Pytania i odpowiedzi (2 / 2)
PRG
51.
Składowa systematyczna w szeregu czasowym może wystąpić w postaci:
trendu, wahań sezonowych, wahań cyklicznych
52.
Z działaniem przyczyn głównych związane jest występowanie w szeregu czasowym prognozowanej zmiennej:
składowej periodycznej, stałego przeciętnego poziomu, składnika losowego
53.
Jeżeli każdy element szeregu czasowego można zapisać jako sumę składowych szeregu, to mamy do czynienia z modelem:
addytywnym
54.
Za paraboliczną postacią trendu przemawiają w miarę stałe:
drugie przyrosty absolutne o podstawie zmiennej badanego zjawiska
55.
Za wykładniczą postacią trendu przemawiają w miarę stałe:
przyrosty względne o podstawie zmiennej badanego zjawiska, indeksy łańcuchowe
56.
Za liniową postacią trendu przemawiają w miarę stałe:
przyrosty absolutne podstawie zmiennej badanego zjawiska
57.
Szereg czasowy przedstawia wartości pewnego zjawiska co kwartał. Na podstawie analizy graficznej jego przebiegu stwierdzamy, że co cztery kwartały wykazuje on podobne własności, zatem:
charakteryzuje się wahaniami o okresie 4 kwartałów, czyli okresie rocznym, charakteryzuje się cyklem rocznym
58.
Model trendów jednoimiennych okresów polega na
oszacowaniu parametrów funkcji trendu oddzielnie dla poszczególnych faz cyklu
59.
Do opisu szeregu czasowego zawierającego obserwacje z 24 kwartałów pewnej zmiennej wybrano ana-lizę harmoniczną, czyli:
należy oszacować parametry 12 harmonik, pierwsza harmonika ma okres 6 lat, szósta harmonika ma okres 1 roku
60.
Suma bezwzględnych wahań sezonowych (oczyszczonych):
zawsze jest równa 0
61.
Suma wskaźników sezonowości (oczyszczonych):
jest równa 4 w przypadku wahań kwartalnych
62.
Suma wskaźników sezonowości (oczyszczonych) w przypadku wahań miesięcznych:
jest równa 12, jest równa 1200%
63.
Suma oczyszczonych bezwzględnych wahań sezonowych (model addytywny) w przypadku wahań miesięcznych:
jest równa 0
64.
Modele adaptacyjne znajdują zastosowanie w prognozowaniu:
krótkoterminowym
65.
Metodę średnich ruchomych można stosować w przypadku szeregów czasowych:
bez trendu i bez wahań okresowych
66.
Przy obliczaniu prognozy metodą średniej ruchomej ważonej wartością zmiennej:
można przypisać różne wagi
67.
Metody naiwne znajdują zastosowanie w prognozowaniu:
krótkoterminowym
68.
W metodzie wyrównywania wykładniczego wartość wygładzona (dla t >1) jest średnią ważoną:
wartości rzeczywistej i poprzedniej wartości wygładzonej
69.
W przypadku zmiennej charakteryzującej się częstymi i nieregularnymi zmianami trendu stała wygładza-nia α w metodzie wyrównywania wykładniczego przyjmuje wartość bliską:
jedności
70.
10. Metodę podwójnego wygładzania wykładniczego stosujemy w przypadku szeregów czasowych:
z trendem liniowym
71.
W metodzie wyrównywania wykładniczo-autoregresyjnego wartość wygładzona (dla t >k) jest średnią ważoną:
wartości rzeczywistej i średniej ważonej kilku poprzednich wartości wygładzonych
72.
Etap wygładzania w metodzie wyrównywania wykładniczo-autoregresyjnego jest taki sam, jak w metodzie wyrównywania wykładniczego, gdy:
k=1, Beta1=1
73.
W metodzie Holta wartość wygładzona (dla t >1) jest średnią ważoną:
wartości rzeczywistej oraz poprzedniej wartości wygładzonej, o powiększonej o wygładzony przyrost
74.
Metoda trendu pełzającego znajduje zastosowanie w prognozowaniu:
krótkoterminowym
75.
Równań odcinkowych w metodzie trendu pełzającego z k = 7, dla szeregu czasowego zawierającego 14 okresów, możemy wyznaczyć:
8
76.
Wagi harmoniczne dają:
monotonicznie rosnące udziały dla informacji coraz bliższych ostatniemu wyrazowi badanego szeregu czasowego
77.
Błędy predykcji możemy oszacować ex ante w przypadku metody:
trendu pełzającego z wagami harmonicznymi
78.
Wykorzystując liniowy lub sprowadzalny do postaci liniowej model przyczynowo opisowy można:
ocenić siłę wpływu poszczególnych zmiennych na zmienną prognozowaną, oszacować ex ante błędów wyznaczonych na jego podstawie prognoz, na jego podstawie uzyskać prognozy wariantowe
79.
Wady modelu przyczynowo opisowego to:
problemy przy estymacji parametrów związane z możliwością wystąpienia zjawiska współli-niowości, potrzeba wyznaczenia wartości zmiennych objaśniających w okresie, w którym buduje się prognozy
80.
W celu wyboru postaci związku funkcyjnego f między zmienną objaśnianą a zmiennymi objaśniającymi przy budowie prognostycznego modelu przyczynowo opisowego możemy wykorzystać:
istniejącą teorię na temat prognozowanego zjawiska, analizę materiału statystycznego
81.
W poprawnie zbudowanym modelu przyczynowo opisowym:
zmienne objaśniające powinny być w jak najmniejszym stopniu skorelowane między sobą
82.
Przy szacowaniu parametrów modelu przyczynowo opisowego metodą MNK występowanie współliniowości zmiennych objaśniających jest zjawiskiem
negatywnym, gdyż prowadzi do obniżenia efektywności estymatorów
83.
Oszacowano pewien model przyczynowo opisowy i okazało się, że współczynnik determinacji jest „pra-wie” równy 1, ale jego parametry są statystycznie nieistotne. Przyczyną uzyskania takich wyników może być:
wysokie skorelowane zmiennych objaśniających, współliniowość zmiennych objaśniających
84.
Zmienna objaśniająca w modelu przyczynowo opisowym powinna:
charakteryzować się dostatecznie dużą zmiennością czasową lub przestrzenno czasową, charakteryzować się małą zmiennością czasową lub przestrzenno czasową, gdyż gwarantuje to lep-sze dopasowanie modelu do danych rzeczywistych
85.
Kryterium podziału modeli wielorównaniowych na modele proste, rekurencyjne i o równaniach współza-leżnych jest:
macierz B parametrów strukturalnych danego modelu stojących przy zmiennych łącznie współzależnych
86.
Jeśli macierz B parametrów strukturalnych danego modelu wielorównaniowego stojących przy zmiennych łącznie współzależnych jest diagonalna, to mamy do czynienia z modelem:
prostym
87.
Predykcję łańcuchową stosujemy w przypadku wielorównaniowego modelu:
rekurencyjnego