Перечень вопросов и заданий итогового контроля

⇐ ПредыдущаяСтр 2 из 2

№	Уровень сложности	Вопрос	Раздел, тема	Вариант А) (правильный)	Вариант B)	Вариант C)	Вариант D)	Вариант E)
1.	1	Случайной величиной называют величину, которая в результате	1	испытания (наблюдения) принимает то или иное значение заранее не известное и зависящее от случайных обстоятельств	расчетов принимает то или иное значение	расчетов принимает то или иное значение заранее известное и не зависящее от случайных обстоятельств	расчетов принимает то или иное значение заранее известное	испытания (наблюдения) принимает то или иное значение заранее известное и не зависящее от случайных обстоятельств
2.	1	Виды случайных величин	1	дискретные и непрерывные	дискретные и прерывные	непрерывные и прерывные	дискретные и случайные	непрерывные и случайные
3.	2	Дискретной называют такую случайную величину, которая принимает	1	отдельные изолированные значения с определенными вероятностями	любое значение из некоторого конечного или бесконечного числового промежутка	любое значение из некоторого конечного числового промежутка	любое значение из некоторого бесконечного числового промежутка	отдельные значения из некоторого бесконечного числового промежутка
4.	1	Непрерывной называют такую случайную величину, которая может принимать	1	любое значение из некоторого конечного или бесконечного числового промежутка	отдельные изолированные значения с определенными вероятностями	любое значение из некоторого конечного числового промежутка	любое значение из некоторого бесконечного числового промежутка	отдельные значения из некоторого бесконечного числового промежутка
5.	2	Законом распределения случайной величины называется	1	всякое соотношение, устанавливающее связь между возможными значениями СВ и соответствующими им вероятностями	отдельные изолированные значения с определенными вероятностями	любое значение из некоторого конечного числового промежутка	любое значение из некоторого бесконечного числового промежутка	отдельные значения из некоторого бесконечного числового промежутка
6.	2	Точечной оценкой называется оценка, которая	1	характеризуется одним число	определяется двумя числами, которые являются концами (границами) интервала	характеризуется множеством чисел	определяется двумя числами	определяется двумя и более числами
7.	1	Интервальной оценкой называется оценка, которая	1	определяется двумя числами, которые являются концами (границами) интервала	характеризуется одним число	характеризуется множеством чисел	определяется двумя числами	определяется двумя и более числами
8.	1	Регрессия - величина, выражающая	1	зависимость среднего значения случайной величины у от значений случайной величины х	среднюю величину множества признаков	среднюю величину	зависимость множества признаков от одного	зависимость множества признаков от других
9.	2	Уравнение регрессии выражает	1	среднюю величину одного признака как функцию другого	среднюю величину множества признаков	среднюю величину	зависимость множества признаков от одного	зависимость множества признаков от других
10.	2	Функция регрессии - это модель вида	1	у = f (x) +е	f (у)=x +а	f (x)= у +ех	f (у)=x +с	а= в+ех
11.	2	2 типа взаимосвязей между х и у	1	корреляционного типа, регрессионного типа	корреляционного типа, независимого типа	зависимого типа, независимого типа	регрессионного типа, независимого типа	регрессионного типа, зависимого типа
12.	1	Может быть неизвестно, какая из двух переменных является независимой, а какая - зависимой, переменные равноправны, это взаимосвязь	1	корреляционного типа	регрессионного типа	независимого типа	зависимого типа	математического типа
13.	2	Если х и у неравноправны и одна из них рассматривается как объясняющая (независимая) переменная, а другая - как зависимая, то это взаимосвязь	1	регрессионного типа	корреляционного типа	независимого типа	зависимого типа	математического типа
14.	2	е -	1	возмущение, или стохастическая переменная, включающая влияние неучтенных факторов в модели	корреляция, включающая влияние неучтенных факторов в модели	регрессия, включающая влияние неучтенных факторов в модели	аппроксимация, включающая влияние неучтенных факторов в модели	детерминация, включающая влияние неучтенных факторов в модели
15.	2	Корреляция - величина, отражающая	1	наличие связи между явлениями, процессами и характеризующими их показателями	возмущение, или стохастическая переменная, включающая влияние неучтенных факторов в модели	стохастическую переменную, включающую влияние неучтенных факторов в модели	наличие связи между а и в	наличие явления между а и в
16.	2	Корреляционная зависимость - определение	2	зависимости средней величины одного признака от изменения значения другого признака	наличие связи между а и в	зависимости средней величины а от изменения значения в	зависимости регрессии от аппроксимации	зависимости регрессии от детерминации
17.	3	Коэффициент корреляции величин х и у (r_xy) свидетельствует	2	о наличии или отсутствии линейной связи между переменными	о наличии регрессии	о наличии или отсутствии регрессии	о наличии или отсутствии детерминации	о наличии или отсутствии корреляции и детерминации
18.	2	Если: = -1, то наблюдается	2	строгая отрицательная связь	строгая положительная связь	линейная связь отсутствует	линейная связь присутствует	нестрогая отрицательная связь
19.	2	Если: = 1, то наблюдается	1	строгая положительная связь	строгая отрицательная связь	линейная связь отсутствует	линейная связь присутствует	нестрогая отрицательная связь
20.	2	Если: = 0, то	2	линейная связь отсутствует	строгая положительная связь	строгая отрицательная связь	линейная связь присутствует	нестрогая отрицательная связь
21.	2	Эконометрикой называется наука, позволяющая анализировать связи между различными экономическими показателями на основании реальных статистических данных с применением	2	методов теории вероятностей и математической статистики	метода наименьших квадратов	метода наибольших квадратов	теории вероятности	математически
22.	2	Слово «эконометрика» образовано от двух слов	2	«экономика» и «метрика»	«эконо» и «метрика»	«экономика» и «измерение»	«эконом» и «метрика»	«эконом» и «измерение»
23.	2	Эконометрику можно определить как науку	2	об экономических измерениях	о математических измерениях	о количественных измерениях	о качественных измерениях	о статистических измерениях
24.	2	Эконометрику можно представить как комбинацию трёх наук –	2	экономической теории, математической и экономической статистики и математики	экономической теории, математической и механики	экономической теории, математической и психологии	психологии, экономической статистики и математики	финансы, экономической теории и математики
25.	2	Анализ экономических процессов и явлений в эконометрике осуществляется с помощью	2	математических моделей, построенных на эмпирических данных	математических функций	статистических моделей построенных на случайных данных	статистики	экономической теории
26.	2	Моделью называется …, замещающий в процессе исследования объект-оригинал таким образом, что его непосредственное изучение дает новые знания об объекте-оригинале		материальный или мысленно представляемый объект	объект природы	материальный субъект	субъект природы	процесс любой природы
27.	3	Модель выступает в качестве	2	средства анализа и прогнозирования конкретных экономических процессов на основе реальной статистической информации	объекта природы	средства анализа и материального субъекта	средства анализа и прогнозирования конкретных экономических субъектов природы на основе реальной информации	средства анализа, прогнозирования конкретных экономических субъектов на основе реальной статистической информации и процессов любой природы
28.	2	Эконометрика исследует различные экономические закономерности, установленные	2	экономической теорией, с помощью методов математической и экономической статистики	математической теорией, с помощью методов экономической статистики	экономической теорией, с помощью методов наименьших квадратов	экономической теорией, с помощью математических методов	математической теорией, с помощью экономических методов
29.	2	Общими задачами эконометрики являются:	2	-обнаружение и анализ статистических закономерностей в экономике; -построение на базе выявленных эмпирических экономических зависимостей эконометрических моделей	-обнаружение и решение статистических закономерностей в экономике; -построение на базе вторичных экономических зависимостей эконометрических моделей	-обнаружение и решение статистических закономерностей в природе; -построение на базе эмпирических экономических зависимостей эконометрических моделей	-обнаружение и решение статистических закономерностей в природе; -построение на базе вторичных информаций	-обнаружение и анализ математических закономерностей в природе; -построение на базе выявленных эмпирических экономических зависимостей эконометрических моделей
30.	2	Задачи эконометрики делятся на более конкретные подзадачи, которые можно классифицировать по трём признакам:	2	1)по конечным прикладным целям, 2)по уровню иерархии, 3)по профилю изучаемой экономической системы	1)по повторным целям, 2)по уровню иерархии, 3)по профилю изучаемой экономической системы	1)по конечным прикладным целям, 2)по уровню возрастания, 3)по профилю изучаемой математической системы	1)по конечным прикладным целям, 2)по уровню безработицы, 3)по профилю изучаемой экономической системы	1)по конечным прикладным целям, 2)по уровню безработицы, 3)по профилю математической и экономической системы
31.	2	Классификация задач эконометрики по конечным прикладным целям:	2	а) прогноз социально-экономических показателей, определяющих состояние и развитие изучаемой системы; б) моделирование возможных вариантов социально-экономического развития системы для выявления факторов, изменение которых оказывает наиболее мощное влияние на состояние системы в целом	а) решение социально-экономических показателей общества; б) моделирование возможных вариантов социально-экономического развития системы для выявления факторов, изменение которых оказывает наиболее мощное влияние на состояние системы в целом	а) прогноз социально-экономических показателей, определяющих состояние и развитие изучаемой системы; б) моделирование возможных проблем экономического характера для выявления экономических показателей общества	а) прогноз социально-экономических показателей, определяющих состояние и развитие природы; б) моделирование возможных проблем экономического характера для выявления экономических показателей общества	а) моделирование возможных вариантов социально-экономического развития системы для выявления факторов, изменение которых оказывает наиболее мощное влияние на состояние системы в целом б) моделирование возможных проблем экономического характера b₁ и b₂
32.	2	Классификация задач эконометрики по уровню иерархии:	2	а) задачи, решаемые на макроуровне (страна в целом); б) задачи, решаемые на мезоуровне (уровень отраслей, регионов); в) задачи, решаемые на микроуровне (уровень фирмы, семьи, предприятия)	а) задачи, решаемые на макроуровне (страна в целом); б) задачи, решаемые на мезоуровне (уровень отраслей, регионов); в) задачи ООН	а) задачи, решаемые на макроуровне (страна в целом); б) математические задачи; в) задачи, решаемые на микроуровне (уровень фирмы, семьи, предприятия)	а) задачи русского языка; б) задачи, решаемые на мезоуровне (уровень отраслей, регионов); в) задачи, решаемые на микроуровне (уровень фирмы, семьи, предприятия)	а) задачи, решаемые на макроуровне (страна в целом); б) задачи, решаемые на мезоуровне (уровень отраслей, регионов); в) задачи фирмы
33.	2	Классификация задач эконометрики по профилю изучаемой экономической системы:	2	а) рынок; б) инвестиционная, социальная, финансовая политика; в) ценообразование; г) распределительные отношения; д) спрос и потребление; е) отдельно выделенный комплекс проблем	а) базар; б) инвестиционная, социальная, финансовая политика; в) ценообразование; г) распределительные отношения; д) спрос и потребление; е) отдельно выделенный комплекс проблем	а) рынок; б) инвестиционная политика; в) ценообразование; г) отношение семьи в отдельности; д) спрос и потребление; е) отдельно выделенный комплекс проблем	а) рынок; б) инвестиционная, социальная, финансовая политика; в) ценообразование; г) распределительные отношения; д) спрос и потребление; е) отдельно выделенная семья	а) рынок; б) международная, социальная, финансовая политика; в) ценообразование; г) распределительные отношения; д) спрос и потребление; е) отдельно выделенная семья
34.	2	Среднее квадратичное отклонение - мера разнообразия входящих в группу объектов; она показывает,	2	на сколько в среднем отклоняется каждая варианта от средней арифметической	на сколько отклоняется каждая варианта от средней взвешенной	на сколько отклоняется каждая варианта от своей средней простой	на сколько отклоняется каждая единица от простой средней	на сколько в среднем отклоняется каждая единица от простой средней
35.	2	Чем сильнее разбросаны варианты относительно средней, тем	2	большим оказывается и среднее квадратичное отклонение	большим оказывается среднее простое	большим оказывается среднее взвешенное	большим оказывается и среднее арифметическое простое	большим оказывается и среднее арифметическое взвешенное
36.	1	Разброс значений характеризует и размах -	2	разность между наибольшим и наименьшим значением в ряду	разность между наибольшим и наименьшим значением среди у	разность между наибольшим и наименьшим значением среди х	разность между наибольшим значением в ряду А	разность между наименьшим значением в ряду В
37.	1	Достоверность различий средних арифметических можно оценить по	2	критерию Стьюдента	критерию Студента	критерию Препода	критерию доктора Фишера	критерию Фактера
38.	1	Решение о достоверности различий принимается в том случае, если	2	вычисленная величина t превышает табличное значение для данного числа степеней свободы	вычисленная величина А превышает табличное значение для данного числа степеней свободы	вычисленная величина В превышает табличное значение для данного числа степеней свободы	табличное значение для данного числа степеней свободы превышает вычисленной величины t	табличное значение t превышает вычисленной величины t
39.	1	Корреляционный анализ позволяет с помощью выборки делать выводы	2	о степени статистической связи между признаками	о степени статистической связи между АВ	о степени статистической связи между УХ	о степени функциональной связи между УХ	о степени функциональной связи между признаками
40.	21	В качестве мер связи между признаками чаще всего используется	2	принцип ковариации и принцип сопряженности	принцип ковариации и принцип надежности	принцип сохранности и принцип надежности	принцип сохранности и принцип ковариации	принцип двойного вызова
41.	2	Принцип ковариации: наличие связи между переменными утверждается,	2	если увеличение значения одной переменной сопровождается устойчивым увеличением или уменьшением другой переменной	если увеличение значения одной переменной сопровождается устойчивым уменьшением другой переменной	если увеличение значения одной переменной сопровождается устойчивым увеличением другой переменной	если уменьшение значения одной переменной сопровождается устойчивым увеличением другой переменной	если уменьшение значения одной переменной сопровождается устойчивым уменьшением другой переменной
42.	2	Принцип сопряженности: эта группа мер связи направлена на выяснение следующего факта –	2	появляются ли некоторые значения одного признака одновременно с определенными значениями другого чаще, чем это можно объяснить случайным стечением обстоятельств	если увеличение значения одной переменной сопровождается устойчивым уменьшением другой переменной	если увеличение значения одной переменной сопровождается устойчивым увеличением другой переменной	появляются ли некоторые значения одного признака одновременно с определенными значениями другого реже, чем это можно объяснить	появляются ли некоторые значения одного признака одновременно с определенными значениями другого, и это можно объяснить зависимостью двух переменных
43.	2	Изучение корреляционной связи имеет 2 цели:	2	1) Измерение параметров уравнения, выражающего связь средних значений зависимой переменной со значениями независимой переменной; 2) Измерение тесноты связи двух или большего числа признаков между собой	1) Измерение параметров уравнения неизвестных; 2) Измерение тесноты связи двух признаков между собой	1) Измерение параметров уравнения, выражающего связь средних значений зависимой переменной со значениями независимой переменной; 2) Измерение тесноты связи двух признаков между собой	1) Измерение тесноты связи двух признаков между собой 2) Измерение тесноты связи большего числа признаков между собой 3) Измерение тесноты связи между Х и У	1) Измерение тесноты связи двух признаков между собой 2) Измерение тесноты связи между Х и У
44.	3	Основным методом решения задачи нахождения параметров уравнения связи	3	является метод наименьших квадратов	является метод условных переменных	является метод зависимых переменных	является метод квадратов	является метод ГЛ
45.	3	Выделение важнейших факторов, влияющих на результативный признак	3	эта задача решается на базе мер тесноты связи факторов с результативным признаком	эта задача решается с помощью метода наименьших квадратов	эта задача решается с помощью метода зависимых переменных	эта задача решается с помощью метода условных переменных	эта задача решается с помощью метода квадратов
46.	2	Спецификация	3	построение эконометрических моделей	построение математических моделей	построение эмпирических моделей с е	построение общественных моделей	построение функциональных моделей с е
47.	2	Параметризация	3	оценка параметров построенной модели, делающих выбранную модель наиболее адекватной реальным данным	оценка параметров А и В	построение и определение эконометрических моделей	построение эмпирических моделей и оценка е	построение общественных моделей, делающих выбранную модель наиболее адекватной
48.	2	Верификация	3	проверка качества найденных параметров модели и самой модели в целом	проверка качества найденных параметров А и В	проверка качества найденных параметров Х и У	проверка качества найденных общественных моделей, делающих выбранную модель наиболее адекватной	построение эконометрических моделей
49.		Этапы построения эконометрической модели		1.постановочный 2.априорный 3.параметризация 4.информационный 5.идентификация модели 6.верификация модели	1.постановочный 2.априорный 3.параметризация 4.информационный 5.идентификация модели 6.спецификация модели	1.проверочный 2.априорный 3.параметризация 4.информационный 5.идентификация модели 6.регрессия	1.проверочный 2.надежный 3.параметризация 4.информационный 5.идентификация модели 6.верификация модели	1.проверочный 2.надежный 3.параметризация 4.информационный 5.идентификация модели 6.корреляционный
50.		постановочный:		формируется цель исследования, набор участвующих в модели экономических переменных	проводится анализ сущности изучаемого объекта, формирование и формализация априорной (известной до начала моделирования) информации	осуществляется непосредственно моделирование, т.е. выбор общего вида модели, выявление входящих в нее связей	осуществляется сбор необходимой статистической информации – наблюдаемых значений экономических переменных	осуществляется статистический анализ модели и оценка ее параметров
51.		априорный:		проводится анализ сущности изучаемого объекта, формирование и формализация априорной (известной до начала моделирования) информации	формируется цель исследования, набор участвующих в модели экономических переменных	осуществляется непосредственно моделирование, т.е. выбор общего вида модели, выявление входящих в нее связей	осуществляется сбор необходимой статистической информации – наблюдаемых значений экономических переменных	осуществляется статистический анализ модели и оценка ее параметров
52.		параметризация:		осуществляется непосредственно моделирование, т.е. выбор общего вида модели, выявление входящих в нее связей	осуществляется сбор необходимой статистической информации – наблюдаемых значений экономических переменных	осуществляется статистический анализ модели и оценка ее параметров	проводится проверка истинности, адекватности модели	проводится анализ сущности изучаемого объекта, формирование и формализация априорной (известной до начала моделирования) информации
53.		информационный:		осуществляется сбор необходимой статистической информации – наблюдаемых значений экономических переменных	осуществляется непосредственно моделирование, т.е. выбор общего вида модели, выявление входящих в нее связей	осуществляется статистический анализ модели и оценка ее параметров	проводится проверка истинности, адекватности модели	проводится анализ сущности изучаемого объекта, формирование и формализация априорной (известной до начала моделирования) информации
54.		идентификация модели:		осуществляется статистический анализ модели и оценка ее параметров	осуществляется сбор необходимой статистической информации – наблюдаемых значений экономических переменных	осуществляется непосредственно моделирование, т.е. выбор общего вида модели, выявление входящих в нее связей	проводится проверка истинности, адекватности модели	проводится анализ сущности изучаемого объекта, формирование и формализация априорной (известной до начала моделирования) информации
55.		верификация модели:		проводится проверка истинности, адекватности модели	осуществляется статистический анализ модели и оценка ее параметров	осуществляется сбор необходимой статистической информации – наблюдаемых значений экономических переменных	осуществляется непосредственно моделирование, т.е. выбор общего вида модели, выявление входящих в нее связей	проводится проверка истинности е
56.	2	Этапы корреляционно-регрессионного анализа	3	1)сбор данных 2)корреляционный анализ 3)расчет параметров и построение регрессионных моделей 4)выясняют статистическую значимость 5)если полученная модель статистически значима, ее применяют для прогнозирования, управления или объяснения	1)сбор информации 2)экономический анализ 3)расчет параметров и построение регрессионных моделей 4)выясняют статистическую значимость	1)сбор информации 2)экономический анализ 3)расчет параметров и построение регрессионных моделей 4)выясняют значимость найденных параметров модели и самой модели в целом	1)определение зависимости 2)корреляционный анализ 3)расчет параметров и построение регрессионных моделей 4)выясняют статистическую значимость 5)если полученная модель значима, ее применяют для прогнозирования будущего	1)определение зависимости 2)корреляционный анализ 3)регрессионный анализ 4)выясняют статистическую значимость 5)если полученная модель значима, ее применяют для прогнозирования будущего
57.	2	Х	3	независимая переменная	зависимая переменная	регрессия	возмущение	неучтенный фактор
58.	2	Y	3	зависимая переменная	независимая переменная	возмущение	случайная переменная	случайный фактор
59.	2	Чем ближе R к 1, тем	3	теснее связь рассматриваемых признаков	слабее связь рассматриваемых признаков	слабее связь между Х и У	слабее связь между А и В	теснее связь между А и В
60.	3	Формы проявления корреляционной связи между признаками:	3	1) причинная зависимость результативного признака от вариации факторного признака 2) корреляционная связь между двумя следствиями общей причины 3) взаимосвязь признаков, каждый из которых и причина, и следствие	1) причинная зависимость А и В 2) корреляционная связь между двумя следствиями общей причины 3) взаимосвязь признаков, каждый из которых и причина, и следствие	1) причинная зависимость А и В 2) корреляционная связь между двумя следствиями общей причины 3) взаимосвязь А и В, каждый из которых и причина, и следствие	1) причинная зависимость результативного признака от вариации факторного признака 2) корреляционная связь между А и В 3) взаимосвязь признаков, каждый из которых и причина, и следствие	1) причинная зависимость результативного признака от вариации второго признака 2) корреляционная связь между Х и У 3) взаимосвязь признаков, каждый из которых причина
61.	1	Задачи корреляционно-регрессионного анализа:	3	1) выбор спецификации модели 2) из всех факторов, влияющих на результативный признак, необходимо выделить наиболее существенно влияющие факторы 3) парная регрессия достаточна, если имеется доминирующий фактор, который и используется в качестве объясняющей переменной 4) исследовать, как изменение одного признака меняет вариацию другого	1) выбор модели 2) из всех факторов, влияющих на независимый признак, необходимо выделить наиболее существенно влияющие факторы 3) парная регрессия достаточна, если имеется доминирующий фактор, который и используется в качестве объясняющей переменной 4) исследовать изменение одного признака другими факторами	1) выбор модели 2) из всех факторов, влияющих на независимый признак, необходимо выделить наиболее существенно влияющие факторы 3) множественная регрессия достаточна, если имеется доминирующий фактор, который и используется в качестве объясняющей переменной 4) исследовать изменение одного признака другими факторами	1) выбор модели 2) из всех факторов, влияющих на независимый признак, необходимо выделить наиболее существенно влияющие факторы 3) множественная регрессия достаточна, если имеется доминирующий фактор, который и используется в качестве объясняющей переменной 4) исследовать, как изменение одного признака меняет вариацию другого	1) выбор параметров регрессии 2) из всех факторов, влияющих на независимый признак, необходимо выделить наиболее существенно влияющие факторы 3) парная регрессия достаточна, если имеется доминирующий фактор, который и используется в качестве объясняющей переменной 4) исследовать изменение одного признака другими факторами
62.	1	Выбор спецификации модели, т. е.	3	формулировки вида модели, исходя из соответствующей теории связи между переменными	формулировки вида уравнения, исходя из соответствующей теории связи между А и В	формулировки вида уравнения, исходя из соответствующей теории закона спроса	формулировки вида уравнения, исходя из соответствующей теории закона спроса и предложения	формулировки вида модели, исходя из закона распределения чисел
63.	3	Уравнение парной регрессии характеризует	3	связь между двумя переменными, которая проявляется как некоторая закономерность лишь в среднем в целом по совокупности наблюдений	связь между двумя переменными, которая проявляется как сумма чисел	связь между двумя переменными, которая проявляется как некоторая закономерность лишь в среднем по совокупности ХУ	связь между переменными, которая проявляется как некоторая закономерность в целом по совокупности чисел	связь между Х и У, которая проявляется как некоторая закономерность в целом по закону
64.	1	В уравнении регрессии корреляционная связь признаков представляется в виде	3	функциональной связи, выраженной соответствующей математической функцией	функциональной связи, выраженной соответствующей закону спроса	тесной связи, выраженной соответствующей математической функцией	тесной связи, соответствующей Х и У	функциональной и корреляционной связи, соответствующей математической функцией
65.	3	Случайная величина Е включает	3	влияние неучтенных в модели факторов, случайных ошибок и особенностей измерения	влияние учтенных в модели факторов	влияние учтенных в модели факторов и особенности переменных	независимые факторы и особенности измерения	независимые факторы, случайные ошибки и особенности переменных
66.	3	В результате агрегирования	3	теряется часть информации	теряется показатель А	теряется показатель В	теряется часть Х	теряется часть У
67.	3	Методы изучения связи - форму зависимости можно установить с помощью	3	поля корреляции	поля регрессии	поля независимых факторов	поля зависимых факторов	поля аппроксимации
68.	1	Если исходные данные (значения переменных х и у) нанести на график в виде точек в прямоугольной системе координат, то	3	получим поле корреляции	получим поле регрессии	получим поле независимых факторов	получим поле зависимых факторов	получим поле аппроксимации
69.	2	Если зависимость у от x функциональная, то	3	все точки расположены на какой-то линии	все точки расположены на поле корреляции	все точки расположены на поле независимых факторов	все точки расположены поле зависимых факторов	все точки расположены поле аппроксимации
70.	2	При корреляционной связи вследствие влияния прочих факторов	3	точки не лежат на одной линии	точки лежат на одной линии	точки лежат на поле независимых факторов	точки лежат на поле зависимых факторов	точки лежат на поле аппроксимации
71.	3	Линейный коэффициент корреляции -	3	количественная оценка и мера тесноты связи двух переменных	качественная оценка и мера тесноты связи переменных	качественная оценка и мера оценки связи переменных	количественная оценка связи переменных А и В	количественная оценка надежности параметров регрессии
72.	3	Коэффициент корреляции принимает значения в интервале	3	от -1 до +1	от -10 до +10	от 0 до 100	от 0 до 1	от 0 до 10
73.	1	Когда коэффициент корреляции равен 1, то	3	связь функциональная	связь детерминационная	связь автономная	связь количественная	связь качественная
74.	1	Если коэффициент корреляции равен 0, то говорят	3	об отсутствии линейной связи между признаками	о тесной линейной связи между признаками	о тесной прямой связи между признаками	о слабой прямой связи между признаками	об обратной связи между признаками
75.	1	Коэффициент детерминации -	3	квадрат линейного коэффициента корреляции, рассчитываемый для оценки качества подбора линейной функции	квадрат нелинейного коэффициента корреляции, рассчитываемый для оценки качества подбора нелинейной функции	количественная оценка связи двух переменных	квадрат коэффициента корреляции, рассчитываемый для оценки качества подбора нелинейной функции	качественная оценка связи двух переменных
76.	1	Парная регрессия - регрессия	3	между двумя переменными у и х	между показателями экономической прямой связи	между показателями тесноты прямой связи	между показателями тесноты обратной связи	между показателями экономической обратной связи
77.	2	Метод оценивания параметров линейной регрессии, минимизирующий сумму квадратов отклонений наблюдений зависимой переменной от искомой линейной функции	3	метод наименьших квадратов (МНК)	метод наибольших квадратов (МНбК)	метод суммы квадратов (МСК)	метод регрессии (МР)	метод корреляции (МК)
78.	2	Параметр b показывает	3	среднее изменение результата у с изменением фактора х на единицу	среднее изменение А с изменением фактора х на единицу	среднее изменение фактора А с изменением х на единицу	среднее изменение фактора А с изменением фактора х2 на единицу	среднее изменение фактора В с изменением фактора х на единицу
79.	2	Параметр а = у, когда	3	х = 0	х = 1	х = 100	у = 0	у = 1
80.	2	Если х не может быть равен 0, то а	3	не имеет экономического смысла	имеет экономический смысл	не имеет линейной функции	не имеет обратной связи	имеет экономический анализ
81.	1	Интерпретировать можно только знак при а: если а > 0, то	3	относительное изменение результата (у) происходит медленнее, чем изменение фактора (х)	относительное изменение фактора (х) происходит медленнее, чем изменение результата (у)	относительное изменение фактора (х) происходит медленнее, чем изменение фактора (у)	относительное изменение е происходит медленнее, чем изменение фактора (у)	относительное изменение е происходит медленнее, чем изменение фактора (х)
82.	1	Коэффициент детерминации измеряет	3	действительность модели	действительность признака	действительность фактора (у)	действительность фактора (х)	действительность е
83.	1	Коэффициент детерминации может принимать значения	3	от 0 до 1	от -1 до +1	от -10 до +10	от 0 до 100	от 8 до 10
84.	2	Коэффициент детерминации полезен для	3	сравнения ряда различных моделей и выбора наилучшей модели	сравнения Х и У и выбора В	сравнения ряда различных факторов (х) и выбора наилучшей	сравнения ряда различных факторов (у) и выбора наилучшей	сравнения ряда различных моделей и выбора наилучшей е
85.	2	Если Fp окажется меньше Fk, то	3	уравнение нельзя считать значимым	уравнение можно считать значимым	уравнение нельзя не считать наилучшей	уравнение можно считать наилучшей	уравнение можно считать хорошей
86.	1	Если зависимость между признаками на графике указывает на линейную корреляцию, рассчитывают	3	коэффициент корреляции r	коэффициент детерминации r²	коэффициент аппроксимации А	коэффициент Фишера F	коэффициент Стьюдента t
87.	2	Если r = ±1, то это означает	3	наличие полной (функциональной) связи	наличие неполной связи	наличие нефункциональной связи	наличие слабой связи	наличие плахой связи
88.	2	t_набл=4,32 >t_кр= 2,45, то	3	нулевую гипотезу отвергаем	нулевую гипотезу принимаем	нулевую гипотезу посылаем	нулевую гипотезу решаем	нулевую гипотезу задаем
89.	2	Коэффициент детерминации - это	3	доля дисперсии зависимой переменной, объясняемая рассматриваемой моделью	доля дисперсии независимой переменной, объясняемая рассматриваемой моделью е	доля дисперсии независимой переменной и е	доля дисперсии независимой переменной, объясняемая е	доля дисперсии зависимой переменной, объясняемая е
90.	2	Коэффициент детерминации - это	3	единица минус доля необъяснённой дисперсии в дисперсии зависимой переменной	единица плюс доля необъяснённой дисперсии в дисперсии зависимой переменной Х	единица минус доля зависимой переменной плюс е	единица плюс доля необъяснённой дисперсии в е	единица минус доля е в дисперсии независимой переменной плюс доля В
91.	2	В случае линейной зависимости является	3	квадратом так называемого множественного коэффициента корреляции между зависимой переменной и объясняющими переменными	квадратом так называемого парного коэффициента корреляции между независимой переменной и объясняющей переменной	квадратом так называемого множественного коэффициента детерминации между зависимой переменной и объясняющими переменными	квадратом так называемого множественного коэффициента аппроксимации между зависимой переменной и объясняющими переменными	квадратом так называемого парного коэффициента аппроксимации между зависимой переменной и объясняющими переменными
92.	1	Чем ближе значение коэффициента детерминации к 1, тем	3	сильнее зависимость	слабее зависимость	умереннее зависимость	тоньше зависимость	толще зависимость
93.	1	Равенство коэффициента детерминации единице означает, что	3	объясняемая переменная в точности описывается рассматриваемой моделью	объясняющая переменная в точности описывается парной моделью	объясняемая переменная в точности описывается парной моделью	объясняемая переменная в точности описывается парной корреляцией	объясняемая переменная в точности описывается парной детерминацией
94.	1	Основная проблема применения (выборочного) заключается в том, что его значение	3	увеличивается (не уменьшается) от добавления в модель новых переменных, даже если эти переменные никакого отношения к объясняемой переменной не имеют	увеличивается или уменьшается от добавления в модель новых переменных, даже если эти переменные никакого отношения к объясняемой переменной не имеют	увеличивается или уменьшается от добавления в модель новых факторов	увеличивается (не уменьшается) от добавления в модель е, даже если е никакого отношения к объясняемой переменной не имеет	увеличивается (не уменьшается) от добавления в модель z, даже если z никакого отношения к объясняемой переменной не имеет
95.	1	Для того чтобы была возможность сравнивать модели с разным числом признаков так, чтобы число регрессоров (признаков) не влияло на статистику обычно используется	3	скорректированный коэффициент детерминации, в котором используются несмещённые оценки дисперсий	скорректированный парный коэффициент корреляции, в котором используются несмещённые оценки е	скорректированный коэффициент детерминации, в котором используются несмещённые е	скорректированный парный коэффициент аппроксимации, в котором используются несмещённые оценки е	скорректированный коэффициент аппроксимации, в котором используются несмещённые оценки е
96.	1	Простая регрессия представляет собой регрессию	3	между двумя переменными	между простыми переменными	между сложными переменными	между А и В	между простыми и сложными переменными
97.	1	Множественная регрессия представляет собой регрессию	3	результативного признака с двумя и большим числом факторов	независимого признака с большим числом факторов	независимого фактора с большим числом признаков	результативного признака с двумя е	результативного признака с е
98.	1	Спецификация модели -	3	формулировка вида модели, исходя из соответствующей теории связи между переменными	формулировка вида функции, исходя из соответствующей теории вероятности	формулировка идей, исходя из соответствующей теории связи между переменными	формулировка вида модели, исходя из соответствующей теории статистики е	формулировка идей, исходя из соответствующей теории статистики
99.	1	е - это	3	случайная величина, характеризующая отклонения реального значения результативного признака от теоретического	случайная величина А, характеризующая отклонения реального значения от теоретического	случайная величина, характеризующая реальное значение результативного признака	случайная величина Х, характеризующая реальное значение результативного признака	случайная величина А, характеризующая отклонения фактического плана от теоретического плана
100.		Случайная величина ε называется также		возмущением	реальным значением	фактическим планом	фактическим значением	экономическим возмущением
101.		ε включает		влияние не учтенных в модели факторов, случайных ошибок и особенностей измерения	влияние учтенных в модели факторов, случайных ошибок и особенностей измерения	влияние учтенных в уравнении ошибок и особенностей измерения	влияние не учтенных в уравнении ошибок и регрессии	влияние не учтенных е
102.		От правильно выбранной спецификации модели		зависит величина случайных ошибок	зависит величина Х	зависит величина У	не зависит величина случайных ошибок	зависит величина параметра В
103.		К ошибкам спецификации относятся		неправильный выбор той или иной математической функции для _х, и недоучет в уравнении регрессии какого-либо существенного фактора	правильный выбор той или иной математической функции для _х, и учет в уравнении регрессии какого-либо существенного фактора	неправильный выбор Х, и недоучет в уравнении регрессии У	неправильный выбор математической функции для У, и недоучет в уравнении регрессии е	правильный выбор математической функции для У, и учет в уравнении регрессии е
104.		В парной регрессии выбор вида математической функции может быть осуществлен тремя методами:		графическим, аналитическим и экспериментальным	графическим, математическим и экспериментальным	графическим, математическим и аналитическим	экспериментальным, математическим и аналитическим	функциональным, математическим и аналитическим
105.		Графический метод выбора вида модели регрессии основан на		поле корреляции	изучении материальной природы связи исследуемых признаков	сравнении величины остаточной дисперсии D_ост, рассчитанной при разных моделях	поле аппроксимации	поле материальной природы связи
106.		Аналитический метод выбора вида модели регрессии основан на		изучении материальной природы связи исследуемых признаков	изучений корреляции и аппроксимации	сравнений величины остаточной дисперсии D_ост, рассчитанной при разных моделях	поле аппроксимации	поле материальной природы связи
107.		Экспериментальный метод выбора вида модели регрессии осуществляется путем		сравнения величины остаточной дисперсии D_ост, рассчитанной при разных моделях	сравнения величины В рассчитанной при разных моделях	сравнения величины У рассчитанной при разных моделях	сравнения величины остаточной дисперсии У рассчитанной при МНК	сравнения величины остаточной У рассчитанной при МНК
108.		Построение линейной регрессии сводится к		оценке ее параметров	оценке аппроксимации	оценке корреляции	оценке корреляции и аппроксимации	оценке детерминации
109.		Параметр b называется		коэффициентом регрессии	коэффициентом аппроксимации	коэффициентом корреляции	коэффициентом детерминации	коэффициентом дисперсии
110.		Коэффициент b показывает		среднее изменение результата с изменением фактора на одну единицу	среднее изменение результата с изменением фактора на сто единиц	среднее изменение фактора х с изменением фактора в на одну единицу	среднее изменение фактора в с изменением фактора х на одну единицу	среднее изменение результата с изменением случайной величины е на одну единицу
111.		Уравнение регрессии всегда дополняется		показателем тесноты связи	показателем регрессии	показателем слабой связи	показателем умеренной связи	показателем аппроксимации
112.		Чем ближе r к 0 тем		слабее корреляция	слабее дисперсия	слабее аппроксимация	сильнее корреляция	сильнее дисперсия
113.		Чем ближе r к 1 или -1, тем		сильнее корреляция	слабее корреляция	слабее дисперсия	слабее аппроксимация	сильнее дисперсия
114.		Если между экономическими явлениями существуют нелинейные соотношения, то они выражаются с помощью соответствующих		нелинейных функций	геометрических функций	математических функций	качественных функций	логарифмических функций
115.		Различают два класса нелинейных регрессий		1. Регрессии, нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам 2. Регрессии, нелинейные по оцениваемым параметрам	1. Регрессии, линейные относительно включенных в анализ переменных и линейные по оцениваемым параметрам 2. Регрессии, линейные по качественным параметрам	1. Регрессии, линейные относительно А и нелинейные по В 2. Регрессии, линейные по оцениваемым параметрам	1. Регрессии, линейные относительно А и нелинейные по В 2. Регрессии, нелинейные по параметрам	1. Регрессии, линейные относительно А и нелинейные по В 2. Регрессии, нелинейные по параметрам А и В
116.		Регрессии нелинейные по включенным переменным приводятся к линейному виду простой		заменой переменных	заменой А и В	заменой аппроксимацией	заменой чисел и е	заменой корреляции
117.		Регрессии нелинейные по оцениваемым параметрам делятся на два типа:		нелинейные модели внутренне линейные и нелинейные модели внутренне нелинейные	нелинейные модели и линейно качественные модели	нелинейные модели и качественные модели	качественные модели и количественные модели	математические модели и количественные модели
118.		Проблема построения эконометрической модели состоит		в определении конкретного состава независимых переменных , выборе вида функционала, связывающего их с зависимой переменной и в оценке его параметров , ; на основании известных компонент вектора y и элементов матрицы Х	в определении конкретного состава независимых переменных и выборе константы	в определении конкретного состава зависимых переменных у, выборе вида функционала, связывающего их с зависимой переменной и в оценке МНК	в определении МНК	в определении вида функционала, связывающего их с зависимой переменной и в оценке его параметров , ; на основании известных элементов матрицы Х
119.		Эластичность определяется следующим выражением
120.		Уравнение множественной регрессии		y = a+b₁x₁+b₂x₂+ε	y = a+bx +ε
121.		Основная цель множественной регрессии –		построить модель с большим числом факторов, определив при этом влияние каждого из них в отдельности, а также совокупное их воздействие на моделируемый показатель	построить модель с одним числом факторов, определив при этом влияние одного из них, а также совокупное воздействие на моделируемый показатель	определить спрос, доходность акций, при изучении функции издержек производства, в расчетах и целого ряда других вопросов	определить множественную регрессию и е	решение вопроса о спецификации модели
122.		Построение уравнения множественной регрессии начинается с		решения вопроса о спецификации модели	построения модели с большим числом факторов	определения спроса, доходности акций, при изучении функции издержек производства, в расчетах и целого ряда других вопросов эконометрики	определения е	определения аппроксимации
123.		Спецификация включает в себя два круга вопросов:		отбор факторов и выбор вида уравнения регрессии	построение модели с большим числом факторов и расчет аппроксимации	расчет аппроксимации и выбор вида уравнения регрессии	расчет аппроксимации и детерминации	отбор факторов и расчет аппроксимации
124.		Включение в уравнение множественной регрессии того или иного набора факторов связано		с представлением исследователя о природе взаимосвязи моделируемого показателя с другими экономическими явлениями	с представлением исследователя отчета взаимосвязи моделируемого показателя	с представлением исследователя отчета о случайных величинах и е	с представлением исследователя отчета о случайных величинах и ошибках	с представлением исходных данных
125.		Факторы, включаемые множественную регрессию, должны отвечать следующим требованиям:		1. Они должны быть количественно измеримы 2. Факторы не должны быть интеркоррелированы и тем более находиться в точной функциональной связи	1. Они должны быть количественно измеримы 2. Факторы должны быть интеркоррелированы	1. Они должны быть качественно измеримы Факторы должны быть интеркоррелированы	1. Факторы не должны быть интеркоррелированы и тем более находиться в точной функциональной связи 2. Факторы должны быть интеркоррелированы	1. Факторы не должны быть интеркоррелированы и тем более находиться в точной функциональной связи 2. Они должны быть качественно и надежно измеримы
126.		Если необходимо включить в модель качественный фактор, не имеющий количественного измерения, то ему нужно		придать количественную определенность	придать качественную определенность	придать надежную определенность	придать хороший вид	придать обнавленный вид
127.		Включение в модель факторов с высокой интеркорреляцией может привести		к нежелательным последствиям – система нормальных уравнений может оказаться плохо обусловленной и повлечь за собой неустойчивость и ненадежность оценок коэффициентов регрессии	к желательным последствиям – система простых уравнений может оказаться хорошо обусловленной и повлечь за собой устойчивость регрессии	к желательным последствиям – система простых уравнений может оказаться хорошо обусловленной и повлечь за собой устойчивость и надежность оценок коэффициентов регрессии	к нежелательным расчетам – определение случайных ошибок е	к нежелательным расчетам – определение парной регрессии
128.		Если между факторами (x₁, х₂) существует высокая корреляция, то		нельзя определить их изолированное влияние на результативный показатель и параметры уравнения регрессии оказываются неинтерпретируемыми	нельзя определить множественную регрессию, СВ и е	нельзя определить СВ и е	можно определить множественную регрессию, СВ и е	можно определить СВ и е
129.		Если r_x1x2 = 0 предполагается, что		факторы x₁ и х₂ независимы друг от друга	факторы x₁ и х₂ зависимы друг от друга	факторы у и х₂ зависимы друг от друга	факторы у₁ и х₂ независимы друг от друга	факторы у₁ и x₁ независимы друг от друга
130.		В уравнении у = а + b₁ x₁ + b₂ х₂ +ε предполагается, что r_x1x2 = 0, тогда можно говорить, что		параметр b₁ измеряет силу влияния фактора х₁, на результат у при неизменном значении фактора х₂	параметр b₁ измеряет силу влияния фактора х₁ на результат у при неизменном значении фактора x₁	параметр b₁ измеряет силу влияния фактора х₂ на результат у при неизменном значении фактора x₃	параметр b₂ измеряет силу влияния фактора х₁ на результат у при неизменном значении фактора x₁	параметр b₂ измеряет силу влияния фактора х₂ на результат у при неизменном значении фактора х₂
131.		Если r_x1x2 = 1, то		с изменением фактора x₁, фактор х₂ не может оставаться неизменным	с изменением фактора х₂, фактор х₂ не может оставаться неизменным	с изменением фактора х₂, фактор х₂ может оставаться неизменным	с изменением фактора х₂, фактор х₂ может меняться	с изменением фактора x₁, фактор х₂ может оставаться неизменным
132.		Если r_x1x2 = 1, то b₁ и b₂		нельзя интерпретировать как показатели раздельного влияния x₁ и х₂ на у	нельзя интерпретировать как показатели раздельного влияния x₁, и х₂ на А	можно интерпретировать как показатели раздельного влияния x₁ и х₂ на А	нельзя интерпретировать как показатели раздельного влияния x₁ и х₂ на на b₁ и b₂	можно интерпретировать как показатели раздельного влияния x₁ и х₂ на b₁ и b₂
133.		Включаемые во множественную регрессию факторы		должны объяснить вариацию независимой переменной	должны интерпретировать как показатели раздельного влияния x₁ и х₂ на А	должны объяснить показатели раздельного влияния x₁ и х₂ на А	должны интерпретировать b₁ и b₂ на А	должны объяснить вариацию зависимой переменной на А
134.		Если строится модель с набором р факторов, то для нее рассчитывается коэффициент детерминации R², который		фиксирует долю объясненной вариации результативного признака за счет рассматриваемых в регрессии р факторов	фиксирует долю влияния x₁ и х₂ на А	фиксирует долю объясненной вариации x₁ и х₂ в регрессии р факторов	фиксирует b₁ и b₂ на А в регрессии р факторов	фиксирует долю объясненной вариации влияния x₁ и х₂ на А за счет рассматриваемых в регрессии р факторов
135.		Влияние других, не учтенных в модели факторов, оценивается		как 1 - R² с соответствующей остаточной дисперсией S²	как 1 - R с соответствующей остаточной дисперсией S²	как 1 - F с соответствующей остаточной дисперсией S²	как 1 - А с соответствующей остаточной дисперсией S²	как 1 - е с соответствующей остаточной дисперсией S²
136.		При дополнительном включении в регрессию (р +1)-го фактора коэффициент детерминации должен		возрастать, а остаточная дисперсия уменьшаться	убывать, а остаточная дисперсия уменьшаться	интерпретировать как показатели раздельного влияния x₁ и х₂ на А	интерпретировать b₁ и b₂	объяснить вариацию зависимой переменной на А
137.		Насыщение модели лишними факторами не только не снижает величину остаточной дисперсии и не увеличивает показатель детерминации, но и приводит		к статистической незначимости параметров регрессии по t-критерию Стьюдента	к статистической значимости параметров регрессии по t-критерию Стьюдента	к статистической значимости параметров регрессии по е	к статистической незначимости е	к статистической остаточной дисперсией S
138.		Виды уравнений множественной регрессии:		линейные и нелинейные	линейные и регрессионные	линейные и коэффициентные	коэффициентные, линейные и нелинейные	регрессионные, линейные и нелинейные
139.		В линейной множественной регрессии у=а+b₁x₁+b₂х₂+...+b_рх_р параметры при х называются		коэффициентами «чистой» регрессии	коэффициентами «плохой» регрессии	коэффициентами «хорошей» регрессии	коэффициентами «прозрачной» регрессии	коэффициентами «нечистой» регрессии
140.		Коэффициенты «чистой» регрессии характеризуют		среднее изменение результата с изменением соответствующего фактора на единицу при неизмененном значении других факторов, закрепленных на среднем уровне	среднее изменение А с изменением соответствующего фактора на единицу при неизмененном значении других факторов, закрепленных на среднем уровне	среднее изменение е с изменением соответствующего фактора на единицу при неизмененном значении других факторов, закрепленных на среднем уровне	среднее изменение результата с изменением соответствующего е на единицу при неизмененном значении других факторов, закрепленных на среднем уровне	среднее изменение результата с изменением соответствующего А на единицу при неизмененном значении других факторов, закрепленных на среднем уровне
141.		Наиболее широкое применение получили следующие методы построения уравнения множественной регрессии:		-метод исключения; -метод включения; -шаговый регрессионный анализ	-метод исключения; -метод включения; - метод отсева	-метод исключения; -метод отсева -шаговый регрессионный анализ	-метод исключения; -метод отсева -метод отбора	-метод исключения; -метод отсева -прямой метод
142.		Метод исключения -		отсев факторов из полного его набора	отсев полного набора А	отсев факторов и е	отсев факторов из полного набора А	отсев регрессии из полного набора А
143.		Метод включения -		дополнительное введение фактора	дополнительное введение е	дополнительное введение фактора и е	дополнительное введение регрессии	дополнительное введение b₂х₂
144.		Шаговый регрессионный анализ -		исключение ранее введенного фактора	исключение фактора А	исключение ранее введенного b₂х₂	исключение е	исключение регрессии
145.		При отборе факторов рекомендуется пользоваться следующим правилом:		число включаемых факторов обычно в 6-7 раз меньше объема совокупности, по которой строится регрессия	число включаемых факторов обычно в 6-7 раз больше объема совокупности, по которой строится регрессия	число включаемых факторов обычно в 6-7 раз больше регрессии	число включаемых е обычно в 6-7 раз меньше объема совокупности, по которой строится регрессия	число включаемых е в 6-7 раз меньше объема совокупности, по которой строится регрессия
146.		Если число степеней свободы остаточной вариации очень мало, то		параметры уравнения регрессии оказываются статистически незначимыми, а F-критерий меньше табличного значения	параметры уравнения регрессии оказываются статистически значимыми, а F-критерий меньше табличного значения	параметры уравнения регрессии оказываются статистически незначимыми, а F-табличный меньше F -расчетного значения	параметры уравнения регрессии оказываются статистически незначимыми, а Т-табличный меньше F -расчетного значения	параметры уравнения оказываются статистически значимыми, а F-табличный меньше F -расчетного значения
147.		Мультиколлинеарность в эконометрике - это		наличие линейной зависимости между независимыми переменными (факторами) регрессионной модели	отсутствие линейной зависимости между независимыми переменными (факторами) регрессионной модели	отсутствие линейной зависимости между независимыми переменными	наличие слабой связи между независимыми переменными (факторами) регрессионной модели	наличие линейной зависимости между зависимыми переменными и е регрессионной модели
148.		Виды мультиколлинеарности:		полная коллинеарность и частичная	просто мультиколлинеарность и частичная	мультиколлинеарность полная, неполная и частичная	общая и частичная	полная, неполная и частичная
149.		Полная коллинеарность		означает наличие функциональной (тождественной) линейной зависимости между независимыми переменными регрессионной модели	означает наличие слабой связи линейной зависимости между независимыми переменными регрессионной модели	означает наличие функциональной связи между зависимыми переменными и е регрессионной модели	означает наличие функциональной связи между зависимыми переменными и факторами регрессионной модели	означает наличие связи между зависимыми переменными и е регрессионной модели
150.		Частичная (просто мультиколлинеарность)		означает наличие сильной корреляции между факторами	означает наличие слабой корреляции между факторами	означает наличие сильной связи между зависимыми переменными и е регрессионной модели	означает наличие слабой связи между зависимыми переменными и е регрессионной модели	означает наличие е
151.		Полная коллинеарность приводит к		неопределенности параметров в линейной регрессионной модели независимо от методов оценки	определенности параметров в регрессионной модели независимо от методов оценки	определенности корреляции в регрессионной модели независимо от методов оценки	неопределенности корреляции в регрессионной модели независимо от методов оценки	неопределенности F-критерий
152.		Проблема полной коллинеарности факторов решается на стадии		отбора переменных при моделировании и поэтому к проблеме качества эконометрических оценок параметров отношения не имеет	отбора е при моделировании и поэтому к проблеме качества эконометрических оценок параметров отношения не имеет	отбора е при моделировании	неопределенности параметров исходных данных	определенности F-критерий
153.		Если полная коллинеарность приводит к неопределенности значений параметров, то частичная мультиколлинеарность		приводит к неустойчивости их оценок	приводит к устойчивости их оценок	приводит к полной мультиколлинеарность	приводит к определенности F-критерий	приводит к потере исходных данных
154.		Неустойчивость оценок значений параметров выражается		в увеличении статистической неопределенности - дисперсии оценок	в уменьшении статистической неопределенности - дисперсии оценок	в увеличении определенности F	в увеличении статистической определенности а	в уменьшении дисперсии оценок
155.		Неустойчивость оценок значений параметров означает, что		конкретные результаты оценки могут сильно различаться для разных выборок, несмотря на то, что выборки однородны	конкретные результаты А могут сильно различаться для разных выборок, несмотря на то, что выборки однородны	конкретные результаты оценки должны быть однородны	конкретные результаты оценки могут быть равны е	конкретные результаты оценки должны быть равны е
156.		Косвенными признаками мультиколлинеарности являются		высокие стандартные ошибки оценок параметров модели, малые t-статистики (то есть незначимость коэффициентов), неправильные знаки оценок притом, что модель в целом признается статистически значимой (большое значение F-статистики)	низкие стандартные ошибки оценок параметров модели, большие е, правильные знаки оценок притом, что модель в целом признается статистически незначимой	низкие стандартные ошибки оценок параметров модели, большие t-статистики	высокие F-критерий и много исходных данных	высокие стандартные ошибки е и большое значение F-статистики
157.		О мультиколлинеарности может свидетельствовать		сильное изменение оценок параметров от добавления (или удаления) выборочных данных (если соблюдены требования достаточной однородности выборки)	слабое изменение оценок параметров от добавления (или удаления) выборочных данных (если соблюдены требования достаточной однородности выборки)	слабое изменение оценок параметров от добавления (или удаления) выборочных данных	сильное влияние фактора х₁ на оценок параметров от добавления выборочных данных	сильное влияние фактора х₁ на результат у при неизменном значении фактора x₃
158.		Для обнаружения мультиколлинеарности факторов можно		проанализировать непосредственно корреляционную матрицу факторов	проанализировать непосредственно МНК	проанализировать обратную матрицу факторов	проанализировать корреляцию с помощью МНК	проанализировать регрессию с помощью МНК
159.		Наличие больших по модулю (выше 0,7-0,8) значений коэффициентов парной корреляции между факторами свидетельствует		о возможных проблемах с качеством получаемых оценок	о возможных оценок с помощью МНК	о возможных проблемах МНК	о возможных оценок качества r_x1x2	о возможных влияниях фактора х₁ на результат у
160.		Применение … к факторам модели позволяет преобразовать исходные факторы и получить совокупность ортогональных (некоррелированных) факторов		метода главных компонент	метода МНК	метода главных героев	метода прочих компонент	метода возможных оценок
161.		Наличие мультиколлинеарности позволит		ограничится небольшим количеством главных компонент	ограничится большим количеством главных компонент	ограничится количеством прочих компонент	ограничится МНК	ограничится методом возможных оценок
162.		В линейных моделях коэффициенты корреляции между параметрами могут быть		положительными и отрицательными	положительными и прямыми	отрицательными и обратными	положительными и корреляционными	положительными и регрессионными
163.		При положительном коэффициенте корреляции увеличение одного параметра сопровождается		увеличением и другого параметра	увеличением е	уменьшением другого параметра	уменьшением е	увеличением А
164.		При отрицательном коэффициенте корреляции с повышением одного параметра		происходит снижение другого	происходит увеличение другого параметра	происходит увеличение е	происходит увеличение А	происходит снижение другого Е
165.		Виды мультиколлинеарности с учетом знаков коэффициента корреляции:		допустимая и недопустимая	допустимая и возможная	невозможная и недопустимая	допустимая и корреляционная	корреляционная и недопустимая
166.		Недопустимая мультиколлинеарность будет тогда, когда между факторами 1 и 2 существует		значительная положительная корреляция и при этом влияние каждого фактора на корреляционную связь с функцией у однонаправленное, то есть увеличение обоих факторов 1 и 2 ведёт к увеличению или снижению функции у: r_y1/ r_y2 > 0	незначительная положительная корреляция и при этом влияние каждого фактора на корреляционную связь с функцией у однонаправленное, то есть увеличение обоих факторов 1 и 2 ведёт к увеличению или снижению функции у: r_y1/ r_y2 > 1	незначительная отрицательная корреляция и при этом влияние каждого фактора на корреляционную связь с функцией у однонаправленное, то есть увеличение обоих факторов 1 и 2 ведёт к увеличению или снижению функции у: r_y1/ r_y2 > 1	незначительная отрицательная корреляция	незначительные отрицательная и положительная корреляции
167.		Недопустимая мультиколлинеарность будет тогда, когда		оба фактора действуют на функцию у одинаково и значительная положительная корреляция между ними может позволить исключить один из них	оба фактора не действуют на функцию у одинаково и незначительная положительная корреляция между ними может позволить исключить один из них	оба фактора не действуют на функцию у одинаково	оба фактора действуют на функцию у неодинаково	оба фактора не влияют на функцию у одинаково и значительная положительная корреляция между ними может не позволить исключить один из них
168.		Допустимая мультиколлинеарность такова, при которой		факторы действуют на функцию у неодинаково	факторы действуют на функцию у одинаково	факторы действуют на А неодинаково	факторы действуют на у и х₂ одинаково	факторы действуют на е неодинаково
169.		При наличии недопустимой мультиколлинеарности из двух факторов, связанных значительной корреляцией, исключается фактор на основании теоретических соображений. Если такой подход не даёт результата, то		исключается тот фактор, которому соответствует меньший коэффициент корреляции с функцией	исключается отклонение с функцией	исключается тот фактор, которому соответствует наибольший коэффициент корреляции с функцией	исключается А, которому соответствует наибольший коэффициент корреляции с х₂	исключается е, которому соответствует меньший коэффициент Э
170.		Последствия мультиколлинарности для оценок коэффициентов регрессии		1.Затрудняется интерпретация параметров множественной регрессии как характеристик действия факторов в «чистом» виде, ибо факторы коррелированы; параметры линейной регрессии теряют экономический смысл 2.Оценки параметров ненадежны, обнаруживают большие стандартные ошибки и меняются с изменением объема наблюдений (не только по величине, но и по знаку), что делает модель непригодной для анализа и прогнозирования	1.Расширяется интерпретация параметров множественной регрессии как характеристик действия факторов в «чистом» виде, ибо факторы коррелированы; параметры линейной регрессии теряют экономический смысл 2.Оценки параметров надежны, обнаруживают небольшие стандартные ошибки и неменяются с изменением объема наблюдений, что делает модель непригодной для анализа и прогнозирования	1.Расширяется интерпретация параметров множественной регрессии как характеристик действия факторов в «случайном» виде; параметры линейной регрессии теряют экономический смысл 2.Оценки параметров надежны, обнаруживают небольшие стандартные ошибки и неменяются с изменением объема наблюдений, что делает модель непригодной для анализа и прогнозирования	1.Затрудняется интерпретация параметров парной регрессии как характеристик действия факторов в «чистом» виде; параметры нелинейной регрессии теряют экономический смысл 2.Оценки параметров надежны, обнаруживают большие стандартные ошибки и меняются с изменением объема наблюдений, что делает модель непригодной для анализа и прогнозирования	1.Затрудняется интерпретация параметров парной регрессии 2.Оценки параметров надежны, обнаруживают большие стандартные ошибки
171.		При полной коллинеарности		нельзя использовать метод наименьших квадратов	нельзя использовать метод исключения и отсева	нельзя использовать шаговый регрессионный анализ, но можно использовать е	можно использовать метод наименьших квадратов	можно использовать е
172.		Некоторые наиболее характерные признаки мультиколлинеарности:		1.Небольшое изменение исходных данных (например, добавление новых наблюдений) приводит к существенному изменению оценок коэффициентов модели 2.Оценки имеют большие стандартные ошибки, малую значимость, в то время как модель в целом является значимой (высокое значение коэффициента детерминации R² и соответствующей F-статистики) 3.Оценки коэффициентов имеют неправильные с точки зрения теории знаки или неоправданно большие значения	1.Большое изменение исходных данных (например, добавление новых наблюдений) приводит к несущественному изменению оценок коэффициентов модели 2.Оценки имеют большие стандартные ошибки, малую значимость, в то время как модель в целом является значимой (высокое значение коэффициента детерминации R² и соответствующей F-статистики) 3.Оценки коэффициентов Э правильные с точки зрения теории знаки или неоправданно большие значения	1.Большое изменение исходных данных приводит к существенному изменению оценок коэффициентов Э 2.Оценки имеют большие стандартные ошибки, малую значимость, в то время как модель в целом является значимой 3.Оценки коэффициентов детерминации правильные с точки зрения теории знаки или неоправданно большие значения	1.Высокое значение коэффициента детерминации R² и соответствующей F-статистики) 2.Оценки R² и F 3.Оценки коэффициентов детерминации правильные с точки зрения теории знаки или неоправданно большие значения	1.Высокое значение коэффициента корреляции 2.Оценки Э 3.Оценки F
173.		Оценки параметров регрессии должны отвечать определенным критериям: они должны быть		несмещенными, состоятельными и эффективными	несмещенными, состоятельными и случайными	смещенными, состоятельными и случайными	смещенными, случайными и перемещенными	эффективными, случайными и перемещенными
174.		Несмещенность оценки параметров регрессии означает, что		математическое ожидание остатков равно 0	математическое ожидание остатков равно 1	математическое ожидание остатков равно 10	математическое ожидание остатков равно 100%	математическое ожидание остатков равно е
175.		Если оценки параметров регрессии обладают свойством несмещенности, то их можно		сравнивать по разным исследованиям	сравнивать по разным независимым переменным	сравнивать по разным зависимым переменным	сравнивать по разным источникам	сравнивать по разным исходным данным
176.		Оценки параметров регрессии считаются эффективными, если		они характеризуются наименьшей дисперсией	они характеризуются наибольшей дисперсией	они характеризуются наибольшей е	они характеризуются наименьшей регрессией	они характеризуются наименьшей корреляцией
177.		Состоятельность оценок параметров регрессии характеризует		увеличение их точности с увеличением объема выборки	уменьшение их точности с увеличением объема выборки	уменьшение их точности с увеличением F-критерий	увеличение их точности с увеличением е	увеличение их точности с увеличением А
178.		Несмещенность, состоятельность и эффективность обязательно учитываются		при разных способах оценивания	при разных F-критерий	при расчете А	при разных МНК	при разных способах расчета Э
179.		Метод наименьших квадратов строит оценки регрессии на основе		минимизации суммы квадратов остатков	минимизации суммы F	минимизации суммы МНК	минимизации суммы расчета Э	минимизации суммы t-статистики
180.		Условия, необходимые для получения несмещенных, состоятельных и эффективных оценок, представляют собой		предпосылки МНК, соблюдение которых желательно для получения достоверных результатов регрессии	предпосылки Э, соблюдение которых желательно для определения е	предпосылки t-статистики, соблюдение которых нежелательно для получения достоверных результатов регрессии	предпосылки х, соблюдение которых обязательно для получения достоверных результатов регрессии	предпосылки А, соблюдение которых обязательно для получения достоверных результатов регрессии