Zdjęcie: Eko(2) , Eko(5), Eko(7)

1. W przypadku modelu liniowego bez wyrazu wolnego współczynnik determinacji może przyjmować wartości:

1. >1

2. <1

3. Tylko z przedziału [0,1]

4. Tylko z przedziału [-1,0]

Model musi zawierać wyraz wolny bo w przeciwnym wypadku R² przyjmuje wartości
(-nieskończonośc, 1]

WYKŁAD 2.

1. Czy w wyniku testu Shapiro – Wilka można:

1. Potwierdzić normalność rozkładu reszt modelu

2. Nie potwierdzić normalności rozkładu reszt modelu

3. Ani potwierdzić ani nie potwierdzić normalności rozkładu reszt modelu

Jeżeli W< W^*, to hipotezę zerową o normalności rozkładu składnika losowego należy odrzucić, co oznacza, że rozkład składnika losowego nie jest normalny, a w przeciwnym przypadku, tj. gdy W≥ W^* – nie ma podstaw do odrzucenia hipotezy zerowej o normalności rozkładu składnika losowego.

WYKŁAD 2.

1. Jakościowa zmienna objaśniając a przyjmuje n (n>1) wariantów. Estymacja parametrów strukturalnych liniowego modelu ekonometrycznego bez wyrazu wolnego wymaga uwzględnienia sztucznych zmiennych zero-jedynkowych reprezentujących tę zmienną jakościową w liczbie:

1. Równej liczbie wariantów zmiennej jakościowej

2. Większej od liczby wariantów zmiennej jakościowej o 1

3. Mniejszej od liczby wariantów zmiennej jakościowej o 1

WYKŁAD 7. Jest o modelach prawdopodobieństwa i to z tego wykładu, ale nie mogę tego znaleźć.

1. Wahania sezonowe addytywne występują wtedy, gdy w poszczególnych sezonach poziom badanego zjawiska reprezentowanego przez wartości zmiennej objaśnianej odchyla się od swojej tendencji rozwojowej o stałą wartość bezwzględną:

1. Tak

2. Nie

Gdy występują względnie stałe wahania szeregu czasowego, tzn gdy amplituda wahań zmienia się mniej więcej w tym samym stosunku wyznaczamy wtedy model multiplikatywny.

Bezwzględne wahania sezonowe wyznaczamy, gdy amplituda wahań sezonowych jest w przybliżeniu stała. Wyznaczamy wtedy model addytywny.

1. W zredukowanej postaci modelu wielorównaniowego zmienne objaśniane łącznie współzależne są modelowane za pomocą:

1. Podzbioru zmiennych z góry ustalonych

2. Wszystkich zmiennych z góry ustalonych

3. Tylko zmiennych objaśniających nieopóźnionych w czasie

4. Tylko zmiennych objaśnianych opóźnionych w czasie

1. Macierz B parametrów strukturalnych stojących przy zmiennych łącznie współzależnych w wielorównaniowym modelu rekurencyjnym (po ewentualnym uporządkowaniu równań) jest macierzą:

1. Jednostkową

2. Symetryczną

3. Trójkątną

1. Pośrednia metoda najmniejszych kwadratów (PMNK) może być stosowana do estymacji parametrów strukturalnych modelu wielorównaniowego o równaniach:

1. Identyfikowalnych jednoznacznie i niejednoznacznie

2. Nieidentyfikowanych

3. Identyfikowalnych tylko jednoznacznie

4. Identyfikowalnych tylko niejednoznacznie

1. Funkcja postaci powstała w wyniku estymacji modelu jest funkcją oznaczającą:

1. Linię regresji populacji generalnej

2. Linię regresji próby (wartości teoretyczne)

3. Wartości empiryczne w populacji generalnej

4. Wartości empiryczne w próbie

- wartości empiryczne w próbie

- wartości empiryczne w populacji generalnej

WYKŁAD 1.

1. Parametr strukturalny w liniowym modelu ekonometrycznym mierzy oczekiwaną zmianę zmiennej objaśnianej:

1. O jedną jednostkę, jako efekt zmiany zmiennej objaśniającej, z którą jest związany parametr strukturalny, gdy wartości innych zmiennych objaśniających modelu pozostają niezmienne

2. Jako efekt zmiany o jedną jednostkę zmiennej objaśnianej z którą jest związany parametr strukturalny, gdy wartości innych zmiennych objaśniających modelu pozostają niezmienne

3. Jako efekt braku zmiany zmiennej objaśnianej, , z którą jest związany parametr strukturalny gdy wartości innych zmiennych objaśniających modelu ulegają zmianie o jedną jednostkę

Parametr strukturalny α_i mierzy oczekiwaną zmianę zmiennej objaśnianej y_t jako efekt zmiany i-tej zmiennej objaśniającej x_it o jedną jednostkę, gdy wartości innych zmiennych objaśniających modelu pozostają niezmienione (warunek ceteris paribus).

WYKŁAD 1.

1. Średnia arytmetyczna reszt modelu z addytywnym składnikiem losowym:

1. Powinna być równa jedności

2. Powinna być równa zeru

3. Może być dowolna

Analiza rozkładu reszt regresyjnych jest jednym z ważniejszych etapów analizy regresji. W analizie regresji prostej Y/X zakładamy, że reszty są addytywne. Przy czym tworzą one rozkład empiryczny., którego rozpoznanie jest możliwe dopiero po oszacowaniu parametrów funkcji regresji. Reszty są zatem ciągiem dodatnich i ujemnych różnic pomiędzy składnikami wektora empirycznego obserwacji zmiennej objaśnianej Y, a wektora teoretycznych obserwacji otrzymanych na podstawie modelu. Warto wiedzieć, że ich średnia arytmetyczna wynosi zawsze 0 (gwarantuje to 1MNK).

BRAK WYKŁADU.

1. Heteroskedastyczność składnika losowego modelu liniowego oznacza:

1. Brak korelacji między zakłóceniami losowymi

2. Wariancja składnika losowego jest stała

3. Niejednorodność wariancji składnika losowego

Heteroscedastyczność składnika losowego polega na tym, że wariancja składników losowych nie jest stała.

Homoskedastyczność – stałość wariancji składnika losowego.

WYKŁAD 2.

1. Wartość współczynnika determinacji dla tego samego modelu jest:

1. Większa od wartości skorygowanego współczynnika determinacji

2. Mniejsza od wartości skorygowanego współczynnika determinacji

3. Równa wartości skorygowanego współczynnika determinacji

^-R² < R²

WYKŁAD 2.

1. Parametry strukturalne modelu estymowane są na podstawie danych empirycznych z obserwacji:

1. Parametrów modelu

2. Zmiennych objaśniających

3. Zmiennych objaśniających i zmiennej objaśnianej

4. Składnika losowego modelu

Oszacowania (oceny) parametrów strukturalnych (wartości liczbowe tych parametrów), oznaczane dalej przez a₀, a₁, a₂,…, a_k różnią się od nieznanych ich rzeczywistych wartości α₀, α₁, α₂,…, α_k i mogą być różne dla różnych zbiorów danych empirycznych tej samej zmiennej objaśnianej i tych samy zmiennych objaśniających.

WYKŁAD 1.

1. Jaki związek powinien zachodzić między zmienną objaśnianą a zmiennymi objaśniającymi?

1. Zmienne objaśniające są niezależne od zmiennej objaśnianej

2. Zmienna objaśniana jest zależna od zmiennych objaśniających

3. Zmienna objaśniana jest niezależna od zmiennych objaśniających

Zdjęcie: Eko(1)

1. W sytuacji, gdy w procesie prognozowania nie znana jest rzeczywista wartość zmiennej objaśnianej w okresie prognozowania wyznacza się ocenę błędu prognozy:

1. Ex post

2. Ex ante

Jeśli y_T^* jest znana, to błąd nosi nazwę błędu ex post – po doświadczeniu, jeśli y_T^* nie jest znana, to błąd nosi nazwę błędu ex ante.

WYKŁAD 4.

1. Zjawisko współliniowości jest wadą:

1. Parametrów strukturalnych modelu

2. Danych empirycznych zmiennych objaśniających (są wolne od współliniowości, nie są wzajemną kombinacją)

3. danych empirycznych zmiennej objaśnianej

4. składnika losowego modelu

Współliniowość jest cechą zbioru danych wykorzystywanych do estymacji parametrów modelu nie zaś cechą zmiennych.

WYKŁAD 1.

1. Test Durbina – Watsona na autokorelację składnika losowego modelu może być stosowany w przypadku występowania opóźnionych zmiennych objaśniających w modelu:

1. Tak

2. Nie

Test Durbina-Watsona może być stosowany, gdy:

1. W modelu uwzględnia się wyraz wolny

2. Składnik losowy ma rozkład normalny

3. Zmienne objaśniające nie są losowe

4. W zbiorze zmiennych objaśniających nie występują zmienne z przesuniętym czasem (opóźnione).

WYKŁAD 2.

1. Ze względu na kryterium liniowości względem parametrów strukturalnych, która z poniższych odpowiedzi jest prawdziwa dla następującej pary modeli postaci: lnY =  ∝₀ +  ∝₁*X² +  ε oraz lnY =  ∝₀ +  ln∝₁*X² +  ε:

1. Liniowy, nieliniowy

2. Nieliniowy, liniowy

3. Liniowy, liniowy

4. Nieliniowy, nieliniowy

Założenie o liniowości należy rozumieć jako liniowość ze względu na parametry modelu, a nie ze względu na zmienne (inaczej niż w matematyce)

funkcja liniowa, bo parametry są w pierwszej potędze

WYKŁAD 1.

1. Współczynnik determinacji osiąga wartość 1, gdy:

1. Suma reszt modelu jest równa 0

2. Suma kwadratów reszt modelu równa jest 0

3. Wartość średnia teoretycznej zmiennej objaśnianej jest równa 0

4. Wartość średnia reszt modelu jest równa 0

$R^{2\ } = 1 - \ \frac{\sum_{t = 1}^{n}e_{t}^{2}}{\sum_{t = 1}^{n}{(y_{t} - y^{-})}^{2}}$ stąd wynika, że jeśli R²=1, to $\sum_{t = 1}^{n}e_{t}^{2} = 0$

WYKŁAD 2.

Zdjęcie: Eko(3)

1. Zależność korelacyjna jest to zależność:

1. Wynikająca ze związku przyczynowego, którego istnienie można wyjaśnić na gruncie wiedzy teoretycznej

2. Stwierdzona na podstawie obserwacji o podobnym zachowaniu zjawisk, chociaż nie ma teorii potwierdzającej istnienie związku przyczynowego i nie wiadomo, czy taka teoria w ogóle istnieje

3. Wynikająca z istnienia przyczyny kształtującej zależność, chociaż nie ma wyjaśniającej jej teorii

1. Model postaci jest funkcją oznaczającą:

1. Linię regresji populacji generalnej

2. Linię regresji próby (wartości teoretyczne)

3. Wartości empiryczne w populacji generalnej

4. Wartości empiryczne w próbie

- wartości empiryczne w populacji generalnej

WYKŁAD 1.

1. Zmienność objaśniona w modelu liniowym jest to suma:

1. Różnic wartości teoretycznych zmiennej objaśnianej od średniej wartości empirycznych tej zmiennej

2. Kwadratów różnic wartości teoretycznych zmiennej objaśnianej od jej wartości empirycznych

3. Kwadratów różnic wartości teoretycznych zmiennej objaśnianej od wartości średniej zmiennej objaśnianej

suma kwadratów odchyleń wartości teoretycznej od średniej, zmienność objaśniona

- suma kwadratów reszt, zmienność nieobjaśniona

Zatem zmienność całkowita jest sumą zmienności objaśnionej i zmienności nieobjaśnionej

WYKŁAD 2.

1. Założenie Gaussa-Markowa dotyczące sferyczności składnika losowego modelu oznacza:

1. Jego wartość oczekiwaną równą zeru i brak autokorelacji

2. Brak heteroskedastyczności i brak autokorelacji

3. Jego homoskedastyczność i wartość oczekiwaną równą zeru

4. Jego homoskedastyczność i autokorelację

Założenie 10. Składnik losowy jest sferyczny, co oznacza, że:

1. nie występuje autokorelacja składnika losowego

1. składnik losowy jest homoskedastyczny (ma skończoną i stałą w czasie wariancję)

WYKŁAD 1.

1. Czy brak podstaw do odrzucenia hipotezy zerowej H₀ oznacza, że hipoteza ta:

1. Jest hipotezą prawdziwą

2. Jest hipotezą fałszywą

3. Może być hipotezą fałszywą

4. Może być hipotezą prawdziwą

1. Współczynnik korelacji wielorakiej, mierzący siłę związku pomiędzy zmiennymi objaśniającymi a zmienną objaśnianą w liniowym modelu ekonometrycznym jest:

1. Równy współczynnikowi determinacji

2. Równy pierwiastkowi kwadratowemu współczynnika determinacji dla tego modelu

3. Niezwiązany z współczynnikiem determinacji tego modelu

Dla modelu liniowego pierwiastek kwadratowy ze współczynnika determinacji jest współczynnikiem korelacji wielorakiej R.

WYKŁAD 2.

Zdjęcie: Eko(4)

1. Eko(3).pyt6

2. Wartość współczynnika determinacji dla liniowego modelu ekonometrycznego, do którego dołączono jeszcze jedną zmienną objaśniającą:

1. rośnie

2. maleje

3. nie zmienia swojej wartości

4. może zmaleć i wzrosnąć

Zwiększenie liczby (dodanie) zmiennych objaśniających w modelu ekonometrycznym zmniejszy sumę kwadratów reszt, tj. . Ze wzoru wynika, że jeśli ta wartość zmaleje, to wartość współczynnika wzrośnie.

WYKŁAD 2.

1. Ze względu na kryterium liniowości względem parametrów strukturalnych, która z poniższych odpowiedzi jest prawdziwa dla następującej pary modeli postaci: lnY =  ∝₀ +  ∝₁*X² +  ε oraz lnY =  ∝₀ +  ∝₁*X² +  ε:

1. Liniowy, nieliniowy

2. Nieliniowy, liniowy

3. Liniowy, liniowy

4. Nieliniowy, nieliniowy

Założenie o liniowości należy rozumieć jako liniowość ze względu na parametry modelu, a nie ze względu na zmienne (inaczej niż w matematyce)

funkcja liniowa, bo parametry są w pierwszej potędze

WYKŁAD 1.

1. Macierz D²(a)= (X^TX)^-1 oznacza KMNK estymator macierzy wariancji- kowariancji estymatora wektora parametrów strukturalnych modelu liniowego. Dowolny element tej macierzy oznacza ocenę wartości:

1. Wariancji estymatorów parametrów strukturalnych odpowiadających odpowiednio wierszowi i kolumnie tej macierzy

2. Kowariancji estymatorów parametrów strukturalnych odpowiadających odpowiednio wierszowi i kolumnie tej macierzy

3. Korelacji estymatorów parametrów strukturalnych odpowiadających odpowiednio wierszowi i kolumnie tej macierzy

Na głównej przekątnej macierzy kowariancji są umieszczone oszacowania wariancji KMNK-estymatora parametrów strukturalnych modelu. Pierwiastki kwadratowe z tych wariancji, będące w istocie odchyleniami standardowymi estymatora, noszą nazwę średnich (albo standardowych) błędów oszacowania parametrów.

WYKŁAD 2.

1. Homoskedastyczność składnika losowego modelu liniowego oznacza:

1. Stałość wariancji tego składnika i brak jego autokorelacji

2. Zmienność wariancji tego składnika i brak jego autokorelacji

3. Stałość wariancji tego składnika i istnienie jego autokorelacji

4. Zmienność wariancji tego składnika i istnienie jego autokorelacji

1. Czy reszty modelu i jego zmienne objaśniające powinny być ze sobą skorelowane:

1. tak

2. nie

3. nie ma znaczenia

Reszty modelu nie są skorelowane ze zmienną objaśniającą.

Założenie 11. Składnik losowy nie jest skorelowany z żadną zmienną objaśniającą.

WYKŁAD 2.

1. Jeśli rozkład składnika losowego w modelu liniowym jest normalny, to w tym modelu rozkład normalny mają także:

1. Zmienne objaśniające

2. Zmienna objaśniana

3. Parametry strukturalne

KMNK założenia:

Założenie 8. Składnik losowy ε ma n-wymiarowy rozkład normalny.

Idea KMNK:

Zbiór y₁, y₂,…, y_n jest zbiorem niezależnych zmiennych losowych o rozkładzie normalnym o tej samej wariancji, ale o różnych wartościach oczekiwanych.

WYKŁAD 1.

1. Jakościowa zmienna objaśniając a przyjmuje n (n>1) wariantów. Estymacja parametrów strukturalnych liniowego modelu ekonometrycznego z wyrazem wolnym wymaga uwzględnienia sztucznych zmiennych zero-jedynkowych reprezentujących tę zmienną jakościową w liczbie:

1. Równej liczbie wariantów zmiennej jakościowej

2. Większej od liczby wariantów zmiennej jakościowej o 1

3. Mniejszej od liczby wariantów zmiennej jakościowej o 1

1. Wahania sezonowe multiplikatywne występują wtedy, gdy w poszczególnych sezonach poziom badanego zjawiska reprezentowanego przez wartości zmiennej objaśnianej odchyla się od swojej tendencji rozwojowej o stałą wartość bezwzględną:

1. Tak

2. Nie

Gdy występują względnie stałe wahania szeregu czasowego, tzn gdy amplituda wahań zmienia się mniej więcej w tym samym stosunku wyznaczamy wtedy model multiplikatywny.

Bezwzględne wahania sezonowe wyznaczamy, gdy amplituda wahań sezonowych jest w przybliżeniu stała. Wyznaczamy wtedy model addytywny.

1. Zjawisko współliniowości powoduje, że oszacowania KMNK parametrów strukturalnych przy skorelowanych zmiennych objaśniających są zwykle ocenianie niezasłużenie jako:

1. Istotne

2. Nieistotne

1. W modelu wielorównaniowym zmienne z góry ustalone obejmują tylko zmienne:

1. Objaśniające przesunięte i nieprzesunięte w czasie

2. Objaśniająca i zmienne objaśniane nieprzesunięte w czasie

3. Objaśniane przesunięte w czasie i objaśniające przesunięte i nieprzesunięte w czasie

4. Objaśniane i objaśniające przesunięte w czasie

5. Objaśniane i objaśniające nieprzesunięte w czasie

1. Czy w prostym modelu wielorównaniowym zmienne łącznie współzależne są objaśniane za pomocą zmiennych z góry ustalonych:

1. Tak

2. Nie

3. Nie tylko

1. Warunkiem koniecznym i dostatecznym na to, aby równanie modelu liniowego było identyfikowalne jest, aby macierz utworzona ze współczynników przy zmiennych występujących w pozostałych równaniach modelu i jednocześnie nie występujących w tym równaniu była rzędu:

1. Większego o 1 od liczby równań w modelu

2. Mniejszego o 1 od liczby równań w modelu

3. Równego liczbie równań w modelu

1. PMNK i 2MNK:

1. Są równoważne dla modeli wielorównaniowych o równaniach identyfikowalnych jednoznacznie i niejednoznacznie

2. Są równoważne dla modeli wielorównaniowych o równaniach nieidentyfikowanych

3. Są równoważne dla modeli wielorównaniowych o równaniach identyfikowalnych tylko jednoznacznie

4. Nie są sobie równoważne dla każdego modelu liniowego wielorównaniowego

Zdjęcie: Eko(6)

1. Współczynnik zbieżności oznacza:

1. Względną wielkość objaśnianej zmienności zmiennej objaśnianej

2. Względną wielkość nieobjaśnianej zmienności zmiennej objaśnianej

3. Względną wielkość objaśnianej zmienności składnika losowego

4. Względną wielkość objaśnianej zmienności zmiennych objaśniających

Gdzie:

czyli zmienność nieobjaśniona.

WYKŁAD 2.

1. Pierwsza założenie Gaussa- Markowa mówi, że zależność między zmienną objaśnianą i zmiennymi objaśniającymi nie zmienia się:

1. Dla wszystkich danych empirycznych (obserwacji)

2. Jedynie dla kolejnych danych empirycznych (obserwacji)

3. Dla ustalonego porządku (kolejności) zmiennych objaśniających w modelu

4. Dla wszystkich możliwych danych empirycznych zmiennej objaśnianej

Założenie 1. Model jest niezmienniczy ze względu na obserwacje:

WYKŁAD 1.

1. Rozkład zmiennej objaśnianej jako zmiennej losowej w standardowym modelu liniowym zależy od

1. Rozkładów zmiennych objaśniających

2. Rozkładu parametrów strukturalnych

3. Rozkładu składnika losowego

4. Łącznego rozkładu zmiennych objaśniających i parametrów strukturalnych

1. Czy w rekurencyjnym modelu wielorównaniowym zmienne łącznie współzależne są objaśniane:

1. Wyłącznie za pomocą zmiennych z góry ustalonych

2. Wyłącznie za pomocą zmiennych objaśniających

3. Nie tylko za pomocą zmiennych z góry ustalonych

1. Zjawisko autokorelacji składnika losowego modelu:

1. Powoduje niedoszacowanie wartości współczynnika zbieżności

2. Powoduje przeszacowanie wartości współczynnika zbieżności

3. Nie ma wpływu na wartości współczynnika zbieżności

1. Dla modelu postaci , spełniającego założenia Gaussa- Markowa, warunkowa wartość oczekiwana zmiennej objaśnianej przy znanej wartości zmiennej objaśniającej jest równa:

1. E(y_t|x_t)=α₀+ α₁x_t

2. E(y_t|x_t) = a₀ +  a₁x_t

3. E(y_t|x_t) = α₀ +  α₁x_t +  ε_t

4. E(y_t|x_t) = a +  ax_t +  e_t

WYKŁAD 1.

Zdjęcie: aparat(13)

1. Zjawisko współliniowości powoduje, że oszacowanie wariancji ocen KMNK param. Strukt. Związanych ze skorelowanymi zm. Objaśniającymi, są:

   1. Bardzo duże

   2. Bardzo małe

2. Test Durbina- Watsona jest stosowany do weryfikowania hipotezy o występowaniu autokorelacji składnika losowego modelu:

   1. Dowolnego rzędu

   2. Tylko rzędu 1 i 2

   3. Tylko rzędu 1

   4. Tylko rzędów nieparzystych

3. Powtarza się

4. W liniowych modelach tendencji rozwojowej z addytywnymi wahaniami sezonowymi przyjmuje się, że w ramach jednego roku suma efektów sezonowych:

   1. Jest równa 0

   2. Może być dowolną liczbą

   3. Jest równa liczbie okresów sezonowych

5. Kryterium podziału modeli wielorównaniowych na modele proste, rekurencyjne i o równaniach współzależnych jest:

   1. Macierz Г parametrów strukt. Modelu stojących przy zmiennych z góry ustalonych

   2. Macierz B parametrów strukt. Modelu stojących przy zmiennych łącznie współzależnych

   3. Obie w.w. macierze

6. Czy w celu oszacowania parametrów strukt. modelu y_t = αe^{β+1/x + ε} można go sprowadzić do postaci liniowej:

   1. Tak

   2. Nie

7. Sprawdzianem w teście istotności param. Strukt. Modelu liniowego jest wykorzystywana statystyka wyznaczana jako:

   1. Iloraz oceny param. i wariancji błędu jego oszacowania

   2. Iloraz oceny param. i odchylania standardowego błędu jego oszacowania

   3. Iloraz odchylenia standardowego błędu oszacowania param. i oceny param.

   4. Iloraz wariancji błędu oszacowania param. i oceny param.

8. Statystyka jest:

   1. Charakterystyką liczbową zmiennej losowej

   2. Liczbą

   3. Funkcją określoną na próbie losowej

   4. Inną wielkością niż w.w.

9. Na postać obszaru krytycznego w procesie weryfikacji hipotezy statystycznej wpływ wywiera:

   1. Rozkład sprawdzianu hipotezy alternatywnej

   2. Rozkład sprawdzianu hipotezy zerowej (w innych odp. lub Sformułowanie hipotezy alternatywnej)

   3. Sformułowanie hipotezy zerowej

10. W KMNK kryterium jest:

    1. Suma reszt modelu

    2. Suma kwadratów reszt modelu

    3. Ważona suma kwadratów reszt modelu

    4. Pierwiastek kwadratowy sumy reszt modelu

11. Czy założenie Gaussa- Markowa o tym, że wartości zmiennych objaśniających są nielosowe i ustalone w powtarzalnych próbach oznacza, że zmienna objaśniana:

    1. Nie zależy od zmiennych objaśniających w sensie wartości oczekiwanej

    2. Zależy od zmiennych objaśniających w sensie wartości oczekiwanej

    3. Nie zależy od zmiennych objaśniających

12. Powtarza się

13. Powtarza się

14. Zakłócenia losowe (składnik losowy) w modelu liniowym są uwzględniane jako składnik dodawany do:

    1. Param. strukt modelu

    2. Danych empirycznych zmiennej objaśnianej

    3. Liniowej postaci funkcji zmiennych objaśniających

    4. Danych empirycznych każdej zmiennej objaśniającej

15. Wartość estymatora param. strukt. liniowego modelu wyznacza się z zależności:

    1. (X^TX)^-1X^-1y

    2. (X^TX)^-1X^Ty

    3. (X^-1X)^TX^Ty

Zdjęcie: ekonometria(11)

1. Test Breuscha-Godfrey’a (BG) jest stosowany do weryfikacji hipotezy o występowaniu autokorelacji składnika losowego modelu:

   1. Dowolnego rzędu

   2. Tylko rzędu 1 i 2

   3. Tylko rzędu 1

   4. Tylko rzędów nieparzystych

2. Zjawisko współliniowości oznacza występowanie silnej korelacji między

   1. Zmiennymi objaśniającymi

   2. Zmiennymi objaśniającymi a zmienną objaśnianą

   3. zmienną objaśnianą a składnikiem losowym

   4. Zmiennymi objaśniającymi a składnikiem losowym

3. Powtarza się

4. Powtarza sie

5. Czy założenie Gaussa-Markowa o tym ze zakłócenia które reprezentuje w modelu składnik losowy mają tendencję do wzajemnej redukcji oznacza, że te zakłócenia:

   1. Nie są skorelowane ze sobą

   2. Mają zerową wartość oczekiwaną

   3. Mają zerową wariancję

6. Czy w liniowym modelu ekonometrycznym średnie wartości zmiennej objaśnianej i teoretycznej zmiennej objaśnianej:

   1. Są nierówne sobie

   2. Mogą być nierówne sobie

   3. Są równe sobie

   4. Mogą być równe sobie

Zdjęcie: eko(8)

1. Powtarza się

2. Pytanie o model wielorównaniowy

3. Jako ocenę składnika lodowego modelu liniowego przyjmuje się:

   1. Wartości teoretyczne zmiennej objaśnianej

   2. Ocenę wartości parametrów strukturalnych modelu

   3. Wartości różnic pomiędzy wart. empirycznymi a teoretycznymi zmiennej objaśnianej modelu

   4. Wartości różnic pomiędzy wart. teoretycznymi a empirycznymi zmiennej objaśnianej modelu

4. Jeśli macierz B param. strukt. stojących przy zmiennych łącznie współzależnych w wielorównaniowym modelu rekurencyjnym jest macierzą diagonalną, to mamy do czynienia z modelem:

   1. Prostym

   2. Rekurencyjnym

   3. O równaniach współzależnych

5. Czy kowariancja obliczana dla zmiennej objaśnianej Y i zmiennej objaśniającej X może przyjmować wartości:

   1. Tylko dodatnie, niezależnie od wartości przyjmowanych przez zmienne X i Y

   2. Dodatnie, tylko zmienne X i Y będą przyjmować wartości dodatnie

   3. zarówno dodatnie jak i ujemne, niezależnie od wartości przyjmowanych przez zmienne X i Y

   4. zarówno dodatnie jak i ujemne, gdy jedna (dowolna) zmienna losowa będzie przyjmować tylko wartości dodatnie, druga – tylko ujemne

6. Jeżeli wartość sprawdzianu hipotezy weryfikowanej obliczonej na podstawie próby losowej należy do obszaru krytycznego, oznacza to, że:

   1. Przyjmuje się hipotezę 0

   2. Odrzuca się hipotezę 0

   3. Odrzuca się hipotezę alternatywną

7. Współczynnik zbieżności osiąga wartość zero, gdy:

   1. Suma reszt modelu jest równa 0

   2. Suma kwadratów reszt modelu jest równa 0

   3. Wartość średnia teoretycznej zmiennej objaśnianej jest równa 0

   4. Wartość średnia reszt modelu jest równa 0

8. Wyraz wolny w modelu liniowym jest uwzględniany poprzez:

   1. Dołączenie kolumny jedynek do macierzy obserwacji zmiennej objaśnianej

   2. Dołączenie kolumny jedynek zawsze jako pierwszej do macierzy obserwacji zmiennej objaśniających

   3. Dołączenie kolumny jedynek nie zawsze jako pierwszej do macierzy obserwacji zmiennej objaśniających

9. Współczynnik determinacji:

   1. Jest zawsze ułamkiem

   2. Jest zawsze liczbą dodatnią

   3. Może być liczbą ujemną

10. Powtarza się

11. Do porównania jakości dopasowania do danych empirycznych wariantów modelu liniowego z tą samą zmienną objaśnianą i różną liczbą zmiennych objaśniających oraz wyrazem wolnym stosuje się:

    1. Współczynnik determinacji

    2. Skorygowany współczynnik determinacji

    3. Niescentrowany współczynnik determinacji

12. Jaki jest związek między resztami e_t a składnikami losowymi w modelu ekonometrycznym?

    1. Traktuje się je jako składniki losowe

    2. Nie ma związku

    3. Traktuje się je jako realizację składników losowych

13. Powtarza się

14. Powtarza się

KMNK - warunki

Suma reszt modelu równa zeru

Reszty modelu nie są skorelowane ze zmienną objaśniającą.

1. Jeżeli liczba reszt dodatnich i ujemnych modelu jest różna, oznacza to, że

   1. Rozkład reszt może nie być symetryczny

   2. Rozkład reszt nie jest symetryczny