1. Hipoteza zerowa w teście t-Studenta ma posta α_k=0 i oznacza, że patametr nie jest istotny statystycznie. Sprawdzianem H₀ jest statystyka t=a_k/S(a_k)
   Odrzucanie H₀ następuje, gdy t>t*

2. Test F stosuje się do wyboru stopnia wielomianu trendu, jeśli w modelach parametry time przy najwyższej potędze jest statystycznie istotne .Hipotezy w tym teście mają postać H₀ : σ₁² = σ₂² H₁ : σ₁² ≠ σ₂² [sigma], zaś sprawdzianem tych hipotez jest statystyka $F_{\text{obl}} = \frac{S_{e_{1}}^{2}}{S_{e_{2}}^{2}}$ . Nie ma podstaw do odrzucenia H_0, gdy F_obl<F* co oznacza, ze nie następuje znaczny spadek wariancji resztowej przy przejściu z modelu trendu o stopniu niższym do modelu trendu o stopniu wyższym więc wybieramy model trendu o stopniu niższym.

3. Test Durbina Watsona służy do weryfikacji występowania autokorelacji rzędu I, zaś H₀ ma postaćH₀ : ρ₁ = 0 (ro). Wartość statystyki testu liczy się ze wzrostu(wzoru) $DW = \frac{\sum_{i = 2}^{T}{(e_{t} - e_{t - 1})^{2}}}{\sum_{i = 1}^{T}e_{t}^{2}}$ Wartość testu porównuje się z wartościami dl i du wnioskując DW,DW*>du nie ma podstaw do odrzucenia H₀, dl<DW,DW*<du obszar niekonkluzywny, nie daje odpowiedzi, DW,DW*<dl odrzuca się hipotezę zerową na korzyść hipotezy alternatywnej

4. Testem służącym do ustalenie rzędu autoregresji jest test Quenouille'a w którym H₀
   ma postaćH₀ : φ_ττ = 0 zaś H₁ : φ_ττ ≠ 0.

Hipoteza alternatywna oznacza, że współczynnik autokorelacji istotnie różni się od zera. Sprawdzianem H₀ jest statystyka$t = \frac{\hat{\varphi_{\text{pp}}}}{S(\hat{\varphi_{\text{pp}})}}$ zaś wartość krytyczna testu wynosi $\frac{2}{\sqrt{n}}$

1. Innym od wyżej wymienionych testem na autokorelacje jest test Boxa- Ljunga.
   Hipoteza alternatywna tego testu ma postać H₁: AR(p) lub MA(p) $\bigvee_{j}^{}{r_{j}\ \neq}0\ $i oznacza, że przynajmniej jeden współczynnik autokorelacji rzędu od 1 do p jest statystycznie istotny. Wartość statystyki $Q^{'} = \ T\left( T + 2 \right)\sum_{i = 1}^{p}\frac{rj^{2}}{T - j}$ $\ ,r_{j} = \ \frac{\sum_{t = j + 1}^{T}{e_{t}e_{t - 1}}}{\sum_{t = 1}^{T}e_{t}^{2}}\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ j \leq p\ ;Gdzie\ statystyka\ ma\ rozklad\ chi - kwadrat\ Q^{'}\sim\chi^{2}(p)$ - chi-kwadrat o p stopniach swobody-

2. Model Holta stosuje się, gdy wystepuje trend, nie ma sezonowości i występuja nagłe i nieregularne odchylenia od średniej.

3. Addytywną wersję modelu Winteresa stosuje się, gdy następuje stała amplituda wahań, wystepuje trend i wahania sezonowe.

4. Prognozowanie za pomocą trendu pełzającego polega na przeprowadzeniu V etapów, Etap 1- szacowanie parametrów liniowych, Etap 2 –ustalenie średniej wartości wygładzonych wartości teoretycznych z liniowych modeli trendu, Etap 3- odchylenie standardowe przyrostu trendu pełzającego, Etap 4- eksploatacja trendu, Etap 5- przedział prognozy.

5. W postaci końcowej modelu wielorównaniowego macierz P₀ interpretuje się jako……………….
   . ………………………………………………………………………………………………………………………………………………

6. Prognozowanie analogowe polega na……………………………………………………………………………………..
   ………………………………………………………………………………………………………………………………………………..

9,10 – chyba Nas nie obejmuje??? :P