticidad está presente cuando: la varianza de los residuos aleatorios no es constante

La heteroskydasticidad es cuando la varianza de los residuos es diferente

Se ha comprobado la hipótesis sobre la ausencia de autocorrelación de residuos, si Dtable2...

homocedasticidad- constancia de dispersión para todas las observaciones, o la misma dispersión de cada desviación (resto) para todos los valores de las variables factoriales.

homoskidasticidad– esto es cuando la varianza de los residuos es constante e igual para todas... las observaciones.

Dispersión- indicador de variación.

Para determinar los parámetros de un modelo no identificado, se utiliza lo siguiente: ninguna de las entidades. Los métodos no se pueden aplicar.

Para determinar parámetros más allá del modelo identificado, utilice: aplica. OLS de 2 pasos

Para determinar los parámetros, la forma estructural del modelo debe convertirse en forma reducida del modelo

Para determinar los parámetros de un modelo identificable con precisión: se utiliza MCO indirecto;

Para evaluar... cambiosydeXingresó: coeficiente de elasticidad:

Para regresión por pares ơ²bes igual….(xi-x¯)²)

Para probar la importancia de los parámetros de regresión individuales, utilizamos: prueba t.

Para la regresióny= a+ bxdenorteintervalo de confianza de las observaciones (1-a)% para el coeficiente.bserá b±t…….·ơb

Para la regresión denorteobservaciones ymetrovariables independientes existe tal relación entreR² yF..=[(n-m-1)/m](R²/(1- R²)]

probabilidad de confianza es la probabilidad de que el valor real del indicador de desempeño caiga dentro del intervalo de pronóstico calculado.

Supongamos que dos modelos son adecuados para describir un proceso económico. Ambos son adecuadosFCriterio de Fisher. que ventaja darle, por ese gato: mayor que el valor del criterio F

Supongamos que la dependencia de los gastos de los ingresos se describe mediante la funcióny= a+ bxel valor promedio y=2...es igual 9

SiRxyes positivo, entonces a medida que x aumenta, y aumenta.

Si hay una variable insignificante en la ecuación de regresión, entonces se revela por un valor bajo. estadísticas t

Si un factor cualitativo tiene 3 gradaciones, entonces el número requerido de variables ficticias 2

Si el coeficiente de correlación es positivo, entonces en el modelo lineal a medida que x aumenta, y aumenta

Si estamos interesados ​​en utilizar variables de atributos para mostrar el efecto de diferentes meses, deberíamos utilizar 11 métodos de atributos.

Si el modelo de regresión tiene una relación exponencial, entonces El método de mínimos cuadrados es aplicable después de la reducción a forma lineal.

La relación entre el coeficiente de determinación múltiple (D) y correlaciones (R) se describe mediante el siguiente método R=√D

Importancia de la ecuación de regresión- la presencia real de la dependencia en estudio, y no simplemente una coincidencia aleatoria de factores que simulan una dependencia que en realidad no existe.

Se evalúa la importancia de la ecuación de regresión en su conjunto.: -Prueba F de Fisher

La importancia de las cuotas privadas y pareadas. se verifican las correlaciones. mediante el uso:-Prueba t de Student

Intercorrelación y multicolinealidad relacionada.- se trata de una relación estrecha entre factores que se acerca a una relación lineal completa.

¿Qué característica estadística se expresa mediante la fórmula?R²=… coeficiente de determinación

¿Qué característica estadística se expresa mediante la fórmula?: r xy = California(X; y) dividir por la raízvar(X)* var(y): coeficiente. correlaciones

¿Qué función se utiliza al modelar modelos con crecimiento constante? fuerza

¿Qué puntos quedan excluidos de la serie temporal mediante el procedimiento de suavizado? tanto al principio como al final.

¿Qué ecuación de regresión es una ecuación de potencia? y= a˳ aͯ¹ a

El método clásico para estimar parámetros de regresión se basa en:- método de mínimos cuadrados (LSM)

Número de grados de libertad paratEstadísticas al probar la importancia de los parámetros de regresión de 35 observaciones y 3 variables independientes. 31;

Número de grados de libertad del denominadorF-estadísticas en regresión de 50 observaciones y 4 variables independientes: 45

Componentes vectorialesEiY tener una ley normal

Correlación- dependencia estocástica, que es una generalización de una dependencia funcional estrictamente determinista al incluir un componente probabilístico (aleatorio).

Coeficiente de autocorrelación: caracteriza la cercanía de la relación lineal entre los niveles actuales y futuros de la serie

Coeficiente de determinación- indicador de la cercanía de la conexión estocástica en el caso general de regresión no lineal

Coeficiente de determinación es una cantidad que caracteriza la relación entre variables dependientes e independientes.

El coeficiente de determinación es coeficiente de correlación múltiple al cuadrado

El coeficiente de determinación es: un valor que caracteriza la relación entre las variables independientes y dependientes (dependientes);

Coeficiente de determinaciónRmuestra la proporción de variación en la variable dependiente y que se explica por la influencia de los factores incluidos en el modelo.

El coeficiente de determinación varía dentro: - de 0 a 1

factor de confianza- este es un coeficiente que conecta los errores límite y promedio con una dependencia lineal, aclara el significado del error límite que caracteriza la precisión de la estimación y es un argumento a favor de la distribución (más a menudo, la integral de probabilidad). Esta probabilidad es el grado de confiabilidad de la evaluación.

Factor de confianza (desviación normalizada)- el resultado de dividir la desviación del promedio por la desviación estándar caracteriza significativamente el grado de confiabilidad (confianza) de la evaluación resultante.

Coeficiente de correlaciónRxyusado para determinar la integridad de la conexión entre X e Y.

El coeficiente de correlación varía dentro del rango: de -1 a 1

Un coeficiente de correlación de 0 significa que: - sin conexión lineal .

Un coeficiente de correlación de 1 significa que: -existe una dependencia funcional.

El coeficiente de correlación se utiliza para: determinar la cercanía de la conexión entre las variables aleatorias X e Y;

El coeficiente de correlación se calcula para medir el grado de relación lineal entre dos variables aleatorias.

Coeficiente de correlación lineal- un indicador de la cercanía de la relación estocástica entre el factor y el resultado en el caso de regresión lineal.

Coeficiente de regresion- coeficiente de la variable factor en el modelo de regresión lineal.

Coeficiente de regresionbmuestra:¿En cuántas unidades aumenta y si x aumenta en 1?

El coeficiente de regresión varía dentro: se aplica cualquier valor; de 0 a 1; de -1 a 1;

El coeficiente de elasticidad se mide en: cantidad inconmensurable.

El criterio de Darwin-Chatson se utiliza para: - selección de factores en el modelo; o - definiciones de autocorrelación en residuos

prueba t de Student- comprobar la importancia de los coeficientes de regresión individuales y la importancia del coeficiente de correlación.

La prueba de Fisher muestra la significancia estadística del modelo en su conjunto basada en la significancia combinada de todos sus coeficientes;

Variables rezagadas: - son variables relacionadas con momentos anteriores en el tiempo; o - estos son los valores dependientes. cambiar. para el período de tiempo anterior.

Las variables rezagadas son valor de las variables dependientes para el período de tiempo anterior

El modelo en su conjunto es estadísticamente significativo si Fcalc > Ftab.

El modelo se identifica si:- el número de parámetros del modelo estructural es igual al número de parámetros dados. formas del modelo.

El modelo no está identificado si:- se da el número. coeficiente . más número de coeficientes estructurales

Un modelo está sobreidentificado si: número dado. coeficiente menor que el número de coeficientes estructurales

La multicolateralidad ocurre cuando: inclusión errónea de 2 o más variables linealmente dependientes en la ecuación; 2. dos o más variables explicativas, normalmente débilmente correlacionadas, se vuelven altamente correlacionadas bajo condiciones de muestra específicas; . En el modelo se incluye una variable que está altamente correlacionada con la variable dependiente.

El modelo de series de tiempo multiplicativas tiene la forma:-Y=T*S*E

Se construye un modelo de series de tiempo multiplicativo si: la amplitud de las fluctuaciones estacionales aumenta o disminuye

Basado en datos trimestrales...valores 7-1 trimestre, 9-2 trimestre y 11-3 trimestre...-5

La elección incorrecta de la forma funcional o de las variables explicativas se denomina errores de especificación

La insesgación de la estimación del parámetro de regresión obtenida utilizando MCO significa:- que se caracterice por tener la menor dispersión.

Un problema que puede surgir en la regresión multivariada y que nunca ocurre en la regresión por pares es la correlación entre variables independientes.

Lo que determina el número de puntos excluidos de la serie temporal como resultado del suavizado: dependiendo del método de alisado utilizado.

Tenga en cuenta los principales tipos de errores de especificación: descartar una variable significativa; agregar una variable insignificante;

Las estimaciones de los coeficientes de regresión por pares son insesgadas si: expectativas matemáticas de los restos =0.

Las estimaciones de parámetros para la regresión lineal pareada se encuentran mediante la fórmula b= Cov(x;y)/Var(x);a=y¯ bx¯

Las estimaciones de los parámetros de regresión son insesgadas si La expectativa matemática del resto es 0.

Las estimaciones de los parámetros de regresión son consistentes si: - la precisión de la estimación aumenta con n, es decir, a medida que n aumenta, la probabilidad de realizar una estimación a partir del valor real del parámetro tiende a 0.

Estimaciones de regresión de fenómenos por pares. efectivo si: Las evaluaciones tienen la menor dispersión en comparación con otras evaluaciones.

En presencia de heterocedasticidad se debe utilizar lo siguiente:- mínimos cuadrados generalizados

Al comprobar el significado de todos los parámetros simultáneamente, se utiliza lo siguiente:-Prueba F.

Al comprobar la importancia de todos los parámetros de regresión simultáneamente, se utiliza lo siguiente: Prueba F.

¿Es aplicable el método de mínimos cuadrados para calcular los parámetros de dependencia exponencial? aplicable después de su reducción

¿Es aplicable el método de mínimos cuadrados (LSM) para calcular los parámetros de modelos no lineales? aplicable después de su reducción especial a forma lineal

¿Qué criterio se utiliza para evaluar la importancia de un coeficiente de regresión? T del estudiante

Con un aumento en el número de variables explicativas, el coeficiente de determinación correlacionado es:- aumenta.

La relación entre el índice de determinación múltiple.R ² e índice ajustado de determinación múltipleȒ² Hay

Equilibrado coeficiente determinación:- coeficiente superior al habitual. determinación

El coeficiente estandarizado de la ecuación de regresión Ƀk muestra¿En cuánto % cambiará el indicador resultante y cuando xi cambie en un 1% con el nivel promedio de otros factores sin cambios?

Coeficiente de ecuación de regresión estándar: muestra cuánto cambiará 1 y cuando el factor xk cambie en 1 manteniendo el otro.

La esencia del coeficiente. determinaciónr 2 xy es como sigue:- caracteriza la proporción de varianza de la característica resultante y explicable. regresión., en la varianza total del rasgo resultante.

El valor de la tabla de la prueba de Student depende de nivel probabilidad de confianza y del número de factores incluidos y de la longitud de la serie original (del nivel de significancia aceptado y del número de grados de libertad (n - m -1))

Valores de la tabla de Fisher (F) depender de la probabilidad de confianza y del número de factores incluidos y de la longitud de la serie original (de la probabilidad de confianza pag y el número de grados de libertad de las dispersiones. f1 Y f2)..

La ecuación en la quehDnúmero de variables exógenas faltantes, identificadas si D+1=H

La ecuación en la quehnúmero de variables endógenas,Dnúmero de variables exógenas faltantes, NO identificables si D+1

La ecuación en la quehnúmero de variables endógenas,Dnúmero de variables exógenas faltantes, sobreidentificadas si D+1>H

La ecuación se identifica si:-D+1=H

La ecuación no se identifica si:-D+1

Una ecuación está sobreidentificada si:-D+1>H

Las variables ficticias son: características atributivas (por ejemplo, profesión, género, educación), a las que se les asignaron etiquetas digitales;

Fórmulat= rxy....usado para p comprobar la importancia del coeficiente de correlación

PrivadoF-criterio:- evalúa la importancia de la ecuación de regresión en su conjunto

El número de grados de libertad para la suma de cuadrados de los factores en un modelo de regresión lineal múltiple es: metro;

¿Qué muestra el coeficiente de pendiente?¿Cuántas unidades cambiará y si x cambia en uno?

¿Qué muestra el coeficiente? crecimiento absoluto¿En cuántas unidades cambiará y si x cambia en uno?

Variable exógena es la variable independiente o factor X.

Variables exógenas- estas son variables que se determinan fuera del sistema y son independientes

Variables exógenas- Este las variables predeterminadas que influyen en las variables dependientes (variables endógenas), pero que no dependen de ellas, se denotan por x

Se mide la elasticidad unidad de medida del factor...indicador

La elasticidad muestra¿En cuánto % cambiará el indicador reductor y cuando el factor cambie en un 1%? xk.

Las variables endógenas son: variables dependientes, cuyo número es igual al número de ecuaciones del sistema y que se denotan por y

Definiciones

Relación T (prueba t)- la relación entre la estimación del coeficiente obtenida utilizando MCO y el error estándar del valor estimado.

Modelo aditivo de series de tiempo Es un modelo en el que la serie temporal se presenta como la suma de los componentes enumerados.

Criterio de Fisher- un método para probar estadísticamente la importancia de una ecuación de regresión, en el que el valor calculado (real) del índice F se compara con su valor crítico (teórico).

Regresión lineal es una relación (regresión), que está representada por una ecuación en línea recta y expresa la relación lineal más simple.

Método de variables instrumentales- Este es un tipo de multinacional. Se utiliza para estimar los parámetros de modelos descritos por varias ecuaciones. La propiedad principal es la sustitución parcial de una variable explicativa inadecuada por una variable que no está correlacionada con el término aleatorio. Esta variable proxy se denomina variable instrumental y da como resultado estimaciones de parámetros consistentes.

Método de mínimos cuadrados (LSM)- un método para encontrar (estimar) aproximadamente coeficientes (parámetros) de regresión desconocidos. Este método se basa en el requisito de minimizar la suma de las desviaciones al cuadrado de los valores de los resultados calculados a partir de la ecuación de regresión y los valores de los resultados verdaderos (observados).

Regresión lineal múltiple es una regresión múltiple que representa una relación lineal para cada factor.

Regresión múltiple- regresión con dos o más variables factoriales.

Modelo identificado- un modelo en el que todos los coeficientes estructurales están determinados únicamente por los coeficientes de la forma reducida del modelo.

Modelo de ecuaciones recursivas- un modelo que contiene variables dependientes (resultantes) de algunas ecuaciones como factor, que aparecen en el lado derecho de otras ecuaciones.

Modelo multiplicativo– un modelo en el que la serie temporal se presenta como producto de los componentes enumerados.

Estimación imparcial- una valoración cuya media sea igual al valor objeto de valoración.

Hipótesis nula- el supuesto de que el resultado no depende del factor (el coeficiente de regresión es cero).

Mínimos cuadrados generalizados (GLS)- un método que no requiere una dispersión constante (homoscedasticidad) de los residuos, pero supone que los residuos son proporcionales al factor común (varianza). Por tanto, es un MCO ponderado.

Varianza explicada- un indicador de la variación del resultado debido a la regresión.

Variable explicada (de resultado)- una variable que depende estadísticamente de una variable factorial o explicativa (regresora).

varianza residual- varianza inexplicable, que muestra la variación en el resultado bajo la influencia de todos los demás factores no tenidos en cuenta en la regresión.

Variables predefinidas son variables exógenas del sistema y variables endógenas rezagadas del sistema.

Forma reducida del sistema.- una forma que, a diferencia de la estructural, ya contiene sólo variables endógenas que dependen linealmente de variables exógenas. Exteriormente, no se diferencia de un sistema de ecuaciones independientes.

Valor de relación F calculado- el valor obtenido dividiendo la varianza explicada por 1 grado de libertad por la varianza residual por 1 grado de libertad.

Regresión (dependencia)- este es el promedio (suavizado), es decir libre de fluctuaciones aleatorias a pequeña escala (fluctuaciones), relación cuasi determinista entre la(s) variable(s) que se explica(n) y la(s) variable(s) explicativa(s). Esta conexión se expresa mediante fórmulas que caracterizan la dependencia funcional y no contienen variables explícitamente estocásticas (aleatorias), que ahora ejercen su influencia como un efecto resultante, tomando la forma de una dependencia puramente funcional.

Regresor (variable explicativa, variable factorial) es una variable independiente que está estadísticamente relacionada con la variable de resultado. La naturaleza de esta relación y el impacto de los cambios (variaciones) en el regresor sobre el resultado se estudian en econometría.

Sistema de ecuaciones interconectadas. es un sistema de ecuaciones simultáneas o interdependientes. En él, las mismas variables aparecen simultáneamente como dependientes en unas ecuaciones y a la vez independientes en otras. Ésta es la forma estructural de un sistema de ecuaciones. LSM no le es aplicable.

Sistema de ecuaciones aparentemente no relacionadas.- un sistema que se caracteriza por la presencia únicamente de correlaciones entre residuos (errores) en diferentes ecuaciones del sistema.

Resto aleatorio (desviación)- Se trata de un proceso puramente aleatorio en forma de oscilaciones de pequeña escala, que no contiene ya el componente determinista presente en la regresión.

Evaluaciones consistentes- estimaciones que permiten el uso eficaz de intervalos de confianza, cuando la probabilidad de obtener una estimación a una distancia determinada del valor real del parámetro se acerca a 1, y la precisión de las estimaciones mismas aumenta al aumentar el tamaño de la muestra.

especificación del modelo- identificación de factores significativos e identificación de multicolinealidad.

Error estándar- raíz de la desviación cuadrática media (estándar). Está relacionado con el error promedio y el factor de confianza.

Grados de libertad- Son cantidades que caracterizan el número de parámetros independientes y son necesarias para encontrar las tablas de distribución de sus valores críticos.

Tendencia- la principal tendencia de desarrollo, un patrón suave y estable de cambios en los niveles de la serie.

Nivel significativo- un valor que muestra la probabilidad de una conclusión errónea al probar una hipótesis estadística utilizando un criterio estadístico.

Variables ficticias- son variables que reflejan los componentes estacionales de la serie para cualquier período.

Modelo econométrico- es una ecuación o sistema de ecuaciones que de manera especial representa la(s) dependencia(s) entre el resultado y los factores. La base del modelo econométrico es la descomposición de la relación compleja y poco comprendida entre el resultado y los factores en la suma de los dos componentes siguientes: regresión (componente de regresión) y residuo aleatorio (fluctuación). Otra clase de modelos econométricos produce series temporales.

Eficiencia de la evaluación- Esta es la propiedad de una evaluación de tener la variación más pequeña de todas las posibles.

o – Elija una respuesta.

□ – Elija varias opciones de respuesta.

– Anota la solución y la respuesta.

– seleccionar opciones según la secuencia especificada

1. Escriba una fórmula para calcular la expectativa matemática de una variable aleatoria:

2. La expectativa matemática de una variable aleatoria es igual a. ¿Cuál es la expectativa matemática de una variable aleatoria?

3. Se conocen la expectativa matemática de la variable aleatoria y la varianza. Encuentre la expectativa matemática y la varianza de la variable aleatoria.

4. Si los valores de cada variable aleatoria se incrementan 10 veces, entonces el valor promedio:

o Disminuirá 10 veces;

o Aumentará 10 veces;

o Incremento del 10%;

o No cambiará.

5. La suma de las desviaciones de los valores de una variable aleatoria del valor promedio es siempre:

o Positivo;

o Negativo;

o Igual a cero;

o En cada caso es diferente.

6. Sean , variables aleatorias con varianzas y covarianza. ¿A qué es igual?

7. El coeficiente de correlación lineal se mide en el intervalo:

8. El valor del coeficiente de determinación...

o Evalúa la importancia de cada factor incluido en la ecuación de regresión;

o Caracteriza la proporción de la varianza de la característica resultante explicada por la ecuación en la varianza total;

o Caracteriza la proporción de la varianza del valor residual en la varianza total de la característica resultante;

o Evalúa la significancia del coeficiente de correlación.

9. Establecer una correspondencia entre los nombres de los elementos de la ecuación de regresión y correlación y sus designaciones de letras:

1) Parámetros de regresión __________;

2) Variable explicativa ______;

3) Coeficiente de correlación ______;

4) Variable explicada _______;

5) Variable aleatoria ___________;

6) Coeficiente de determinación ____.

10. El valor del coeficiente de correlación es 0,81. Podemos concluir que la relación lineal entre la característica resultante y el factor es:

o Bastante apretado;

o Funcional;

o Fuerza media.

11. El valor del coeficiente de correlación es – 0,9. Podemos concluir que la relación lineal entre la característica resultante y el factor es:

o Bastante apretado;

o Funcional;

o Fuerza media.

12. El coeficiente de elasticidad muestra:

o ¿Cuántas veces cambiará el resultado en promedio si el factor cambia dos veces?

o El valor máximo posible del resultado;

o ¿En qué porcentaje cambiará el resultado promedio cuando el factor aumente en un 1%?

o ¿En qué porcentaje cambiará el factor promedio cuando el resultado aumente en un 1%?

13. El coeficiente de elasticidad para la ecuación de regresión de potencia es igual a:

14. La esencia del método de mínimos cuadrados es:

o Al maximizar la suma de las desviaciones al cuadrado del valor real de la variable dependiente de su valor teórico;

o Al minimizar la suma de las desviaciones al cuadrado del valor real de la variable dependiente de su valor teórico;

o Minimizar la suma de las desviaciones de los valores reales y teóricos;

o En maximizar los valores absolutos de las desviaciones de los valores reales y teóricos.

15. Si el coeficiente de correlación es 1,2. Esto significa que…

o La relación entre las características es fuerte;

o La relación entre las características es débil;

o Con un aumento del factor del 1%, el atributo efectivo aumenta del 1,2%;

o Esto no puede suceder.

16. Al estudiar la dependencia de un indicador económico de determinados factores, se obtuvieron los siguientes valores de coeficientes de elasticidad: ; ; Y . Clasifique los factores en orden descendente de influencia sobre el indicador económico en estudio.

17. Se determinan los parámetros de la ecuación de regresión lineal:

o Método de Spearman;

o criterio de Fisher;

o Prueba de Durbin-Watson.

18. La evaluación estadística de la importancia de los parámetros de la ecuación de regresión lineal pareada se verifica mediante:

o criterio de Fisher;

o Prueba t de Student;

o Método de mínimos cuadrados;

o Prueba de Spearman.

19. Para una muestra estadística que consta de 22 observaciones, el valor real F El criterio de Fisher es 52. Ecuación de regresión. El coeficiente de correlación lineal en este caso es igual a...

20. Para 27 empresas que producen los mismos productos, se construyó una relación lineal entre los volúmenes de ventas y los costos de publicidad. La desviación estándar es 4,7. La desviación estándar es 3,4. El coeficiente lineal de determinación en este caso es igual a...

21. El coeficiente de regresión lineal, si se conoce, es igual a...

22. La tendencia de una serie temporal caracteriza una combinación de factores...

o Inducir fluctuaciones estacionales en la serie;

o Tener un impacto único;

o No afectar el nivel de fila;