1.W modelu trendu:

1. wszystkie zmienne objasniajace sa standaryzowane

2. wystepuja przyczynowo-skutkowe zaleznosci pomiedzy zmienna objasniana a zmiennymi objasniajacymi

3. zmienna endogeniczna jest funkcja zmiennej czasowej t i skladnika losowego

4. zmienne objasniajace sa ortogonalne

2. Jesli wartosci zmiennej Y sa funkcja liniowa czasu t, to estymator wariancji skladnika losowego dla liniowego modelu trendu zmiennej Y jest:

1. rowny zero

2. dodatni

3. ujemny

4. dowolna liczba

3. Budujac model trendu wielowymiarowego wybieramy taki wielomian zmiennej aby:

1. estymator wariancji skladnika losowego byl najmniejszy

2. estymator wariancji skladnika losowego byl najwiekszy

3. zwiekszenie jego stopnia nie powodowalo istotnego spadku wartosci estymatora wariancji skladnika losowego

4. mial on mozliwie najwiekszy stopien

4. W modelu trendu wielowymiarowego zazwyczaj doprowadzamy do sytuacji takiej, ze suma wratosci zmiennej czasowej t jest rowna zero. Zapewnia to:

1. mozliwosc uzyskania prognozy na podstawie modelu trendu

2. ze wybor stopnia wielomianu jest mozliwy

3. wybor optymalnego wielomianu

4. znaczne uproszczenie obliczen

5. Trend liniowy:

1. ma jedynie znaczenie historyczne. Z uwagi na postep techniczny zupelnie nie jest stosowany

2. przedstawia zaleznosc zmiennej Y od kwadratu czasu

3. jest najprostszym i najczesciej stosowanym modelem trendu wielomianowego

4. stosujemy gdy na zmienna Y wplywa jedynie czas

6. Szacujac parametry modelu trendu wielomianowego stosujemy:

1. MNK

2. PMNK

3. 2MNK

4. rozne metody estymacji w zaleznosci od stopnia wielomianu

7. Jesli w modelu trendu liczba parametrow do szacowania jest rowna liczbie obserwacji ktorymi dysponujemy to estymator wariancji skladnika losowego jest:

1. rowny zero

2. rowny jednosci

3. rowny nieskonczonosci

4. rowny liczbie obserwacji

8. Stosujac model trendu:

1. uwzgledniamy czynniki wplywajce na wartosci zmiennej Y

2. staramy sie mozliwie dokladnie opisac zmiany w czasie zmiennej Y

3. wybieramy do niego zmienne zgodnie z metoda Hellwiga

4. uwzgledniamy w nim zmienne mocno skorelowane ze zmienna Y

9. Jezeli wartosci zmiennej Y sa funkcja liniowa czasu t, to wartosci teoretyczne zmiennej Y obliczone na podstawie trendu liniowego i pełzającego:

1. sa identyczne jesli l=2

2. sa zawsze rozne

3. nie maja ze soba zadnego zwiazku

4. sa identyczne dla dowolnego l

10. Przyjmujac w trendzie pelzajacym l=2 i obliczajac wartosci teoretyczne na podstawie trendu pelzajacego otrzymamy wektor wartosci teoretycznych:

1. identyczny z wektorem wartosci rzeczywistych

2. identyczny z wektorem wartosci teoretycznych obliczonym na podstawie trendu liniowego

3. majacy wszystkie skladowe zerowe

4. majacy wszystkie skladowe identyczne

11. Jesli przy wyznaczaniu trendu pelzajacego przyjmiemy l=n (czyli liczbie obserwacji) to wartosci trendu pełzającego:

1. sa zerowe

2. sa niemozliwe do wyznaczenia

3. sa identyczne z wartosciami teoretycznymi obliocznymi na podstawie trendu liniowego

4. sa wszystkie jednakowe

12. Model trendu stosujemy gdy:

1. glowny wplyw na Y ma zmienna czasowa t

2. nie interesuja nas przyczyny ksztaltowania sie zmiennej objasnianej Y lub nie sa one znane a 3. 3. interesuje nas ksztaltowanie sie Y w czasie

4. wspolczynnik korelacji r(Y,t) jest dodatni

5. przyrosty w czasie wartosci zmiennej Y sa dodatnie

13. Na podstawie szeregu czasowego o 8 obserwacjach zbudowano model trendu wielomianowego przyjmujac jako optymalny wielomian stopnia siodmego. Obliczono nastepnie sume kwadratow skladowych wektora reszt. Jest ona:

1. dodatnia

2. rowna zero

3. ujemna

4. liczba nieskonczona

14. Metoda wag harmonicznych zwiazana jest z predykcja na podstawie szeregu czasowego wedlug zasady powtarzania informacji. Zgodnie z ta zasada:

1. informacje wczesniejsze sa wazniejsze od informacji pozniejszych

2. wszystkie informacje przenosi sie na okresy wczesniejsze

3. eliminuje sie informacje wczesniejsze

4. bardziej preferuje sie informacje nowe niz starsze

15. Trend pelzajacy sluzy do:

1. obliczania rzeczywistych wartosci szeregu czasowego

2. wyrownania szeregu czasowego zmiennej prognozowanej

3. eliminacji pewnych okresow z szeregu czasowego

4. szacowania parametrow modelu trendu liniowego

16. Model trendu liniowego jest:

1. szczegolnym przypadkiem modelu jednorownaniowego w ktorym jedyna zmienna objasniajaca jest czas

2. jest zawsze modelem przyczynowo-skutkowym

3. zawiera wiecej niz dwie zmienne objasniajace

4. jest modelem autogresyjnym

17. Zbudowano model trendu wielomianowego kursu pewnej akcji na podstawie danych z wczesniejszych okresow i otrzymano wielomian stopnia drugiego. Przyjmujac ze aktualny okres jest okresem dziewiatym oszacowano parametry modelu MNK i otrzymano wektor oszacowan A=[2 -0.1 0.02]. Prognoza wartosci ceny akcji na okres dziesiaty wynosic będzie:

1. 3 j.p.

2. 5 j.p.

3. 7 j.p.

4. 6 j.p.

18. Zmienna Y w szesciu kolejnych okresach przyjela wartosci: 10, 12, 14, 16, 18, 20. Najlepszym modelem opisujacym trend tej zmiennej jest:

1. model trendu liniowego

2. trend wielomianowy stopnia zero

3. trend wielomianowy stopnia 2

4. trend pelzajacy

19. Im stopien modelu trendu wielomianowego jest wyzszy tym zazwyczaj estymator wariancji skladnika losowego modelu jest:

1. tez wyzszy

2. wyzszy jesli mamy dodatnia liczbe stopni swobody

3. nizszy jesli tylko mamy dostatecznie duza liczbe stopni swobody

4. nizszy jesli tylko mamy zerowa liczbe stopni swobody

20. Jesli budujemy model trendu wielomianowego na podstawie 40 obserwacji i przyjelismy jako optymalny wielomian stopnia dugiego, to mamy:

1. 43 stopnie swobody

2. 38 stopni swobody

3. 43 stopnie swobody

4. 37 stopni swobody