Множественная регрессия и корреляция

108. Чем ближе к нулю определитель матрицы межфакторной корреляции, тем:

1) сильнее мультиколлинеарность факторов;

2) слабее мультиколлинеарность факторов;

3) ненадежнее результаты множественной регрессии;

4) надежнее результаты множественной регрессии.

109. Если в уравнение множественной регрессии включено три фактора, то число наблюдений должно быть:

1) 6-10; 2) не менее 18-30; 3) не более 18-30.

110. При исследовании спроса на мясо получено следующее уравнение регрессии: , где у – спрос на мясо; х₁ – цена; х₂ – доход. Выберите правильный ответ:

1) рост цен на 1% при том же доходе вызывает снижение спроса в среднем на 2,6%;

2) рост цен на 1 ден.ед. при том же доходе вызывает увеличение спроса в среднем на 1,2%;

3) увеличение дохода на 1% обуславливает рост спроса на 1,2% при неизменных ценах;

4) увеличение дохода на 1 ден.ед. обуславливает снижение спроса на 0,8% при неизменных ценах.

111. В линейной множественной регрессии параметры при х называются:

1) коэффициентами корреляции;

2) стандартизованными коэффициентами регрессии;

3) коэффициентами условно чистой регрессии.

112. Коэффициенты называются:

1) коэффициентами корреляции;

2) стандартизованными коэффициентами регрессии;

3) коэффициентами условно чистой регрессии.

113. Стандартизованные коэффициенты регрессии показывают:

1) на сколько процентов изменится в среднем результат, если соответствующий фактор изменится на один процент при неизменном среднем уровне других факторов;

2) на сколько единиц изменится в среднем результат, если соответствующий фактор изменится на одну единицу при неизменном среднем уровне других факторов;

3) на сколько сигм изменится в среднем результат, если соответствующий фактор изменится на одну сигму при неизменном среднем уровне других факторов;

4) на сколько сигм изменится в среднем фактор, если результативный признак изменится на одну сигму.

114. Коэффициент определяется по формуле:

1) ; 2) ; 3) ; 4) .

115. Уравнение множественной регрессии в стандартизованной форме имеет вид:

1) ; 2) ;

3) .

116. Уравнение регрессии в стандартизованном масштабе имеет вид: . Наибольшее влияние на результат оказывает фактор:

1) ; 2) ; 3) коэффициенты сравнивать нельзя.

117. При линейной зависимости признаков формула индекса корреляции имеет вид:

1) ; 2) ; 3) .

118. Тесноту связи совместного влияния факторов на результат в модели множественной регрессии оценивает:

1) частный коэффициент корреляции;

2) индекс множественной корреляции;

3) множественный коэффициент детерминации.

119. На стадии формирования модели, в частности в процедуре отсева факторов, используют:

1) частные коэффициенты корреляции;

2) коэффициенты условно чистой регрессии;

3) стандартизованные коэффициенты регрессии.

120. Частный F-критерий Фишера оценивает:

1) статистическую значимость присутствия соответствующего фактора в уравнении множественной регрессии;

2) целесообразность включения в уравнение одного фактора после другого фактора;

3) значимость коэффициентов чистой регрессии;

4) значимость уравнения регрессии в целом.

121. Фиктивные переменные во множественной регрессии – это:

1) преобразованные в количественные качественные переменные;

2) все независимые переменные в модели;

3) лаговые переменные.

122. «Структурными переменными» называются:

1) лаговые переменные; 2) фиктивные переменные; 3) стандартизованные коэффициенты.

123. Оценки параметров регрессии должны быть:

1) фиктивными; 2) эффективными; 3) коллинеарными;

4) несмещенными; 5) состоятельными.

124. Несмещенность оценки означает, что:

1) дисперсия наименьшая;

2) увеличение точности оценок с увеличением объема выборки;

3) математическое ожидание остатков равно нулю;

4) математическое ожидание остатков стремиться к бесконечности.

125. Оценки считаются эффективными, если:

1) они характеризуются наименьшей дисперсией;

2) они характеризуются наибольшей дисперсией;

3) математическое ожидание остатков равно нулю;

4) математическое ожидание остатков стремиться к бесконечности.

126. Одной из пяти предпосылок метода наименьших квадратов является:

1) гетероскедастичность; 2) коллинеарность; 3) мультиколлинеарность;

4) гомоскедастичность; 5) автокорреляция.

127. Отличия скорректированного коэффициента детерминации от обычного:

1) содержит поправку на число степеней свободы;

2) меньше обычного коэффициента детерминации;

3) больше обычного коэффициент детерминации;

4) характеризует вариацию результативного признака.

128. В чем сущность гомоскедастичности?

1) дисперсии случайных отклонений изменяются;

2)для каждого значения фактора остатки имеют одинаковую дисперсию;

3) случайные отклонения взаимно коррелированны;

4)автокорреляция в остатках отсутствует.

129. Для оценки гетероскедастичности используется:

1) метод наименьших квадратов; 2) F-критерий Фишера;

3) t-критерий Стьюдента; 4) метод Гольдфельда – Квандта.

130. При нарушении гомоскедастичности и наличии автокорреляции используется:

1) традиционный метод наименьших квадратов;

2) обобщенный метод наименьших квадратов;

3) частный метод наименьших квадратов;

4) метод максимального правдоподобия.

131. Дана матрица парных коэффициентов корреляции:

	у	х1	х2	х3
у	1,0	-	-	-
х1	0,6	1,0	-	-
х2	-0,5	0,6	1,0	-
х3	0,4	-0,3	-0,9	1,0

Какие факторы являются коллинеарными?

1) и ; 2) и ; 3) и .

132. Дана матрица парных коэффициентов корреляции:

	у	х1	х2	х3
у	1,0	-	-	-
х1	0,6	1,0	-	-
х2	-0,5	0,8	1,0	-
х3	0,4	-0,3	-0,5	1,0

Какие факторы являются коллинеарными?

1) и ; 2) и ; 3) и .

133. Дана матрица парных коэффициентов корреляции:

	у	х1	х2	х3
у	1,0	-	-	-
х1	0,7	1,0	-	-
х2	-0,5	0,4	1,0	-
х3	0,4	0,8	-0,1	1,0

Какие факторы являются коллинеарными?

1) и ; 2) и ; 3) и .

134. При расчете модели множественной регрессии и корреляции в Excel для вывода матрицы парных коэффициентов корреляции используется:

1) инструмент анализа данных Корреляция;