Предмет эконометрики:
А) Эконометрика дает количественное выражение взаимосвязей экономических явлений и процессов.
Б) Эконометрика дает качественное выражение взаимосвязей экономических явлений и процессов.
В) Эконометрика дает выражение взаимосвязей экономических явлений и процессов.
Г) Эконометрика дает количественное выражение взаимосвязей явлений и процессов.
Д) Эконометрика дает количественное выражение.

Эконометрическая модель – это:
А) Система одновременных линейных алгебраических уравнений.
Б) Система уравнений.
В) Уравнение, содержащее случайные составляющие.
Г) Система одновременных линейных алгебраических уравнений, не содержащих случайные составляющие.
Д) Система одновременных линейных алгебраических уравнений, часть из которых содержит случайные составляющие.

Регрессионный анализ применяется для:
А) Исследования вида зависимости между переменными, имеющими качественную природу.
Б) Исследования вида зависимости между переменными.
В) Исследования вида зависимости между переменными, имеющими количественную природу.
Г) Исследования вида.
Д) Исследования вида независимости между переменными.

МНК – это:
А) Метод наибольших квадратов.
Б) Метод квадратов.
В) Метод наименьших кубов.
Г) Метод наименьших квадратов.
Д) Метод наилучших квадратов.

МНК применяется для:
А) Оценивания известных коэффициентов зависимости.
Б) Оценивания неизвестных коэффициентов зависимости.
В) Оценивания неизвестных коэффициентов независимости.
Г) Оценивания коэффициентов.
Д) Оценивания неизвестных.

Суть МНК:
А) Минимизация суммы квадратов взвешенных отклонений.
Б) Максимизация суммы квадратов отклонений.
В) Минимизация суммы квадратов отклонений.
Г) Минимизация суммы модулей отклонений.
Д) Минимизация суммы.

Как называется модель у = а + вх + ?
А) Модель парной регрессии.
Б) Модель множественной регрессии.
В) Модель регрессии.
Г) Модель Клейна.
Д) Кривая спроса.

Количество регрессоров в модели у = а + e:
А) 0.
Б) 2.
В) 3.
Г) 1.
Д) 4.

Количество регрессоров в модели у = вх + e:
А) 0.
Б) 2.
В) 3.
Г) 1.
Д) 4.

Количество регрессоров в модели у = а + вх + e:
А) 0.
Б) 2.
В) 3.
Г) 1.
Д) 4.

Количество регрессоров в модели у = а + в1х1+ в2х2 + e:
А) 0.
Б) 2.
В) 3.
Г) 1.
Д) 4.

Количество регрессоров в модели у = в1х1 + в2х2 + …+ вкхк + e:
А) к.
Б) к — 1.
В) 3.
Г) 5.
Д) 4.

Случайными в классической модели у = а + вх + e являются величины:
А) ; х.
Б) х; у.
В) .
Г) ; х; у.
Д) ; у.

Неслучайными в классической модели у = а + вх + e являются величины:
А) а; в; х.
Б) х; у.
В) e.
Г) e; а; в.
Д) e; у.

Что такое «у» в модели у = а + вх + e?
А) Независимая переменная.
Б) Зависимая переменная.
В) Переменная.
Г) Неизвестный коэффициент.
Д) Ошибка.

Зависимая переменная по-другому называется:
А) Объясняющая переменная.
Б) Необъясняемая переменная.
В) Объясняемая переменная.
Г) Объяснимая переменная.
Д) Необъяснимая переменная.

Что такое «х» в модели у = а + вх + e?
А) Независимая переменная.
Б) Зависимая переменная.
В) Переменная.
Г) Неизвестный коэффициент.
Д) Ошибка.

Независимая переменная по-другому называется:
А) Объясняющая переменная.
Б) Необъясняемая переменная.
В) Объясняемая переменная.
Г) Объяснимая переменная.
Д) Необъяснимая переменная.

Что такое «а» и «в» в модели у = а + вх + e?
А) Независимые переменные.
Б) Зависимые переменные.
В) Переменные.
Г) Неизвестные коэффициенты.
Д) Ошибки.

Свободный член в регрессионной модели можно трактовать как:
А) Остаточный эффект неучтенных факторов.
Б) Остаточный эффект.
В) Остаточный эффект учтенных факторов.
Г) Ошибка.
Д) Объясняемая переменная.

Что такое «e» в модели у = а + вх + e ?
А) Независимая переменная.
Б) Зависимая переменная.
В) Переменная.
Г) Неизвестный коэффициент.
Д) Ошибка.

Ошибка в регрессионной модели – это:
А) Результат влияния различных факторов, не вызывающий отклонения зависимости.
Б) Результат влияния различных факторов, вызывающий отклонение зависимости.
В) Результат.
Г) Объясняемая переменная.
Д) Свободный член.

Величины « » и « » называются:
А) МНК-оценками переменных.
Б) МНК-оценками ошибок.
В) МНК-оценками регрессии.
Г) МНК-оценками коэффициентов регрессии.
Д) Коэффициентами регрессии.

Величина «е» называется:
А) Ошибкой.
Б) Прогнозом значения зависимой переменной.
В) Значением зависимой переменной.
Г) Остатком.
Д) Оценкой.

Остатки являются оценками для:
А) Зависимых переменных.
Б) Независимых переменных.
В) Ошибок модели.
Г) Коэффициентов модели.
Д) Модели.

Если в регрессии есть константа, то среднее значение остатков равно:
А) а.
Б) 1
В) 0.
Г) е.
Д) Числу регрессоров.

Уравнение = + х описывает линию:
А) Параболу.
Б) Прямую.
В) Гиперболу.
Г) Кривую.
Д) Окружность.

Экономическая интерпретация свободного члена «а» в модели у = а + вх + e:
А) Значение зависимой переменной, когда независимая переменная равна нулю.
Б) Значение независимой переменной, когда зависимая переменная равна нулю.
В) Значение ошибки.
Г) Значение зависимой переменной, когда независимая переменная максимальна.
Д) Значение зависимой переменной.

Свободный член регрессии корректно интерпретируется, только если:
А) Среди выборочных значений зависимой переменной есть близкие к нулю.
Б) Среди выборочных значений есть близкие к нулю.
В) Среди выборочных значений независимых переменных нет близких к нулю.
Г) Всегда.
Д) Среди выборочных значений независимых переменных есть близкие к нулю.

Экономическая интерпретация коэффициента «в» в модели у = а + вх + e:
А) При убывании независимой переменной на одну единицу своего измерения зависимая переменная будет возрастать на «в» единиц своего измерения.
Б) При возрастании независимой переменной на одну единицу своего измерения зависимая переменная будет убывать в среднем на «в» единиц своего измерения.
В) При возрастании независимой переменной на одну единицу своего измерения зависимая переменная будет возрастать на одну единицу своего измерения.
Г) Не интерпретируется.
Д) При возрастании независимой переменной на одну единицу своего измерения зависимая переменная будет возрастать в среднем на «в» единиц своего измерения.

Вид прямой линии регрессии = + х при положительном «в»:
А) Убывает.
Б) Возрастает.
В) Параллельна оси «х».
Г) Параллельна оси «у».
Д) Проходит через начало координат.

Вид прямой линии регрессии = + х при отрицательном «в»:
А) Убывает.
Б) Возрастает.
В) Параллельна оси «х».
Г) Параллельна оси «у».
Д) Проходит через начало координат.

Вид прямой линии регрессии = + х при «в = 0»:
А) Убывает.
Б) Возрастает.
В) Параллельна оси «х».
Г) Параллельна оси «у».
Д) Проходит через начало координат.

Вид прямой линии регрессии = + х при «а = 0»:
А) Убывает.
Б) Возрастает.
В) Параллельна оси «х».
Г) Параллельна оси «у».
Д) Проходит через начало координат.

Если коэффициент «в» в модели у = а + вх + e положителен, то связь между зависимой и независимой переменными:
А) Сильная.
Б) Криволинейная.
В) Нет линейной связи.
Г) Обратная.
Д) Прямая.

Если коэффициент «в» в модели у = а + вх + e отрицателен, то связь между зависимой и независимой переменными:
А) Сильная.
Б) Криволинейная.
В) Нет линейной связи.
Г) Обратная.
Д) Прямая.

Если коэффициент «в» в модели у = а + вх + e равен нулю, то между зависимой и независимой переменными:
А) Сильная связь.
Б) Криволинейная связь.
В) Нет линейной связи.
Г) Обратная связь.
Д) Прямая связь.

Как называется модель у = в1х1 + в2х2 + …+ вкхк + e?
А) Модель парной регрессии.
Б) Модель множественной регрессии.
В) Модель тройной регрессии.
Г) Модель непарной регрессии.
Д) Модель немножественной регрессии.

Что такое «у» в модели у = в1х1 + в2х2 + …+ вкхк + e?
А) Независимая переменная.
Б) Зависимая переменная.
В) Переменная.
Г) Неизвестный коэффициент.
Д) Ошибка.

Что такое «х1», «х2», …, «хк» в модели у = в1х1 + в2х2 + …+ вкхк + e?
А) Независимые переменные.
Б) Зависимые переменные.
В) Переменные.
Г) Неизвестные коэффициенты.
Д) Ошибки.

Что такое «в1», «в2», …, «вк» в модели у = в1х1 + в2х2 + …+ вкхк + e?
А) Независимые переменные.
Б) Зависимые переменные.
В) Переменные.
Г) Неизвестные коэффициенты.
Д) Ошибки.

Что такое «e» в модели у = в1х1 + в2х2 + …+ вкхк + e?
А) Независимые переменные.
Б) Зависимые переменные.
В) Переменные.
Г) Неизвестные коэффициенты.
Д) Ошибки.

Экономическая интерпретация коэффициента «вк» в модели у = в1х1 + в2х2 + …+ вкхк + e:
А) При убывании независимой переменной хк на одну единицу своего измерения зависимая переменная будет возрастать на «вк» единиц своего измерения.
Б) При возрастании независимой переменной хк на одну единицу своего измерения зависимая переменная будет убывать в среднем на «вк» единиц своего измерения.
В) При возрастании независимой переменной хк на одну единицу своего измерения зависимая переменная будет возрастать на одну единицу своего измерения.
Г) Не интерпретируется.
Д) При возрастании независимой переменной хк на одну единицу своего измерения зависимая переменная будет возрастать в среднем на «вк» единиц своего измерения.

Математическое ожидание случайной величины– это:
А) Максимальное значение случайной величины.
Б) Минимальное значение случайной величины.
В) Среднее значение случайной величины.
Г) Значение случайной величины.
Д) Любое значение случайной величины.

Дисперсия случайной величины – это:
А) Характеристика разброса значений случайной величины вокруг минимального.
Б) Среднее значение случайной величины.
В) Характеристика разброса значений случайной величины вокруг максимального.
Г) Характеристика разброса значений случайной величины вокруг среднего.
Д) Ноль.

Ковариация между случайными величинами показывает:
А) Тесноту стохастически-линейной связи между случайными величинами.
Б) Направление стохастически-линейной связи между случайными величинами.
В) Направление криволинейной связи между случайными величинами.
Г) Направление стохастически-линейной связи между неслучайными величинами.
Д) Среднее значение случайной величины.

Статистика s2 – это:
А) Оценка для дисперсии оценок.
Б) Дисперсия ошибок.
В) Оценка для дисперсии ошибок.
Г) Среднее значение ошибок.
Д) Оценка для среднего значения ошибок.

Для вычисления статистики s2 используются:
А) Коэффициенты регрессии.
Б) Прогнозы.
В) Ошибки.
Г) Остатки.
Д) МНК-оценки.

Стандартная ошибка есть:
А) .
Б) .
В) s2.
Г) s3.
Д) s1/3.

Чем больше t-статистика коэффициента регрессии, тем:
А) Он меньше.
Б) Он больше.
В) Он менее значим.
Г) Он более значим.
Д) Он ближе к нулю.

95%-й доверительный интервал для коэффициента регрессии – это:
А) Числовой интервал, который накрывает его с вероятностью 5%.
Б) Числовой интервал, который не накрывает его с вероятностью 95%.
В) Нечисловой интервал, который накрывает его с вероятностью 95%.
Г) Интервал (-0,95; 0,95).
Д) Числовой интервал, который накрывает его с вероятностью 95%.

Коэффициент регрессии значим, если его доверительный интервал:
А) Содержит ноль.
Б) Содержит единицу.
В) Не содержит единицы.
Г) (-1; 1).
Д) Не содержит нуля.

Для проверки на значимость регрессии в целом вычисляется статистика:
А) t.
Б) F.
В) R2.
Г) F2.
Д) t2.

Чем больше значение F-статистики, тем:
А) Менее значима регрессия в целом.
Б) Более незначима регрессия в целом.
В) Более значима регрессия в целом.
Г) Более значимы регрессоры.
Д) Больше регрессоров.

Если регрессоры линейно зависимы, то:
А) МНК применим.
Б) МНК все еще применим.
В) МНК дает неустойчивые оценки.
Г) МНК дает устойчивые оценки.
Д) МНК неприменим.

Нелинейные модели делятся на два класса:
А) Нелинейные по переменным и линейные по параметрам.
Б) Линейные по переменным и нелинейные по параметрам.
В) Нелинейные по переменным и нелинейные по параметрам.
Г) Нелинейные по независимым и по зависимым переменным.
Д) Нелинейные по коэффициентам и нелинейные по параметрам.

Нелинейные по переменным модели приводятся к линейным с помощью:
А) Соответствующего элементарного преобразования.
Б) Дифференцирования.
В) Интегрирования.
Г) Деления на определенное число.
Д) Соответствующей замены переменных.

Модель у = а + вх + сх2 + e нелинейна по:
А) Параметрам.
Б) Независимой переменной.
В) Зависимой переменной.
Г) Коэффициентам.
Д) Переменным и параметрам.

Предложите замену переменных для линеаризации модели у = а + вх + сх2 + e:
А) z = x.
Б) z = x2.
В) x = z2.
Г) x = z.
Д) Не требуется, т.к. модель линейна.

Модель у = ахвe нелинейна по:
А) Параметрам.
Б) Переменной «у».
В) Зависимой переменной.
Г) Не входящей в модель переменной.
Д) Переменным.

Предложите преобразование для линеаризации модели у = ахвe:
А) Деление обеих частей уравнения на «в».
Б) Логарифмирование обеих частей уравнения.
В) Замена переменных.
Г) Деление обеих частей уравнения на «а».
Д) Умножение обеих частей уравнения на «а».

Вид зависимости в нелинейной по параметрам модели у = еа+вхe:
А) Экспоненциальная.
Б) Показательная.
В) Степенная.
Г) Полиномиальная.
Д) Линейная.

Фиктивные переменные вводятся в модель для:
А) Учета в модели количественных признаков.
Б) Учета в модели всех признаков.
В) Полноты.
Г) Учета в модели качественных признаков.
Д) Улучшения качества регрессии.

Бинарная переменная – это:
А) Переменная, принимающая одно значение.
Б) Переменная, принимающая любые значения.
В) Постоянная.
Г) Переменная, принимающая два значения.
Д) Переменная, принимающая три значения.

Гетероскедастичность ошибок – это:
А) Одинаковый разброс ошибок.
Б) Неодинаковый разброс независимых переменных.
В) Одинаковый разброс независимых переменных.
Г) Однородность выборки.
Д) Неодинаковый разброс ошибок.

В каких выборках встречается гетероскедастичность?
А) В неоднородных выборках.
Б) Во временных рядах.
В) В однородных выборках и временных рядах.
Г) В однородных выборках.
Д) В неоднородных выборках и временных рядах.

Одно из основных последствий гетероскедастичности –
А) Правильная оценка значимости регрессоров.
Б) Неправильная оценка значимости регрессоров.
В) Неправильность МНК-оценок коэффициентов регрессии.
Г) Неприменимость МНК.
Д) Несмещенность МНК-оценок коэффициентов регрессии.

При применении МНК к моделям с гетероскедастичностью оценки становятся:
А) Неправильными.
Б) Эффективными.
В) Смещенными.
Г) Несостоятельными.
Д) Неэффективными.

Для оценивания моделей с гетероскедастичностью применяется:
А) Метод взвешенных наименьших квадратов.
Б) МНК.
В) Метод невзвешенных наименьших квадратов.
Г) Метод взвешенных наибольших квадратов.
Д) Метод взвешенных квадратов.

Суть метода взвешенных наименьших квадратов:
А) Минимизация суммы квадратов взвешенных отклонений.
Б) Максимизация суммы квадратов отклонений.
В) Минимизация суммы квадратов отклонений.
Г) Минимизация суммы модулей отклонений.
Д) Минимизация суммы.

С помощью какого прикладного пакета в Excel оценивается регрессия?
А) Пакет поиска анализа.
Б) Пакет синтеза.
В) Пакет анализа.
Г) Поиск решения.
Д) Пересчет в евро.

Критическое значение t-статистики в Excel находится с помощью функции:
А) Стьюдраспобр.
Б) Fраспобр.
В) Стьюдрасп.
Г) Fрасп.
Д) t-статистика.

Число степеней свободы t-статистики в модели у = а + вх + e:
А) n – 1 (n – объем выборки).
Б) n – k (n – объем выборки, k – число зависимых переменных).
В) n – 2 (n – объем выборки).
Г) n (n – объем выборки).
Д) 2.

Критическое значение F-статистики в Excel находится с помощью функции:
А) Стьюдраспобр.
Б) Fраспобр.
В) Стьюдрасп.
Г) Fрасп.
Д) t-статистика.

Как можно в общем сформулировать определение эконометрии?
Это наука, связанная с эмпирическим выводом экономических законов1.
Это наука, связанная с изменениями переменных.
Это наука, связанная с классической зависимостью законов.
Это наука, связанная с выводом данных.
Это наука, связанная с учтенными в модели факторов, случайных ошибок и особенностей измерения.
Термин «эконометрика» был введен в 1926г. Норвежским ученым…
Р.Фришем1
Э. Маленко
Л.Кляйном
С.Фишером
Стьюдентом
Эконометрика дословно переводится …
Циклические измерения
Эконометрические измерения
Конкретные закономерности
Экономические объекты
Экономико- математические модели
Основная задача эконометрики-
Наполнить эмпирическим содержанием априорные экономические рассуждения1
Формирование цели исследования
Сбор необходимой информации
Анализ сущности изучаемого объекта
Осуществление непосредственного моделирования
Цель эконометрики-
эмпирический вывод экономических законов.
проверка истинности модели
наполнить эмпирическим содержанием априорные экономические рассуждения
Анализ сущности изучаемого объекта
Осуществление непосредственного моделирования
Основные этапы эконометрического моделирования:
Постановочный, априорный, параметризация, информационный, идентификация модели, верификация модели.
Алгоритмический, постановочный , параметризация, информационный, идентификация модели, верификация модели.
Временной, априорный, параметризация, информационный, идентификация модели, верификация модели.
Постановочный, априорный, параметризация, информационный, регрессионный, верификация модели.
Пространственный, априорный, параметризация, информационный, идентификация модели, верификация модели.
Типы моделей
Модели информационных рядов, регрессионные модели с двумя уравнениями, системы одновременных уравнений.
Модели постоянных рядов, регрессионные модели с одним уравнением, системы одновременных уравнений.
Модели временных рядов, регрессионные модели с одним уравнением, системы одновременных уравнений. Модели временных рядов, регрессионные модели с одним уравнением, системы многовременных уравнений.
Модели информационных рядов, регрессионные модели с одним уравнением, системы априорных уравнений.
Типы данных
Целочисленные данные, временные ряды.
Пространственные данные, временные ряды.
Просторные данные, постоянные ряды.
Априорные данные, информационные ряды.
Постановочные данные, дополнительные ряды.
Парная регрессия представляет собой
Эконометрические измерения между двумя переменными – и
Анализ сущности между двумя переменными – и
Экономические объекты между двумя переменными – и
регрессию между двумя переменными – и
Экономико- математические модели
Парная регрессия представляет собой модель вида:

Случайная величина называется…
Определением
Возмущением
Регрессией
Моделью
Типом данных
Что включает величина
Эмпирические содержания априорных экономических рассуждении
Эмпирический вывод экономических законов
Некоторое рассеяние точек относительно линии регрессии
Влияние не учтенных в модели факторов, случайных ошибок и особенностей измерения.
Анализ сущности между двумя переменными
В парной регрессии выбор вида математической функции может быть осуществлен методами:
письменным; аналитическим; экспериментальным.
графическим; информационным; экспериментальным.
графическим; аналитическим; экспериментальным.1
графическим; аналитическим; пробным.
регрессионным; аналитическим; экспериментальным.

Линейная регрессия сводится к нахождению уравнения вида
1

Тол
О
Лш
Частота невозможного события равна
Нулю
Единице
Бесконечности
Отрицательному числу
Правильного ответа нет
Выборочная ковариация «Соv (X,Y)» вычисляется по формуле
«Соv (X,Y)=» (∑_(i=1)^n▒〖X_i Y_i 〗)/n-x ̅*¯y
«Соv (X,Y)=» x ̅*¯y-(∑_(i=1)^n▒〖X_i Y_i 〗)/n
«Соv (X,Y)=» (∑_(i=1)^n▒Y_i )/n-x ̅*¯y
«Соv (X,Y)=» (∑_(i=1)^n▒〖X_i Y_i-x ̅*¯y〗)/n
«Соv (X,Y)=» (xy) ̅/n-(∑_(i=1)^n▒XY) ̅
Линейный коэффициент корреляции вычисляется по формуле
r_xy=b∙σ_y/σ_x =(σ_y∙σ_x)/(cov(x,y))
r_xy=b∙σ_y/σ_x =〖cov(x,y)〗_ /(σy∙σ_x )
r_xy=a∙σ_y/σ_x =(σ_y∙σ_x)/(cov(x,y))
r_xy=b∙σ_y/σ_x =xy/(cov(x,y))
1
92. Линейный коэффициент корреляции находится в пределах
1. «-1≤» r_xy≤1
2. «0≤» r_xy≤1
3. «-1≤» r_xy≤0
4. «-» ∞»≤» r_xy≤∞
5. ∞≤r_xy≤1
93. . Средняя ошибка аппроксимации вычисляется по формуле
А ̅=1/( n) ∑▒〖|(Y-(Y_x ) ̂)/Y|∙100%〗 1
А ̅=∑▒〖|(Y-(Y_x ) ̂)/Y|∙100%〗
А ̅=1/( n) ∑▒|(Y-(Y_x ) ̂)/Y|
А ̅=1/( n) ∑▒〖|(Y_x ) ̂/Y|∙100%〗
А ̅=1/( n) ∑▒〖|(Y-(Y_x ) ̂)/(Y+(Y_x ) ̂ )|∙100%〗
94. Коэффициент детерминации R связан с коэффициентом корреляции ryx соотношением:
А) R = ryx2 B) R2 = ryx C) R = ryx
D) R2 = √ryx E) R2 ryx2 = 1
95. Закончить предложение: F-критерий Фишера для оценки
А) качества модели
В) значимости уравнения регрессии
С) качества прогнозируемого значения
D) значимости параметров регрессии
E) значимости коэффициента корреляции
96. Закончить предложение: t-критерий Стьюдента для оценки
А) качества модели
В) значимости уравнения регрессии
С) качества прогнозируемого значения
D) значимости параметров регрессии
E) значимости параметров регрессии и коэффициента корреляции
97. Табличное значение F-критерия Фишера
А) F(α; k1; k2), α = 0.05, k1 = n, k2 = n – 2;
В) F(α; k1; k2), α = 0.05, k1 = m, k2 = n – m;
С) F(α; k1; k2), α = 0.05, k1 = n, k2 = n – m – 2;
D) F(α; k1; k2), α = 0.05, k1 = m, k2 = n – m – 2;
E) F(α; k1; k2), α = 0.05, k1 = m, k2 = n – m – 1;
98. Параметр b в степенной модели является
А) коэффициент детерминации
В) коэффициент эластичности
С) коэффициент корреляции
D) признак-фактор
E) объясняющая переменная
99. Суть МНК состоит
А) в нахождении суммы квадратов отклонении по yх
В) в минимизации квадратов отклонений фактических yх от теоретических yх
С) в строении парной линейной регрессии
D) в строении множественной регрессии с параметрами а, b1, b2, … bm
E) в решении системы из m + 1 линейных уравнений с m + 1 неизвестными