1. Budowanie prognozy ekonomicznej jest bardziej uzasadnione, im

   1. Szybsze są zmiany prognozowanej wielkości

   2. Krótszy jest horyzont czasowy prognozy

   3. Niższy jest stopień inercji prognozowanej zmiennej

2. Podstawowa reguła prognozowania jest oparta na

   1. Warunkowej wartości oczekiwanej[W4_slajd7i8]

3. W metodzie wyrównania wykładniczego opartej na błędzie losowym prognozę dla okresy T=n+1 oblicza się jako średnią ważoną:

   1. Poprzedniej wartości rzeczywistej i poprzedniej wartości wygładzonej[W6_slajd68]

4. Dla metody wygładzania wykładniczego można wyznaczyć błędy prognozy:

   1. Tylko ex post[W6_slajd66]

5. Prognoza długookresowa, to prognoza budowana na okres, w którym prognozowanym zjawisku zachodzą zmiany:

   1. Jakościowe[W4_slajd5]

6. Reguła prognozowania według największego prawdopodobieństwa opiera się na prognozowaniu według:

   1. Dominanty[W4_slajd10]

7. Błąd ex post prognozy dotyczy:

   1. Trafności prognozy[W4_slajd23]

8. Jaki związek powinien zachodzić między zmienną objaśnianą, a zmiennymi objaśniającymi i składnikiem losowym:

   1. Składnik losowy jest zależny od zmiennych objaśniających [nie jestem pewien, odpowiedź gdzieś na początku pierwszego wykładu]

9. Sprawdzianem w teście symetrii składnika losowego liniowego modelu ekonometrycznego jest:

   1. Skalar[jak dla mnie to jest skalar, W2_slajd35]

   2. Zmienna losowa

   3. Funkcja rzeczywista

   4. Inna wielkość niż wymienione wyżej

10. Czy parametry strukturalne w liniowym modelu ekonometrycznym:

    1. Nie są zmiennymi losowymi [są skalarami W1_slajd16]

11. W liniowym modelu ekonometrycznym zmiennymi losowymi są:

    1. Zmienna objaśniana[W1_slajd16]

12. W liniowym modelu ekonometrycznym ze zmienna objaśnianą, która przyjmuje tylko wartości dodatnie, parametry strukturalne mogą przyjmować wartości:

    1. Dodatnie i ujemne [nie ma nigdzie napisane, że zmienne objaśniające muszą przyjmować wartości o określonym znaku]

13. Podstawą modelowania ekonometrycznego jest zjawisko zależności:

    1. Statystycznej[W1_slajd6]

14. Czy korelacja pomiędzy zmiennymi objaśniającymi w liniowym modelu ekonometrycznym:

    1. Powinna być jak najmniejsza[tak mi się wydaje]

15. Współczynnik rozbieżności U oceny ex post prognozy przyjmuje wartości:

    1. Tylko z przedziału [0, 1] [W4_slajd29]

16. Wartość współczynnika zbieżności dla liniowego modelu ekonometrycznego, z którego usunięto jedną zmienną objaśniającą:

    1. Rośnie [wg. Mnie W2_slajd8 – w mianowniku jest liczba zmiennych objaśniających]

17. Względny błąd predykacji ex post w okresie prognozy jest obliczany jako iloraz różnicy pomiędzy rzeczywistą wartością w okresie prognozowania a prognozą przez:

    1. Rzeczywistą wartość w okresie prognozy[W4_slajd25]

18. Średni błąd predykacji ex post przyjmuje wartości

    1. Dowolne [W4_slajd25 – nigdzie nie zauważyłem żadnych ograniczeń, a i przy wzorze widać, że może przyjmować wartości dowolne]

19. Dokładność prognoz szeregu czasowego uzyskanego za pomocą prognozowania opartej na średnich może być wyznaczona:

    1. Tylko na podstawie błędów ex post [W6_slajd60]

20. Czy założenie o tym, że zmienne objaśniające w liniowym modelu ekonometrycznym są wolne od współliniowości oznacza, iż:

    1. Macierz zmiennych objaśniających jest rzędu nie mniejszego niż liczna parametrów strukturalnych modelu [W1_slajd53]

21. Spodziewana wartość odchyleń rzeczywistych realizacji zmiennej prognozowanej od prognozy to:

    1. Błąd ex ante

Lub

1. Zarówno błąd ex post jak i jego ocena ex ante [nie jestem pewien W4_slajd24]

1. W przypadku, gdy prognoza ma charakter incydentalny, jednorazowy w danych warunkach stosuje się regułę prognozowania według:

   1. Największego prawdopodobieństwa [W4_slajd10]

2. Przez prognozę wygasłą rozumie się prognozę obliczoną dla okresy, dla którego:

   1. Jest znana prawdziwa wartość zmiennej[W4_slajd43]

3. Metody naiwne znajdują zastosowanie w prognozowaniu:

   1. Krótkoterminowym

4. Przy obliczaniu prognozy metodą średniej ruchomej ważonej wartościom zmiennej:

   1. Zawsze przypisuje się takie same wagi

Lub

1. Nie przypisuje się wag [W6_slajd29]

1. Metodę podwójnego wygładzania wykładniczego stosuje się w przypadku szeregów czasowych:

   1. Z trendem liniowym, bez wahań sezonowych[W6_slajd71]

2. Heteroskedastyczność składnika losowego modelu liniowego oznacza:

   1. Stałość wariancji składnika losowego

3. Wartość współczynnika determinacji dla tego samego liniowego modelu ekonometrucznego z wyrazem wolnym:

   1. Jest większa od wartości skorygowanego współczynnika determinacji [W2_slajd13]

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

   1. Zmiennych objaśniających i zmiennej objaśnianej [W1_slajd17]

5. Jaki związek powinien zachodzić między zmienną objaśnianą a zmiennyumi objaśniającymi:

   1. Zmienna objaśniana jest zależna od zmiennych objaśniających

6. Wariancja reszt w liniowym modelu ekonometrycznym:

   1. Może przyjmować dowolne wartości dodatnie [chyba – W1_slajd47]

7. Czy istnienie autokorelacji składnika losowego modelu oznacza dla tego składnika:

   1. Brak sferyczności [W1_slajd54]

8. W przypadku modelu liniowego bez wyrazu wolnego do oceny stopnia dopasowania modelu do danych empirycznych wykorzystuje się współczynnik determinacji:

   1. Skorygowany [W2_slajd13 – uwaga wg. Wykładu skorygowany=scentrowany?]