Все вопросы к тесту (html) Эконометрика



Значения экономических переменных определяется обычно влиянием одного фактора:

Основная цель множественной регрессии - построить модель с большим числом факторов, определив при этом влияние каждого из них в отдельности, а также совокупное их воздействие на моделируемый показатель:

Попыткой устранить эффект, связанный с ростом (R*R) при возрастании числа регрессоров, является коррекция (R*R )на число регрессоров:

При оценке множественной регрессии для обеспечения статистической надежности требуется, чтобы число наблюдений в 3 раза превосходило число оцениваемых параметров:

Точную границу приемлемости показателя R*R возможно указать сразу для всех случаев:



В качестве значения зависимой переменной лучше брать фактически наблюденное значение:

Гипотезы, лежащие в основе модели множественной регрессии, являются естественным обобщением модели парной регрессии:

Для анализа статистической значимости полученных коэффициентов множественной линейной регрессии необходимо оценить только дисперсию:

Естественно считать, что число ограничений превосходит числа параметров и ограничения линейно независимы:

Коэффициент детерминации (R*R) возрастает при добавлении еще одного регрессора:

Коэффициент детерминации (R*R) всегда является положительным числом:

Коэффициент детерминации характеризует долю вариации (разброса) зависимой переменной, объясненной с помощью данного уравнения:

Оценка метода наименьших квадратов приводит к смещенной оценке:

Построение уравнения множественной регрессии начинается с решения вопроса о спецификации модели:

При проверке гипотез можно пользоваться только одним из двух критериев - Стьюдента или Фишера:

Решение системы линейных уравнений может быть осуществлено только методом Гаусса:



Коэффициенты эластичности показывают, на сколько процентов изменяется в среднем результат с изменением соответствующего фактора на 1% при неизменности действия других факторов:

Любая дифференцируемая функция может быть разложена в ряд по степеням независимой переменной х в окрестности любой точки:

Полиномиальные модели высоких порядков используются часто:

При мультиколлинеарности малое изменение исходных данных приводит к малому изменению оценок коэффициентов модели:

Такая ситуация, когда сумма фиктивных переменных тождественно равна константе, также включенной в регрессию, называется "dummy trap":



Ввиду четкой интерпретации параметров наиболее широко используются линейная и степенная функции:

Всегда ясно, какие переменные являются лишними при столкновении с проблемой мультиколлинеарности:

Высокий коэффициент корреляции указывает на тесную функциональную зависимость между переменными, в том числе и криволинейную:

Если проранжировать совокупность по двум признакам, связь между которыми изучается, то полное совпадение рангов означает максимально тесную прямую связь:

Если число наблюдений невелико, то у моделей с любым числом параметров их оценка приводит к статически значимым величинам:

Мультиколлинеарность означает точную линейную зависимость между столбцами матрицы:

На практике истинная модель известна, исследователь оценивает модель, которая точно соответствует процессу, порождающему данные:

Рассчитанные по рекуррентной формуле частные коэффициенты корреляции изменяются в пределах от минус бесконечности до плюс бесконечности:

Регрессивные модели являются достаточно гибким инструментом, позволяющим оценивать влияние качественных признаков на изучаемую переменную:

Существует тесная связь между коэффициентом частной корреляции и коэффициентом детерминации:

Фиктивные переменные позволяют строить и оценивать кусочно-линейные модели, которые можно применять для исследования структурных изменений:

Частные коэффициенты (или индексы) корреляции характеризуют тесноту связи между результатом и соответствующим фактором при устранении влияния других факторов, включенных в уравнение регрессии: