Список вопросов базы знаний

В число регрессоров в моделях временных рядов включаются только константа и временной тренд:

Всегда можно объединить две выборки в одну и рассматривать единую модель регрессии Y по X:

Графически положительная автокорреляция выражается в чередовании зон, где наблюдаемые значения оказываются выше объясненных (предсказанных), и зон, где наблюдаемые значения ниже:

Для устранения мультиколлинеарности может быть использован переход от исходных объясняющих переменных, связанных между собой достаточно тесной корреляционной зависимостью, к любым новым переменным:

Если автокорреляция присутствует, то наибольшее влияние на последующее наблюдение оказывает результат предыдущего наблюдения:

Если с экономической точки зрения ни одной из переменных нельзя отдать предпочтение, то оставляют ту из двух переменных, которая имеет больший коэффициент корреляции с зависимой переменной:

Критические значения d-статистики Дарбина–Уотсона определены для любых объемов выборки:

Практическое применение теста Бреуша–Годфри заключается в оценивании методом наименьших квадратов регрессии:

Такая ситуация, когда сумма значений нескольких переменных, включенных в регрессию, равна постоянному числу (единице), получила название dummy trap, или "ловушки":

Тест Дарбина–Уотсона представляет собой статистический критерий:

Число вводимых бинарных переменных должно быть существенно больше числа уровней (градаций) качественного признака:

Если дисперсии возмущений известны, то гетероскедастичность легко устраняется:

Если модель гетероскедастична, то корреляционная матрица параметров пропорциональна единичной:

Модель с постоянными дисперсиями ошибок называют гетероскедастичной:

На практике матрица ковариаций всегда известна:

Независимые переменные всегда являются случайными:

Обобщенный метод наименьших квадратов применяется к преобразованным данным и позволяет получать оценки, обладающие не только свойством несмещенности, но и имеющие меньшие выборочные дисперсии:

Обобщенный метод наименьших квадратов разрешает с единых позиций изучать некоторые важные классы регрессионных моделей:

Одно из предположений классической регрессионной модели заключается в том, что случайные ошибки некоррелированы между собой и имеют постоянную дисперсию:

Оценка b, оставаясь несмещенной и состоятельной, будет оптимальной в смысле теоремы Гаусса-Маркова, т. е. наиболее эффективной:

Оценка вектора коэффициентов модели по теореме Айткена имеет наибольшую матрицу ковариаций:

При анализе временных рядов вполне можно отбросить возможность того, что значение исследуемой величины в момент t может зависеть от ее значений в предыдущие моменты времени:

При использовании обобщенного МНК с целью корректировки гетероскедастичности коэффициент регрессии b является взвешенной величиной по отношению к обычному МНК с весами 1/К:

Проверять гипотезы о наличии линейных ограничений можно как непосредственно, так и с помощью некоторой вспомогательной регрессии:

Результаты, связанные с анализом точности модели, оценкой значимости и построением интервальных оценок ее коэффициентов, оказываются пригодными всегда:

С помощью некоторого линейного преобразования исходную систему можно свести к обычному регрессионному уравнению и построить для него МНК-оценку вектора коэффициентов:

Вариации оценок параметров определяют точность уравнения множественной регрессии:

Включение в регрессионную модель новых объясняющих переменных упрощает получаемые формулы и вычисления:

Во всех функциях коэффициент эластичности зависит от значений фактора х:

Если график зависимости не демонстрирует четко выраженной параболы второго порядка (нет смены направленности связи признаков), то она может быть заменена другой нелинейной функцией, например степенной:

Если нелинейная модель внутренне нелинейна, то она никак не может быть сведена к линейной функции:

Если параболическая форма связи демонстрирует сначала рост, а затем снижение уровня значений результативного признака, то определяется значение фактора, при котором достигается максимум:

Ковариация двух переменных - математическое ожидание произведения отклонений этих переменных от их математических ожиданий:

Коэффициент детерминации является одной из наиболее эффективных оценок адекватности регрессионной модели:

Между экономическими явлениями существуют нелинейные соотношения, они выражаются с помощью соответствующих нелинейных функций:

Можно оценить значимость коэффициентов регрессии и построить доверительные интервалы для параметров регрессионной модели:

Нелинейная регрессия по включенным переменным содержит сложности в оценке ее параметров:

О. У. Филлипс установил прямую зависимость процента прироста заработной платы от уровня безработицы:

При транспонировании произведения матриц получается произведение транспонированных матриц, взятых в том же порядке:

Теорема Гаусса-Маркова, рассмотренная для парной регрессионной модели, оказывается верной и в общем виде для модели множественной регрессии:

В математической статистике для получения несмещенной оценки дисперсии случайной величины соответствующую сумму квадратов отклонений от средней делят на число наблюдений:

В период перехода к рыночной экономике возрастает роль эконометрических методов:

Детерминированные объясняющие переменные принимают любые значения:

Доверительный интервал для функции регрессии с заданной надежностью (доверительной вероятностью) накрывает неизвестное значение:

Если речь идет о функциональной зависимости (связи), то каждому значению одной переменной соответствует случайное значение другой:

Изображение статистической зависимости графически точками координатной плоскости называется полем корреляции:

Метод наименьших квадратов существенно сложнее при проведении вычислительной процедуры:

Модели временных рядов значительно проще моделей пространственной выборки:

Обычно предполагается, что условные распределения при каждом допустимом значении факторов - нормальные:

Подходящим измерителем тесноты связи Y и X является коэффициент регрессии: