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× b^x

-: путем дифференцирования

+: путем логарифмирования

-: путем замены переменных

-: путем потенцирования

 

I:

S: При помощи какого математического преобразования можно выполнить линеаризацию модели y= а× x^b:

 

-: путем дифференцирования

+: путем логарифмирования

-: путем замены переменных

-: путем потенцирования

 

I:

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

 

-: путем дифференцирования

+: путем логарифмирования

-: путем замены переменных

-: путем потенцирования

 

I:

S: К линейному уравнению нельзя привести следующий вид модели

 

+: y=a+bx^C

-: 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=(r_xy)²

+:

 

I:

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

 

-: (-1; 1)

-: [0; 1]

+: [-1; 1]

-: [-1.1; 1]

 

I:

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

 

+: (-2; 1)

-: [0; 1]

-: [-1; 1]

-: [-0.1; 1]

 

I:

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

 

-: (-1; 1.1)

-: [0; 1.5]

-: [0; 2]

+: [-1; 1]

 

I:

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

 

-: [0; 1.5]

-: [0; 1.1]

+: [-1; 1]

-: [-0.5; 1.5]

 

I:

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

 

-: [-1; 1.5]

-: [-1.1; 1]

-: [-1.1; 1]

+: [-1; 1]

 

I:

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

 

-: 0.5

-: 0.99

-: -0.5

+: 1.2

 

I:

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

 

-: 0.5

-: 0.99

+: 1.05

-: 1

 

I:

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

 

-: 0.6

-: 0.01

+: -1.05

-: 1

 

I:

S: Линейный коэффициент корреляции r_xy может принимать значение равное:

 

-: -1.1

+: 0.99

-: 1.05

-: 1.2

 

I:

S: Линейный коэффициент корреляции r_xy 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:

 

-: r_xy=0;

-: 0< r_xy£ 0.3

-: 0.3< r_xy£ 0.7

+: 0.7< r_xy< 1

-: r_xy=1

I:

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

 

-: r_xy=0;

-: 0< r_xy£ 0.3

+: 0.3< r_xy£ 0.7

-: 0.7< r_xy< 1

-: r_xy=1

I:

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

 

-: r_xy=0;

+: 0< r_xy£ 0.3

-: 0.3< r_xy£ 0.7

-: 0.7< r_xy< 1

-: r_xy=1

 

I:

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

 

-: r_xy=0;

-: 0< r_xy£ 0.3

-: 0.3< r_xy£ 0.7

-: 0.7< r_xy< 1

+: r_xy=1

I:

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

 

-: r_xy=0;

-: 0< r_xy£ 0.3

-: 0.3< r_xy£ 0.7

+: 0.7< r_xy< 1

-: r_xy=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

 

⇐ Предыдущая12345Следующая ⇒

Поделиться:

Популярное:

1. Метод наименьших квадратов и предпосылки его применения для множественной линейной регрессии
2. Множеств лин регресс модель: оценка коэф-тов регрессии методом наим квадратов (МНК)
3. Нелинейные регрессионные модели: метод наименьших квадратов, методика выбора вида зависимости объясняемого фактора от объясняющих факторов.
4. Обобщенный метод наименьших квадратов.
5. Обычный метод наименьших квадратов (линейная регрессия)
6. Обычный метод наименьших квадратов(линейная регрессия)
7. Парная линейная регрессионная модель: оценка коэффициентов регрессии методом наименьших квадратов (МНК).
8. Предпосылки метода наименьших квадратов