Заказ № 2789. Хабаровский государственный университет экономики и права. Контрольная работа. Дисциплина: Эконометрика

Хабаровский государственный университет экономики и права.

Контрольная работа.

Дисциплина: Эконометрика.

Работа выполнена и оформлена на отлично.

Принята с первого раза, без доработок.

После покупки вы получите файл Word (31стр. с титульником).

В работе выполнены задания, представленные ниже, в оглавлении. Все задание в прикрепленном демо-файле

Глава 1. Элементы теории оценивания

Тесты

Коэффициент вариации равен 25 %. Это значит:

а) исходные данные неоднородные;

б) исходные данные однородные;

в) исходные данные подчинены нормальному закону распределения;

г) исходные данные необходимо преобразовать.

2. Средняя арифметическая и стандартное отклонение являются эффек-тивными оценками центра распределения и вариации, если:

а) исходные данные неоднородные;

б) исходные данные однородные;

в) исходные данные подчинены нормальному закону распределения;

г) исходные данные имеют более длинный правый хвост распределения.

3. Оценкой дисперсии генеральной совокупности является:

а) выборочное значение дисперсии;

б) исправленное выборочное значение дисперсии;

в) значение дисперсии, рассчитанное на основе всей генеральной совокупности;

г) исправленное значение дисперсии, рассчитанное на основе всей генеральной совокупности.

4. Надежность интервальной оценки определяется:

а) величиной интервала;

б) доверительной вероятностью;

в) значимостью доверительного интервала;

г) точечной оценкой.

5. Точность интервальной оценки определяется:

а) величиной интервала;

б) доверительной вероятностью;

в) значимостью доверительного интервала;

г) точечной оценкой.

6. При проверке статистических гипотез по критерию Стьюдента область принятия гипотезы симметрична относительно:

а) выборочной характеристики;

б) гипотетического значения параметра;

в) нуля;

г) точечной оценкой.

7. При проверке статистических гипотез уровень значимости – это:

а) вероятность ошибки первого рода;

б) надежность оценки;

в) вероятность попадания в область принятия гипотезы;

г) вероятность попадания в критическую область.

8. При проверке статистической гипотезы на 5 %-м уровне значимости нулевая гипотеза отклоняется, если:

а) p-value > 0.05;

б) p-value < 0.05;

в) p-value < 0.025;

г) p-value > 0.025.

Глава 2. Парная линейная регрессия и корреляция

1. При невыполнении 5-й предпосылки МНК оценки параметров уравне-ния регрессии будут:

а) смещенными;

б) неэффективными:

в) несмещенными, но эффективными:

г) несмещенными и эффективными, но нельзя будет оценить их точность.

2. Коэффициент уравнения парной регрессии показывает:

а) тесноту связи между зависимой и независимой переменными;

б) на сколько процентов изменится зависимая переменная, если независимая переменная изменится на единицу;

в) на сколько процентов изменится зависимая переменная, если независимая переменная изменится на 1%;

г) на сколько ед. изменится зависимая переменная, если независимая переменная изменится на 1 ед.

3. Дисперсионный анализ уравнения парной регрессии проверяет:

а) значимость коэффициента корреляции;

б) значимость уравнения регрессии;

в) значимость коэффициента регрессии;

г) значимость свободного члена уравнения регрессии.

4. Коэффициент корреляции больше нуля, это означает, что

а) связь между переменными тесная;

б) связь между переменными прямая;

в) связь между переменными обратная;

г) связь между переменными отсутствует.

5. Коэффициент детерминации показывает:

а) на сколько единиц изменится зависимая переменная, если независимая переменная изменится на 1 единицу;

б) на сколько процентов изменится зависимая переменная, если независимая переменная изменится на 1%;

в) на сколько процентов изменение зависимой переменной зависит от изменения независимой переменной;

г) долю вариации независимой переменной, обусловленную вариацией независимой переменной.

6. Коэффициент ранговой корреляции Спирмена по сравнению с коэффи-циентом корреляции Пирсона

а) более устойчив к неравномерности информации;

б) может показывать тесноту нелинейной связи;

в) показывает тесноту только линейной связи;

г) применяется только для нормально распределенных совокупностей.

7. Коэффициента средней эластичности показывает:

а) на сколько единиц изменится зависимая переменная, если независимая переменная изменится на 1 единицу;

б) на сколько процентов в среднем изменится зависимая переменная, если независимая переменная изменится на 1%;

в) долю вариации независимой переменной, обусловленную вариацией независимой переменной;

г) на сколько процентов изменится зависимая переменная, если независимая переменная изменится на единицу.

8. Обобщенный МНК используется для:

а) оценки дисперсии;

б) избавления от гетероскедастичности остатков;

в) проверки гипотезы о гетероскедастичности остатков;

г) преобразования переменных.

9. Автокорреляция остатков уравнения регрессии означает:

а) наличие ошибки в спецификации уравнения регрессии;

б) незначимость уравнения регрессии;

в) отсутствие зависимости между переменными;

г) их случайность.

10. Линейный коэффициент корреляции и индекс корреляции совпадают, если:

а) связь между переменными линейная;

б) связь между переменными нелинейная;

в) связь между переменными нелинейная, но измеряется теснота связи между зависимой и преобразованной независимой переменными;

г) связь между переменными нелинейная, но измеряется теснота связи между преобразованной зависимой и преобразованной независимой переменными.

Задание для выполнения самостоятельной работы

Пусть имеются данные, аналогичные рассмотренным в тренировочном примере (n=21, y – потребление, х – доходы), для которых рассчитано уравнение регрессии и другие характеристики, необходимые для их полного анализа с помощью парной регрессии и корреляции.

Ниже приведены результаты расчетов (рис.12) и (рис.13).

Описательные статистики рассчитаны отдельно:

X = 5,1; y = 4.95; S ᵪ = 1,4.

Рис. 12. Уравнение парной регрессии для примера

Рис. 13. График остатков для примера

Выписать уравнение регрессии и провести полный анализ его точности в соот-ветствии с рассмотренным тренировочным примером.

Проверить равенства: tь² = t ᵣ² = F² и прокомментировать их смысл.

Прокомментировать смысл коэффициента регрессии (склонность к потреблению), рассчитать мультипликатор и коэффициент средней эластичности и привести их содержательный анализ.

Показать, что Vᵪ > Vᵧ и прокомментировать это знаком при свободном члене уравнения простой линейной регрессии.

Охарактеризовать тесноту линейной корреляционной связи на основе шкалы Чеддока.

Выборочный коэффициент Дарбина– Уотсона для этого уравнения равен 1,54.

Используя данные тренировочного примера (та же размерность задачи) проверить остатки на автокорреляцию и сделать вывод.

Сравнительный анализ моделей для рассмотренных данных показал следующее (рис.15):

Рис. 14. Сравнительный анализ моделей

Мультипликативная и экспоненциальная модели следующие:

Рис. 15. Мультипликативная модель

Рис. 16. Экспоненциальная модель

Выписать уравнения этих моделей, охарактеризовать их точность на основе данных рис. 15 и дать смысл их параметров (в пределах рассмотренного в тренировочном примере) и указать наиболее точное из них.

1. При анализе матрицы парных коэффициентов корреляции получили, что p-value для равна 0,15. Это означает, что:

а) переменная х2 слабо влияет на изменение у;

б) переменные х2 и у независимы;

в) переменную х2 следует включить в регрессию:

г) переменную х2 не следует включать в регрессию.

2. Мультиколлинеарность нежелательна при проведении регрессионного анализа потому, что:

а) вызывает автокорреляцию в остатках;

б) искажает смысл коэффициентов регрессии;

в) нарушает предпосылки МНК;

г) нарушает гомоскедастичность остатков.

3. Коэффициенты частной корреляции позволяют:

а) выявить связь между одной и многими переменными;

б) выявить парную связь между переменными;

в) выявить чистую связь между переменными;

г) элиминировать наведенные связи между переменными.

4. Коэффициенты множественной корреляции позволяют:

а) выявить связь между одной и многими переменными;

б) выявить парную связь между переменными;

в) выявить чистую связь между переменными;

г) элиминировать наведенные связи между переменными.

5. При нарушении предпосылки МНК о нормальном законе распределения остатков

а) оценки параметров уравнения регрессии будут смещенными;

б) оценки параметров уравнения регрессии будут не эффективными;

в) возникнут проблемы при оценке точности уравнения регрессии и его коэффициентов;

г) исказится смысл коэффициентов регрессии.

6. Коэффициенты уравнения регрессии показывают меру влияния фак-торных переменных (с разными единицами измерения) на результативную, если:

а) уравнение составлено в натуральном масштабе;

б) уравнение составлено в стандартизованном виде;

г) в уравнении отсутствует свободный член;

д) факторные переменные независимы.

7. Автокорреляция в остатках наблюдается, если

а) неверна спецификация уравнения регрессии;

б) в уравнение регрессии включены незначимые переменные;

в) независимые переменные мультиколлинеарны;

г) в уравнении регрессии отсутствует значимая переменная.

8. существенно меньше . Это значит:

а) уравнение регрессии незначимо;

б) оценки параметров уравнения регрессии неэффективны;

в) уравнение регрессии “засорено” незначимыми переменными;

г) в уравнение регрессии не включена незначимая переменная.

9. p-value для статистики Фишера меньше 0,05. Это значит:

а) уравнение регрессии значимо;

б) уравнение регрессии незначимо;

в) все коэффициенты уравнения регрессии равны нулю;

г) не все коэффициенты уравнения регрессии равны нулю.

10. Коэффициент множественной детерминации показывает

а) на сколько процентов изменится зависимая переменная, если независимая переменная изменится на 1%;

б) долю вариации зависимой переменной, обусловленную вариацией независимых переменных;

в) на какую часть своего стандартного отклонения изменится зависимая переменная, если независимая переменная изменится на величину своего стандартного отклонения;

г) насколько изменится зависимая переменная, если независимая переменная изменится на единицу.

Задание для выполнения самостоятельной работы

Имеется информация о результатах работы 16 фирм по следующим показателям (см. рис.26):

у – объем реализации (млн руб.);

х1 – расходы на рекламу (млн руб.);

х2– цена собственной продукции;

х3 – цена продукции фирмы- конкурента;

х4– инвестиции (в процентах к предыдущему году).

Провести корреляционно – регрессионный анализ этой информации в соответствии с рассмотренным тренировочным примером. Для этого:

1. Проанализировать описательную статистику (см. рис.27).

2. Проанализировать матрицу парных коэффициентов корреляции (см. рис.28)

3. Проанализировать в сравнительном анализе с предыдущей матрицей матрицу частных коэффициентов корреляции (см. рис.29).

4. Проанализировать точность уравнения полной регрессии (см. рис.30).

5. Проанализировать точность уравнения пошаговой регрессии (см. рис.31) и проинтерпретировать его коэффициенты.

Рис. 26. Исходная информация

Рис. 27. Описательная статистика

6. Основываясь на отчете о пошаговой регрессии в ППП Statistica (рис.31), проведите сравнительный анализ степени влияния оставшихся в регрессии переменных на зависимую переменную по коэффициентам регрессии в натуральном масштабе и по стандартизованным коэффициентам регрессии. Поясните результаты анализа исходя из смысла этих коэффициентов.

Рис. 28. Матрица парных коэффициентов корреляции

Рис. 29. Матрица частных коэффициентов корреляции

Рис. 30. Отчет о полном уравнении регрессии

Рис.31. Отчет о пошаговой регрессии в ППП Statgraphics

Рис.31. Отчет о пошаговой регрессии в ППП Statistica

Задание для выполнения самостоятельной работы

При моделировании стоимости жилья от разных факторов было получено следующее уравнение (см. рис.33):

Рис. 33. Уравнение регрессии с фиктивной переменной

Здесь price– цена квартиры;

size1 – жилая площадь квартиры;

tipe1 – фиктивная переменная, равная 1, для домов из кирпича и 0 – для других.

Выписать уравнение регрессии с фиктивной переменной и пояснить смысл коэффициентов этого уравнения, считая факторные переменные независимыми.

Глава 4. Анализ временных рядов

1. Какие показатели точности прогноза на основе временных рядов ис-пользуются для определения смещенности прогноза?

а) средняя ошибка;

б) средняя абсолютная ошибка;

в) средний квадрат ошибки;

г) средняя абсолютная процентная ошибка.

2. Какой показатель точности прогноза на основе временных рядов ис-пользуются для оценки качества прогноза?

а) средняя ошибка;

б) средняя абсолютная ошибка;

в) средний квадрат ошибки;

г) средняя процентная ошибка. (абсолютная)

3. Как учитывается процесс старения информации при моделировании на основе временных рядов?

а) вычислением скользящих средних;

б) вычислением взвешенных скользящих средних;

в) вычислением экспоненциально взвешенных скользящих средних;

г) вычислением средних арифметических.

4. Какие из перечисленных методов используются для прогнозирования стационарных показателей?

а) сезонная декомпозиция;

б) экспоненциально взвешенные скользящие средние;

в) аналитическое выравнивание по тренду;

г) скользящие средние.

5. Как осуществляется прогноз нестационарного показателя на основе тренда?

а) вычислением скользящих средних;

б) вычислением центрированных скользящих средних;

в) подстановкой в уравнение тренда значений переменной время;

г) вычислением параметра сглаживания.

6. Каков смысл параметра сглаживания в модели экспоненциально взве-шенной скользящей средней?

а) характеризует вид тренда;

б) характеризует скорость старения информации;

в) характеризует вид модели;

г) характеризует точность прогноза.

7. Как выделить сезонную компоненту при использовании метода сезон-ной декомпозиции?

а) усреднить исходные данные;

б) усреднить центрированные скользящие средние;

в) усреднить исправленные на сезонность данные;

г) усреднить сезонно-случайную компоненту.

8. В чем суть прогноза на основе сезонной компоненты?

а) прогноз корректируется с учетом индекса сезонности;

б) из исходных данных устраняется сезонность;

в) скользящая средняя умножается на индекс сезонности;

г) скользящая средняя делится на индекс сезонности.

9. Какова роль анализа автокорреляций при моделировании временных рядов?

а) позволяет выравнивать исходные данные;

б) позволяет прогнозировать исходные данные;

в) позволяет определить вид тренда;

г) позволяет определить параметр сглаживания.

10. Как определить тип модели временного ряда с сезонной компонентой?

а) мультипликативная, если сезонная составляющая не зависит от времени;

б) аддитивная, если сезонная составляющая не зависит от времени;

в) мультипликативная, если сезонная составляющая увеличивается с течением времени;

г) мультипликативная, если сезонная составляющая уменьшается с течением времени.

Задание для выполнения самостоятельной работы

Пример 1. К следующим временным рядам подобрать лучшую линию тренда в виде аналитической кривой:

а) 21,6 22,9 25,5 21,9 23,9 27,5 31,5 29,7 28,6 31,4 32,1 31,2

б)146 106 123 89 97 74 80 53 56 35

Изобразить в системе координат исходные данные и выбранную линию тренда.

Ниже приведены отчеты о решении задач с помощью статистического ППП. Вам необходимо его проанализировать и сделать соответствующие выводы по аналогии с тренировочным примером.

Рис. 46. Информация для решения задачи а)

Рис. 47. Информация для решения задачи б)

Прогноз сделать по линейному и квадратичному тренду.

Пример 2. Имеется следующая информация о потреблении электроэнергии жителями города за 4 года по кварталам (см. рис. 48 в столбце Data).

Используя результаты расчетов (см. рис. 48), построить график исходных данных и линию тренда поцентрированным скользящим средним (столбец Trend-Cycleрис.48). Вычислить индексы сезонности, усреднив показатели сезонности (столбец Seasonality) по соответствующим кварталам (например, для 3-го квартала необходимо сосчитать среднюю арифметическую из чисел с номерами 3, 7, и 11 в столбце Seasonalityи т. д.).

Рис. 48. Информация для решения задачи из примера 2

Построить график индексов сезонности.

Спрогнозировать потребление электроэнергии по линии тренда (выбрать лучшую линию тренда по данным на рис. 49):

Рис. 49. Окно отчета о подборе линии тренда

Скорректировать прогноз по тренду с помощью индексов сезонности.

Глава 5. Система одновременных уравнений

1. В чем отличие экзогенных переменных от эндогенных?

а) Экзогенные переменные определяются в результате расчетов по модели, а эндогенные даны заранее.

б) Эндогенные переменные определяются в результате расчетов по модели, а экзогенные даны заранее.

в) Экзогенные переменные коррелируют с остатками, а эндогенные – нет.

г) Эндогенные переменные коррелируют с остатками, а экзогенные – нет.

2. Косвенный метод наименьших квадратов состоит в следующем:

а) сначала оцениваются параметры при экзогенных переменных, а затем при эндогенных.

б) сначала оцениваются параметры при эндогенных переменных, а затем при экзогенных.

в) по оценкам параметров приведенной форме модели рассчитывают оценки параметров структурной формы.

г) по оценкам параметров структурной форме модели рассчитывают оценки параметров приведенной формы.

3. Почему нельзя оценивать параметры структурной формы модели непо-средственно, используя обычный МНК?

а) Оценки, получаемые при использовании обычного МНК, не отражают суть проблемы.

б) Оценки, получаемые при использовании обычного МНК, неверны.

в) Оценки, получаемые при использовании обычного МНК, неэффективны.

г) Оценки, получаемые при использовании обычного МНК, могут быть не эффективными и смещенными.

4. Модель идентифицируема, если

а) число параметров структурной модели равно числу параметров приведенной формы модели.

б) число параметров структурной модели больше числа параметров приведенной формы модели.

в) хотя бы одно из ее уравнений идентифицируемо.

г) параметры одного из его уравнений идентифицируемы.

5. Достаточным условием идентифицируемости модели является

а) равенство числа параметров структурной модели числу параметров приведенной формы модели.

б) невырожденность матрицы коэффициентов системы уравнений, связывающих структурные коэффициенты с приведенными.

в) превышение числа приведенных коэффициентов над числом структурных коэффициентов.

г) равенство числа структурных уравнений числу приведенных уравнений.

6. Сформулируйте основную идею двухшагового метода наименьших квадратов из последовательности приведенных ниже утверждений:

а) расчетные значения эндогенных переменных определяются на основе косвенного МНК.

б) расчетные значения эндогенных переменных определяются на основе обычного МНК.

в) расчетные значения эндогенных переменных наравне с фактическими значениями экзогенных переменных участвуют в оценке параметров модели при помощи обычного МНК.

г) фактические значения эндогенных переменных в правой части уравнения заменяются на расчетные.

7. Почему первое уравнение системы (5.12) сверхидентифицируемо? (в методичке система (5.4.1))

а) потому что отсутствует валовой национальный доход предшествующего года;

б) потому что коэффициенты при C и D должны быть одинаковыми;

в) потому что в правой части одна экзогенная переменная;

г) потому что для оценки пяти параметров структурной формы модели найдено шесть коэффициентов приведенной формы модели.

8. Как оцениваются параметры системы рекурсивных уравнений?

а) на основе косвенного МНК;

б) на основе обобщенного МНК;

в) на основе двухшагового МНК;

г) на основе обычного МНК.

9. Для оценки какой системы уравнений используется трехшаговый МНК?

а) сверхидентифицируемой;

б) неидентифицируемой;

в) идентифицируемой;

г) рекурсивной.

10. Лаговые переменные в системах одновременных уравнений обычно рассматриваются как

а) независимые.

б) зависимые.

в) эндогенные.

г) экзогенные.

Данная работа проверена и одобрена модераторами сайта.

Пожалуйста, внимательно изучайте оглавление работы. Деньги за приобретенную готовую работу, по причине несоответствия данной работы вашим требованиям, или ее уникальности, не возвращаются, поскольку цена значительно дешевле, чем заказывать новую работу.

Также, при необходимости, после покупки, Вы можете заказать на данном сайте необходимые дополнения к работе.