Ökonomeetria selle sõna laiemas tähenduses tähendab. Test. Aegrida. Statsionaarses aegreas trendikomponent

Pikka aega oli ökonomeetria kaks erinevat määratlust: "ökonomeetriast selle sõna laiemas tähenduses" kuni "ökonomeetriast selle sõna kitsas tähenduses". "Ökonomeetria selle sõna laiemas tähenduses" viitab mitmesugustele matemaatilisi meetodeid kasutades läbi viidud majandusuuringute kogumile. “Ökonomeetria kitsamas tähenduses” all peame silmas peamiselt matemaatiliste ja statistiliste meetodite rakendamist majandusuuringutes: majandusnähtuste matemaatiliste ja statistiliste mudelite koostamist, parameetrite hindamist mis tahes tüüpi mudelites jne.

Nimetuse “ökonomeetria” võttis selle majandussuuna rajaja Ragnar Frisch 1926. aastal kasutusele. Keeleliselt on mõiste “ökonomeetria” saksa päritolu (Okonometrie). See termin ilmus esmakordselt 1910. aastal saksakeelses raamatupidamise raamatus, mille autor mõistis selle järgi raamatupidamise teooriat. Sõna-sõnalt tõlgituna tähendab ökonomeetria “mõõtmisi majanduses” (võib võrrelda biomeetria, saientomeetria, astromeetria, sotsiomeetria, psühhomeetria, polümeetriaga).

Siiski võime praegu täiesti kindlalt väita, et S.A. Ayvazyan ja V.S. Mkhitaryan on oma viimases õpikus kõige objektiivsem, kaasaegsem ja täpsem:

Definitsioon: Ökonomeetria on iseseisev teadusharu, mis ühendab endas teoreetilisi tulemusi, tehnikaid, meetodeid ja mudeleid, mille eesmärk on

- majandusteooria,

- majandusstatistika,

- matemaatilised ja statistilised vahendid

- annavad majandusteooria poolt määratud üldistele (kvantitatiivsetele) mustritele spetsiifilise kvantitatiivse väljenduse.

Nagu näeme, vastab see määratlus täielikult R. Frischi poolt seitsekümmend aastat tagasi kasutusele võetud määratlusele. Ta uskus, et ökonomeetria peaks järgima kolmekordset valemit, ühendades teoreetilise analüüsi, empiirilised andmed ja matemaatilised meetodid.

Majandusteooriast ökonomeetria raames rääkides ei huvita teadlasi mitte ainult objektiivselt eksisteerivate (kvalitatiivsel tasemel) majandusseaduste ja majandusnäitajate vaheliste seoste tuvastamine, vaid ka lähenemised nende formaliseerimisele. Arvestades majandusstatistikat ökonomeetria lahutamatu osana, huvitab teadlasi selle iseseisva distsipliini ainult see aspekt, mis on otseselt seotud analüüsitava ökonomeetrilise mudeli infotoega. Ja lõpuks, ökonomeetria matemaatilised ja statistilised tööriistad ei tähenda loomulikult mitte matemaatilist statistikat selle traditsioonilises tähenduses, vaid ainult selle üksikuid sektsioone (regressioonanalüüsi klassikalised ja üldistatud lineaarsed mudelid, aegridade analüüs, samaaegsete võrrandite süsteemide konstrueerimine ja analüüs) . Neid matemaatilise statistika jaotisi tuleks täiendada teatud teabega (regressioonimudelite eritüübid, lähenemised spetsifikatsiooniprobleemide lahendamisele, mudelite identifitseeritavus ja kontrollitavus jne).

Kõigis ökonomeetria tegevustes on mudeli kasutamine hädavajalik. Seetõttu on väga oluline jälgida kogu selle mõistega seotud definitsioonide "ahelat".

Matemaatiline mudel on reaalse maailma abstraktsioon, milles uurijat huvitavate reaalsete elementide vahelised suhted on asendatud sobivate seostega matemaatiliste kategooriate vahel.

Majanduslik ja matemaatiline mudel – on mis tahes matemaatiline mudel, mis kirjeldab teatud hüpoteetilise majandussüsteemi või sotsiaal-majandusliku süsteemi toimimismehhanismi. Mõnikord võib sama mudelit lihtsalt nimetada majanduslik . (Sellise mudeli näiteks on nn veebimudeli lihtsaim versioon, mis kirjeldab nõudluse ja pakkumise tekitamise protsessi teatud toote või teenuseliigi järele konkurentsil turul).

Kui majandus-matemaatilise mudeli definitsioonis ei räägita ühestki matemaatilisest mudelist, vaid tõenäosusteooria ja matemaatilise statistika aparaadi abil konstrueeritud mudelist, siis ökonomeetrilisest mudelist saame juba aimu. Kuid selleks peaksite meeles pidama järgmisi määratlusi.

Tõenäosuslik mudel - see on matemaatiline mudel, mis simuleerib toimimismehhanismi hüpoteetiline(mitte konkreetne) stohhastilise iseloomuga reaalne nähtus (või süsteem).

Tõenäosuslik-statistiline mudel – see on tõenäosusmudel, mille üksiktunnuste (parameetrite) väärtusi hinnatakse modelleeritava toimimist iseloomustavate vaatluste tulemuste (esialgsete statistiliste andmete) põhjal. spetsiifiline(mitte hüpoteetiline) nähtus (või süsteem).

Lõpuks võime rääkida ökonomeetrilisest mudelist:

Ökonomeetriline mudel nimetatakse tõenäosus-statistiliseks mudeliks, mis kirjeldab majandus- või sotsiaal-majandusliku süsteemi toimimismehhanismi.

Igas ökonomeetrilises mudelis jagatakse kõik sellega seotud muutujad olenevalt rakenduse lõplikest eesmärkidest eksogeenseteks, endogeenseteks ja ettemääratud:

eksogeensed muutujad(ekzo-väljas, genoosne päritolu)- need on muutujad, mis on seatud justkui "väljastpoolt", autonoomselt ja on teatud määral juhitavad (planeeritavad);

endogeensed muutujad(endo-sisemine, genoosne-päritolu) on muutujad, mille väärtused kujunevad protsessis ja sees analüüsitava sotsiaal-majandusliku süsteemi toimimine olulisel määral eksogeensete muutujate mõjul ja loomulikult ka vastastikmõjus; ökonomeetrilises mudelis on need selgitamise objektiks;

eelmääratletud muutujad- need on muutujad, mis toimivad süsteemis kui tegurid – argumendid, või selgitades muutujad.

Ettemääratletud muutujate hulk moodustub kõigist eksogeensetest muutujatest (mida saab “siduda” nii mineviku, hetke kui ka tulevaste ajapunktidega) ja nn. mahajäänud endogeensed muutujad, need. sellised endogeensed muutujad, mille väärtused sisalduvad analüüsitava ökonomeetrilise süsteemi võrrandites mõõdetuna. minevik(praeguse suhtes) ajahetked ja seega on juba teada, antud.

Ökonomeetria testid - lk nr 1/1

Ökonomeetrilised testid
Sissejuhatus

1. 
   Ökonomeetrilisel mudelil on vorm
   1. 
      y=fx
   2. 
      y=a+b1x+b2x2
   3. 
      y=fx+ε
   4. 
      y=fx

1. 
   Matš

1. 
   Regressioon on
   1. 
      saadud muutuja väärtuste sõltuvus selgitavate muutujate (tegurite) väärtustest
   2. 
      reegel, mille kohaselt seostatakse ühe muutuja iga väärtus teise muutuja ühe väärtusega
   3. 
      reegel, mille kohaselt seostatakse sõltumatu muutuja iga väärtus sõltuva muutuja väärtusega
   4. 
      saadud muutuja keskmise väärtuse sõltuvus selgitavate muutujate (tegurite) väärtustest

1. 
   Vähima ruudu meetod …
   1. 
      Võimaldab saada lineaarse regressiooni parameetrite hinnanguid tingimuse i=1nyi-yi2→min alusel
   2. 
      Võimaldab saada regressiooniparameetrite hinnanguid tingimuse ln⁡(i=1nf(yi,)→max alusel
   3. 
      Võimaldab kontrollida regressiooniparameetrite statistilist olulisust
   4. 
      Võimaldab saada mittelineaarse regressiooni parameetrite hinnanguid tingimuse i=1ny-yi2→min alusel

1. 
   Lineaarne mitmikregressiooni võrrand
   1. 
      y=a+bx
   2. 
      y=a+b1x1+b2x2+…+bpxp
   3. 
      y=ax1b1x2b2…xpbp
   4. 
      yt=Tt+St+Et

1. 
   Lineaarse mitme regressiooni võrrandi jaoks sobitage

1. 
   Regressioonimudeli spetsifikatsiooni probleem hõlmab
   1. 
      Regressioonivõrrandis sisalduvate tegurite valik
   2. 
      Regressioonivõrrandi parameetrite hindamine
   3. 
      Regressioonanalüüsi tulemuste usaldusväärsuse hindamine
   4. 
      Regressioonivõrrandi tüübi valimine

1. Nõuded lineaarses mitmikregressioonimudelis sisalduvatele teguritele...

1. 
   Tegurite arv peaks olema 6 korda väiksem rahvastiku mahust
2. 
   Tegurid peavad esindama aegridu
3. 
   Faktoritel peab olema sama mõõde
4. 
   Tegurite vahel ei tohiks olla kõrget korrelatsiooni

2. Tõelised väited tegurite multikollineaarsuse kohta

1. 
   Lineaarsesse mitmikregressioonimudelisse on soovitatav kaasata multikollineaarsed tegurid
2. 
   Faktorite multikollineaarsus viib regressioonivõrrandi parameetrite hinnangute usaldusväärsuse vähenemiseni
3. 
   Faktorite multikolineaarsus avaldub paaris interfaktori korrelatsioonikoefitsientide olemasolul väärtustega, mis on suuremad kui 0,7
4. 
   Faktorite multikolineaarsus avaldub paaris interfaktori korrelatsioonikoefitsientide olemasolul väärtustega alla 0,3

3. Õiged väited tegurite kaasamise kohta lineaarse mitmikregressiooni võrrandisse

1. 
   Faktori kaasamine mudelisse toob kaasa mitmekordse määramise koefitsiendi märgatava tõusu
2. 
   Teguri ja tulemusmuutuja paarikorrelatsioonikordaja on väiksem kui 0,3
3. 
   Studenti t-testi väärtus regressioonikordaja jaoks, kui tegur on väiksem kui tabeli väärtus
4. 
   Tegur peab selgitama uuritava näitaja käitumist kooskõlas majandusteoorias aktsepteeritud sätetega

4. Mitmekordse regressioonimudeli koostamisel muutujate samm-sammulise kaasamise meetodil võetakse esimeses etapis arvesse mudelit, millel on...

1. 
   Üks selgitav muutuja, millel on kõige väiksem korrelatsioonikordaja sõltuva muutujaga
2. 
   Üks selgitav muutuja, millel on kõrgeim korrelatsioonikordaja sõltuva muutujaga
3. 
   Mitu selgitavat muutujat, mille msõltuva muutujaga on suuremad kui 0,5
4. 
   Selgitavate muutujate täielik loetelu

1. 
   Lineaarse mitmikregressiooni tegurite parameetrid
   y=a+b1x1+b2x2+…+bpxp iseloomustavad
   1. 
      Tulemusmuutuja dispersiooni osakaal, mis on seletatav selle kogu dispersiooni regressiooniga
   2. 
      Tulemusmuutuja ja vastava teguri vahelise seose tugevus, välistades samas teiste mudelis sisalduvate tegurite mõju
   3. 
      
   4. 
      mitu protsenti keskmiselt muutub saadud muutuja vastava teguri muutusega 1%

5. Muutujate standardimine toimub valemi järgi

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

1. 
   Mitmekordne regressioonivõrrand standardskaalal on ty=20+0,9tx1+0,5tx2+ε. Efektiivset märki mõjutavad suuresti:

1. 
   x1 ja x2
2. 
   järeldust teha ei saa

1. 
   Mitmekordne regressioonivõrrand selle loomulikul kujul on
   y=20+0,7x1+0,5x2+ε. Efektiivset märki mõjutavad suuresti:

1. 
   x1 ja x2
2. 
   järeldust teha ei saa

6. Standardiseeritud kujul oleva regressioonivõrrandi omadused hõlmavad...

1. 
   Seletavate muutujate regressioonikoefitsiendid on omavahel võrdsed
2. 
   Regressioonil ei ole konstantset parameetrit (võrrandi vaba liiget).
3. 
   Standardiseeritud regressioonikoefitsiendid ei ole omavahel võrreldavad
4. 
   Võrrandis sisalduvad muutujad on mõõtmeteta

7. Hinnatakse tegurite ühismõju lähedust tulemusele lineaarses mitmikregressiooni võrrandis.

1. 
   Paari korrelatsioonikordaja
2. 
   Osaline korrelatsioonikordaja
3. 
   
4. 
   

8. Matš

9. Lineaarse seose mitmekordse korrelatsioonikordaja saab arvutada valemi abil

10. Mitmekordse korrelatsioonikordaja kohta käivad tõesed väited

1. 
   Mida lähemal on väärtus ühele Ryx1...xp, seda tihedam on seos efektiivse karakteristiku ja kõigi tegurite vahel
2. 
   Mida lähemal on väärtus nullile Ryx1...xp, seda tihedam on seos efektiivse karakteristiku ja kõigi tegurite vahel
3. 
   Ryx1…xp võtab väärtused intervallist
4. 
   Ryx1…xp võtab väärtused intervallist [– 1, 1]

11. Mitmekordse määramise koefitsient iseloomustab

1. 
   Faktorite ühise mõju lähedus tulemusele lineaarses mitmikregressiooni võrrandis
2. 
   Tulemuse ja vastava teguri vahelise seose lähedus, samas välistades teiste mudelis sisalduvate tegurite mõju
3. 
   Regressiooniga seletatava tulemuseks oleva atribuudi dispersiooni osatähtsus kogu dispersioonis
4. 
   Tulemusmuutuja keskmine muutus koos vastava teguri muutusega ühe võrra, muude tegurite sama väärtusega fikseeritud keskmisel tasemel

12. Ruuthälvete summa (TSS), regressiooni (RSS) ja jääk (ESS) summa ja määramiskordaja R2 puhul on võrdsus täidetud...

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

13. Jääkdispersiooni ja kogu dispersiooni suhe on 0,05. See tähendab …

1. 
   Määramiskoefitsient R2=0,95
2. 
   Määramiskoefitsient R2=0,05
3. 
   Erinevus (1-R2)=0,95, kus R2 on määramistegur
4. 
   Erinevus (1-R2)=0,05, kus R2 on määramistegur

14. Jääkvariatsiooni süstemaatilise vea kõrvaldamiseks kasutatakse kvaliteedi hindamiseks lineaarset mitmekordse regressiooni mudelit.

1. 
   Mitmekordse määramise koefitsient
2. 
   Mitmekordne korrelatsioonikordaja
3. 
   Korrigeeritud mitmekordse määramise koefitsient
4. 
   Kohandatud osaline korrelatsioonikordaja

15. Lineaarse mitme regressiooni võrrandi kui terviku statistilise olulisuse hindamine toimub kasutades

1. 
   Õpilase t test
2. 
   Fisheri kriteerium
3. 
   Durbin-Watsoni test
4. 
   Foster-Stewarti test

16. Lineaarsete mitmikregressioonikordajate statistilise olulisuse hindamine viiakse läbi kasutades

1. 
   Õpilase t test
2. 
   Fisheri kriteerium
3. 
   Durbin-Watsoni test
4. 
   Foster-Stewarti test

17.Kui regressioonikoefitsient on oluline, siis on selle tingimused täidetud

1. 
   Studenti t-testi tegelik väärtus on väiksem kui kriitiline väärtus
2. 
   Studenti t-testi tegelik väärtus on suurem kui kriitiline väärtus
3. 
   Usaldusvahemik läbib nulli
4. 
   Standardviga ei ületa poolt parameetri väärtusest

18.Kui regressioonivõrrand on oluline, siis F-testi tegelik väärtus ...

1. 
   kriitilisem
2. 
   vähem kui kriitiline
3. 
   ühtsusele lähedane
4. 
   nullilähedane

19.MNC-de eeldused on...

1. 
   Juhuslike hälvete dispersioon on kõigi vaatluste puhul konstantne
2. 
   Juhuslike hälvete dispersioon ei ole kõigi vaatluste puhul konstantne
3. 
   Juhuslikud kõrvalekalded korreleeruvad üksteisega
4. 
   Juhuslikud kõrvalekalded on üksteisest sõltumatud

20.Märkige järeldused, mis vastavad jääkide graafikule

1. 
   Rikkutakse OLS-i eeldust jääkide üksteisest sõltumatuse kohta
2. 
   Jääkide vahel on autokorrelatsioon
3. 
   Jääkide käitumises pole mustrit
4. 
   Jääkide autokorrelatsioon puudub

21. Kui vähimruutude meetodi (OLS) eeldused on täidetud, iseloomustatakse regressioonivõrrandi jääke tavaliselt...

1. 
   Null keskmine
2. 
   Heterosklikkus
3. 
   Looduses juhuslik
4. 
   Kõrge autokorrelatsiooni aste

22. Jääkide heteroskedastilisuse tuvastamise meetodid hõlmavad

1. 
   Durbin-Watsoni test
2. 
   Goldfeld-Quandti test
3. 
   Saldode graafiline analüüs
4. 
   Vähima ruudu meetod

23. Mitmekordse regressiooni võrrandi näivad muutujad on...

1. 
   Kvalitatiivsed muutujad teisendati kvantitatiivseteks
2. 
   Muutujad, mis esindavad mudelis juba sisalduvate muutujate lihtsamaid funktsioone
3. 
   Täiendavad kvantitatiivsed muutujad lahenduse täiustamiseks
4. 
   Regressioonivõrrandis sisalduvate tegurite kombinatsioonid, mis suurendavad mudeli adekvaatsust

24. Kajastada kvalitatiivse kaasneva muutuja mõju, millel on m olekud sisalduvad tavaliselt mudelis... näiv muutuja

1. 
   m+12
2. 
   m-12

25. Regressioonid, mis on seletavates muutujates mittelineaarsed, kuid hinnangulistes parameetrites lineaarsed

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. Regressioonid, mittelineaarsed hinnangulistes parameetrites

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. Märkige mudeli kohta õiged väited

y=fx,z∙ε=a∙bx∙cz∙ε

1. 
   Viitab mudelite tüübile, mis on seletavates muutujates mittelineaarsed, kuid hinnangulistes parameetrites lineaarsed
2. 
   Viitab mudelite tüübile, mis on hinnangulistes parameetrites mittelineaarsed
3. 
   Viitab lineaarsete mudelite tüübile
4. 
   Ei saa taandada lineaarsele kujule
5. 
   Saab taandada lineaarsele kujule

28. Märkige mudeli kohta õiged väited

1. 
   Lineaarse mitme regressiooni mudeli lineariseerimine
2. 
   Lineaarse paaripõhise regressioonimudeli lineariseerimine
3. 
   Kuulub selgitavate muutujate poolest mittelineaarsete mudelite klassi, kuid hinnanguliste parameetrite poolest lineaarne
4. 
   Kuulub lineaarsete mudelite klassi

29. Mudel y=a∙bx∙ε kuulub... ökonomeetriliste mittelineaarsete regressioonimudelite klassi

1. 
   rahustav
2. 
   tagurpidi
3. 
   soovituslik
4. 
   lineaarne

30. Mudel y=a∙xb∙ε kuulub... ökonomeetriliste mittelineaarsete regressioonimudelite klassi

1. 
   rahustav
2. 
   tagurpidi
3. 
   soovituslik
4. 
   lineaarne

31. Mudel y=a+bx+cx2+ε kuulub... ökonomeetriliste mittelineaarsete regressioonimudelite klassi

1. 
   rahustav
2. 
   polünoom
3. 
   soovituslik
4. 
   lineaarne

32. Täheldati, et laotatud väetisekoguse suurenemisega suureneb ka saagikus, kuid teatud teguri väärtuse saavutamisel hakkab modelleeritud näitaja langema. Selle seose uurimiseks võite kasutada regressioonivõrrandi spetsifikatsiooni...

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

33. Et saada hinnanguid võimsuse regressioonimudeli y=a∙xb parameetritele ...

1. 
   Vähimruutude meetod ei ole rakendatav
2. 
   On vaja valida sobiv asendus
3. 
   Vajalik on logaritmiline teisendus
4. 
   Vajalik trigonomeetriline teisendus

34. Vähimruutude meetodit kasutades on võimatu hinnata regressioonivõrrandi parameetrite väärtusi...

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

35. Üldist arengusuunda määravat muutust, aegrea põhitrendi, mõistetakse...

1. 
   Trend
2. 
   Hooajaline komponent
3. 
   Tsükliline komponent
4. 
   Juhuslik komponent

36. Aegrea regulaarsed komponendid on

1. 
   Trend
2. 
   Hooajaline komponent
3. 
   Tsükliline komponent
4. 
   Juhuslik komponent

37.Kui aegrea tasemete tsükliliste kõikumiste periood ei ületa ühte aastat, siis nimetatakse neid ...

1. 
   Aastane
2. 
   Oportunistlik
3. 
   Hooajaline
4. 
   Mitmeaastane

38. Olgu Yt aegrida, Tt trendikomponent, St hooajaline komponent, Et juhuslik komponent. Liiteline aegridade mudel on kujul...

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

39. Olgu Yt aegrida, Tt trendikomponent, St hooajaline komponent, Et juhuslik komponent. Multiplikatiivse aegridade mudelil on vorm...

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

40. Konstrueeritud on aditiivne aegridade mudel, kus Yt on aegrida, Tt on trendikomponent, St on hooajaline komponent, Et on juhuslik komponent. Kui Yt=15, siis leitakse seeriakomponentide väärtused õigesti...

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. Saate määrata trendi olemasolu aegreas...

1. 
   Aegridade graafiku järgi
2. 
   Aegridade mahu järgi
3. 
   Juhusliku komponendi puudumise tõttu
4. 
   Kasutades trendi olemasolu hüpoteesi statistilist testimist

42. Saate määrata tsükliliste (hooajaliste) kõikumiste olemasolu aegreas...

1. 
   Autokorrelatsioonifunktsiooni analüüsi tulemusena
2. 
   Aegridade graafiku järgi
3. 
   Aegridade mahu järgi
4. 
   Foster-Stewarti testi kasutamine

43. Olgu Yt kvartaalsete vaatlustega aegrida, St aditiivne hooajaline komponent. Esimese, teise ja neljanda kvartali hooajalise komponendi hinnangud on vastavalt S1=5, S2=-1, S4=2. Kolmanda kvartali hooajalise komponendi prognoos on...

44. Lihtsa kolmeliikmelise libiseva keskmisega aegridade 6, 2, 7, 5, 12 silumise tulemusena on esimene silutud väärtus ...

45. Lihtsa neljaliikmelise libiseva keskmisega aegridade 6, 2, 7, 5, 12 silumise tulemusena on esimene silutud väärtus ...

46. ​​Aegrea trendi kirjeldamiseks kasutatakse küllastusega kasvukõverat...

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

47.Esimest järku autokorrelatsioonikordaja

1. 
   Osaline korrelatsioonikordaja aegrea külgnevate tasemete vahel
2. 
   Lineaarse paari korrelatsioonikordaja aegrea suvaliste tasemete vahel
3. 
   Aegrida külgnevate tasemete vahelise paari korrelatsiooni lineaarne koefitsient
4. 
   Aegrea taseme ja selle arvu vahelise paari korrelatsiooni lineaarne koefitsient

48. Autokorrelatsiooni funktsioon...

1. 
   Autokorrelatsioonikordaja sõltuvus aegrea tasemete esimestest erinevustest
2. 
   Aegrea taseme sõltuvus korrelatsioonikoefitsiendist selle arvuga
3. 
   Kasvavas järjekorras järjestatud autokorrelatsioonikordajate jada
4. 
   Autokorrelatsioonikordajate jada järjestatud nende väärtuste kasvavas järjekorras

49. Kui 4. järku autokorrelatsioonikordaja osutub suurimaks, siis on aegreas

1. 
   lineaarne trend
2. 
   juhuslik komponent
3. 
   trend 4. järku polünoomi kujul
4. 
   tsüklilised võnkumised perioodiga 4

50. Autokorrelatsioonikoefitsientide teadaolevad väärtused on r1=0,8, r2=0,2, r3=0,3, r4=0,9. Palun märkige õiged väited...

1. 
   
2. 
   Aegrida sisaldab trendi 4. järku polünoomi kujul
3. 
   
4. 
   

51. Autokorrelatsioonikoefitsientide teadaolevad väärtused on r1=0,1, r2=0,8, r3=0,3, r4=0,9. Võime järeldada...

1. 
   Aegrida sisaldab lineaarset trendi
2. 
   Aegrida on juhuslik
3. 
   Aegrida sisaldab tsüklilisi kõikumisi perioodiga 2
4. 
   Aegrida sisaldab tsüklilisi kõikumisi perioodiga 4

52. Aegridade mudel loetakse piisavaks, kui jääkide väärtused...

1. 
   on null matemaatilist ootust
2. 
   F-testi tegelik väärtus on väiksem kui tabeli väärtus
3. 
   järgige normaaljaotuse seadust
4. 
   järgima ühtset jaotusseadust
5. 
   on positiivsed
6. 
   on juhuslikud ja sõltumatud

53. Aegridade mudeli jääkide sõltumatust saab kontrollida kasutades

1. 
   Durbin-Watsoni test
2. 
   Pearsoni test
3. 
   Fisheri kriteerium
4. 
   

54. Aegridade mudeli jääkide juhuslikkust saab testida kasutades

1. 
   Jääkide autokorrelatsioonifunktsiooni analüüs
2. 
   Pearsoni test
3. 
   Trendi olemasolu hüpoteesi testimine
4. 
   Viltuse ja kurtoosi arvutamine

55. Eksponentsiaalseks silumiseks kasutatakse valemit

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

56. Silumiskonstant α eksponentsiaalse silumise mudelis St=αyt+1-αSt-1 võtab väärtused

1. 
   0,2 või 0,3
2. 
   0,7 kuni 0,9
3. 
   
4. 
   meelevaldne

57. Teostatakse silumiskonstandi α optimaalse väärtuse valik eksponentsiaalse silumise mudelis St=αyt+1-αSt-1

1. 
   Alati kasutatakse väärtust α=0,3
2. 
   Alati kasutatakse väärtust α=0,7
3. 
   α optimaalseks väärtuseks loetakse seda, mille korral saadakse väikseim vea dispersioon
4. 
   α optimaalseks väärtuseks loetakse seda, mille juures saadakse suurim veavariatsioon

58. Kohanemisparameeter α=0,3, y5=8, y6=7, S4=6. Aegridade eksponentsiaalse silumise tulemusel saadud S6 väärtus valemiga St=αyt+1-αSt-1 on...

Vastus: 6.72

59. Aegrida sisaldab trendi ja selle tasandamiseks kasutatakse Holti mudelit: St=αyt+1-α(St-1-mt-1), mt=γSt-St-1+1-γmt-1. Kui α=γ=0,3, y5=8, S4=5, m4=2. M5 väärtus on...

Vastus: 1.25
Samaaegsete võrrandite süsteemid

1. 
   Põllumajandusettevõte tegeleb nisu, maisi, odra ja tatra kasvatamisega. Koostatud on ökonomeetriline mudel, mis kirjeldab iga põllukultuuri saagikust olenevalt kasutatud väetiste annustest ja niiskuse hulgast. See mudel kuulub süsteemide... võrrandite klassi
   1. 
      samaaegne
   2. 
      sõltumatu
   3. 
      korduv
   4. 
      normaalne

1. 
   Suletud majanduse seisundit kirjeldavad järgmised tunnused: Y - sisemajanduse koguprodukt (SKT), C - tarbimise tase, I - investeeringute maht, G - valitsemissektori kulutused, T - maksude summa, R - reaalne intressimäär . Mudeli täpsustamisel lähtutakse järgmistest majandusteooria sätetest: 1) tarbimist seletatakse kasutatava tulu suurusega (Y-T); 2) investeeringute taseme määrab SKP suurus ja intressimäär; 3) tarbimine, investeeringud ja valitsuse kulutused annavad kokku SKT-d. Vastav omavahel ühendatud võrrandite süsteem näeb välja järgmine:
   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. 
   Mudeli struktuurses vormis, mis on ehitatud vastavalt muutujatevaheliste seoste kindlaksmääratud skeemile, on eksogeensete muutujate arv võrdne ...

Vastus: 2

Mudeli struktuurses vormis, mis on ehitatud vastavalt muutujatevaheliste seoste kindlaksmääratud skeemile, on endogeensete muutujate arv võrdne ...

Vastus: 3

Samaaegsete võrrandite süsteemis on endogeensed muutujad

1. 
   Samaaegsete võrrandite süsteemis on eksogeensed muutujad

1. 
   Süsteemi võrrandite arv määratud muutujatevaheliste seoste skeemi jaoks on ...

Vastus: 2

61. Süsteemi võrrandite arv määratud muutujatevaheliste seoste diagrammi jaoks on ...

1. 
   Võrrandid, mis tuleb muutujatevaheliste seoste täpsustatud diagrammi jaoks süsteemi lisada

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. 
   Samaaegsete võrrandite süsteemi struktuurivormile vastava mudeli taandatud vorm

sisaldab võrrandeid

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. 
   Mudeli vähendatud vorm on transformatsiooni tulemus...
   1. 
      Mittelineaarsed regressioonivõrrandid
   2. 
      Mudeli struktuurne vorm
   3. 
      Sõltumatute võrrandite süsteemid
   4. 
      Rekursiivsete võrrandite süsteemid

62.Hinna- ja palgadünaamika mudeli vähendatud vorm

y2 – hinnamuutuse määr,

x1 – töötute protsent,

x3 – tooraine impordi hindade muutumise määr,

paistab nagu...

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. Samaaegsete võrrandite süsteemi mudeli redutseeritud ja struktuursete vormide vastavuse kordumatus tekitab probleemi...

1. 
   tegurite multikollineaarsus
2. 
   tuvastamine
3. 
   jääkide heteroskedastilisus
4. 
   andmete heterogeensus

64. Luua vastavus struktuurimudeli tüübi ning struktuursete ja vähendatud koefitsientide vastavuse vahel...

65.Kasutades hinna- ja palgadünaamika mudeli jaoks vajalikku identifitseerimistingimust, märkige õiged väited...

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

kus y1 on kuupalga muutumise määr,

y2 – hinnamuutuse määr,

x1 – töötute protsent,

x2 – püsikapitali muutumise määr,

x3 – imporditud tooraine hindade muutumise määr

1. 
   mõlemad võrrandid on täpselt tuvastatavad
2. 
   kumbki võrrand ei ole tuvastatav
3. 
   mõlemad võrrandid on ülemääratavad
4. 
   esimene võrrand on üle identifitseeritav
5. 
   teine ​​võrrand on täpselt tuvastatav

66. Olgu D süsteemis sisalduvate, kuid selles võrrandis mitte sisalduvate eksogeensete muutujate arv. Hinna- ja palgadünaamika mudeli esimese võrrandi jaoks on D väärtus ...

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

Vastus: 2

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

68. Olgu H endogeensete muutujate arv süsteemis, D nende eksogeensete muutujate arv, mis sisalduvad süsteemis, kuid ei sisaldu selles võrrandis. Hinna- ja palgadünaamika mudeli esimese võrrandi jaoks on väärtus (H – D) võrdne ...

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

Vastus: 0

70. Luua loendusreegli vastavus vajaliku identifitseerimise tingimusega, kui H on endogeensete muutujate arv süsteemis, D on eksogeensete muutujate arv, mis sisalduvad süsteemis, kuid ei sisaldu selles võrrandis

71. Tavalist OLS-i kasutatakse edukalt struktuursete koefitsientide hindamiseks...

1. 
   Mitteidentifitseeritavate võrrandite süsteemid
2. 
   Rekursiivsete võrrandite süsteemid (kolmnurkmudelid)
3. 
   Seotud või samaaegsete võrrandite süsteemid
4. 
   Võrrandi-identiteetide süsteemid
5. 
   Sõltumatute võrrandite süsteemid

72. Samaaegsete võrrandite süsteemi identifitseeritava struktuurivormi jaoks parameetrite hindamisel ...

73. Samaaegsete võrrandite süsteemi üleidentifitseeritud struktuurivormi puhul parameetrite hindamisel ...

1. 
   Tavaline vähimruutude meetod
2. 
   Kaudne vähimruutude meetod
3. 
   Kaheastmelised vähima ruudud
4. 
   Kolmeastmeline vähimruutude meetod

K=……….. minvastab vähimruutude meetod

Autokorrelatsioon on seeria tasemete korrelatsioonisõltuvus eelmistest väärtustest.

Autokorrelatsioon eksisteerib siis, kui jääkide iga järgnev väärtus

Liiteline aegridade mudel on kujul: Y=T+S+E

Atribuudimuutujat saab kasutada, kui: sõltumatu muutuja on kvalitatiivne;

Millistes piirides determinantkoefitsient muutub?: 0 kuni 1.

Millisel juhul peetakse mudelit adekvaatseks? Fcalc> Ftable

Autokorrelatsiooni tulemusena on meil ebaefektiivsed parameetrite hinnangud

Hästi paigaldatud mudelis peaksid jäägid olema on normaalne seadus

Ökonomeetrilises analüüsisXjkaalutakse juhuslike muutujatena

Usaldusvahemiku väärtus võimaldab meil teha eelduse, et: intervall sisaldab tundmatu parameetri hinnangut.

Valemiga arvutatud väärtusr=...on hinnang paarikoefitsient Korrelatsioonid

Sisemine mittelineaarne regressioon on tõeliselt mittelineaarne regressioon, mida ei saa taandada lineaarseks regressiooniks muutujate teisendamise ja uute muutujate sisseviimisega.

Aegrida on tunnuse (tulemusliku muutuja) väärtuste jada, mis võetakse üle järjestikuste ajahetkede või perioodide kohta.

Valige viivitusega mudelУt= a+b0x1…….(pikim valem)

Valikuline väärtus Rxy ei ole suurem kui 1, |R|< 1

Valimi korrelatsioonikordajarabsoluutarvudes ei ületa ühtsust

Heteroskedastilisus- dispersiooni püsivuse rikkumine kõigi vaatluste puhul.

Heteroskedastilisus esineb, kui: juhuslike jääkide dispersioon ei ole konstantne

Heteroskidastilisus on kui jääkide dispersioon on erinev

Hüpotees jääkide autokorrelatsiooni puudumise kohta on tõestatud, kui Dtable2...

Homoskedastilisus- dispersiooni püsivus kõigi vaatluste jaoks või iga kõrvalekalde (ülejäägi) sama dispersioon tegurimuutujate kõigi väärtuste jaoks.

Homoskidastilisus– see on siis, kui jääkide dispersioon on konstantne ja kõigi ... vaatluste puhul sama.

Dispersioon- varieerumise näitaja.

Tundmatu mudeli parameetrite määramiseks kasutatakse järgmist: mitte üks üksustest. meetodeid ei saa rakendada

Tuvastatud mudelist kaugemale jäävate parameetrite määramiseks kasutage: kehtib. 2-astmeline OLS

Parameetrite määramiseks tuleb mudeli struktuurne vorm teisendada mudeli vähendatud vorm

Täpselt identifitseeritava mudeli parameetrite määramiseks: kasutatakse kaudset OLS-i;

Et hinnata... muutusiyalatesxsisenes: elastsuse koefitsient:

Paaripõhiseks regressiooniks ơ²bvõrdub….(xi-x¯)²)

Individuaalsete regressiooniparameetrite olulisuse testimiseks kasutame: t-test.

Regressiooniksy= a+ bxalatesnvaatluste usaldusvahemik (1-a)% koefitsiendi jaoks.bsaab b±t…….·ơb

Regressiooniks alatesntähelepanekud jamsõltumatute muutujate vahel on selline seosR² jaF..=[(n-m-1)/m](R²/(1-R²)]

Usalduse tõenäosus on tõenäosus, et tulemusnäitaja tegelik väärtus jääb arvutatud prognoosivahemikku.

Oletame, et ühe majandusprotsessi kirjeldamiseks sobivad 2 mudelit. Mõlemad on piisavadfFisheri kriteerium. millist eelist sellele kassile anda: suurem kui F-kriteeriumi väärtus

Oletame, et kulude sõltuvust tuludest kirjeldab funktsioony= a+ bxkeskmine väärtus y=2...võrdub 9

KuiRxyon siis positiivne kui x suureneb, suureneb y.

Kui regressioonivõrrandis on ebaoluline muutuja, ilmneb see väikese väärtusega T statistika

Kui kvalitatiivsel teguril on 3 gradatsiooni, siis vajalik arv näivaid muutujaid 2

Kui korrelatsioonikordaja on positiivne, siis lineaarses mudelis kui x suureneb, suureneb y

Kui oleme huvitatud atribuutmuutujate kasutamisest erinevate kuude mõju näitamiseks, peaksime kasutama 11 atribuutmeetodit

Kui regressioonimudelil on eksponentsiaalne seos, siis Vähimruutude meetod on rakendatav pärast lineaarsele vormile redutseerimist.

Mitmekordse määramise koefitsiendi (D) ja korrelatsioonid (R) kirjeldatakse järgmise meetodiga R=√D

Regressioonivõrrandi olulisus- uuritava sõltuvuse tegelik esinemine, mitte lihtsalt tegelik mitte eksisteerivat sõltuvust simuleerivate tegurite juhuslik kokkulangevus.

Hinnatakse regressioonivõrrandi kui terviku olulisust: -Fisheri F-test

Privaatsete ja paariskoefitsientide tähtsus. korrelatsioonid on kontrollitud. kasutades:- Üliõpilaste t-test

Interkorrelatsioon ja sellega seotud multikollineaarsus- see on tihe seos täielikule lineaarsele seosele lähenevate tegurite vahel.

Millist statistilist tunnust väljendab valemR²=… määramiskoefitsient

Millist statistilist tunnust väljendab valem: r xy = Ca(x; y) jagage juuregaVar(x)* Var(y): koefitsient. korrelatsioonid

Millist funktsiooni kasutatakse pideva kasvuga mudelite modelleerimisel võimsus

Millised punktid jäetakse silumisprotseduuriga aegreast välja? nii alguses kui lõpus.

Milline regressioonivõrrand on võimsusvõrrand? y= a˳ aͯ¹ a

Klassikaline regressiooniparameetrite hindamise meetod põhineb:- vähimruutude meetod (LSM)

Vabadusastmete arv jaokststatistika regressiooniparameetrite olulisuse testimisel 35 vaatluse ja 3 sõltumatu muutuja põhjal 31;

Nimetaja vabadusastmete arvF-statistika 50 vaatluse ja 4 sõltumatu muutuja regressioonis: 45

Vektori komponendidEiJa on normaalne seadus

Korrelatsioon- stohhastiline sõltuvus, mis on rangelt deterministliku funktsionaalse sõltuvuse üldistus tõenäosusliku (juhusliku) komponendi kaasamisega.

Autokorrelatsiooni koefitsient: iseloomustab lineaarse seose lähedust sarja praeguse ja tulevase taseme vahel

Määramiskoefitsient- stohhastilise seose läheduse näitaja mittelineaarse regressiooni üldjuhul

Määramiskoefitsient on suurus, mis iseloomustab sõltuvate ja sõltumatute muutujate vahelisi seoseid.

Määramiskoefitsient on ruudus korrelatsioonikordaja

Määramiskoefitsient on: väärtus, mis iseloomustab sõltumatute ja sõltuvate (sõltuvate) muutujate vahelist suhet;

MääramiskoefitsientRnäitab sõltuva muutuja y variatsiooni osakaal, mis on seletatav mudelis sisalduvate tegurite mõjuga.

Määramiskoefitsient varieerub piires: - 0 kuni 1

Usaldusfaktor- see on koefitsient, mis seob piir- ja keskmise vea lineaarse sõltuvusega, selgitab hinnangu täpsust iseloomustava piirvea tähendust ja on jaotuse argument (enamasti tõenäosusintegraal). Just see tõenäosus on hinnangu usaldusväärsuse aste.

Usaldusfaktor (normaliseeritud hälve)- keskmisest hälbe jagamise tulemus standardhälbega, iseloomustab sisukalt saadud hinnangu usaldusväärsuse (usaldusväärsuse) astet.

KorrelatsioonikordajaRxykasutatud määrata X ja Y vahelise ühenduse täielikkus.

Korrelatsioonikordaja varieerub vahemikus -1 kuni 1

Korrelatsioonikordaja 0 tähendab, et: lineaarne ühendus puudub .

Korrelatsioonikordaja 1 tähendab et: -on funktsionaalne sõltuvus.

Korrelatsioonikordajat kasutatakse: juhuslike suuruste X ja Y vahelise seose lähedase määramine;

Korrelatsioonikordaja arvutatakse kahe juhusliku muutuja vahelise lineaarse seose määra mõõtmine.

Lineaarne korrelatsioonikordaja- lineaarse regressiooni korral teguri ja tulemuse vahelise stohhastilise seose läheduse näitaja.

Regressioonikoefitsient- lineaarse regressiooni mudeli faktormuutuja koefitsient.

Regressioonikoefitsientbnäitab: Mitme ühiku võrra suureneb y, kui x suureneb 1 võrra.

Regressioonikoefitsient varieerub sees: kehtib mis tahes väärtus; 0 kuni 1; -1 kuni 1;

Elastsuskoefitsienti mõõdetakse: mõõtmatu kogus.

Kasutatakse Darwin-Chatsoni kriteeriumi: - tegurite valik mudelisse; või - jääkide autokorrelatsiooni definitsioonid

Õpilase t test- individuaalsete regressioonikordajate olulisuse ja korrelatsioonikordaja olulisuse kontrollimine.

Fisheri kriteerium näitab mudeli kui terviku statistiline olulisus, mis põhineb kõigi selle koefitsientide kombineeritud olulisusel;

Hilinenud muutujad: - need on muutujad, mis on seotud eelmiste ajapunktidega; või - need väärtused sõltuvad. muuta. eelmise aja kohta.

Hilinenud muutujad on sõltuvate muutujate väärtus eelmisel ajavahemikul

Mudel tervikuna on statistiliselt oluline, kui Fcalc > Ftab.

Mudel tuvastatakse, kui:- struktuurimudeli parameetrite arv on võrdne antud parameetrite arvuga. mudeli kujundid.

Mudel on tundmatu, kui:- number on antud. koefitsient . rohkem struktuursete koefitsientide arv

Mudel on üleidentifitseeritud, kui: number antud. koefitsient vähem kui struktuursete koefitsientide arv

Multitagatis tekib siis, kui: 2 või enama lineaarselt sõltuva muutuja ekslik kaasamine võrrandisse; 2. kaks või enam seletavat muutujat, mis on tavaliselt nõrgalt korrelatsioonis, muutuvad konkreetsetes valimitingimustes tugevalt korrelatsiooniks; . Mudelisse on kaasatud muutuja, mis on sõltuva muutujaga tugevas korrelatsioonis.

Multiplikatiivse aegridade mudeli vorm on järgmine:- Y=T*S*E

Korrutav aegrea mudel koostatakse, kui: hooajaliste kõikumiste amplituud suureneb või väheneb

Kvartaliandmete põhjal...väärtused 7-1 kvartal, 9-2 kvartal ja 11-3 kvartal...-5

Funktsionaalse vormi või selgitavate muutujate vale valikut nimetatakse spetsifikatsiooni vead

OLS-i abil saadud regressiooniparameetri hinnangu erapooletus tähendab:- et seda iseloomustab kõige väiksem hajuvus.

Üks probleem, mis võib tekkida mitme muutujaga regressioonis ja mida ei esine kunagi paaripõhises regressioonis, on sõltumatute muutujate vaheline korrelatsioon.

Mis määrab silumise tulemusel aegreast välja jäetud punktide arvu: olenevalt kasutatavast silumismeetodist.

Pange tähele spetsifikatsioonivigade peamisi tüüpe: olulise muutuja kõrvalejätmine; ebaolulise muutuja lisamine;

Paaripõhise regressioonikordaja hinnangud on erapooletud, kui: jääkide matemaatilised ootused =0.

Paaritud lineaarse regressiooni parameetrite hinnangud leitakse valemi abil b= Cov(x;y)/Var(x);a=y¯ bx¯

Regressiooniparameetrite hinnangud on erapooletud, kui Jäägi matemaatiline ootus on 0

Regressiooniparameetrite hinnangud on järjepidevad, kui: - hinnangu täpsus suureneb n-ga, st kui n suureneb, kipub parameetri tegelikust väärtusest hinnangu andmise tõenäosus olema 0.

Nähtuste paarilise regressiooni hinnangud. efektiivne, kui: hindamisel on teiste hinnangutega võrreldes kõige väiksem hajuvus

Heteroskedastilisuse korral tuleks kasutada järgmist:- üldistatud vähimruutud

Kõigi parameetrite olulisuse samaaegsel kontrollimisel kasutatakse järgmist:-F-test.

Kõigi regressiooniparameetrite olulisuse samaaegsel kontrollimisel kasutatakse järgmist: F-test.

Kas eksponentsiaalse sõltuvuse parameetrite arvutamiseks saab kasutada vähimruutude meetodit? kohaldatav pärast selle vähendamist

Kas vähimruutude meetodit (LSM) saab mittelineaarsete mudelite parameetrite arvutamiseks kasutada? kohaldatav pärast selle erilist redutseerimist lineaarsele kujule

Millise kriteeriumi alusel hinnatakse regressioonikordaja olulisust?Üliõpilase T

Seletavate muutujate arvu suurenemisega on korrelatsioonikoefitsient järgmine:- suureneb.

Mitmekordse määramise indeksi vaheline seosR ² ja korrigeeritud mitmekordse määramise indeksȒ² Seal on

Kohandatud koefitsient otsusekindlus:- tavalisest suurem koefitsient. sihikindlus

Regressioonivõrrandi Ƀk standardiseeritud koefitsient näitab mitu protsenti muutub saadud näitaja y, kui xi muutub 1%, kui muude tegurite keskmine tase ei muutu

Standardne regressioonivõrrandi koefitsient: näitab, kui palju 1 y muutub, kui tegur xk muutub 1 võrra, säilitades samal ajal teise.

Koefitsiendi olemus sihikindlusr 2 xy on järgmine:- iseloomustab saadud tunnuse y seletatav dispersiooni osakaalu. regressioon., saadud tunnuse summaarses dispersioonis.

Õpilase testi tabeliväärtus sõltub alates tasemel usaldustõenäosus ja kaasatud tegurite arv ja algseeria pikkus (aktsepteeritud olulisuse tasemel ja vabadusastmete arvul (n - m -1)).

Fisheri tabeli väärtused (F) sõltuvad usalduse tõenäosuse ja kaasatud tegurite arvu ning algseeria pikkuse kohta (usaldustõenäosuse kohta lk ja dispersioonide vabadusastmete arv f1 Ja f2)..

Võrrand, millesHDpuuduvate eksogeensete muutujate arv, tuvastatud, kui D+1 = H

Võrrand, millesHendogeensete muutujate arv,Dpuuduvate eksogeensete muutujate arv, EI ole tuvastatav, kui D+1

Võrrand, millesHendogeensete muutujate arv,Dpuuduvate eksogeensete muutujate arv, üleidentifitseeritud, kui D+1>H

Võrrand tuvastatakse, kui:- D+1=H

Võrrand on tundmatu, kui:- D+1

Võrrand on üleidentifitseeritud, kui:- D+1>H

Näilikud muutujad on: atributiivsed tunnused (näiteks elukutse, sugu, haridus), millele anti digitaalsed märgised;

Valemt= rxy....kasutatud lk korrelatsioonikordaja olulisuse kontrollimine

PrivaatneF- kriteerium:- hindab regressioonivõrrandi kui terviku olulisust

Lineaarse mitme regressioonimudeli ruutude summa vabadusastmete arv on järgmine: m;

Mida näitab kalde koefitsient - Mitu ühikut y muutub, kui x muutub ühe võrra?

Mida koefitsient näitab? absoluutne kasv mitme ühiku võrra y muutub, kui x muutub ühe võrra

Eksogeenne muutuja on sõltumatu muutuja või X tegur.

Eksogeensed muutujad- need on muutujad, mis on määratud väljaspool süsteemi ja on sõltumatud

Eksogeensed muutujad- See ettemääratud muutujad, mis mõjutavad sõltuvaid muutujaid (endogeensed muutujad), kuid ei sõltu neist, on tähistatud x-ga

Elastsust mõõdetakse teguri mõõtühik...näitaja

Elastsus näitab mitme % võrra muutub redutseeriv näitaja y, kui tegur muutub 1% xk.

Endogeensed muutujad on: sõltuvad muutujad, mille arv võrdub võrrandite arvuga süsteemis ja mida tähistatakse y-ga

Definitsioonid

T-suhe (t-test)- OLS-i abil saadud koefitsiendi hinnangu suhe hinnangulise väärtuse standardveasse.

Liituv aegridade mudel on mudel, milles aegrida esitatakse loetletud komponentide summana.

Fisheri kriteerium- regressioonivõrrandi olulisuse statistilise testimise meetod, mille puhul võrreldakse F-suhte arvutatud (tegelikku) väärtust selle kriitilise (teoreetilise) väärtusega.

Lineaarne regressioon on seos (regressioon), mis on kujutatud sirgvõrrandiga ja väljendab lihtsaimat lineaarset seost.

Instrumentaalsete muutujate meetod- See on MNC tüüp. Kasutatakse mitme võrrandiga kirjeldatud mudelite parameetrite hindamiseks. Peamine omadus on ebasobiva selgitava muutuja osaline asendamine muutujaga, mis pole juhusliku liikmega korrelatsioonis. Seda puhverserveri muutujat nimetatakse instrumentaalseks muutujaks ja selle tulemuseks on järjepidevad parameetrite hinnangud.

Vähimruutude meetod (LSM)- meetod tundmatute regressioonikordajate (parameetrite) ligikaudseks leidmiseks (hinnanguks). See meetod põhineb nõudel minimeerida regressioonivõrrandist arvutatud tulemusväärtuste ja tegelike (vaadeldud) tulemusväärtuste ruudu hälvete summa.

Mitmekordne lineaarne regressioon on mitmekordne regressioon, mis esindab iga teguri lineaarset seost.

Mitmekordne regressioon- regressioon kahe või enama faktorimuutujaga.

Mudel tuvastatud- mudel, milles kõik struktuursed koefitsiendid on üheselt määratud mudeli redutseeritud vormi koefitsientidega.

Rekursiivsete võrrandite mudel- mudel, mis sisaldab tegurina mõne võrrandi sõltuvaid muutujaid (tulemusi), mis esinevad teiste võrrandite paremal küljel.

Multiplikatiivne mudel– mudel, milles aegrida esitatakse loetletud komponentide korrutisena.

Erapooletu prognoos- hinnang, mille keskmine on võrdne hinnatava väärtusega.

Nullhüpotees- eeldus, et tulemus ei sõltu faktorist (regressioonikordaja on null).

Generalized Least Squares (GLS)- meetod, mis ei nõua jääkide pidevat hajutamist (homoskedastilisust), vaid eeldab, et jäägid on võrdelised ühisteguriga (dispersiooniga). Seega on tegemist kaalutud OLS-iga.

Variant selgitas- taandarengust tingitud tulemuse varieerumise näitaja.

Selgitatud (tulemuse) muutuja– muutuja, mis statistiliselt sõltub faktorimuutujast ehk seletav (regressor).

Jääkvariatsioon- seletamatu dispersioon, mis näitab tulemuse varieerumist kõigi teiste regressiooniga arvestamata tegurite mõjul.

Eelmääratletud muutujad on süsteemi eksogeensed muutujad ja süsteemi mahajäänud endogeensed muutujad.

Süsteemi vähendatud vorm- vorm, mis erinevalt struktuursest sisaldab juba ainult endogeenseid muutujaid, mis sõltuvad lineaarselt eksogeensetest muutujatest. Väliselt ei erine see sõltumatute võrrandite süsteemist.

Arvutatud F-suhte väärtus- väärtus, mis saadakse seletatud dispersiooni jagamisel 1 vabadusastme kohta jääkdispersiooniga 1 vabadusastme kohta.

Regressioon (sõltuvus)- see on keskmine (silutud), s.o. vaba juhuslikest väikesemahulistest kõikumistest (fluktuatsioonidest), kvaasideterministlikust seosest seletatava muutuja (muutujad) ja seletava muutuja (muutujad) vahel. Seda seost väljendavad valemid, mis iseloomustavad funktsionaalset sõltuvust ega sisalda eksplitsiitselt stohhastilisi (juhuslikke) muutujaid, mis nüüd avaldavad oma mõju tulemmõjuna, võttes puhtfunktsionaalse sõltuvuse vormi.

Regressor (selgitav muutuja, faktormuutuja) on sõltumatu muutuja, mis on statistiliselt seotud tulemuse muutujaga. Selle seose olemust ja regressori muutuste (variatsioonide) mõju tulemusele uuritakse ökonomeetrias.

Seotud võrrandite süsteem on samaaegsete või üksteisest sõltuvate võrrandite süsteem. Selles esinevad samad muutujad mõnes võrrandis samaaegselt sõltuvatena ja teistes samaaegselt sõltumatutena. See on võrrandisüsteemi struktuurne vorm. LSM sellele ei kehti.

Ilmselt mitteseotud võrrandite süsteem- süsteem, mida iseloomustab ainult korrelatsioonide olemasolu jääkide (vigade) vahel süsteemi erinevates võrrandites.

Juhuslik jääk (hälve)- see on puhtalt juhuslik protsess väikesemahuliste võnkumiste kujul, mis ei sisalda juba regressioonis esinevat deterministlikku komponenti.

Järjepidevad hinnangud- hinnangud, mis võimaldavad tõhusalt kasutada usaldusvahemikke, kui tõenäosus saada hinnang antud kaugusel parameetri tegelikust väärtusest läheneb 1-le ja hinnangute endi täpsus suureneb valimi suuruse suurenedes.

Mudeli spetsifikatsioon- oluliste tegurite tuvastamine ja multikollineaarsuse tuvastamine.

Standardviga- ruutkeskmine (standard) hälve. See on seotud keskmise vea ja usaldusteguriga.

Vabadusastmed- need on sõltumatute parameetrite arvu iseloomustavad suurused, mis on vajalikud nende kriitiliste väärtuste jaotustabelite leidmiseks.

Trend- peamine arengusuund, seeria tasemete sujuv, stabiilne muutuste muster.

Olulisuse tase- väärtus, mis näitab eksliku järelduse tõenäosust statistilise hüpoteesi testimisel statistilise kriteeriumi alusel.

Näilikud muutujad- need on muutujad, mis kajastavad seeria hooajalisi komponente mis tahes perioodi kohta.

Ökonomeetriline mudel- on võrrand või võrrandisüsteem, mis erilisel viisil esindab tulemuse ja tegurite vahelist sõltuvust. Ökonomeetrilise mudeli aluseks on tulemuse ja tegurite vahelise keerulise ja halvasti mõistetava seose jaotamine kahe järgmise komponendi summaks: regressioon (regressioonikomponent) ja juhuslik (kõikumine) jääk. Teine ökonomeetriliste mudelite klass toodab aegridu.

Hindamise tõhusus- see on hinnangu omadus, millel on kõigist võimalikest kõige väiksem dispersioon.

o – Valige üks vastus.

□ – valige mitu vastusevarianti.

– Kirjutage lahendus üles ja vastake.

– valige suvandid vastavalt määratud järjestusele

1. Kirjutage valem juhusliku suuruse matemaatilise ootuse arvutamiseks:

2. Juhusliku suuruse matemaatiline ootus on võrdne . Mis on juhusliku suuruse matemaatiline ootus:

3. Juhusliku suuruse matemaatiline ootus ja dispersioon on teada. Leidke juhusliku suuruse matemaatiline ootus ja dispersioon.

4. Kui iga juhusliku suuruse väärtusi suurendatakse 10 korda, siis keskmine väärtus:

o väheneb 10 korda;

o suureneb 10 korda;

o Suurendada 10%;

o ei muutu.

5. Juhusliku suuruse väärtuste keskmisest väärtusest kõrvalekallete summa on alati:

o Positiivne;

o negatiivne;

o võrdne nulliga;

o Igal juhul erinev.

6. Olgu , on juhuslikud suurused dispersiooniga ja kovariatsiooniga. Millega see on võrdne?

7. Lineaarset korrelatsioonikordajat mõõdetakse vahemikus:

8. Determinatsioonikoefitsiendi väärtus...

o hindab iga regressioonivõrrandis sisalduva teguri olulisust;

o Iseloomustab võrrandiga seletatava tulemuseks oleva tunnuse dispersiooni osakaalu summaarses dispersioonis;

o Iseloomustab jääkväärtuse dispersiooni osakaalu tulemuseks oleva tunnuse summaarses dispersioonis;

o Hindab korrelatsioonikordaja olulisust.

9. Loo vastavus regressiooni- ja korrelatsioonivõrrandi elementide nimede ja nende tähtede vahel:

1) Regressiooniparameetrid __________;

2) selgitav muutuja ______;

3) korrelatsioonikordaja ______;

4) seletatav muutuja _______;

5) Juhuslik muutuja ___________;

6) Determinatsioonikoefitsient ____.

10. Korrelatsioonikordaja väärtus on 0,81. Võime järeldada, et lineaarne seos saadud karakteristiku ja teguri vahel on:

o Üsna tihe;

o funktsionaalne;

o Keskmise tugevusega.

11. Korrelatsioonikordaja väärtus on – 0,9. Võime järeldada, et lineaarne seos saadud karakteristiku ja teguri vahel on:

o Üsna tihe;

o funktsionaalne;

o Keskmise tugevusega.

12. Elastsustegur näitab:

o Mitu korda muutub tulemus keskmiselt, kui tegur muutub kaks korda;

o tulemuse maksimaalne võimalik väärtus;

o mitme protsendi võrra muutub keskmine tulemus, kui tegur suureneb 1% võrra;

o Mitme protsendi võrra muutub keskmine tegur, kui tulemus suureneb 1%.

13. Võimsuse regressioonivõrrandi elastsustegur on võrdne:

14. Vähimruutude meetodi olemus on järgmine:

o sõltuva muutuja tegeliku väärtuse ruutude kõrvalekallete summa maksimeerimisel selle teoreetilisest väärtusest;

o sõltuva muutuja tegeliku väärtuse teoreetilisest väärtusest kõrvalekallete ruudu summa minimeerimisel;

o tegelike ja teoreetiliste väärtuste hälvete summa minimeerimisel;

o Tegelike ja teoreetiliste väärtuste hälvete absoluutväärtuste maksimeerimisel.

15. Kui korrelatsioonikordaja on 1,2. See tähendab et…

o Tunnuste omavaheline seos on tugev;

o tunnuste vaheline seos on nõrk;

o teguri suurenemisega 1% võrra suureneb efektiivne omadus 1,2% võrra;

o Seda ei saa juhtuda.

16. Uurides majandusnäitaja sõltuvust teatud teguritest, saadi järgmised elastsuskoefitsientide väärtused: ; ; Ja . Järjesta tegurid uuritava majandusnäitaja mõju kahanevas järjekorras.

17. Määratakse lineaarse regressiooni võrrandi parameetrid:

o Spearmani meetod;

o Fisheri kriteerium;

o Durbin-Watsoni test.

18. Paaritud lineaarse regressioonivõrrandi parameetrite olulisuse statistilist hindamist kontrollitakse kasutades:

o Fisheri kriteerium;

o õpilase t test;

o Vähimruutude meetod;

o Spearmani test.

19. 22 vaatlusest koosneva statistilise valimi puhul tegelik väärtus F Fisheri kriteerium on 52. Regressioonivõrrand. Lineaarne korrelatsioonikordaja on sel juhul võrdne...

20. 27 samu tooteid tootva ettevõtte puhul konstrueeriti lineaarne seos müügimahtude ja reklaamikulude vahel. Standardhälve on 4,7. Standardhälve on 3,4. Lineaarne määramistegur on sel juhul võrdne...

21. Lineaarse regressiooni koefitsient, kui , on teada, on võrdne...

22. Aegrea trend iseloomustab tegurite kombinatsiooni...

o sarja hooajaliste kõikumiste esilekutsumine;

o ühekordse mõju avaldamine;

o ei mõjuta rea ​​taset;