ekonom sggw, sggw - finanse i rachunkowość, studia, IV semstr, ekonometria, ll

1. Które z poniższych zdań są prawdziwe?

zmienne egzogeniczne nie są nigdy wyjaśniane przez model
zmienne endogeniczne nie są nigdy wyjaśniane przez model
zmienne endogeniczne są zawsze wyjaśniane przez model
zmienne egzogeniczne są zawsze wyjaśniane przez model
zmienne endogeniczne mogą być zmiennymi objaśniającymi
zmienne egzogeniczne mogą być zmiennymi objaśniającymi
zmienne endogeniczne nie mogą być zmiennymi objaśniającymi
zmienne egzogeniczne mogą być zmiennymi objaśniającymi
zmienne endogeniczne mogą być zmiennymi objaśnianymi
zmienne egzogeniczne mogą być zmiennymi objaśnianymi

2. Modele ekonometryczne dzielimy na:

stochastyczne i dynamiczne,
statyczne i dynamiczne,
opisowe, symptomatyczne i szeregów czasowych,
endogeniczne i egzogeniczne,
strukturalne, zredukowane i standardowe,

3. W metodzie najmniejszych kwadratów:

liczba obserwacji musi być mniejsza niż liczba szacowanych parametrów,
liczba obserwacji musi być równa liczbie szacowanych parametrów,
liczba obserwacji musi być większa niż liczba szacowanych parametrów,
liczba równań musi być równa liczbie zmiennych egzogenicznych,
liczba zmiennych objaśniających musi być mniejsza niż liczba obserwacji

4. Metoda najmniejszych kwadratów polega na

wyznaczaniu takich ocen parametrów, aby otrzymać największą sumę kwadratów reszt
wyznaczaniu takich ocen parametrów, aby otrzymać najmniejszą sumę kwadratów reszt
wyznaczaniu takich ocen parametrów, aby zminimalizować wariancję reszt
wyznaczaniu takich ocen parametrów, aby wariancja reszt była stała

5. Funkcja produkcji ma postać
, gdzie odpowiednio Q_t- wielkość produkcji w pewnym przedsiębiorstwie w min sztuk, Z_t - liczba zatrudnionych osób, M_t - wartość majątku trwałego w min zł, t - zmienna czasowa przyjmująca wartości od l do 25.

jest to model dynamiczny,
jest to model potęgowo-wykładniczy,
jest to model mikroekonomiczny,
jest to model statyczny,
jest to model wielorównaniowy,
jest to model szeregów czasowych,
jest to przykład funkcji Cobba-Douglasa,
parametry strukturalne w tym modelu są elastycznościami cząstkowymi lub tempem zmian,
jest to model deterministyczny,
skala produkcji dla tego modelu jest stała,
z czasem następuje - ceteris paribus - spadek produkcji,
wzrost zatrudnienia o 1% powoduje wzrost produkcji o 50%.

Do szacowania parametrów modeli wielorównaniowych stosuje się:

2MNK,
PMNK,
KMNK,
rekurencyjną MNK.

UMNK stosuje się:

głównie dla modeli wielorównaniowych o równaniach łącznie współzależnych,
w przypadku wystąpienia istotnej autokorelacji reszt,
w przypadku homoskedastyczności modelu,
dla modeli nieliniowych.

Postać końcowa modelu wielorównaniowego jest to postać, w której

wyodrębnia się macierzową strukturę współczynników przy zmiennych z góry ustalonych oraz endogenicznych nieopóźnionych,
po prawych stronach równań nie występują zmienne endogeniczne opóźnione poza ich wartościami początkowymi tych zmiennych,
określa się wartości mnożników modelu,
w każdym z równań może występować tylko jedna zmienna endogeniczna nieopóźniona.

Zmienne jakościowe w modelu

szacuje się przy pomocy UMNK,
mogą być reprezentowane przez zmienne zero-jedynkowe,
jeżeli występują, to jest to model determnistyczny,
określają stopień dopasowania modelu do danych empirycznych,
jeżeli są użyte w podstawowej postaci, to parametr przy nich stojący musi być równy zero lub jeden.

Średni błąd prognozy ex ante wyznaczony w oparciu o model ekonometryczny

Służy do szacowania wiarygodności prognozy
Pozwala wyznaczyć prognozę przedziałową
Jest zawsze mniejszy niż średni błąd ex post
Mierzy stopień objaśnienia zmiennej endogenicznej przez zmienne objaśniające

Model: y_t=3,1+2x₁_t-0,4 x₂_t +0,02 x₁_t x₂_t + ε_t

jest modelem statycznym,
jest modelem liniowym,
jest modelem stochastycznym,
jest modelem trendu.

W metodzie najmniejszych kwadratów:

kwadrat sumy reszt wynosi zero,
suma kwadratów reszt wynosi zero,
zmienne objaśniające mogą być współliniowe,
macierz X zmiennych objaśniających ma tyle samo wierszy, co wektor y zmiennej objaśnianej.

Normalność składnika losowego modelu:

można weryfikować za pomocą testu Shapiro-Wilka,
można weryfikować za pomocą testu Durbina-Watsona,
można weryfikować za pomocą testu zgodności χ2,
jest jednym z założeń Gaussa-Markowa.

Uogólnioną metodę najmniejszych kwadratów stosuje się

w przypadku modeli deterministycznych,
w przypadku modeli heteroskedastycznych,
w celu uzupełnienia zestawu zmiennych objaśniających w modelu,
w przypadku modeli z autokorelacją składnika losowego.

Modele popytu

mogą przyjmować kształt funkcji Törnquista, ,
mogą przyjmować kształt dynamicznej funkcji Cobba-Douglasa,
mogą mierzyć popyt w zależności od dochodów ludności,
mogą mierzyć popyt w zależności od cen i popytu na inne dobra.

W metodzie analizy grafów

do modelu wchodzi tyle zmiennych, ile jest powiązań między elementami grafu (łuków, ramion grafu),
do modelu wchodzi tyle zmiennych, ile jest spójnych elementów (podgrafów) w grafie powiązań,
w grafie powiązań uwzględnia się tylko dodatnie wartości współczynników korelacji,
z każdego podgrafu do modelu wchodzi zmienna, która ma najmniejszą liczbę powiązań (łuków) z innymi zmiennymi.

W prognozie ekonometrycznej

wymaga się znajomości wartości zmiennej objaśnianej na moment prognozy,
błąd ex ante służy do oceny niedoszacowania lub przeszacowania prognozy,
względny błąd prognozy MAPE służy do oceny dopasowania zmiennych objaśniających na dany moment prognozy,
przedział wiarygodności jest tym większy, im mniejsze przyjmuje się prawdopodobieństwo 1-α.

Model prosty to model

w którym występuje jedna zmienna z góry ustalona w każdym z równań,
dla którego postać standardowa jest postacią zredukowaną,
w którym nie występują zmienne opóźnione,
w którym macierz współczynników przy zmiennych endogenicznych nieopóźnionych jest macierzą diagonalną.

Identyfikowalność modelu

pozwala na zastosowanie PMNK lub 2MNK dla modeli o równaniach łącznie współzależnych,
jest zagwarantowana dla modeli rekurencyjnych,
jest konieczna, aby miała sens estymacja parametrów modelu,
nie musi być sprawdzana dla modeli prostych.

Zmienne zero-jedynkowe w modelu

mogą reprezentować sezonowość
mogą reprezentować cechy jakościowe
mogą reprezentować zmienne logiczne
nie występują w modelach wielorówaniowych

Heteroskedastyczność jest to

sytuacja, kiedy wariancja składnika losowego nie jest stała,
niespełnienie założenia o jednorodności odchyleń składnika losowego w modelu,
sytuacja, kiedy w równaniach modelu wielorównaniowego występują różne składniki losowe w różnych równaniach,
wskazanie do stosowania uogólnionej metody najmniejszych kwadratów.

Ze względu na rodzaj powiązań między zmiennymi model wielorównaniowy może

mieć strukturę blokowo-diagonalną,
być modelem prostym,
być modelem deterministycznym,
być modelem rekurencyjnym.

Postać końcowa modelu wielorównaniowego jest to postać, w której

wyodrębnia się macierzową strukturę współczynników przy zmiennych z góry ustalonych oraz endogenicznych nieopóźnionych,
po prawych stronach równań nie występują zmienne endogeniczne opóźnione poza ich wartościami początkowymi tych zmiennych,
określa się wartości mnożników modelu,
w każdym z równań może występować tylko jedna zmienna endogeniczna nieopóźniona.

. Jakie zjawiska mogą być przedmiotem analiz ekonometrycznych ?

Takie, dla których istnieje związek przyczynowo skutkowy
Takie , dla których dostepne sa dane statystycze
Takie, dla których posiadamy co najmniej 40 odserwacji
Takie, dla których nie obsewujemy zmian w czasie

Jak interpretujemy parametr
modelu:
?

Jako iloraz względnego przyrostu zmiennej y do względnego przyrostu zmiennej
Jako elastyczność zmiennej y względem zmiennej
Jako przyrost zmiennej y, gdy zmienna
wzrasta o jednostkę
Jako tempo wzrostu zmiennej y, gdy zmienna
wzrasta o jednostkę

Metoda najmniejszych kwadratów polega na

wyznaczaniu takich ocen parametrów, aby otrzymać największą sumę kwadratów reszt
wyznaczaniu takich ocen parametrów, aby otrzymać
wyznaczaniu takich ocen parametrów, aby zminimalizować wariancję reszt najmniejszą sumę kwadratów reszt
wyznaczaniu takich ocen parametrów, aby wariancja reszt była stała

Metodę najmniejszych kwadratów można stosować

do estymacji parametrow strukturalnych modelu
tylko wtedy gdy w modelu występuje wyraz wolny
Gdy istnieje macierz odwrotna do macierzy
Gdy macierz
ma zerowy wyznacznik

W jakich sytuacjach może wystąpić autokorelacja składnika losowego modelu ekonometrycznego?

Gdy w modelu nie występuje zmienna objaśniana,
Gdy w postaci funkcyjnej opuściliśmy istotną zmienną objaśniającą,
Gdy przyjęta postać funkcyjna jest niewłaściwa,
Gdy w modelu występują zmienne niemierzalne.

Średnie błędy szacunku ocen parametrów modelu wykorzystujemy

Do badania łącznej istotności parametrów modelu
Do szacowania wariancji reszt
Do badania istotności ocen parametrów strukturalnych
Do wyznaczania przedziałów ufności dla parametrów strukturalnych

Jakie zjawiska mogą być przedmiotem analiz ekonometrycznych ?

Takie, dla których istnieje związek przyczynowo skutkowy
Takie , dla których dostępne są dane statystyczne
Takie, dla których posiadamy co najmniej 40 obserwacji
Takie, dla których nie obserwujemy zmian w czasie

Zmienne zero-jedynkowe w modelu

mogą reprezentować sezonowość
mogą reprezentować cechy jakościowe
mogą reprezentować zmienne logiczne
nie występują w modelach wielorówaniowych

Metodę najmniejszych kwadratów można stosować

do estymacji parametrów strukturalnych modelu
tylko wtedy gdy w modelu występuje wyraz wolny
Gdy istnieje macierz odwrotna do macierzy
Gdy macierz
ma zerowy wyznacznik

Średnie błędy szacunku ocen parametrów modelu wykorzystujemy

Do badania łącznej istotności parametrów modelu
Do szacowania wariancji reszt
Do badania istotności ocen parametrów strukturalnych
Do wyznaczania przedziałów ufności dla parametrów strukturalnych

Heteroskedastyczność jest to

sytuacja, kiedy wariancja składnika losowego nie jest stała,
niespełnienie założenia o jednorodności odchyleń składnika losowego w modelu,
sytuacja, kiedy w równaniach modelu wielorównaniowego występują różne składniki losowe w różnych równaniach,
wskazanie do stosowania uogólnionej metody najmniejszych kwadratów.

W jakich sytuacjach może wystąpić autokorelacja składnika losowego modelu ekonometrycznego?

Gdy w modelu nie występuje zmienna objaśniana,
Gdy w postaci funkcyjnej opuściliśmy istotną zmienną objaśniającą,
Gdy przyjęta postać funkcyjna jest niewłaściwa,
Gdy w modelu występują zmienne niemierzalne.

Jak interpretujemy parametr
modelu:
?

Jako iloraz względnego przyrostu zmiennej y do względnego przyrostu zmiennej
Jako elastyczność zmiennej y względem zmiennej
Jako przyrost zmiennej y, gdy zmienna
wzrasta o jednostkę
Jako tempo wzrostu zmiennej y, gdy zmienna
wzrasta o jednostkę

Model ekonometryczny można wykorzystać do prognozowania gdy:

Dla okresu prognozy będą zachowane relacje między zmiennymi z próby
Spodziewamy się, że model będzie taki sam w przyszłości
Spodziewamy się, że wystąpią istotne zmiany w tendencji rozwojowej zmiennej prognozowanej
Posiadamy informacje tylko o przyszłych wartościach zmiennych objaśniających

Jeżeli zmienne endogeniczne nieopóźnione w modelu występują zarówno po prawej, jak i po lewej stronie równań, to

model może być modelem prostym
model jest w postaci zredukowanej
model może być modelem rekurencyjnym
nie istnieje postać końcowa modelu.

Postać końcowa modelu wielorównaniowego jest to postać, w której

wyodrębnia się macierzową strukturę współczynników przy zmiennych z góry ustalonych oraz endogenicznych nieopóźnionych,
po prawych stronach równań nie występują zmienne endogeniczne opóźnione poza ich wartościami początkowymi tych zmiennych,
określa się wartości mnożników modelu,
w każdym z równań może występować tylko jedna zmienna endogeniczna nieopóźniona.

Metoda najmniejszych kwadratów polega na

wyznaczaniu takich ocen parametrów, aby otrzymać największą sumę kwadratów reszt
wyznaczaniu takich ocen parametrów, aby otrzymać najmniejszą sumę kwadratów reszt
wyznaczaniu takich ocen parametrów, aby zminimalizować wariancję reszt
wyznaczaniu takich ocen parametrów, aby wariancja reszt była stała

W modelu ekonometrycznym możemy stosować zmienne

ilościowe
jakościowe
opóźnione
wyłącznie endogeniczne i egzogeniczne

Za pomocą statystyki Durbina-Watsona możemy

Weryfikować hipotezę o nieskorelowaniu składnika losowego
Sprawdzać poprawność przyjętej postaci funkcyjnej
Mierzyć stopień skorelowania zmiennej objaśnianej i objaśniającej
Mierzyć tempo wzrostu zmiennej objaśnianej

Współczynnik determinacji
wyznaczony dla modelu ekonometrycznego interpretujemy jako:

Stopień objaśnienia zmiennej endogenicznej przez oszacowany model
Udział zmienności objaśnionej przez model w zmienności całkowitej zmiennej endogenicznej
Istotność wariancji reszt
Udział zmienności całkowitej w zmienności objaśnionej przez model zmiennej endogenicznej

Mówimy, że parametr modelu ekonometrycznego jest statystycznie nieistotny, gdy

Składnik losowy nie ma rozkładu normalnego
Składnik losowy ma rozkład normalny
Nie ma podstaw do odrzucenia hipotezy o tym, że parametr ma wartość zero
Liczba zero należy do przedziału ufności tego parametru

Średni błąd prognozy ex ante wyznaczony w oparciu o model ekonometryczny

Służy do szacowania wiarygodności prognozy
Pozwala wyznaczyć prognozę przedziałową
Jest zawsze mniejszy niż średni błąd ex post
Mierzy stopień objaśnienia zmiennej endogenicznej przez zmienne objaśniające

Oszacowano model eksportu (E) jako funkcję wartości produkcji produktu krajowego brutto (Q) :

Wzrost produktu brutto o 1% powoduje przeciętny przyrost eksportu o 1,19%
Współczynnik korelacji reszt wynosi 0,12
Zmienność nieobjaśniona przez model wynosi 1,3%
Model objaśnia w 1,83% kształtowanie się poziomu eksportu

Prognoza może być wyznaczana na podstawie

Badania tendencji rozwojowej zjawiska
Modeli autoregresyjnych
Każdego modelu ekonometrycznego
Wyłącznie liniowych modeli ekonometrycznych

Ze względu na rodzaj powiązań między zmiennymi model wielorównaniowy może

mieć strukturę blokowo-diagonalną,
być modelem prostym,
być modelem deterministycznym,
być modelem rekurencyjnym.

Model
jest

Modelem rekurencyjnym
Modelem dynamicznym
Modelem o równaniach współzależnych
Modelem tendencji rozwojowych

Funkcja produkcji ma postać
, gdzie odpowiednio Q_t- wielkość produkcji w pewnym przedsiębiorstwie w min sztuk, Z_t - liczba zatrudnionych osób, M_t - wartość majątku trwałego w min zł, t - zmienna czasowa przyjmująca wartości od l do 25.

parametry strukturalne w tym modelu są elastycznościami cząstkowymi lub tempem zmian,
skala produkcji dla tego modelu jest rosnąca,
jest to przykład funkcji Cobba-Douglasa,
z czasem następuje - ceteris paribus - wzrost produkcji.

Model: y_t=3,1+2x₁_t-0,4 x₂_t +0,02 x₁_t x₂_t + ε_t

jest modelem statycznym,
jest modelem liniowym,
jest modelem stochastycznym,
jest modelem trendu.

W metodzie najmniejszych kwadratów:

kwadrat sumy reszt wynosi zero,
suma kwadratów reszt wynosi zero,
zmienne objaśniające mogą być współliniowe,
macierz X zmiennych objaśniających ma tyle samo wierszy, co wektor y zmiennej objaśnianej.

Normalność składnika losowego modelu:

można weryfikować za pomocą testu Shapiro-Wilka,
można weryfikować za pomocą testu Durbina-Watsona,
można weryfikować za pomocą testu zgodności χ2,
jest jednym z założeń Gaussa-Markowa.

Uogólnioną metodę najmniejszych kwadratów stosuje się

w przypadku modeli deterministycznych,
w przypadku modeli heteroskedastycznych,
w celu uzupełnienia zestawu zmiennych objaśniających w modelu,
w przypadku modeli z autokorelacją składnika losowego.

Modele popytu

mogą przyjmować kształt funkcji Törnquista, ,
mogą przyjmować kształt dynamicznej funkcji Cobba-Douglasa,
mogą mierzyć popyt w zależności od dochodów ludności,
mogą mierzyć popyt w zależności od cen i popytu na inne dobra.

W metodzie analizy grafów

do modelu wchodzi tyle zmiennych, ile jest powiązań między elementami grafu (łuków, ramion grafu),
do modelu wchodzi tyle zmiennych, ile jest spójnych elementów (podgrafów) w grafie powiązań,
w grafie powiązań uwzględnia się tylko dodatnie wartości współczynników korelacji,
z każdego podgrafu do modelu wchodzi zmienna, która ma najmniejszą liczbę powiązań (łuków) z innymi zmiennymi.

W prognozie ekonometrycznej

wymaga się znajomości wartości zmiennej objaśnianej na moment prognozy,
błąd ex ante służy do oceny niedoszacowania lub przeszacowania prognozy,
względny błąd prognozy MAPE służy do oceny dopasowania zmiennych objaśniających na dany moment prognozy,
przedział wiarygodności jest tym większy, im mniejsze przyjmuje się prawdopodobieństwo 1-α.

Model prosty to model

w którym występuje jedna zmienna z góry ustalona w każdym z równań,
dla którego postać standardowa jest postacią zredukowaną,
w którym nie występują zmienne opóźnione,
w którym macierz współczynników przy zmiennych endogenicznych nieopóźnionych jest macierzą diagonalną.

Identyfikowalność modelu

pozwala na zastosowanie PMNK lub 2MNK dla modeli o równaniach łącznie współzależnych,
jest zagwarantowana dla modeli rekurencyjnych,
jest konieczna, aby miała sens estymacja parametrów modelu,
nie musi być sprawdzana dla modeli prostych.

Zmienne jakościowe w modelu

szacuje się przy pomocy UMNK,
mogą być reprezentowane przez zmienne zero-jedynkowe,
jeżeli występują, to jest to model determnistyczny,
określają stopień dopasowania modelu do danych empirycznych.

Model: y_t=3,1+2e^t+ ε_t

jest modelem statycznym,
jest modelem liniowym,
jest modelem stochastycznym,
jest modelem trendu.

W metodzie najmniejszych kwadratów przy estymacji modelu y = Xα+ε:

suma reszt może być ujemna,
suma kwadratów reszt wynosi zero,
suma reszt jest minimalizowana,
macierz X zmiennych objaśniających musi mieć więcej wierszy niż kolumn

Autokorelacja składnika losowego modelu:

możne być weryfikowana za pomocą testu Shapiro-Wilka,
możne być weryfikowana za pomocą testu Durbina-Watsona,
jest zjawiskiem niepożądanym dla modelu,
jest jednym z założeń Gaussa-Markowa.

Uogólnioną metodę najmniejszych kwadratów stosuje się

w przypadku modeli wielorównaniowych,
w przypadku modeli heteroskedastycznych,
w celu uzupełnienia zestawu zmiennych objaśniających w modelu,
w przypadku modeli z autokorelacją składnika losowego.

Modele produkcji

mogą przyjmować kształt funkcji Törnquista, ,
mogą przyjmować kształt dynamicznej funkcji Cobba-Douglasa,
modelują zwykle wielkość produkcji w zależności od zbytu,
mogą mierzyć popyt w zależności od zatrudnienia i kapitału.
W metodzie Hellwiga
do modelu wchodzi ten zbiór zmiennych, dla którego integralna pojemność informacyjna jest największa,
poszukuje się najlepszego zestawu spośród wszystkich kombinacji potencjalnych zmiennych objaśniających,
uwzględnia się korelacje liniowe pomiędzy zmienną objaśnianą a zmiennymi objaśniającymi,
uwzględnia się korelacje liniowe pomiędzy różnymi zmiennymi objaśniającymi.

W prognozie ekonometrycznej

wymaga się znajomości wartości zmiennych objaśniających na moment prognozy (lub ich prognoz),
błąd ex post służy do oceny niedoszacowania lub przeszacowania prognozy,
względny błąd prognozy MAPE służy do oceny średniego niedopasowania wartości prognozowanej do rzeczywistej na cały okres prognozy,
przedział wiarygodności jest tym większy, im większe przyjmuje się prawdopodobieństwo 1-α.

Model rekurencyjny to model

w którym występuje jedna zmienna endogeniczna nieopóźniona w każdym z równań,
który na pewno jest identyfikowalnym,
w którym nie występują zmienne egzogeniczone opóźnione,
w którym macierz współczynników przy zmiennych endogenicznych nieopóźnionych jest macierzą diagonalną.

Jednoznaczna identyfikowalność modelu

pozwala na zastosowanie PMNK dla modeli o równaniach łącznie współzależnych,
jest zagwarantowana dla modeli rekurencyjnych,
oznacza jednoznaczność przejścia od postaci zredukowanej do strukturalnej modelu,
nie musi być sprawdzana dla modeli prostych.