Тесты по темам модуля

(выбрать правильный ответ/ответы из 3-х предлагаемых)

Линейная РАР – модель со стационарными

коэффициентами задается выражением:

1.1 S_t = + H_t ;

1.2 S_t = ++ H_t ;

1.3 S_t = + H_t ;

2. Сезонный компонент помехи отражает:

2.1 повторяемость процессов во времени и состоит из

последовательности почти повторяющихся циклов;

2.2 плавное изменение процессов во времени;

2.3 плавное циклическое изменение процессов во времени.

3. Циклический компонент помехи отражает:

3.1 длительные периоды относительного подъема, которые меняются по амплитуде и протяженности;

3.2 длительные периоды относительного подъема и спада и состоит из циклов, которые меняются по амплитуде и

протяженности;

3.3 длительные периоды спада, которые меняются по

амплитуде и протяженности.

4. Стохастический компонент помехи описывается:

4.1 авторегрессионной моделью;

4.2 колебательной моделью;

4.3 моделью Гаусса-Маркова.

5. Модель парной линейной регрессии имеет вид:

5.1 S_t = a +bC_t + E_t , M(E_t) = 0, M(E_t E_{t - k})=s ² ;

5.2 S_t = a +bC_t + E_t , M(E_t) = 0, M(E_t E_{t - k})=s ² d _k ;

5.3 S_t = bC_t + E_t , M(E_t) = 0, M(E_t E_{t - k})=s ² d _k .

6. Модель множественной линейной регрессии имеет вид:

6.1 S_t= a + b₁C_t1 + b₂ S_t2 + … b_r C_tr + E_t;

6.2 S_t= a + b₁C_t1 + b₂ C_t2 + … b_r C_tr ;

6.3 S_t= a + b₁S_t1 + b₂ S_t2 + … b_r S_tr + E_t.

 

7. Модель стационарной авторегрессии имеет вид:

7.1 S_t = a S_t-1 + E_t, M(E_t) = 0, M(E_t E_{t - k})=s ² d _k;

7.2 S_t= a + b₁C_t1 + b₂ C_t2 + … b_r C_tr ;

7.3 S_t = a₁ S_t-1 +a₂ S_t-2 + E_t, M(E_t) = 0, M(E_t E_{t - k})=s ² d _k.

8. Cамым простым и надежным методом отражения

тенденций в стратегическом прогнозировании является:

8.1 линейный (полиномиальный) авторегрессионный анализ;

8.2 авторегрессионный анализ;

8.3 линейный (полиномиальный) регрессионный анализ.

10. Предикторами величины Y являются:

10.1 функции f(X), «близкие» по некоторой мере сравнения (сходства) к величине Y;

10.2 функции f(X), похожие на величину Y;

10.3 функция регрессии.

11. Регрессией нормально распределенных случайных

величин X и Y является функция:

11.1 r(x) = áyñ + (s_Y /s_X) r_XY (x – áxñ);

11.2 функции f(X), похожие на величину Y;

11.3 r(x) = áyñ + r_XY (x – áxñ).

12. Оптимальный стохастический прогноз задается функцией,

оптимизирующей:

12.1 r(x) = áyñ + (s_Y /s_X) r_XY (x – áxñ);

12.2 СКО = ò [y – f(x)]² Pr(yú x) dy;

12.3 СКО = ò [y – f(x)] Pr(yú x) dy.