Testy Fiszki Notatki
Zaloguj  

Fiszki

Prognozowanie procesów ekonomicznych

Test w formie fiszek Pytania z podręcznika "Prognozowanie ekonomiczne, teoria przykłady zadania"
Ilość pytań: 108 Rozwiązywany: 15033 razy
W poprawnie zbudowanym modelu przyczynowo-opisowym”
Powinna występować silna korelacja między zmiennymi objaśniającymi
Zmienne objaśniające powinny być jak w najmniejszym stopniu skorelowane między sobą
Zmienne objaśniające nie powinny być skorelowane ze zmienną objaśnianą
Zmienne objaśniające powinny być jak w najmniejszym stopniu skorelowane między sobą
Przy szacowaniu parametrów modelu przyczynowo-opisowego metodą najmniejszych kwadratów występowanie współliniowości zmiennych objaśniających jest zjawiskiem:
Neutralnym dla tej metody estymacji
Pozytywnym, gdyż zazwyczaj otrzymujemy modele bardzo dobrze dopasowane do danych rzeczywistych
Negatywnych, gdyż prowadzi do obniżenia efektywności estymatorów
Negatywnych, gdyż prowadzi do obniżenia efektywności estymatorów
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:
Wysokie skorelowanie zmiennych objaśniających
Współliniowość zmiennych objaśniających
Nie można nic powiedzieć o przyczynach takiego stanu rzeczy.
Wysokie skorelowanie zmiennych objaśniających
Współliniowość zmiennych objaśniających
Zmienna objaśniająca w modelu przyczynowo-opisowym powinna:
Być silnie skorelowana ze zmienną objaśnianą
Charakteryzować się małą zmiennością czasową lub przestrzenno-czasową, gdyż gwarantuje to lepsze dopasowanie modelu do danych rzeczywistych
Charakteryzować się dostatecznie dużą zmiennością czasową lub przestrzenno-czasową
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):
1,1220
10,2019
1,0555
1,0555
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 1999r wynosi 138,6
Na podstawie tych informacji prognoza liczby telefonów na 1998r wynosi 135
W celu wyznaczenia tej prognozy zastosowano model przyczynowo-opisowy
Na podstawie tych informacji prognoza liczby telefonów na 1999r wynosi 138,6
Na podstawie tych informacji prognoza liczby telefonów na 1998r wynosi 135
W celu wyznaczenia tej prognozy zastosowano model przyczynowo-opisowy
Kryterium podziału modelu wielorównaniowych na modele proste, rekurencyjne i równaniach współzależnych jest:
Macierz B parametrów strukturalnych danego modelu stojących przy zmiennych łącznie współzależnych
Macierz T parametrów strukturalnych danego modelu stojących przy zmiennych z góry ustalonych
Obie wymienione wyżej macierze
Macierz B parametrów strukturalnych danego modelu stojących przy zmiennych łącznie współzależnych
Jeżeli macierz B parametrów strukturalnych danego modelu wielorównaniowego stojących przy zmiennych łącznie współzależnych jest trójkątna to mamy do czynienia z modelem
Prostym
O równaniach współzależnych
Rekurencyjnym
Rekurencyjnym
Jeżeli macierz B parametrów strukturalnych danego modelu wielorównaniowego stojących przy zmiennych łącznie współzależnych jest diagonalna to mamy do czynienia z modelem
Prostym
O równaniach współzależnych
Rekurencyjnym
Prostym
Predykcję łańcuchową stosujemy w przypadku wielorównaniowego modelu
O równaniach współzależnych
Prostego
Rekurencyjnego
Rekurencyjnego
Modele adaptacyjne znajdują zastosowanie w prognozowaniu
Krótkoterminowym
Długoterminowym
Średnioterminowym
Krótkoterminowym
Metodę średnich ruchomych można stosować w przypadku szeregów czasowych
Bez trendu i bez wahań okresowych
Bez trendu i z wahaniami okresowymi
Z trendem i bez wahań okresowych
Bez trendu i bez wahań okresowych
przy obliczaniu prognozy metodą średniej ruchomej ważonej wartościom zmiennej:
nie przypisuje się wag
zawsze przypisuje się takie same wagi
można przypisać różne wagi
można przypisać różne wagi
metody naiwne znajdują zastosowanie w prognozowaniu
długoterminowym
krótkoterminowym
średnioterminowym
krótkoterminowym
prognozę dla zmiennej wykazującej tendencję wzrostową (spadkową) o pewien procent c * 100, w metodzie naiwnej, obliczamy ze wzoru postaci:
ypt = yn
ypt = (1+c)yn
ypt = yn + c
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 i poprzedniej wartości wygładzonej
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
Zeru
Jedności
1/2
Jedności
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
ypt = y^n + h(y^n – y^n-1)
w metodzie wyrównywania wykładniczego we wzorze na y^t role wagi przypisanej wartości rzeczywistej z okresu t-5 pełni wyrażenie
α (1 – α)^5
α(1 – α)^t-5
(1 – α)^5
α (1 – α)^5
metodę podwójnego wygładzania wykładniczego stosujemy w przypadku szeregów czasowych
stacjonarnych
z trendem nieliniowym
z trendem liniowym
z trendem liniowym
Początek Pokaż poprzednie pytaniaPokaż kolejne pytania

Powiązane tematy

#ppg #uek #frodyma #prognozowanie

Inne tryby

Nauka Test Powtórzenie