Архитектура Аудит Военная наука Иностранные языки Медицина Металлургия Метрология
Образование Политология Производство Психология Стандартизация Технологии


V3: Метод наименьших квадратов (МНК)



 

I:

S: Метод наименьших квадратов может применяться в случае

 

-: только парной регрессии

-: только множественной регрессии

+: нелинейной и линейной множественной регрессии

-: коллинеарной регрессии

 

I:

S: Метод наименьших квадратов используется для оценивания

 

+: параметров линейной регрессии

-: величины коэффициента корреляции

-: величины коэффициента детерминации

-: средней ошибки аппроксимации

 

I:

S: Параметры модели линейной парной регрессии y=a+b× x могут быть найдены

 

-: методом скользящей средней

+: методом наименьших квадратов

-: методом аналитического выравнивания

 

I:

S: Модель линейной парной регрессии имеет вид y=-5.79+36.84× x, коэффициент регрессии в такой модели равен:

 

-: -5.79

+: 36.84

-: 0.6

 

I:

S: Модель линейной парной регрессии имеет вид y=1.9+0.65× x, коэффициент регрессии в такой модели равен:

 

-: 1.9

+: 0.65

-: 0.55

 

I:

S: Модель линейной парной регрессии имеет вид y=3.4+2.986× x, коэффициент регрессии в такой модели равен:

 

-: 3.4

+: 2.986

-: 0.986

 

I:

S: Величина коэффициента регрессии показывает …

 

+: среднее изменение результата при изменении фактора на одну единицу

-: характер связи между фактором и результатом

-: тесноту связи между фактором и результатом

-: тесноту связи между исследуемыми факторами

 

I:

S: В зависимости от типа взаимосвязи между эндогенной переменной и экзогенной регрессионные модели подразделяются на:

 

+: линейные и нелинейные

-: парные и множественные

 

I:

S: В зависимости от количества экзогенных переменных в модели их подразделяются на:

 

-: линейные и нелинейные

+: парные и множественные

-: статические и динамические

-: стационарные и нестационарные

 

I:

S: Выбрать правильный ответ.

Независимые переменные в регрессионных моделях называются:

-: откликами

-: возмущениями

+: регрессорами

-: остатком

 

I:

S: Оценка случайного возмущения называется:

+: остатком

-: откликом

-: регрессором

 

I:

S: Выбрать правильный ответ.

Уравнение линейной парной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, может иметь вид:

 

+: Y=a+bX

-: Y=a+bX2

-: Y=a+b1X1+b2X2

 

I:

S: Уравнение линейной парной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, не может иметь вид:

 

-: Y=a+bX

+: Y=a+bX2

-: Y= bX

 

I:

S: Уравнение линейной парной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, может иметь вид:

 

-: Y=a+bX2

+: Y=a+bX

-: Y=a+b1X1+b2X2

-: Y=a+ b/X

 

I:

S: Уравнение линейной парной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, не может иметь вид:

+: Y=a+bX2

-: Y=a+bX

-: Y= bX

 

I:

S: Какое из уравнений соответствует уравнению модели линейной парной регрессии?

 

+: y=a+bx

-: y=a+b1x1+b2x2+e

-: y=a+b/x+e

-: y=a+b1x+b2x2+e

 

I:

S: Примером линейной зависимости экономических показателей является

 

-: классическая гиперболическая зависимость спроса от цены

+: зависимость зарплаты рабочего от его выработки при сдельной оплате труда

-: зависимость объема продаж от недели реализации

 

I:

S: Примером линейной зависимости экономических показателей является

 

+: зависимость стоимости квартиры от ее площади

-: зависимость зарплаты рабочего от номера месяца в течение года

-: зависимость объема продаж от недели реализации

 

V2: Модель линейной множественной регрессии

 

I:

S: Уравнение линейной множественной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, может иметь вид:

 

-: Y=a+bX

-: Y=a+bX2

+: Y=a+b1X1+b2X2

-: Y= bX

 

I:

S: Уравнение линейной множественной регрессии между зависимой переменной Y и независимой переменной X, где a, b – параметры модели, не может иметь вид:

+: Y=a+b1X12+b2X23

-: Y=a+b1X1+b2X2

-: Y=a+b1X1+b2X2+b3X3

 

I:

S: Какое из уравнений соответствует модели линейной множественной регрессии?

 

-: y=a+bx

+: y=a+b1x1+b2x2+e

-: y=a+b1x+b2x2+e

 

I:

S: Какие из уравнений не соответствуют модели линейной множественной регрессии?

 

-: y= a+b1x1+b2x2+b3x3+e

-: y=a+b1x1+b2x2+e

+: y=a+b1x+b2x2+e

 

I:

S: Нелинейным является уравнение регрессии нелинейное относительно входящих в него

 

+: переменных(факторов)

-: результатов

-: параметров

-: случайных величин

 

I:

S: Примером нелинейной зависимости экономических показателей является

 

+: классическая гиперболическая зависимость спроса от цены

-: линейная зависимость выручки от величины оборотных средств

-: зависимость объема продаж от недели реализации

-: линейная зависимость затрат на производство от объема выпуска продукции

 

I:

S: Линеаризация нелинейной модели регрессии может быть достигнута:

 

-: отбрасыванием нелинейных переменных

-: перекрестной суперпозицией переменных

+: преобразованием анализируемых переменных

-: сглаживанием переменных

 

I:

S: При помощи какого математического преобразования можно выполнить линеаризацию модели y=a+b× x3:

-: путем дифференцирования

-: путем логарифмирования

+: путем замены переменных

-: путем потенцирования

 

I:

S: При помощи какого математического преобразования можно выполнить линеаризацию модели y=a+b× lnx:

 

-: путем дифференцирования

-: путем логарифмирования

+: путем замены переменных

-: путем потенцирования

 

I:

S: При помощи какого математического преобразования можно выполнить линеаризацию модели y=a+b/x:

 

-: путем дифференцирования

-: путем логарифмирования

+: путем замены переменных

-: путем потенцирования

 

I:

S: При помощи какого математического преобразования можно выполнить линеаризацию модели y=а× bx

-: путем дифференцирования

+: путем логарифмирования

-: путем замены переменных

-: путем потенцирования

 

I:

S: При помощи какого математического преобразования можно выполнить линеаризацию модели y= а× xb:

 

-: путем дифференцирования

+: путем логарифмирования

-: путем замены переменных

-: путем потенцирования

 

I:

S: При помощи какого математического преобразования можно выполнить линеаризацию модели y=а× ebx:

 

-: путем дифференцирования

+: путем логарифмирования

-: путем замены переменных

-: путем потенцирования

 

I:

S: К линейному уравнению нельзя привести следующий вид модели

 

+: y=a+bxC

-: y=a+b1x1+b2x2+e

-: y=a+b/x+e

-: y=a+b1x+b2x2+e

 

I:

S: Теснота статистической связи между переменной у и объясняющими переменными Х измеряется:

-: t-критерием Стьюдента

-: коэффициентом детерминации

+: коэффициентом корреляции

-: F-критерием Фишера

 

I:

S: Коэффициент парной линейной корреляции характеризует:

 

+: тесноту линейной связи между двумя переменными

-: тесноту нелинейной связи между двумя переменными

-: тесноту линейной связи между несколькими переменными

-: тесноту нелинейной связи между несколькими переменными

 

I:

S: Корреляция подразумевает наличие связи между

 

+: переменными

-: параметрами

-: случайными факторами

-: результатом и случайными факторами

 

I:

 
 

S:
 
 

Коэффициент корреляции для модели линейной парной регрессии может быть рассчитан по формуле:

-:

 

 
 

-: R=(rxy)2

+:

 

I:

S: Линейный коэффициент корреляции rxy может принимать значения в диапазоне:

 

-: (-1; 1)

-: [0; 1]

+: [-1; 1]

-: [-1.1; 1]

 

I:

S: Линейный коэффициент корреляции rxy не может принимать значения в диапазоне:

 

+: (-2; 1)

-: [0; 1]

-: [-1; 1]

-: [-0.1; 1]

 

I:

S: Линейный коэффициент корреляяции rxy может принимать значения в диапазоне:

 

-: (-1; 1.1)

-: [0; 1.5]

-: [0; 2]

+: [-1; 1]

 

I:

S: Линейный коэффициент корреляции rxy может принимать значения в диапазоне:

 

-: [0; 1.5]

-: [0; 1.1]

+: [-1; 1]

-: [-0.5; 1.5]

 

I:

S: Линейный коэффициент корреляции rxy может принимать значения только в диапазоне:

 

-: [-1; 1.5]

-: [-1.1; 1]

-: [-1.1; 1]

+: [-1; 1]

 

I:

S: Линейный коэффициент корреляции rxy не может принимать значение равное:

 

-: 0.5

-: 0.99

-: -0.5

+: 1.2

 

I:

S: Линейный коэффициент корреляции rxy не может принимать значение равное:

 

-: 0.5

-: 0.99

+: 1.05

-: 1

 

I:

S: Линейный коэффициент корреляции rxy не может принимать значение равное:

 

-: 0.6

-: 0.01

+: -1.05

-: 1

 

I:

S: Линейный коэффициент корреляции rxy может принимать значение равное:

 

-: -1.1

+: 0.99

-: 1.05

-: 1.2

 

I:

S: Линейный коэффициент корреляции rxy может принимать значение равное:

 

-: -1.35

+: -0.99

-: 1.05

-: 1.001

 

V2:

 

I:

S: Корреляционная связь между переменными X и Y считается тесной, если коэффициент корреляции принимает следующие значения:

 

-: rxy=0;

-: 0< rxy£ 0.3

-: 0.3< rxy£ 0.7

+: 0.7< rxy< 1

-: rxy=1

I:

S: Корреляционная связь между переменными X и Y считается умеренной, если коэффициент корреляции принимает следующие значения:

 

-: rxy=0;

-: 0< rxy£ 0.3

+: 0.3< rxy£ 0.7

-: 0.7< rxy< 1

-: rxy=1

I:

S: Корреляционная связь между переменными X и Y считается слабой, если коэффициент корреляции принимает следующие значения:

 

-: rxy=0;

+: 0< rxy£ 0.3

-: 0.3< rxy£ 0.7

-: 0.7< rxy< 1

-: rxy=1

 

I:

S: Корреляционная связь между переменными X и Y считается линейной функциональной, если коэффициент корреляции принимает следующие значения:

 

-: rxy=0;

-: 0< rxy£ 0.3

-: 0.3< rxy£ 0.7

-: 0.7< rxy< 1

+: rxy=1

I:

S: Корреляционная связь между переменными X и Y отсутствует, если коэффициент корреляции принимает следующие значения:

 

-: rxy=0;

-: 0< rxy£ 0.3

-: 0.3< rxy£ 0.7

+: 0.7< rxy< 1

-: rxy=1

I:

S: Коэффициент детерминации R является показателем

 

-: тесноты связи между переменными X и Y

+: качества построенной модели

-: адекватности модели исходным фактическим данным

-: статистической значимости модели

 

I:

S: Коэффициент детерминации рассчитывается для оценки качества

 

+: подбора уравнения регрессии

-: параметров уравнения регрессии

-: мультиколлинеарных факторов

-: факторов, не включенных в уравнение регрессии

 


Поделиться:



Популярное:

Последнее изменение этой страницы: 2016-03-25; Просмотров: 3314; Нарушение авторского права страницы


lektsia.com 2007 - 2024 год. Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав! (0.103 с.)
Главная | Случайная страница | Обратная связь