Wyszukaj
Zaloguj / zarejestruj się
Jeśli masz już konto, możesz się zalogować.
Jeśli nie masz konta, zarejestruj nowe podając nazwę użytkownika, adres email i hasło.
Formularz kontaktowy
Memorizer+
Wykup dostęp
Ta funkcja jest dostępna dla użytkowników, którzy wykupili plan Memorizer+
Fiszki
Prognozowanie procesów ekonomicznych
Test w formie fiszek Pytania z podręcznika "Prognozowanie ekonomiczne, teoria przykłady zadania"
Ilość pytań: 108 Rozwiązywany: 16050 razy
W poprawnie zbudowanym modelu przyczynowo-opisowym”
Zmienne objaśniające nie powinny być skorelowane ze zmienną objaśnianą
Zmienne objaśniające powinny być jak w najmniejszym stopniu skorelowane między sobą
Powinna występować silna korelacja między zmiennymi objaśniającymi
Przy szacowaniu parametrów modelu przyczynowo-opisowego metodą najmniejszych kwadratów występowanie współliniowości zmiennych objaśniających jest zjawiskiem:
Negatywnych, gdyż prowadzi do obniżenia efektywności estymatorów
Pozytywnym, gdyż zazwyczaj otrzymujemy modele bardzo dobrze dopasowane do danych rzeczywistych
Neutralnym dla tej metody estymacji
Oszacowano pewien model przyczynowo-opisowy i okazało się ze spółczynnik determinacji jest „prawie” równy 1, ale jego parametry są statystycznie nieistotne. Przyczyną uzyskania takich wyników może być:
Współliniowość zmiennych objaśniających
Wysokie skorelowanie zmiennych objaśniających
Nie można nic powiedzieć o przyczynach takiego stanu rzeczy.
Zmienna objaśniająca w modelu przyczynowo-opisowym powinna:
Charakteryzować się małą zmiennością czasową lub przestrzenno-czasową, gdyż gwarantuje to lepsze dopasowanie modelu do danych rzeczywistych
Być silnie skorelowana ze zmienną objaśnianą
Charakteryzować się dostatecznie dużą zmiennością czasową lub przestrzenno-czasową
Oszacowanie ex ante średniego błędu predykcji prognozy wyznaczonej w poprzednim sprawdzianie (10) wynosi (po zaokrągleniu do 4 miejsc po przecinki):
1,0555
10,2019
1,1220
Na podstawie danych o kształtowaniu się liczby telefonów na 1000 mieszkańców w Polsce Yt (w tys. Szt) oraz liczby mieszkańców miast Polski Xt (w mln osób) w latach 1984-1997 oszacowano następujący model y^t = -147+12xt. ponadto liczbę mieszkańców miast Polski w latach 1984-1997 opisano modelem x^t = 19+0,3t
Na podstawie tych informacji prognoza liczby telefonów na 1998r wynosi 135
Na podstawie tych informacji prognoza liczby telefonów na 1999r wynosi 138,6
W celu wyznaczenia tej prognozy zastosowano model przyczynowo-opisowy
Kryterium podziału modelu wielorównaniowych na modele proste, rekurencyjne i równaniach współzależnych jest:
Obie wymienione wyżej macierze
Macierz B parametrów strukturalnych danego modelu stojących przy zmiennych łącznie współzależnych
Macierz T parametrów strukturalnych danego modelu stojących przy zmiennych z góry ustalonych
Jeżeli macierz B parametrów strukturalnych danego modelu wielorównaniowego stojących przy zmiennych łącznie współzależnych jest trójkątna to mamy do czynienia z modelem
Rekurencyjnym
O równaniach współzależnych
Prostym
Jeżeli macierz B parametrów strukturalnych danego modelu wielorównaniowego stojących przy zmiennych łącznie współzależnych jest diagonalna to mamy do czynienia z modelem
Prostym
Rekurencyjnym
O równaniach współzależnych
Predykcję łańcuchową stosujemy w przypadku wielorównaniowego modelu
Prostego
O równaniach współzależnych
Rekurencyjnego
Modele adaptacyjne znajdują zastosowanie w prognozowaniu
Długoterminowym
Krótkoterminowym
Średnioterminowym
Metodę średnich ruchomych można stosować w przypadku szeregów czasowych
Bez trendu i bez wahań okresowych
Z trendem i bez wahań okresowych
Bez trendu i z wahaniami okresowymi
przy obliczaniu prognozy metodą średniej ruchomej ważonej wartościom zmiennej:
zawsze przypisuje się takie same wagi
można przypisać różne wagi
nie przypisuje się wag
metody naiwne znajdują zastosowanie w prognozowaniu
krótkoterminowym
średnioterminowym
długoterminowym
prognozę dla zmiennej wykazującej tendencję wzrostową (spadkową) o pewien procent c * 100, w metodzie naiwnej, obliczamy ze wzoru postaci:
ypt = yn + c
ypt = yn
ypt = (1+c)yn
w metodzie wyrównywania wykładniczego wartość wygładzona (dla t>1) jest średnią ważoną:
Wartość rzeczywistej i średniej ważonej kilku poprzednich wartości wygładzonych
Wartości rzeczywistej oraz poprzedniej wartości wygładzonej powiększonej o wygładzony przyrost
Wartości rzeczywistej i poprzedniej wartości wygładzonej
W przypadku zmiennej charakteryzującej się częstymi i nieregularnymi zmianami trendu stała wygładzania α w metodzie wyrównywania wykładniczego przyjmuje wartość bliską
1/2
Jedności
Zeru
Prognozę w metodzie wyrównywania wykładniczego obliczamy ze wzoru:
ypt = y^n + h(y^n – y^n-1)
ypt = y^n + h[δ0(y^n – y^n-1)+…+ δt(y^n-t – y^n-t)]
ypt = y^n + hcn
w metodzie wyrównywania wykładniczego we wzorze na y^t role wagi przypisanej wartości rzeczywistej z okresu t-5 pełni wyrażenie
(1 – α)^5
α (1 – α)^5
α(1 – α)^t-5
metodę podwójnego wygładzania wykładniczego stosujemy w przypadku szeregów czasowych
z trendem liniowym
stacjonarnych
z trendem nieliniowym
Cześć!
Wykryliśmy, że blokujesz reklamy na naszej stronie.
Reklamy, jak zapewne wiesz, pozwalają na utrzymanie i rozwój serwisu. W związku z tym prosimy Cię o ich odblokowanie by móc kontynuować naukę.