Помощь по Теле2, тарифы, вопросы

В долях среднего квадратического отклонения факторного и результативного признаков;

6. Если параметр а в уравнении регрессии больше нуля, то:

7. Зависимость предложения от цен характеризуется уравнением вида у = 136·х 1,4 . Что это означает?

С увеличением цен на 1 %, предложение увеличивается в среднем на 1,4%;

8. В степенной функции параметр b является:

Коэффициентом эластичности;

9. Остаточное среднее квадратическое отклонение определяется по формуле:

10. Уравнение регрессии, построенное по 15 наблюдениям, имеет вид: у = 4 + 3х +?6значение t - критерия равно 3,0 Коэффициент детерминации для этого уравнения равен:

На стадии формирования модели, в частности в процедуре отсева факторов, используют

Частные коэффициенты корреляции.

12. «Структурными переменными» называются :

Фиктивные переменные.

13. Дана матрица парных коэффициентов корреляции:

У xl х2 х3

У 1,0 - - -

Xl 0,7 1,0 - -

Х2 -0,5 0,4 1,0 -

Х3 0,4 0,8 -0,1 1,0

Какие факторы являются коллинеарными?

14. Автокорреляционная функция временного ряда - это:

последовательность коэффициентов автокорреляции уровней временного ряда;

15. Прогнозное значение уровня временного ряда в аддитивной модели - это:

Сумма трендовой и сезонной компонент.

16. Одним из методов тестирования гипотезы о коинтеграции временных рядов является:

Критерий Энгеля-Грангера;

17. Коинтеграция временных рядов - это:

Причинно - следственная зависимость в уровнях двух (или более) временных рядов;

18. Коэффициенты при экзогенных переменных в системе уравнений обозначаются:

19. Уравнение сверхидентифицируемо, если:

20.Модель считается неидентифицируемой, если:

Хотя бы одно уравнение модели неидентифицируемо;

ВАРИАНТ 13

1. Первым этапом эконометрического исследования является:

Постановка проблемы.

При какой зависимости разным значениям одной переменной соответствуют разные распределения значений другой переменной?

Статистической;

3. Если коэффициент регрессии больше нуля, то:

Коэффициент корреляции больше нуля.

4. Классический подход к оцениванию коэффициентов регрессии основан на:

Методе наименьших квадратов;

F-критерий Фишера характеризует

Соотношение факторной и остаточной дисперсий, рассчитанных на одну степень свободы.

6. Стандартизованным коэффициентом регрессии является:

Множественный коэффициент корреляции;

7. Для оценки значимости коэффициентов нелинейной регрессии рассчитывают:

F - критерий Фишера;

8. Методом наименьших квадратов определяются параметры:

Линейной регрессии;

9. Случайная ошибка коэффициента корреляции определяется по формуле:

M= √(1-r 2)/(n-2)

10. Дано: Dфакт = 120;Docт = 51. Чему будет равно фактическое значение F-критерия Фишера?

11.Частный F-критерий Фишера оценивает:

Статистическую значимость присутствия соответствующего фактора в уравнении множественной регрессии;

12. Несмещенность оценки означает, что :

Математическое ожидание остатков равно нулю.

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

Инструмент анализа данных Корреляция;

14. Сумма значений сезонной компоненты по всем кварталам в аддитивной модели должна быть равна:

15. Прогнозное значение уровня временного ряда в мультипликативной модели - это:

Произведение трендовой и сезонной компонент;

16. Ложная корреляция вызвана наличием:

Тенденции.

17. Для определения авто корреляции остатков используют:

Критерий Дарбина- Уотсона;

18. Коэффициенты при эндогенных переменных в системе уравнений обозначаются :

19 . Условие, что ранг матрицы, составленной из коэффициентов при переменных. отсутствующих в исследуемом уравнении не меньше числа эндогенных переменных системы на единицу-это:

Дополнительное условие идентификации уравнения в системе уравнений

20. Косвенный метод наименьших квадратов применяется для решения:

Идентифицируемой системы уравнений.

ВАРИАНТ 14

1. Математико-статистическими выражениями, количественно характеризующими экономические явления и процессы и обладающими достаточно высокой степенью надежности, называются:

Эконометрические модели.

2. Задачей регрессионного анализа является:

Определение тесноты связи между признаками;

3. Коэффициент регрессии показывает:

Среднее изменение результата с изменением фактора на одну единицу его измерения.

4. Средняя ошибка аппроксимации - это:

Среднее отклонение расчетных значений результативного признака от фактических;

5. Неправильный выбор математической функции относится к ошибкам:

Спецификации модели;

6. Если параметр а в уравнении регрессии больше нуля, то :

Вариация результата меньше вариации фактора;

7. Линеаризация какой функции происходит путем замены переменных: x=x1, x2=x2

Полинома второй степени;

8. Зависимость спроса от цен характеризуется уравнением вида у = 98 х - 2,1. ЧТО это означает?

С увеличением цен на 1 %, спрос снижается в среднем на 2,1 %;

9. Средняя ошибка прогноза определяется по формуле:

- σост=√(∑(у-ỹ) 2 / (n-m-1))

10. Пусть имеется уравнение парной регрессии: у = 13+6*x, построенное по 20 наблюдениям, при этом r = 0,7. Определить стандартную ошибку для коэффициента корреляции:

11. Стандартизованные коэффициенты регрессии показывают:

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

12. Одной ИЗ пяти предпосылок метода наименьших квадратов является:

Гомоскедастичность;

13. Для расчета множественного коэффициента корреляции в Excel используется :

Инструмент анализа данных Регрессия.

14. Сумма значений сезонной компоненты по всем периодам в мультипликативной модели в цикле должна быть равна:

Четырем.

15. При аналитическом выравнивании временного ряда в качестве независимой переменной выступает:

16. Автокорреляция в остатках - это нарушение предпосылки МНК о:

Случайности остатков, полученных по уравнению регрессии;

Общие интенсивные коэффициенты (рождаемости, смертности, детской смертности, заболеваемости и т.д.) правильно отражают частоту явлений при их сопоставлении лишь в том случае, если состав сравниваемых совокупностей однороден. Если же они имеют неоднородный возрастно-половой или профессиональный состав, различие по тяжести болезни, по нозологическим формам иди по другим признакам, то ориентируясь на общие показатели, сравнивая их, можно сделать неправильный вывод о тенденциях изучаемых явлений и истинных причинах разницы общих показателей сравниваемых совокупностей.

Например, больничная летальность на терапевтическом отделении № 1 в отчетном году составила 3%, а на терапевтическом отделении №2 в том же году - 6%. Если оценивать деятельность этих отделений по общим показателям, то можно сделать вывод о неблагополучии на 2 терапевтическом отделении. А если предположить, что состав лечившихся на этих отделениях разнится по нозологическим формам или по тяжести заболеваний госпитализированных, то наиболее правильным способом анализа является сопоставление специальных коэффициентов, рассчитанных отдельно.для каждой группы больных с одинаковыми нозологическими формами или тяжестью заболеваний, так называемых «повозрастных коэффициентов».

Зачастую, однако, в сравниваемых совокупностях наблюдаются противоречивые данные. Кроме того, даже при наличии одинаковой тенденции во всех сравниваемых группах не всегда удобно пользоваться набором показателей, а предпочтительнее получить единую суммарную оценку. Во всех подобных случаях прибегают к методу стандартизации, то есть к устранению (элиминации) влияния состава (структуры) совокупностей на общий, итоговый показатель.

Следовательно, метод стандартизации применяется тогда, когда имеющиеся различия в составе сравниваемых совокупностей могут повлиять на размеры общих коэффициентов.

Для того, чтобы устранить влияние неоднородности составов сравниваемых совокупностей на величину получаемых коэффициентов, их приводят к единому стандарту, то есть условно допускается, что состав сравниваемых совокупностей одинаков. В качестве стандарта можно принять состав какой-либо близкой по существу третьей совокупности, средний состав двух сравниваемых групп или, проще всего, состав одной из сравниваемых групп.

Стандартизованные коэффициенты показывают, каковы были бы общие интенсивные показатели (рождаемости, заболеваемости, смертности, летальности и т.д.), если бы на их величину не оказывала влияние неоднородность в составах сравниваемых групп. Стандартизованные коэффициенты являются условными величинами и применяются исключительно для анализа в целях сравнения.

Существуют три метода стандартизации: прямой, косвенный и обратный (Керриджа).

Рассмотрим применение этих трех методов стандартизации на примерах, взятых из статистики злокачественных новообразований. Как известно, с возрастом значительно повышаются, коэффициенты смертности от злокачественных новообразований. Отсюда следует, что если в каком-либо городе будет относительно высока доля людей пожилых возрастов, а в другом - преобладать население среднего возраста, то даже при полном равенстве санитарных условий жизни и медицинской помощи в обоих сравниваемых городах неизбежно общий коэффициент смертности населения от злокачественных новообразований в первом городе будет выше, чем тот же коэффициент во втором городе.

Для того, чтобы нивелировать влияние возраста на общий показатель смертности населения от злокачественных новообразований, необходимо применить стандартизацию. Только после этого можно будет сравнивать полученные коэффициенты и сделать обоснованный вывод о большем или меньшем уровне смертности от злокачественных новообразований в целом в сравниваемых городах.

Прямой метод стандартизации. В нашем примере его можно применять в том случае, когда известен возрастной состав населения и есть информация для расчета повозрастных коэффициентов смертности населения от злокачественных новообразований (числа умерших от злокачественных новообразований в каждой возрастной группе).

Методика вычисления стандартизованных коэффициентов прямым методом слагается из четырех последовательных этапов (табл. 5.1).

Первый этап. Вычисление «повозрастных» коэффициентов смертности от злокачественных новообразований (отдельно для каждой возрастной группы).

Второй этап. Выбор стандарта осуществляется произвольно. В нашем примере за стандарт взят возрастной состав населения в городе «А».

Таблица 5.1

Стандартизация коэффициентов смертности от злокачественных новообразований в городах «А» и «Б» (прямой метод)

Третий этап. Расчет «ожидаемых» чисел. Мы определяем, сколько бы человек умерло от злокачественных новообразований в каждой возрастной группе населения города «Б» при имеющихся повозрастных показателях смертности от злокачественных новообразований в этом городе, но при возрастном составе города «А» (стандарт).

Например, в возрастной группе «до 30 лет»:

или в возрастной группе «40-49 лет»:

Четвертый этап. Расчет стандартизованных коэффициентов. Сумму «ожидаемых» чисел (1069,0) мы предлагаем получить из общей численности населения города «А» (700000). А сколько же умерших от злокачественных новообразований приходится на 100000 населения?

Из наших результатов можно сделать следующий вывод: если бы возрастной состав населения «Б» был бы такой же, как в городе «А» (стандарт), то смертность населения от злокачественных новообразований в городе «Б» была бы существенно выше (152,7%ооо против 120,2%ооо).

Косвенный метод стандартизации. Применяется, если специальные коэффициенты в сравниваемых группах неизвестны или известны, но мало достоверны. Это наблюдается, например, когда числа заболевших очень малы и, следовательно, вычисляемые коэффициенты будут существенно меняться в зависимости от прибавления одного или нескольких случаев заболеваний.

Вычисление стандартизованных коэффициентов косвенным способом можно разбить на три этапа (см. табл. 5.2).

Первый этап. Состоит в выборе стандарта. Так как нам обычно неизвестны специальные коэффициенты сравниваемых групп (коллективов), то за стандарт берутся специальные коэффициенты какого-то хорошо изученного коллектива. В рассматриваемом примере таковыми могут служить повозрастные показатели смертности от злокачественных новообразований в городе «С».

Второй этап включает вычисление «ожидаемых» чисел умерших от злокачественных новообразований. Допуская, что повозрастные коэффициенты смертности в обоих сравниваемых городах равны стандартным, определяем сколько бы умерло людей от злокачественных новообразований в каждой возрастной группе.

На третьем этапе вычисляются стандартизованные коэффициенты смертности населения от злокачественных новообразований. Для этого действительное число умерших относят к суммарному «ожидаемому» числу, и результат умножают на общий коэффициент смертности стандарта.

Действительное число умерших Общий коэф. смертности стандарта

«Ожидаемое» число умерших

В эконометрике часто используется иной подход к определению параметров множественной регрессии (2.13) с исключенным коэффициентом :

Разделим обе части уравнения на стандартное отклонение объясняемой переменной S Y и представим его в виде:

Разделим и умножим каждое слагаемое на стандартное отклонение соответствующей факторной переменной, чтобы перейти к стандартизованным (центрированным и нормированным) переменным:

где новые переменные обозначены как

.

Все стандартизованные переменные имеют нулевую среднюю величину и одинаковую дисперсию, равную единице.

Уравнение регрессии в стандартизованной форме имеет вид:

где
- стандартизованные коэффициенты регрессии.

Стандартизованные коэффициенты регрессии отличаются от коэффициентовобычной, естественной формы тем, что их величина не зависит масштаба измерения объясняемой и объясняющих переменных модели. Кроме того, между ними существует простая взаимосвязь:

, (3.2)

которая дает другой способ вычисления коэффициентов по известным значениям, более удобный в случае, например, двухфакторной регрессионной модели.

5.2. Нормальная система уравнений мнк в стандартизованных

переменных

Оказывается, что для вычисления коэффициентов стандартизованной регрессии нужно знать только парные коэффициенты линейной корреляции. Чтобы показать каким образом это делается, исключим из нормальной системы уравнений МНК неизвестную с помощью первого уравнения. Умножая первое уравнение на (
) и складывая его почленно со вторым уравнением, получим:

Заменяя обозначениями дисперсии и ковариаций выражения в скобках

перепишем второе уравнение в удобном для дальнейшего упрощения виде:

Разделим обе части этого уравнения на стандартное отклонение переменных S Y и ` S X 1 , а каждое слагаемое разделим и умножим на стандартное отклонение переменной, соответствующей номеру слагаемого:

Вводя характеристики линейной статистической связи:

и стандартизованные коэффициенты регрессии

,

получаем:

После аналогичных преобразований всех остальных уравнений,нормальная система линейных уравнений МНК (2.12) принимает следующий, более простой вид:

(3.3)

5.3. Параметры стандартизованной регрессии

Стандартизованные коэффициенты регрессии в частном случае модели с двумя факторами определяются из следующей системы уравнений:

(3.4)

Решая эту систему уравнений, находим:

, (3.5)

. (3.6)

Подставив найденные значения коэффициентов парной корреляции в уравнения (3.4) и (3.5), получими. Затем с помощью формул (3.2) нетрудно вычислить оценки коэффициентови, а затем, при необходимости, вычислить оценкупо формуле

6. Возможности экономического анализа на основе многофакторной модели

6.1. Коэффициенты стандартизованной регрессии

Стандартизованные коэффициенты регрессии показывают, на сколько стандартных отклонений изменится в среднем объясняемая переменнаяY , если соответствующая объясняющая переменная Х i изменится на величину
одного ее стандартного отклонения при сохранении неизменным значений среднего уровня всех остальных факторов.

В силу того, что в стандартизованной регрессии все переменные заданы как центрированные и нормированные случайные величины, коэффициенты сравнимы между собой. Сравнивая их друг с другом, можно ранжировать соответствующие им факторыХ i по силе воздействия на объясняемую переменную Y . В этом состоит основное преимущество стандартизованных коэффициентов регрессии от коэффициентов регрессии в естественной форме, которые несравнимы между собой.

Эта особенность стандартизованных коэффициентов регрессии позволяет использовать при отсеве наименее значимых факторов Х i с близкими к нулю значениями их выборочных оценок . Решение об исключении их из модельного уравнения линейной регрессии принимается после проверки статистических гипотез о равенстве нулю его средней величины.