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: 16033 razy
W poprawnie zbudowanym modelu przyczynowo-opisowym”
Zmienne objaśniające powinny być jak w najmniejszym stopniu skorelowane między sobą
Zmienne objaśniające nie powinny być skorelowane ze zmienną objaśnianą
Powinna występować silna korelacja między zmiennymi objaśniającymi
Zmienne objaśniające powinny być jak w najmniejszym stopniu skorelowane między sobą
W poprawnie zbudowanym modelu przyczynowo-opisowym”
Zmienne objaśniające powinny być jak w najmniejszym stopniu skorelowane między sobą
Zmienne objaśniające nie powinny być skorelowane ze zmienną objaśnianą
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
Negatywnych, gdyż prowadzi do obniżenia efektywności estymatorów
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:
Wysokie skorelowanie zmiennych objaśniających
Współliniowość zmiennych objaśniających
Nie można nic powiedzieć o przyczynach takiego stanu rzeczy.
Wysokie skorelowanie zmiennych objaśniających
Współliniowość zmiennych objaśniających
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.
Zmienna objaśniająca w modelu przyczynowo-opisowym powinna:
Charakteryzować się dostatecznie dużą zmiennością czasową lub przestrzenno-czasową
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
Zmienna objaśniająca w modelu przyczynowo-opisowym powinna:
Charakteryzować się dostatecznie dużą zmiennością czasową lub przestrzenno-czasową
Być silnie skorelowana ze zmienną objaśnianą
Charakteryzować się małą zmiennością czasową lub przestrzenno-czasową, gdyż gwarantuje to lepsze dopasowanie modelu do danych rzeczywistych
Oszacowanie ex ante średniego błędu predykcji prognozy wyznaczonej w poprzednim sprawdzianie (10) wynosi (po zaokrągleniu do 4 miejsc po przecinki):
10,2019
1,1220
1,0555
1,0555
Oszacowanie ex ante średniego błędu predykcji prognozy wyznaczonej w poprzednim sprawdzianie (10) wynosi (po zaokrągleniu do 4 miejsc po przecinki):
10,2019
1,1220
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
W celu wyznaczenia tej prognozy zastosowano model przyczynowo-opisowy
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
Na podstawie tych informacji prognoza liczby telefonów na 1998r wynosi 135
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
W celu wyznaczenia tej prognozy zastosowano model przyczynowo-opisowy
Na podstawie tych informacji prognoza liczby telefonów na 1998r wynosi 135
Kryterium podziału modelu wielorównaniowych na modele proste, rekurencyjne i równaniach współzależnych jest:
Macierz B parametrów strukturalnych danego modelu stojących przy zmiennych łącznie współzależnych
Obie wymienione wyżej macierze
Macierz T parametrów strukturalnych danego modelu stojących przy zmiennych z góry ustalonych
Macierz B parametrów strukturalnych danego modelu stojących przy zmiennych łącznie współzależnych
Kryterium podziału modelu wielorównaniowych na modele proste, rekurencyjne i równaniach współzależnych jest:
Macierz B parametrów strukturalnych danego modelu stojących przy zmiennych łącznie współzależnych
Obie wymienione wyżej macierze
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
O równaniach współzależnych
Rekurencyjnym
Prostym
Rekurencyjnym
Jeżeli macierz B parametrów strukturalnych danego modelu wielorównaniowego stojących przy zmiennych łącznie współzależnych jest trójkątna to mamy do czynienia z modelem
O równaniach współzależnych
Rekurencyjnym
Prostym
Jeżeli macierz B parametrów strukturalnych danego modelu wielorównaniowego stojących przy zmiennych łącznie współzależnych jest diagonalna to mamy do czynienia z modelem
O równaniach współzależnych
Prostym
Rekurencyjnym
Prostym
Jeżeli macierz B parametrów strukturalnych danego modelu wielorównaniowego stojących przy zmiennych łącznie współzależnych jest diagonalna to mamy do czynienia z modelem
O równaniach współzależnych
Prostym
Rekurencyjnym
Predykcję łańcuchową stosujemy w przypadku wielorównaniowego modelu
Rekurencyjnego
O równaniach współzależnych
Prostego
Rekurencyjnego
Predykcję łańcuchową stosujemy w przypadku wielorównaniowego modelu
Rekurencyjnego
O równaniach współzależnych
Prostego
Modele adaptacyjne znajdują zastosowanie w prognozowaniu
Średnioterminowym
Krótkoterminowym
Długoterminowym
Krótkoterminowym
Modele adaptacyjne znajdują zastosowanie w prognozowaniu
Średnioterminowym
Krótkoterminowym
Długoterminowym
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
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
przy obliczaniu prognozy metodą średniej ruchomej ważonej wartościom zmiennej:
można przypisać różne wagi
nie przypisuje się wag
zawsze przypisuje się takie same wagi
można przypisać różne wagi
przy obliczaniu prognozy metodą średniej ruchomej ważonej wartościom zmiennej:
można przypisać różne wagi
nie przypisuje się wag
zawsze przypisuje się takie same wagi
metody naiwne znajdują zastosowanie w prognozowaniu
średnioterminowym
długoterminowym
krótkoterminowym
krótkoterminowym
metody naiwne znajdują zastosowanie w prognozowaniu
średnioterminowym
długoterminowym
krótkoterminowym
prognozę dla zmiennej wykazującej tendencję wzrostową (spadkową) o pewien procent c * 100, w metodzie naiwnej, obliczamy ze wzoru postaci:
ypt = (1+c)yn
ypt = yn + c
ypt = yn
ypt = (1+c)yn
prognozę dla zmiennej wykazującej tendencję wzrostową (spadkową) o pewien procent c * 100, w metodzie naiwnej, obliczamy ze wzoru postaci:
ypt = (1+c)yn
ypt = yn + c
ypt = yn
w metodzie wyrównywania wykładniczego wartość wygładzona (dla t>1) jest średnią ważoną:
Wartości rzeczywistej i poprzedniej wartości wygładzonej
Wartości rzeczywistej oraz poprzedniej wartości wygładzonej powiększonej o wygładzony przyrost
Wartość rzeczywistej i średniej ważonej kilku poprzednich wartości wygładzonych
Wartości rzeczywistej i poprzedniej wartości wygładzonej
w metodzie wyrównywania wykładniczego wartość wygładzona (dla t>1) jest średnią ważoną:
Wartości rzeczywistej i poprzedniej wartości wygładzonej
Wartości rzeczywistej oraz poprzedniej wartości wygładzonej powiększonej o wygładzony przyrost
Wartość rzeczywistej i średniej ważonej kilku poprzednich wartości wygładzonych
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
W przypadku zmiennej charakteryzującej się częstymi i nieregularnymi zmianami trendu stała wygładzania α w metodzie wyrównywania wykładniczego przyjmuje wartość bliską
Zeru
Jedności
1/2
Prognozę w metodzie wyrównywania wykładniczego obliczamy ze wzoru:
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)
ypt = y^n + h(y^n – y^n-1)
Prognozę w metodzie wyrównywania wykładniczego obliczamy ze wzoru:
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)^t-5
(1 – α)^5
α (1 – α)^5
α (1 – α)^5
w metodzie wyrównywania wykładniczego we wzorze na y^t role wagi przypisanej wartości rzeczywistej z okresu t-5 pełni wyrażenie
α(1 – α)^t-5
(1 – α)^5
α (1 – α)^5
metodę podwójnego wygładzania wykładniczego stosujemy w przypadku szeregów czasowych
z trendem nieliniowym
stacjonarnych
z trendem liniowym
z trendem liniowym
metodę podwójnego wygładzania wykładniczego stosujemy w przypadku szeregów czasowych
z trendem nieliniowym
stacjonarnych
z trendem liniowym
Memorizer.pl

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.

Wyłącz bloker reklam a następnie
Kliknij aby przeładować stronę
lub
Subskrybuj Memorizer+