ЗАЧЕТНЫЙ ТЕСТ. Статистические методы прогнозирования экономики Вариант 1

ЗАЧЕТНЫЙ ТЕСТ. Статистические методы прогнозирования экономики
Вариант 1

1.   При сглаживании временного ряда с помощью 5-членной скользящей средней теряются:
а)   только первые два значения временного ряда;
б)   только последние два значения временного ряда;
в)   два первых и два последних значения временного ряда;
г)   пять первых и пять последних значений временного ряда.

2.   Данные об изменении урожайности зерновых культур за 10 лет представлены в таблице.
Этот временной ряд сглаживается с помощью 5-членной скользящей средней.
Сглаженное значение третьего уровня ряда равно:
а)   14,6;
б)   20,5;
в)   9,3.

3.   Средний прирост используется для вычисления прогнозного значения в следующей точке, если:
а)   цепные абсолютные приросты примерно одинаковы;
б)   цепные темпы роста примерно одинаковы;
в)   базисные абсолютные приросты примерно одинаковы.

4.   Для ежеквартальной динамики процентной ставки банка оказалось, что значения цепных абсолютных приростов примерно одинаковы в течение 7 кварталов. Средний прирост составил   Рассчитать прогнозное значение процентной ставки банка в 8 квартале, если в 7 квартале она составила 9,2%. Прогноз равен:
а)   9,9%;
б)   8,8%;
в)   7,0%.

5.   На основе временного ряда месячной динамики производства бумаги в РФ (с января 1993 г. по июль 2004 г.) рассчитывается прогноз производства в сентябре 2004 г. Этот прогноз является:
а)   оперативным, поисковым;
б)   краткосрочным, поисковым;
в)   краткосрочным, нормативным.

6.   Дан временной ряд производства тканей в РФ.
Этот временной ряд является:
а)   моментным;
б)   интервальным;
в)   производным.

7.   По данным о производстве угля за 9 лет с 1990 г. по 1998 г. (t=l,2,...,9) были оценены параметры модели
Используя полученную модель, рассчитать интервальный прогноз угля в 1999 г., если дисперсия отклонений фактических значений от расчетных S2у = 9 (млн. тонн)2. Доверительную вероятность принять равной 0,9. (См. табл. 4.1 в курсе лекций). Нижняя граница прогноза равна:
а)   105,7;
б)   205,7;
в)   305,7.

8.   Для прогнозирования временного ряда численности промышленно-производственного персонала предприятия была выбрана модель . Оценка параметров модели проводилась для временного ряда длиной n=24. Значение критерия Дарбина-Уотсона d=0,9. Значение d указывает на то, что:
а)   модель адекватна реальному процессу по данному критерию;
б)   модель не адекватна реальному процессу по данному критерию;
в)   нет достаточных оснований для принятия решения об адекватности модели.

9.   Программа выдала следующие характеристики ряда остатков: длина ряда n=24; коэффициент асимметрии А=0,7; коэффициент эксцесса Э=-0,5. С помощью этих характеристик можно проверить гипотезу о:
а)   нормальном характере распределения ряда остатков;
б)   наличии автокорреляции в остатках;
в)   случайном характере ряда остатков.

10.   Тенденция изменения численности промышленно-производственного персонала предприятия за 10 лет с 1989 г. по 1998 г. (t=l,2, ... ,10) описывается показательной функцией
Из этой модели следует, что среднегодовой темп роста численности промышленно-производственного персонала предприятия составил:
а)   5,79%;
б)   102,6%;
в)   2,6%;
г)   26%.

11.   Для описания экономических процессов, имеющих предел роста (процессов «с насыщением»), могут использоваться следующие кривые роста:
а)   прямая;
б)   парабола;
в)   модифицированная экспонента.

12.   На основе годовых данных об изменении урожайности картофеля в регионе с 1989 г. по 1998 г. (t=l,2, ... ,10) были оценены коэффициенты линейного тренда:
Из этой модели следует, что среднегодовой прирост урожайности составляет:
а)   5,1 ц/га;
б)   180,5 ц/га;
в)   (180,5+5,1) ц/га.

13.   Критерий Дарбина-Уотсона служит для:
а)   проверки свойства случайности остаточной компоненты;
б)   проверки гипотезы о нормальном характере распределения ряда остатков;
в)   обнаружения автокорреляции в остатках.

14.   Какие модели способны учитывать различную информационную ценность уровней временного ряда:
а)   кривые роста;
б)   адаптивные модели прогнозирования;
в)   простые скользящие средние.

15.   Для временного ряда курса акций рассчитывалась экспоненциальная средняя при значении параметра адаптации =0,1 и экспонециальная средняя при значении параметра адаптации =0,5. Указать, какой ряд носит наиболее гладкий характер и меньше подвержен случайным колебаниям:
а)   исходный ряд;
б)   экспоненциальная средняя при =0,1;
в)   экспоненциальная средняя при =0,5.

16.   К достоинствам адаптивных методов прогнозирования относятся:
а)   возможность обрабатывать ряды с пропущенными значениями;
б)   способность учитывать различную информационную ценность уровней временного ряда;
в)   способность учитывать ошибку прогноза на предыдущем шаге.

17.   Представление уровней временного ряда в виде
yt=ut+st+t,
где ut – тренд;
st – сезонная компонента;
t – случайная компонента
соответствует:
а)   мультипликативной модели;
б)   аддитивной модели;
в)   модели смешанного типа.

18.   При прогнозировании остатков вкладов населения в банках прогноз этого показателя на начало июля 1995 г. составлял 47806 млрд. руб. Фактическое же значение оказалось равным 45416 млрд. руб. Рассчитать относительную ошибку прогнозирования по модулю. Ошибка равна:
а)   5,3%;
б)   15,8%;
в)   23%.

19.   Данные об изменении урожайности зерновых культур за 10 лет представлены в таблице.

Этот временной ряд сглаживается с помощью 5-членной скользящей средней.
Для временного ряда урожайности зерновых культур рассчитывается экспоненциальная средняя. В качестве начального значения экспоненциальной средней S0 берется среднее значение трех первых уровней. Параметр адаптации  равен 0,2. Значение экспоненциальной средней для первого уровня ряда равно:
а)   14,4 ц/га;
б)   20,3 ц/га;
в)   9,5 ц/га.

20.   Используя метод Фостера-Стюарта, установить с вероятностью 0,95 имеется ли тенденция в изменении курса акции промышленной компании. Наблюдаемое значение критерия tнабл=4,5; критическое значение tкp=2,093. Сделать вывод:
а)   тенденция присутствует;
б)   тенденция отсутствует.
в)   требуется использование более мощного критерия.