econometrics.json

[{"question":"Kura no šīm definīcijām ir vispiemērotākā 99% ticamības intervāla definīcija?","choices":["99 % gadījumu atkārtotos paraugos intervāls satur parametra patieso vērtību.","99% gadījumu atkārtotās izlasēs intervāls saturētu parametra aplēsto vērtību","99% gadījumu atkārtotās izlasēs nulles hipotēze tiks noraidīta","99 % gadījumu atkārtotās izlasēs nulles hipotēze netiks noraidīta, ja tā bija nepatiesa."],"answer":0},{"question":"Kāda ir galvenā atšķirība starp Dikija Fullera (DF) un Filipsa-Perona (PP) pieeju vienības saknes pārbaudei?","choices":["ADF ir viena vienādojuma pieeja vienības saknes pārbaudei, bet PP ir sistēmiska pieeja.","PP testi apvērš DF nulles un alternatīvo hipotēzi tā, ka pastāv stacionaritāte saskaņā ar PP testa nulles hipotēzi.","PP testā ir iekļauta automātiska korekcija autokorelācijas atlikumiem testa regresijā.","PP testiem ir laba jauda mazās izlasēs, bet DF testiem nav."],"answer":2},{"question":"Ja praksē pastāv sviras efekts, kāda būtu ziņu ietekmes līknes forma modelim, kas ņemtu vērā šo sviras efektu?","choices":["Tā pieaugtu ātrāk negatīvu traucējumu gadījumā nekā pozitīvu tāda paša lieluma traucējumu gadījumā.","Tā būtu simetriska ap nulli","Negatīvu traucējumu gadījumā tā pieaugtu lēnāk nekā tāda paša lieluma pozitīvu traucējumu gadījumā.","Visiem pozitīviem traucējumiem tā būtu nulle"],"answer":0},{"question":"Kurš no šiem apgalvojumiem par lineāro varbūtības modeli ir nepatiess?","choices":["Šajā modelī nav nekā, kas nodrošinātu, ka aprēķinātās varbūtības atrodas starp nulli un vieninieku.","Pat ja varbūtības ir nogrieztas pie nulles un vienības, iespējams, būs daudz novērojumu, kuru varbūtība ir vai nu tieši nulle, vai tieši viens.","Kļūdas locekļi būs heteroskedastiski un nebūs normāli sadalīti","Šo modeli ir daudz grūtāk novērtēt nekā standarta regresijas modeli ar nepārtrauktu atkarīgo mainīgo."],"answer":3},{"question":"Kurš no šiem apgalvojumiem par regresijas populāciju un izlasi ir nepatiess?","choices":["Populācija ir visu interesējošo objektu kopums","Populācija var būt bezgalīga","Teorētiski izlase var būt lielāka par populāciju","Nejaušības izlase ir tāda izlase, kurā katra atsevišķa vienība no populācijas ar vienādu varbūtību tiek izvēlēta."],"answer":2},{"question":"Kurš no šiem apgalvojumiem ir NEPAREIZĪGS attiecībā uz Box-Pierce Q un Ljung-Box Q* statistikas salīdzinājumu laika rindu lineārās atkarības gadījumā?","choices":["Asimptotiski abu testa statistiku vērtības būs vienādas.","Q testam ir labākas īpašības mazās izlases gadījumā nekā Q*.","Q tests dažreiz ir pārāk liels mazām izlasēm.","Izlases lielumam tuvojoties bezgalībai, abiem testiem būs tendence vienmēr noraidīt nulles hipotēzi par nulles autokorelācijas koeficientiem."],"answer":1},{"question":"Parsimensionāls modelis ir tāds, kas","choices":["ietver pārāk daudz mainīgo","ietver pēc iespējas mazāk mainīgo, lai izskaidrotu datus","ir labi noteikts modelis","ir nepareizi noteikts modelis"],"answer":0},{"question":"Kurš no šiem aspektiem NAV nepārtraukti salikto peļņu (t. i., logaritmisko peļņu) raksturojošs?","choices":["Tās var interpretēt kā nepārtraukti saliktas cenu izmaiņas","Tās var saskaitīt laika gaitā, lai iegūtu peļņu par ilgākiem laika periodiem","Tās var saskaitīt aktīvu portfelim, lai iegūtu portfeļa peļņu.","Parasti tie ir \"trekno astes\" (fat-tailed-tailed)"],"answer":2},{"question":"Kuras no šādām finanšu aktīvu atdeves laikrindu iezīmēm varētu atspoguļot, izmantojot standarta GARCH(1,1) modeli?\n\ni) peļņas sadalījuma \"treknās astes\n\n\nii) Sviras efekts\n\n\niii) svārstīguma grupēšana\n\n\niv) Svārstīgums, kas ietekmē peļņu","choices":["(tikai ii) un iv) apakšpunkts","(tikai i) un iii) apakšpunkts","(i), (ii) un (iii) tikai","(i), ii), iii) un iv)"],"answer":1},{"question":"Aplūkojiet GARCH-M modeļa novērtēšanu. Ja izmantotie dati ir korporatīvo obligāciju procentuālās dienas peļņas laika rinda, kuru no turpmāk minētajām vērtībām jūs sagaidītu, ka GARCH-in-mean parametra aplēses vērtība būs šāda?","choices":["Mazāka par -1","Starp -1 un 0","Starp 0 un 1","Lielāks par 1"],"answer":2},{"question":"Kurā no turpmāk minētajām situācijām priekšroka būtu dodama bootstrapping, nevis tīrai simulācijai?\n\ni) Ja ir vēlams, lai eksperimenta datu sadalījuma īpašības būtu šādas\n\nir tādi paši kā dažiem faktiskajiem datiem\n\n\nii) Ja ir vēlams, lai eksperimenta datu sadalījuma īpašības.\n\nir precīzi zināmi\n\n\niii) Ja faktisko datu sadalījuma īpašības nav zināmas.\n\n\niv) ja pieejamo faktisko datu izlase ir ļoti maza.","choices":["(tikai ii) un iv) apakšpunktā","(tikai i) un iii)","(i), (ii) un (iv) tikai","(i), (ii), (iii) un (iv)"],"answer":1},{"question":"Kuras no turpmāk minētajām situācijām var būt sekas viena vai vairāku CLRM pieņēmumu pārkāpšanai?\n\ni) koeficientu aplēses nav optimālas.\n\n\nii) Standartkļūdas aplēses nav optimālas\n\n\niii) testa statistikai pieņemtie sadalījumi ir neatbilstoši.\n\n\niv) secinājumi par atkarīgo faktoru savstarpējo attiecību stiprumu\n\nun neatkarīgie mainīgie var būt nederīgi.","choices":["(tikai ii) un iv) apakšpunkts","(i) un (iii) tikai","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":3},{"question":"Kurš no šiem apgalvojumiem ir patiess attiecībā uz prognozēšanu ekonometrijā?","choices":["Prognozes var veikt tikai laika rindu datiem","Nepareizi definēti modeļi noteikti radīs neprecīzas prognozes","Strukturālās prognozes ir vienkāršāk izstrādāt nekā laika rindu modeļu prognozes","Parauga iekšējās prognozes spēja ir vājš modeļa atbilstības tests"],"answer":3},{"question":"Pacf ir nepieciešams, lai nošķirtu","choices":["AR un MA modeli","AR un ARMA modeli","MA un ARMA modeli","Dažādi ARMA saimes modeļi"],"answer":1},{"question":"Kura no šīm pazīmēm norāda uz negatīvu atlikuma autokorelāciju?","choices":["ciklisks modelis atlikumos","Atlikumu mainīgs modelis","pilnīga nejaušība atlikumos","Atlikumi, kas visi ir tuvi nullei"],"answer":1},{"question":"Kurš no šiem apgalvojumiem ir patiess attiecībā uz ARCH(q) un GARCH(1,1) modeļu salīdzinājumu?\n\ni) ARCH(q) modelis, visticamāk, ir vienkāršākais.\n\n\nii) ARCH(q) modelim ir lielāka iespējamība, ka tiks pārkāpti nenegativitātes ierobežojumi.\n\n\niii) ARCH(q) modelī var pieļaut bezgalīgi daudz iepriekšējo kvadrāta atpalicību.\n\natgriešanās ietekmē pašreizējo nosacīto dispersiju\n\n\niv) GARCH(1,1) modelis parasti ir pietiekams, lai aptvertu visu atkarību.\n\nnosacītajā dispersijā","choices":["(ii) un (iv) tikai","(tikai i) un iii)","(i), ii) un iii) tikai","(i), ii), iii) un iv)"],"answer":0},{"question":"Kurš no šiem apgalvojumiem ir patiess attiecībā uz trīsstūrveida vai rekursīvo sistēmu?\n\ni) Parametrus var ticami novērtēt, izmantojot atsevišķus OLS lietojumus, lai\n\nkatrs vienādojums\n\n\nii) Neatkarīgie mainīgie var būt korelēti ar kļūdas lielumiem citos mainīgajos lielumos.\n\nvienādojumi\n\n\niii) Piemērojot 2SLS, tiktu iegūti neobjektīvi, bet neefektīvi parametru novērtējumi.\n\n\niv) Neatkarīgie mainīgie var būt korelēti ar vienādojumu kļūdas lielumiem.\n\nkurā tie parādās kā neatkarīgie mainīgie","choices":["(ii) un (iv) tikai","(tikai i) un iii)","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":2},{"question":"Kurš no šiem apgalvojumiem vislabāk raksturo regresijas līnijas algebrisko attēlojumu?","choices":["\\hat{y}_t = \\hat{\\alpha} + \\hat{\\beta}x_t + \\hat{u}_t","\\hat{y}_t = \\hat{\\alpha} + \\hat{\\beta}x_t","\\hat{y}_t = \\hat{\\alpha} + \\hat{\\beta}x_t + u_t","y_t = \\hat{\\alpha} + \\hat{\\beta}x_t + \\hat{u}_t"],"answer":1},{"question":"Kādi ir $\\hat{u}^t \\hat{u} izmēri?","choices":["T x k","T x 1","k x 1","1 x 1"],"answer":3},{"question":"MA procesa raksturīgās saknes\n\n$y_t = -3u_{t-1} + u_{t-2} + u_t$\n\nir","choices":["1 un 2","1 un 0,5","2 un -0,5","1 un -3"],"answer":1},{"question":"Kurš no šiem formulējumiem ir ekvivalents izteiciens, lai pateiktu, ka skaidrojošais mainīgais ir \"nestehastisks\"?","choices":["Skaidrojošais mainīgais ir daļēji nejaušs","Skaidrojošais mainīgais ir fiksēts atkārtotās izlasēs","Skaidrojošais mainīgais ir korelēts ar kļūdām","Skaidrojošajam mainīgajam vienmēr ir vērtība viens"],"answer":1},{"question":"Pieņemsim, ka Durbina Vatsona tests tiek piemērots regresijai, kurā ir divi skaidrojošie mainīgie un konstante ar 50 datu punktiem. Testa statistiskā vērtība ir 1,53. Kāds ir atbilstošais secinājums?","choices":["Reziduāli rezultāti šķiet pozitīvi autokorelēti.","Reziduāli šķiet negatīvi autokorelēti.","Izskatās, ka atlikumi nav autokorelēti.","Testa rezultāts ir nepārliecinošs"],"answer":3},{"question":"Ja OLS tiek izmantots autokorelācijas klātbūtnē, kuras no šādām iespējamām sekām būs?\n\ni) Koeficientu aplēses var būt maldinošas\n\n\nii) Hipotēžu pārbaudēs var tikt izdarīti nepareizi secinājumi.\n\n\niii) prognozes, kas iegūtas, izmantojot modeli, var būt neobjektīvas.\n\n\niv) Standarta kļūdas var būt nepiemērotas","choices":["(tikai ii) un iv) apakšpunkts","(tikai i) un iii)","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":0},{"question":"Kādas būs OLS aplēses īpašības multikolinearitātes gadījumā?","choices":["Tas būs konsekvents, objektīvs un efektīvs","Tas būs konsekvents un objektīvs, bet neefektīvs","Tas būs konsekvents, bet ne objektīvs","Tas nebūs konsekvents"],"answer":0},{"question":"Kurš no turpmāk minētajiem faktoriem NAV nestacionāru datu izmantošanas sekas līmeņu formā?","choices":["Regresijas $R^2$ var būt nepareizi augsts.","Testa statistika var neatbilst standarta sadalījumam","Statistiskie secinājumi var būt nederīgi","Parametru aplēses var būt neobjektīvas"],"answer":3},{"question":"Ja virknei y seko nejaušs gājiens, kāda ir optimālā y prognoze vienam solim uz priekšu?","choices":["Pašreizējā y vērtība","Nulle","Viens","Vidējā y vērtība izlases periodā"],"answer":0},{"question":"Pasūtījuma nosacījums ir","choices":["Nepieciešams un pietiekams nosacījums identifikācijai","Nepieciešams, bet nepietiekams nosacījums identifikācijai","pietiekams, bet ne nepieciešams nosacījums identifikācijai","Nosacījums, kas nav ne nepieciešams, ne pietiekams identifikācijai"],"answer":1},{"question":"Ja tiek apgalvots, ka aplēsēm ir minimāla dispersija, kurš no šiem apgalvojumiem NAV implicēts?","choices":["Ir samazināta varbūtība, ka aplēse ir ļoti tālu no tās patiesās vērtības.","Aplēse ir efektīva","Šādu aplēsi varētu saukt par \"labāko\".","Šāds aplēse vienmēr būs objektīvs"],"answer":3},{"question":"Kuras no šīm metodēm ir Dikija-Fullera\/Engla-Grangera kointegrācijas testēšanas un kointegrācijas attiecību modelēšanas metodes trūkumi?\n\ni) var novērtēt tikai vienu kointegrējošo sakarību.\n\nii) Īpaši maziem paraugiem. Pastāv liela iespēja, ka testi liecina, ka mainīgie nav kointegrēti, ja tie ir.\n\niii) Nav iespējams izdarīt secinājumus par kointegrējošo regresiju.\n\niv) Procedūra liek pētniekam precizēt, kurš ir atkarīgais mainīgais un kuri ir neatkarīgie mainīgie.","choices":["(tikai ii) un iv) apakšpunkts","(tikai i) un iii)","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":3},{"question":"Kurš no šiem apgalvojumiem ir patiess attiecībā uz populācijas regresijas funkciju (PRF) un izlases regresijas funkciju (SRF)?","choices":["PRF ir novērtētais modelis","PRF izmanto, lai secinātu iespējamās SRF vērtības","To, vai modelis ir labs, var noteikt, salīdzinot SRF un PRF","PRF ir procesa apraksts, kas, domājams, rada datus."],"answer":3},{"question":"Kurš no turpmāk minētajiem trūkumiem ir trūkums, kas piemīt no vispārīgā uz specifisko jeb \"LSE\" (\"Hendry\") pieejas ekonometrisko modeļu veidošanā salīdzinājumā ar no specifiskā uz vispārējo pieeju?","choices":["Pirmajā posmā var izslēgt dažus mainīgos lielumus, kas rada koeficientu novirzes.","galīgajam modelim var trūkt teorētiskas interpretācijas","galīgais modelis var būt statistiski neatbilstošs","Ja sākotnējais modelis ir nepareizi noteikts, visi turpmākie posmi būs nederīgi."],"answer":1},{"question":"Kurš no šiem apgalvojumiem ir patiess attiecībā uz maksimālās ticamības (ML) novērtēšanu GARCH modeļu kontekstā?\n\ni) maksimālās ticamības aplēsē izvēlas parametru vērtības, kas maksimizē maksimālo ticamību.\n\nvarbūtība, ka mēs faktiski būtu novērojuši sērijas y vērtības, ko mēs\n\npatiesībā tā arī bija.\n\n\nii) GARCH modeļus var novērtēt tikai ar ML, nevis ar OLS.\n\n\niii) Standarta lineārā modeļa (bez GARCH) novērtēšanai OLS un ML\n\nslīpuma un pārtveršanas parametru aplēses būs identiskas, bet aplēses\n\ntraucējumu dispersijai ir nedaudz atšķirīga.\n\n\niv) Lielākā daļa datoru paku izmanto skaitliskās procedūras GARCH modeļu novērtēšanai.\n\nnevis analītisku formulu kopums","choices":["(ii) un (iv) tikai","(tikai i) un iii)","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":3},{"question":"Kuru no turpmāk minētajām iespējamām kļūdām var iegūt, ja regresijas vienādojuma labajā pusē iekļauj attiecīgās atkarīgā mainīgā lieluma novēlotās vērtības?","choices":["neobjektīvi, bet konsekventi koeficientu novērtējumi","neobjektīvi un nekonsekventi koeficientu novērtējumi","Neobjektīvi, bet nekonsekventi koeficientu novērtējumi","Neobjektīvi un konsekventi, bet neefektīvi koeficientu novērtējumi."],"answer":0},{"question":"Kurš no turpmāk minētajiem faktoriem, visticamāk, radīs relatīvi augstu ārpus izlases prognozes precizitāti?","choices":["uz finanšu teoriju balstīts modelis","Modelis, kas satur daudz mainīgo","Modelis, kura atkarīgais mainīgais nesen ir piedzīvojis strukturālas pārmaiņas","Modelis, kas pēc būtības ir pilnībā statistisks un kurā nav iespējams veikt prognožu novērtējuma izmaiņas."],"answer":0},{"question":"Kuras no turpmāk minētajām pieejām ir ticamas, lai risinātu atlikušās autokorelācijas problēmu?\n\ni) Veikt katra mainīgā lieluma logaritmus.\n\nii) Regresijas vienādojumam pievieno mainīgo lielumu novēlotās vērtības.\n\niii) Izmantojiet fiktīvos mainīgos, lai novērstu novirzītos novērojumus.\n\niv) Izmēģiniet modeli pirmajā diferencētajā formā, nevis līmeņos.","choices":["(ii) un (iv) tikai","(i) un (iii) tikai","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":0},{"question":"Lai autoregresijas procesu uzskatītu par stacionāru","choices":["visiem raksturīgā vienādojuma saknēm jāatrodas vienības apļa iekšpusē","visām raksturīgā vienādojuma saknēm jāatrodas uz vienības apļa","visām raksturīgā vienādojuma saknēm jāatrodas ārpus vienības apļa.","visām raksturīgā vienādojuma saknēm absolūtā vērtība ir mazāka par 1"],"answer":2},{"question":"Kurš no šiem apgalvojumiem ir patiess attiecībā uz informācijas kritērijiem?\n\n(i) koriģētais R kvadrāts ir informācijas kritērijs.\n\n(ii) Ja, pievienojot papildu locekli, samazinās atlikušo kvadrātu summa, samazināsies informācijas kritērija vērtība.\n\n(iii) Akaike informācijas kritērijs vienmēr noved pie modeļu secībām, kas ir vismaz tikpat lielas kā Švarca informācijas kritērija secības.\n\n(iv) Akaike informācijas kritērijs ir konsekvents.","choices":["tikai (ii) un (iv)","(tikai i) un iii)","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":1},{"question":"\"Iekšējā transformācija\" ietver","choices":["Ņem mainīgo vidējās vērtības","katras vienības vidējās vērtības atņemšana no katra novērojuma par šo vienību.","Paneļa datu modeļa novērtēšana, izmantojot mazāko kvadrātu fiktīvos mainīgos","Izmantojot gan laika, gan šķērsgriezuma fiktīvos rādītājus paneļa fiksēto efektu modelī"],"answer":1},{"question":"Dikija-Fullera testa regresijas \"paplašināšanas\" mērķis ir","choices":["nodrošināt, ka testa regresijas atlikumos nav heteroskedasticitātes.","Nodrošināt, ka testa regresijas atlikumi ir normāli sadalīti.","nodrošināt, ka testa regresijas atlikumos nav autokorelācijas.","nodrošināt, ka ir ņemta vērā visa nestacionaritāte."],"answer":2},{"question":"Ja virknei y seko nejaušs gājiens ar dreifu b, kāda ir optimālā y izmaiņu prognoze uz vienu soli uz priekšu?","choices":["Pašreizējā y vērtība","Nulle","Viens","Vidējā y izmaiņu vērtība parauga perioda laikā"],"answer":3},{"question":"Kuras no turpmāk minētajām pieejām ir ticamas, lai risinātu ar modeli, kas uzrāda heteroskedasticitāti?\n\ni) Veikt katra mainīgā lieluma logaritmus.\n\nii) Izmantojiet atbilstoši modificētas standarta kļūdas\n\niii) izmantot vispārinātu mazāko kvadrātu procedūru\n\niv) Regresijas vienādojumam pievieno mainīgo lielumu novēlotās vērtības.","choices":["(tikai ii) un iv)","(i) un (iii) tikai","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":2},{"question":"Kurš no šiem apgalvojumiem ir patiess attiecībā uz GARCH modeļa novērtējuma standartizētajiem atlikumiem (atlikumi dalīti ar to attiecīgajām nosacītajām standartnovirzēm)?\n\ni) tiek pieņemts, ka tie ir normāli sadalīti.\n\n\nii) To kvadrāti būs saistīti ar to novēlotajām kvadrātvērtībām, ja GARCH modelis ir\n\natbilstošs\n\n\niii) Praksē tām, visticamāk, būs treknas astes.\n\n\niv) Ja GARCH modelis ir atbilstošs, standartizētie atlikumi un neapstrādātie atlikumi\n\nbūs identiski","choices":["(tikai ii) un iv) apakšpunktā","(tikai i) un iii)","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":1},{"question":"Kurš no šiem apgalvojumiem ir patiess attiecībā uz VAR?","choices":["Koeficientu aplēsēm ir intuitīva teorētiska interpretācija","Koeficientu aplēsēm parasti ir viena un tā pati zīme visiem konkrētā mainīgā lieluma nobīdēm konkrētajā vienādojumā.","VAR bieži dod labākas prognozes nekā vienlaicīgu vienādojumu strukturālie modeļi","Visiem VAR komponentiem jābūt stacionāriem, pirms tos var izmantot prognozēšanai"],"answer":2},{"question":"Kurš no šiem apgalvojumiem par klasisko hipotēžu pārbaudes sistēmu ir NEPAREIZĪGS?","choices":["Ja nulles hipotēze tiek noraidīta, alternatīvā hipotēze tiek pieņemta.","nulles hipotēze ir pārbaudāmais apgalvojums, bet alternatīva ietver pārējos interesējošos rezultātus.","Izmantojot nozīmīguma testa un ticamības intervāla pieeju, vienmēr tiks izdarīti vienādi secinājumi.","Hipotēžu testus izmanto, lai izdarītu secinājumus par populācijas parametriem."],"answer":0},{"question":"ARMA(p,q) (p, q ir veseli skaitļi, kas lielāki par nulli) modelim būs šādas īpašības","choices":["acf un pacf, kas abi samazinās ģeometriski","acf, kas samazinās ģeometriski, un pacf, kas ir nulle pēc p nobīdēm","acf, kas samazinās ģeometriski, un pacf, kas ir nulle pēc q nobīdēm","acf, kas ir nulle pēc p nobīdes, un pacf, kas ir nulle pēc q nobīdes"],"answer":0},{"question":"Pieņemsim, ka, izmantojot 27 ceturkšņa novērojumus, tiek novērtēta šāda regresija:\n\n$y_t = \\beta_1 + \\beta_2 x_2 + \\beta_3 x_{3t} + u_t$\n\nKāda ir atbilstošā kritiskā vērtība divpusējam 5% lieluma testam $H_0: \\beta_3 = 1$?","choices":["1.64","1.71","2.06","1.96"],"answer":2},{"question":"Pieņemsim, ka divi pētnieki, izmantojot vienus un tos pašus trīs mainīgos lielumus un vienus un tos pašus 250 novērojumus par katru mainīgo lielumu, novērtē VAR. Viens novērtē VAR(6), bet otrs - VAR(4). Atlikumu dispersijas-kovariācijas matricu determinanti katrai VAR ir attiecīgi 0,0036 un 0,0049. Kādas ir testa statistikas vērtības, lai pārbaudītu, vai VAR(6) var ierobežot līdz VAR(4)?","choices":["77.07","0.31","0.33","4.87"],"answer":0},{"question":"Kurš no šiem aspektiem ir NEPIEMĒROJUMS, ja izmanto tikai laika rindu modeļus (salīdzinājumā ar strukturālajiem modeļiem)?","choices":["Tie nav teorētiski pamatoti","Ar tiem nevar viegli izstrādāt prognozes","Tos nevar izmantot ļoti biežiem datiem","Ir grūti noteikt piemērotus skaidrojošos mainīgos, ko izmantot tīros laikrindu modeļos."],"answer":0},{"question":"Kurš no šiem nosaukumiem ir alternatīvi nosaukumi atkarīgajam mainīgajam (parasti apzīmēts ar y) lineārās regresijas analīzē?\n\n(i) regresors\n\n(ii) regresors\n\n(iii) izskaidrotais mainīgais lielums\n\n(iv) skaidrojošais mainīgais","choices":["(tikai ii) un iv) punktā","(i) un (iii) tikai","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":1},{"question":"Kuras no turpmāk minētajām priekšrocībām ir VAR pieejas priekšrocība, modelējot attiecības starp mainīgajiem, salīdzinājumā ar pilnu strukturālo modeļu novērtēšanu?\n\ni) VAR ir spēcīgi motivēti finanšu un ekonomikas teorijā.\n\n\nii) VAR reducētajās formās var viegli izmantot, lai veidotu laikrindu prognozes.\n\n\niii) VAR modeļi parasti ir ļoti vienkāršoti.\n\n\niv) OLS var piemērot atsevišķi katram vienādojumam samazinātas formas VAR.","choices":["(tikai ii) un iv) apakšpunktā","(tikai i) un iii)","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":0},{"question":"Kurš no šiem apgalvojumiem ir PATIESS attiecībā uz standarta regresijas modeli?","choices":["y ir varbūtības sadalījums","x ir varbūtības sadalījums","Tiek pieņemts, ka traucējošais lielums ir korelēts ar x","Atbilstoša modeļa gadījumā atlikums (u-hat) būs vienāds ar nulli visiem izlases datu punktiem."],"answer":0},{"question":"Aplūkojiet šādu $y_t$ modeli:\n\n$y_t = \\mu + \\lambda t + u_t$\n\nKurš no šiem variantiem visprecīzāk apraksta procesu attiecībā uz $y_t$?","choices":["vienības saknes process","Stacionārs process","Deterministisks tendenču process","Nejaušināts gājiens ar dreifu"],"answer":2},{"question":"Kurš no šiem apgalvojumiem ir pareizs attiecībā uz logit un probit modeļiem?","choices":["Tajos izmanto atšķirīgu metodi modeļa pārveidošanai tā, lai varbūtības būtu no nulles līdz vienādam.","Logit modeļa rezultātā pārāk daudz novērojumu var būt tieši nulle vai tieši viens","Logit modelim viena no skaidrojošā mainīgā izmaiņu robežietekme ir vienkārši šim mainīgajam piesaistītā parametra novērtējums, bet probit modelim tas tā nav.","Probit modeļa pamatā ir kumulatīvā loģistiskā funkcija"],"answer":0},{"question":"Kāds ir svarīgākais diagonālās VECH pieejas trūkums, lai veidotu daudzdimensiju GARCH modeļus, kas tiek novērsts ar BEKK formulējumu?","choices":["Diagonālo VECH modeli ir grūti intuitīvi interpretēt.","diagonālais VECH modelis satur pārāk daudz parametru","diagonālais VECH modelis nenodrošina pozitīvi definētu dispersijas-kovarianču matricu","BEKK modelis samazina dimensijas problēmu, kas rodas, ja vairākas sērijas tiek modelētas kopā."],"answer":2},{"question":"Ja regresijas vienādojumā netiek iekļauts attiecīgais mainīgais lielums, sekas varētu būt šādas:\n\ni) standarta kļūdas būtu neobjektīvas\n\n\nii) Ja izslēgtais mainīgais nav korelēts ar visiem iekļautajiem mainīgajiem, visi izslēgtie mainīgie\n\nslīpuma koeficienti nebūs konsekventi.\n\n\niii) Ja izslēgtais mainīgais nav korelēts ar visiem iekļautajiem mainīgajiem, tad\n\nintercepcijas koeficients būs nekonsekvents.\n\n\niv) Ja izslēgtais mainīgais nav korelēts ar visiem iekļautajiem mainīgajiem, visi\n\nslīpuma un intercepcijas koeficienti būs konsekventi un objektīvi, bet neefektīvi.","choices":["(ii) un (iv) tikai","(i) un (iii) tikai","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":2},{"question":"Kurš no šiem nosaukumiem ir alternatīvi neatkarīgā mainīgā (parasti apzīmēta ar x) nosaukumi lineārajā regresijas analīzē?\n\n(i) regresors\n\n(ii) regresors\n\n(iii) cēloņsakarīgais mainīgais\n\n(iv) ietekmes mainīgais lielums","choices":["(tikai ii) un iv) apakšpunkts","(i) un (iii) tikai","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":1},{"question":"Apsveriet slīpuma koeficienta standarta kļūdas OLS aplēsi. Kurš no šiem apgalvojumiem ir patiess(-i)?\n\n(i) Standartkļūda būs pozitīvi saistīta ar atlikušo dispersiju.\n\n(ii) Standartkļūda būs negatīvi saistīta ar skaidrojošā mainīgā novērojumu izkliedi ap to vidējo vērtību.\n\n(iii) Standartkļūda būs negatīvi saistīta ar izlases lielumu.\n\n(iv) Standartkļūda norāda koeficienta novērtējuma precizitāti.","choices":["(tikai ii) un iv) apakšpunktā","(i) un (iii) tikai","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":3},{"question":"Kāda ir termina \"heteroskedasticitāte\" nozīme?","choices":["Kļūdu dispersija nav konstanta","Atkarīgā mainīgā dispersija nav konstanta","Kļūdas nav lineāri neatkarīgas viena no otras","Kļūdām ir nenulles vidējā vērtība"],"answer":0},{"question":"Ja Durbina Vatsona statistikai ir vērtība, kas tuva nullei, kāda būs pirmās kārtas autokorelācijas koeficienta vērtība?","choices":["Tuvu nullei","Tuvu plus viens","Tuvu mīnus viens","Tuvu vai nu mīnus viens, vai plus viens"],"answer":2},{"question":"Saskaņā ar nulles hipotēzi Bera-Jarque testa gadījumā sadalījumam ir","choices":["nulles svārstīgums un nulles kurtoze","nulles svārstīgums un kurtoze ir trīs","Skewness vienāds ar vienu un kurtoze vienāda ar nulli","Skewness ir vienāds ar vienu un kurtoze ir trīs."],"answer":1},{"question":"Ja tiek uzskatīts, ka aplēse ir konsekventa, tas nozīmē, ka","choices":["vidēji aplēstās koeficientu vērtības būs vienādas ar patiesajām vērtībām","OLS aplēse ir objektīva, un nevienai citai objektīvai aplēsei nav mazāka dispersija","palielinoties izlases lielumam, aplēses konverģēs ar patiesajām vērtībām","Koeficientu aplēses būs pēc iespējas tuvākas to patiesajām vērtībām gan mazās, gan lielās izlasēs."],"answer":2},{"question":"Kurš no šiem raksturlielumiem ir tipiska finanšu aktīvu atdeves laika rindu iezīme?","choices":["To sadalījums ir plāns","Tie nav vāji stacionāri","Tie ir ļoti autokorelēti","Tām nav tendences"],"answer":3},{"question":"Kurš no šiem pieņēmumiem ir nepieciešams, lai pierādītu OLS aplēses konsekvenci, objektivitāti un efektivitāti?\n\ni) $E(u_t) = 0$\n\n\nii) $\\\\text{Var}(u_t) = \\sigma^2$\n\n\niii) $\\text{Cov}(u_t, u_{t-j}) = 0 \\forall j$\n\n\niv) $u_t \\sim N(0, \\sigma^2)$","choices":["(tikai ii) un iv) apakšpunktā","(tikai i) un iii)","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":2},{"question":"Kurš no šiem faktoriem ir trūkums fiksēto efektu pieejai paneļa modeļa novērtēšanā?","choices":["Modeļa novērtēšana var būt tehniski sarežģīta","Šī pieeja var nebūt derīga, ja saliktais kļūdas lielums ir korelēts ar vienu vai vairākiem skaidrojošajiem mainīgajiem lielumiem.","Novērtējamo parametru skaits var būt liels, kā rezultātā samazināsies brīvības pakāpes.","Fiksēto efektu pieeja var aptvert tikai šķērsgriezuma heterogenitāti, bet ne atkarīgā mainīgā mainīgā mainīgumu laikā."],"answer":2},{"question":"Apskatiet identisku situāciju kā 21. jautājumā, tikai tagad tiek izmantota divpusēja alternatīva. Kāds tagad būtu pareizais secinājums?","choices":["H0 tiek noraidīts","H0 netiek noraidīts","H1 tiek noraidīts","Jautājumā nav sniegta pietiekama informācija, lai izdarītu secinājumu."],"answer":0},{"question":"Kāda veida skaitlis vislabāk raksturo mājas cenu?","choices":["Diskrēts","Kardinālais","Ordinālais","Nominālais"],"answer":1},{"question":"Ja sistēmai, kurā ir 4 mainīgie, piemēro Johansena \"izsekošanas\" testu nulles hipotēzei par 2 kointegrējošiem vektoriem, kādas pašvērtības tiks izmantotas testā?","choices":["Visas","2 lielākās","Mazākās 2","Otra lielākā"],"answer":2},{"question":"Kurš no šiem apgalvojumiem ir patiess attiecībā uz VAR dispersijas dekompozīcijas analīzi?\n\ni) Varianču dekompozīcijas mēra katra mainīgā lieluma vienības šoka ietekmi uz VAR.\n\nii) Varianču dekompozīcijas var aplūkot kā prognozes kļūdas dispersijas daļas, kas attiecināma uz katru mainīgo, mērīšanu.\n\niii) Mainīgo mainīgo sakārtojums ir svarīgs impulsu reakciju aprēķināšanai, bet ne dispersijas dekompozīcijai.\n\niv) Parasti lielāko daļu prognozes kļūdas dispersijas konkrētam mainīgajam lielumam var attiecināt uz šā mainīgā lieluma šokiem.","choices":["(ii) un (iv) tikai","(tikai i) un iii)","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":0},{"question":"Pieņemsim, ka esam novērtējuši GARCH modeli akciju dienas peļņai un esam ieinteresēti izveidot 10 dienu svārstīguma prognozi (ko mēra ar peļņas standartnovirzi), lai to izmantotu riska vērtības modelī. Kā vispareizāk aprēķināt šādu prognozi?","choices":["Sagatavot 1, 2, 3, ..., 10 soļu uz priekšu nosacītās novirzes prognozes un tās saskaitīt.","Izveidojiet 1, 2, 3, ..., ..., 10 soļu uz priekšu nosacītās dispersijas prognozes, saskaitiet tās un iegūstiet kvadrātsakni.","Izveidot 1, 2, 3, ..., 10 pakāpju uz priekšu nosacītās dispersijas prognozes, katrai no tām ņemt kvadrātsakni un saskaitīt tās kopā","Izveido 1 soļa uz priekšu nosacītās dispersijas prognozi, ņem tās kvadrātsakni un reizina ar 10 kvadrātsakni no tās"],"answer":1},{"question":"Pieņemsim, ka aplēstā regresijas modeļa vērtība $R^2$ ir tieši nulle. Kurš no šiem apgalvojumiem ir patiess?\n\ni) Visi slīpumu koeficientu novērtējumi būs vienādi ar nulli.\n\nii) Aprīkotā līnija būs horizontāla attiecībā pret visiem skaidrojošajiem mainīgajiem lielumiem.\n\niii) Regresijas līnija nav izskaidrojusi nevienu no y mainīguma ap vidējo vērtību.\n\niv) Intercepcijas koeficienta novērtējumam jābūt nullei.","choices":["(tikai ii) un iv)","(i) un (iii) tikai","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":2},{"question":"Baltā trokšņa procesam būs\n\n(i) nulles vidējā vērtība\n\n(ii) konstanta dispersija\n\n(iii) Autokovariances, kas ir konstantas.\n\n(iv) autokovariances, kas ir nulle, izņemot ar nulles nobīdi.","choices":["(tikai ii) un iv) apakšpunkts","(tikai i) un iii)","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":0},{"question":"Kurš no šiem apgalvojumiem ir patiess attiecībā uz Boxa-Dženkinsa pieeju ARMA modeļu diagnostikas testēšanai?\n\n(i) testi parādīs, vai identificētais modelis ir vai nu pārāk liels, vai pārāk mazs.\n\n(ii) testi ietver modeļa atlieku pārbaudi attiecībā uz autokorelāciju, heteroskedasticitāti un nenormālitāti.\n\n(iii) Ja identifikācijas posmā ierosinātais modelis ir atbilstošs, tad atlikumu acf un pacf nedrīkst parādīt papildu struktūru.\n\n(iv) ja identifikācijas posmā ierosinātais modelis ir piemērots, tad papildu mainīgo koeficienti saskaņā ar pārmērīgas pielāgošanas pieeju būs statistiski nenozīmīgi.","choices":["(tikai ii) un iv) apakšpunktā","(tikai i) un iii)","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":0},{"question":"Kurš no turpmāk minētajiem variantiem būtu ticama atbilde uz konstatēto atlikuma nenormālitāti?","choices":["Lineārās funkcionālās formas vietā izmantot logaritmisko funkcionālo formu.","Pievienot mainīgo lielumu nobīdes regresijas modeļa labajā pusē","Novērtēt modeli pirmajā diferencētajā formā","Noņemiet no datiem visus lielos novirzienus."],"answer":3},{"question":"Fiksētu efektu paneļa modeli dažkārt dēvē arī par","choices":["šķietami nesaistīts regresijas modelis","vismazāko kvadrātu fiktīvo mainīgo pieeja","nejaušo efektu modelis","Heteroskedasticitātes un autokorelācijas konsekvence"],"answer":1},{"question":"Kurš no šiem apgalvojumiem ir PATIESS attiecībā uz OLS aplēsēm?","choices":["OLS minimizē vertikālo attālumu summu no punktiem līdz taisnei","OLS minimizē vertikālo attālumu no punktiem līdz līnijai kvadrātu summu","OLS minimizē horizontālo attālumu summu no punktiem līdz līnijai","OLS minimizē horizontālo attālumu no punktiem līdz līnijai kvadrātu summu."],"answer":1},{"question":"Ja, izmantojot standarta laikrindu analīzes rīkus, piemēram, acf, pacf un spektrālās analīzes novērtēšanu, netiek konstatēts, ka datos ir kāda struktūra, tas nozīmē, ka dati ir kāda no šīm pazīmēm?","choices":["normāli sadalīti","nav korelēti","Neatkarīgi","ar resno astes daļu"],"answer":1},{"question":"Ja divus mainīgos lielumus $x_t$ un $y_t$ uzskata par kointegrētiem, kurš no šiem apgalvojumiem ir patiess?\n\ni) $x_t$ un $y_t$ jābūt stacionāriem.\n\n\nii) Tikai viena lineārā kombinācija no $x_t$ un $y_t$ būs stacionāra.\n\n\niii) Kointegrācijas vienādojums $x_t$ un $y_t$ apraksta īstermiņa sakarību.\n\nstarp abām sērijām\n\n\niv) regresijas atlikumiem no $y_t$ uz $x_t$ jābūt stacionāriem.","choices":["(tikai ii) un iv) punktā","(tikai i) un iii)","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":0},{"question":"Atkarīgo mainīgo, kura vērtības nav novērojamas ārpus noteikta diapazona, bet kura neatkarīgo mainīgo atbilstošās vērtības joprojām ir pieejamas, visprecīzāk raksturotu kā kāda veida mainīgo?","choices":["Censored","Truncated","Multinomiāls mainīgais","Diskrēta izvēle"],"answer":0},{"question":"Hausmana testu izmantotu","choices":["Nosakot, vai vienādojums, kas ir vienlaicīgas sistēmas daļa, ir identificēts","nosakot, vai konkrētam mainīgajam ir nepieciešama vienlaicīga sistēma","nosakot, vai 2SLS vai ILS ir optimāla","nosakot, vai strukturālās formas vienādojumus var iegūt, aizstājot tos ar reducētajām formām"],"answer":1},{"question":"Kādas ir $u$ dimensijas, izmantojot klasiskā lineārās regresijas modeļa $y = X \\beta + u$ matricas apzīmējumu?","choices":["T x k","T x 1","k x 1","1 x 1"],"answer":1},{"question":"Cik parametru kopumā būs jānovērtē visiem standarta formas, neierobežota, trīsvariantu VAR(4) vienādojumiem, neņemot vērā interceptus?","choices":["12","4","3","36"],"answer":3},{"question":"Pētnieks pārbauda strukturālo stabilitāti ar šādu regresijas modeli:\n\n$y_t = \\beta_1 + \\beta_2 x_{2t} + \\beta_3 x_{3t} + u_t$\n\nKopējā 200 novērojumu izlase apakšizlases regresijas vajadzībām tiek sadalīta uz pusēm. Kura būtu neierobežotā atlikušo kvadrātu summa?","choices":["RSS visai izlasei","RSS pirmajai apakšparaugam","RSS otrajai apakšizlasei","RSS summa pirmajai un otrajai apakšparaugam"],"answer":3},{"question":"Pieņemsim, ka mūs interesē pārbaudīt nulles hipotēzi, ka GARCH(2,2) modeli var ierobežot līdz procesam ar konstantu nosacīto dispersiju, izmantojot ticamības attiecības testa metodi. Kurš no šiem apgalvojumiem ir patiess?","choices":["Testa statistikai pie nulles hipotēzes būs chi-kvadrāta sadalījums ar 2 brīvības pakāpēm.","Logaritmiskās ticamības funkcijas vērtība gandrīz vienmēr būs lielāka ierobežotajam modelim nekā neierobežotajam modelim.","Ja attiecīgās logaritmiskās ticamības funkcijas vērtības ir -112,3 un -118,4, testa statistikas vērtība ir 12,2.","Ar ticamības koeficienta testu salīdzina logaritmiskās ticamības funkcijas nogāzes pie maksimālās un ierobežotās parametra vērtības."],"answer":2},{"question":"Kurš no turpmāk minētajiem NAV ticams līdzeklis, lai novērstu gandrīz multikolinearitāti?","choices":["Izmantot galveno komponenšu analīzi","Atteikties no viena no kolineārajiem mainīgajiem","Izmantot ilgāku datu periodu","Katra mainīgā logaritmētisko lielumu logaritmēšana"],"answer":3},{"question":"Aplūkojiet šādu AR(2) procesu:\n\nyt = 1,5 yt-1 - 0,5 yt-2 + ut\n\nTas ir","choices":["Stacionārs process","Vienības saknes process","Sprādzienbīstams process","Stacionārs un vienības saknes process"],"answer":1},{"question":"Kuru no turpmāk minētajām metodēm var izmantot kā autokorelācijas testu līdz trešajai pakāpei?","choices":["Durbina Vatsona tests","Vaita tests","RESET tests","Breusha-Godfrija tests"],"answer":3},{"question":"Standarta regresijas modeļa atlikumu definē šādi.","choices":["Starpība starp faktisko vērtību, y, un vidējo vērtību, y-bar","starpība starp piemēroto vērtību, y-hat, un vidējo vērtību, y-bar","Starpība starp faktisko vērtību, y, un pielāgoto vērtību, y-hat","Atšķirības kvadrāts starp piemēroto vērtību, y-hat, un vidējo vērtību, y-bar"],"answer":2},{"question":"Ja OLS piemēro atsevišķi katram vienādojumam, kas ir vienlaicīgas sistēmas daļa, iegūtie aprēķini būs šādi.","choices":["objektīvi un konsekventi","neobjektīvi, bet konsekventi","neobjektīvi un nekonsekventi","Nav iespējams piemērot OLS vienādojumiem, kas ir vienlaicīgas sistēmas daļa."],"answer":2},{"question":"Kurš no šiem gadījumiem NAV funkcionālās formas nepareizas specifikācijas piemērs?","choices":["Lineāras specifikācijas izmantošana, kad y mērogo kā x kvadrātu funkcija","Lineāras specifikācijas izmantošana, ja piemērotāks būtu divkāršs logaritmiskais modelis.","y kā x funkcijas modelēšana, ja patiesībā tā mērogošana ir 1\/x funkcija","Attiecīgā mainīgā izslēgšana no lineārās regresijas modeļa"],"answer":3},{"question":"Pieņemsim, ka mēs vēlamies novērtēt faktorus, kas ietekmē varbūtību, ka ieguldītājs izvēlēsies akciju fondu, nevis obligāciju fondu vai naudas ieguldījumu. Kura modeļa klase būtu vispiemērotākā?","choices":["Logit modelis","multinomiālais logit modelis","tobit modelis","sakārtots logit modelis"],"answer":1},{"question":"Kurš no šiem apgalvojumiem būs patiess, ja Monte Karlo pētījumā izmantoto atkārtojumu skaits ir neliels?\n\ni) interesējošo statistiku var novērtēt neprecīzi.\n\n\nii) rezultātus var ietekmēt nereprezentatīvas nejaušās izlozes kombinācijas.\n\n\niii) aplēsto lielumu standartkļūdas var būt nepieņemami lielas.\n\n\niv) Varianču samazināšanas metodes var izmantot, lai samazinātu standarta kļūdas.","choices":["(tikai ii) un iv) apakšpunktā","(tikai i) un iii)","(i), (ii) un (iv) tikai","(i), (ii), (iii) un (iv)"],"answer":3},{"question":"Kurš no turpmāk minētajiem trūkumiem ir trūkums nejaušo efektu pieejai paneļa modeļa novērtēšanā?","choices":["Šī pieeja var nebūt derīga, ja saliktais kļūdas lielums ir korelēts ar vienu vai vairākiem skaidrojošajiem mainīgajiem.","Novērtējamo parametru skaits var būt liels, kā rezultātā samazinās brīvības pakāpes.","Ar nejaušo efektu pieeju var aptvert tikai šķērsgriezuma heterogenitāti, bet ne atkarīgā mainīgā mainīgā mainīgumu laikā.","Visi a) līdz c) punkti ir iespējamie nejaušo efektu pieejas trūkumi."],"answer":0},{"question":"Kura no šīm darbībām varētu izraisīt autokorelāciju starp atlikušajām vērtībām?\n\ni) atkarīgā mainīgā reakcijas lēnums uz neatkarīgo mainīgo vērtību izmaiņām.\n\nii) Atkarīgā mainīgā pārmērīga reakcija uz neatkarīgo mainīgo izmaiņām.\n\niii) attiecīgo skaidrojošo mainīgo, kas ir autokorelēti, izlaišana\n\niv) Novirzes datos","choices":["(tikai ii) un iv) apakšpunkts","(tikai i) un iii)","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":2},{"question":"Kurš no šiem apgalvojumiem ir patiess attiecībā uz acf un pacf?\n\n(i) praksē bieži vien ir grūti interpretēt acf un pacf.\n\n(ii) Dažām datu kopām var būt grūti aprēķināt acf un pacf.\n\n(iii) informācijas kritēriji ir alternatīva pieeja modeļa secības noteikšanai.\n\n(iv) ja acf un pacf tiek piemēroti pareizi, vienmēr tiks atlasīti unikāli modeļi.","choices":["(tikai ii) un iv) apakšpunkts","(tikai i) un iii)","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":2},{"question":"Kurš no šiem nosacījumiem ir nepieciešams, lai virkni varētu klasificēt kā vāji stacionāru procesu?\n\n(i) tai jābūt ar konstantu vidējo vērtību\n\n(ii) tai jābūt ar konstantu dispersiju.\n\n(iii) tai jābūt ar nemainīgām autokovariansēm dotajiem novēlojumiem.\n\n(iv) tam jābūt ar konstantu varbūtības sadalījumu.","choices":["(ii) un (iv) tikai","(i) un (iii) tikai","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":2},{"question":"Aplūkojiet šādu vienādojumu un nosakiet, kuru modeļu klasi tas vislabāk raksturo.\n\n$y_{it} = \\alpha + \\beta_{it} + \\mu_i + \\nu_{it}$","choices":["Vienības fiksēto efektu modelis","Laika fiksēto efektu modelis","Nejaušo efektu modelis","Tīrs laika rindu modelis"],"answer":0},{"question":"Ņemiet vērā, ka, lai atbildētu uz šo jautājumu, statistikas tabulas nav nepieciešamas. Paraugam ar 1000 novērojumiem Dikija-Fullera testa statistikas vērtības ir šādas.","choices":["negatīvākas (t. i., absolūtās vērtības ziņā lielākas par normālā sadalījuma kreisās astes vērtībām).","Mazāk negatīvas nekā (t. i., mazākas absolūtajā vērtībā nekā) normālā sadalījuma kreisajā astē.","Iegūst no Dikija-Fullera sadalījuma blīvuma analītiskās formulas.","Negatīvāks (t. i., lielāks absolūtā vērtībā) 10 % testa lielumam nekā 5 % testam."],"answer":0},{"question":"Pieņemsim, ka hipotēzes pārbaude tiek veikta, izmantojot 5% nozīmīguma līmeni. Kurš no šiem apgalvojumiem ir pareizs?\n\n(i) nozīmīguma līmenis ir vienāds ar testa lielumu.\n\n(ii) nozīmīguma līmenis ir vienāds ar testa spēku.\n\n(iii) 2,5 % no kopējā sadalījuma atradīsies katras astes noraidījuma apgabalā, ja tests ir divpusējs.\n\n(iv) 5 % no kopējā sadalījuma atradīsies katras astes noraidījuma apgabalā, ja tests ir divpusējs.","choices":["(ii) un (iv) tikai","(i) un (iii) tikai","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":1},{"question":"Kuru no turpmāk minētajām kritiskajām piezīmēm par Dikija-Fullera\/Engla-Grangera pieeju kointegrēto mainīgo gadījumā pārvar Engla-Jū (EY) procedūra?","choices":["Nelielu izlases lielumu kontekstā Dikija-Fullera testi ir tendēti secināt, ka sērijās ir vienības sakne, ja tā nav.","Engle-Grangera (EG) metode var atklāt tikai līdz vienai kointegrējošai sakarībai, lai gan varētu būt vairāk nekā viena.","kointegrācijas testos mainīgie tiek apstrādāti asimetriski.","Nav iespējams veikt testus par kointegrējošo sakarību"],"answer":3},{"question":"Apsveriet sēriju, kas seko MA(1) ar nulles vidējo vērtību un 0,4 mainīgo vidējo koeficientu. Kāda ir autokovariances vērtība 1. nobīdi?","choices":["0.4","1","0.34","Nav iespējams noteikt autokovarianču vērtību, nezinot traucējumu dispersiju."],"answer":3},{"question":"Kuras no šādām novērtēšanas metodēm ir pieejamas vienlaicīgu vienādojumu sistēmu ar pārmērīgu identifikāciju novērtēšanai?\n\ni) OLS\n\nii) ILS\n\niii) 2SLS\n\niv) IV","choices":["(iii) tikai","(tikai iii) un iv) apakšpunkts","(tikai ii), iii) un iv) apakšpunkts","(i), ii), iii) un iv)"],"answer":1},{"question":"Kurš no šiem apgalvojumiem vislabāk raksturo II tipa kļūdu?","choices":["Tā ir varbūtība nepareizi noraidīt nulles hipotēzi.","Tā ir līdzvērtīga testa spējai","Tā ir līdzvērtīga testa lielumam","Tā ir varbūtība, ka nav noraidīta kļūdaina nulles hipotēze."],"answer":3},{"question":"Kurš no šiem variantiem būtu vispiemērotākais kā 95% (divpusējs) ticamības intervāls 21. jautājumā dotā modeļa intercepcijas loceklim?","choices":["(-4.79,2.19)","(-4.16,4.16)","(-1.98,1.98)","(-5.46,2.86)"],"answer":3},{"question":"Kuras no šīm pazīmēm raksturo stacionāru procesu?\n\ni) tā bieži šķērso savu vidējo vērtību\n\n\nii) tam ir konstants vidējais lielums un dispersija\n\n\niii) tajā nav tendenču komponenta\n\n\niv) Tas būs stacionārs pirmās starpības formā","choices":["(ii) un (iv) tikai","(tikai i) un iii)","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":3},{"question":"Vēlreiz aplūkojiet 16. vienādojuma VAR modeli. Kuriem no šiem nosacījumiem ir jābūt spēkā, lai varētu apgalvot, ka pastāv divvirzienu atgriezeniskā saite?","choices":["b un d koeficienti ir nozīmīgi un a un c koeficienti ir nenozīmīgi.","a un c koeficienti ir nozīmīgi un b un d koeficienti ir nenozīmīgi","a un c koeficienti ir nozīmīgi","b un d koeficienti nozīmīgi"],"answer":3},{"question":"Aplūkojiet šādus izlases autokorelācijas novērtējumus, kas iegūti, izmantojot 250 datu punktus:\n\n1) Atpalicība 1 2 3\n\n2) Koeficients 0,2 -0,15 -0,1\n\n3) Pieņemot, ka koeficienti ir sadalīti aptuveni normāli, kuri no koeficientiem ir statistiski nozīmīgi 5% līmenī?","choices":["1 tikai","Tikai 1 un 2","Tikai 1, 2 un 3","Nav iespējams noteikt statistisko nozīmīgumu, jo nav norādītas standarta kļūdas."],"answer":1},{"question":"Kurš no šiem rādītājiem tiek pārbaudīts, aplūkojot atbilstības statistiku?","choices":["Cik labi populācijas regresijas funkcija atbilst datiem","Cik labi izlases regresijas funkcija atbilst populācijas regresijas funkcijai","Cik labi izlases regresijas funkcija atbilst datiem","Cik labi populācijas regresijas funkcija atbilst izlases regresijas funkcijai."],"answer":2},{"question":"Kurš no šiem apgalvojumiem ir pareizs attiecībā uz antitētisko variāciju izmantošanu Monte Karlo eksperimentā?\n\ni) antitētiskās variācijas darbojas, samazinot atkārtojumu skaitu, kas nepieciešams, lai aptvertu visu varbūtību telpu.\n\nii) antitētiskie mainīgie lielumi ir saistīti ar mainīgā lieluma, kas ir līdzīgs simulācijā izmantotajam, izmantošanu, bet kura īpašības ir zināmas analītiski.\n\niii) Antiditētiskie varianti ietver katra nejaušā izlozes varianta negatīvo vērtību un eksperimenta atkārtošanu, izmantojot šīs vērtības kā izlozes.\n\niv) antitētiskie varianti ietver vienu no katras nejaušās izlozes vērtībām un eksperimenta atkārtošanu, izmantojot šīs vērtības kā izlozes.","choices":["(tikai ii) un iv) apakšpunkts","(tikai i) un iii)","(i), (ii) un (iv) tikai","(i), (ii), (iii) un (iv)"],"answer":1},{"question":"Kurš no šiem apgalvojumiem ir patiess attiecībā uz alternatīviem prognozēšanas precizitātes mērījumiem?","choices":["Vidējā kvadrātiskā kļūda parasti ir cieši saistīta ar tirdzniecības noteikumu rentabilitāti.","Vidējā absolūtā kļūda nodrošina kvadrātisku zaudējumu funkciju","Vidējā absolūtā procentuālā kļūda ir noderīgs rādītājs, lai novērtētu aktīvu ienesīguma prognozes","Vidējā kvadrātiskā kļūda nesamērīgi vairāk soda lielas prognožu kļūdas nekā mazas prognožu kļūdas."],"answer":3},{"question":"Kuru no turpmāk minētajām GARCH standarta (\"plain vanilla\") modeļu kritiskajām piezīmēm var novērst ar EGARCH modeļiem?\n\ni) GARCH modeļu aprēķinātās koeficientu vērtības var būt negatīvas.\n\nii) GARCH modeļos nevar ņemt vērā sviras efektu.\n\niii) Nākotnes svārstīguma reakcija uz pozitīviem un negatīviem šokiem ir simetriska saskaņā ar GARCH formulējumu.\n\niv) GARCH modeļi nevar nodrošināt atgriezenisko saiti no svārstīguma uz ienesīgumu.","choices":["(ii) un (iv) tikai","(tikai i) un iii)","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":2},{"question":"Pieņemsim, ka tika pārbaudīti 100 atsevišķi uzņēmumi, lai noteiktu, cik no tiem \"pārspēj tirgu\", izmantojot Jensena tipa regresiju, un tika noskaidrots, ka 3 fondu pārvaldnieki ievērojami pārspēj tirgu. Vai tas liecina par prima facie pierādījumu akciju tirgus neefektivitātei?","choices":["Jā","Nē","Lai atbildētu uz šo jautājumu, būtu jāpārbauda katrs fonda pārvaldnieks, kas tirgojas šajā tirgū.","Jautājumā nav sniegta pietiekama informācija, lai izdarītu secinājumus par tirgus efektivitāti."],"answer":1},{"question":"Kuras no turpmāk minētajām priekšrocībām ir paneļdatu izmantošanai salīdzinājumā ar tīri šķērsgriezuma vai tīri laikrindas modelēšanu?\n\n(i) paneļa datu izmantošana var palielināt brīvības pakāpju skaitu un līdz ar to arī testu spēku.\n\n(ii) paneļa datu izmantošana ļauj atkarīgā mainīgā lieluma vidējai vērtībai mainīties vai nu šķērsgriezumā, vai laikā, vai abējādi.\n\n(iii) paneļa datu izmantošana ļauj pētniekam ļaut aplēstajām attiecībām starp neatkarīgajiem un atkarīgajiem mainīgajiem mainīgajiem mainīties vai nu šķērsgriezumā, vai laika gaitā, vai abējādi.","choices":["(i) tikai","(i) un ii) tikai","(ii) tikai","(i), (ii) un (iii)"],"answer":1},{"question":"Ja potenciāli kointegrējošas regresijas atlikumiem piemēro Engles-Grangera testu, kāda būtu nulles hipotēzes interpretācija?","choices":["Mainīgie ir kointegrēti","Mainīgie nav kointegrēti","Abi mainīgie ir stacionāri","Abi mainīgie nav stacionāri"],"answer":1},{"question":"Kurš no šiem apgalvojumiem ir patiess attiecībā uz autokorelācijas funkciju (acf) un daļējo autokorelācijas funkciju (pacf)?\n\ni) neatkarīgi no modeļa, acf un pacf vienmēr būs identiski ar pirmo nobīdi.\n\nii) MA(q) modeļa pacf parasti būs nenulle pēc novēlojuma q\n\niii) AR(p) modelim pacf būs nulle pēc nobīdes p\n\niv) MA(1) modelim acf un pacf būs vienādi ar otro nobīdi.","choices":["(tikai ii) un iv) apakšpunkts","(tikai i) un iii)","(i), (ii) un (iii) tikai","(i), (ii), (iii) un (iv)"],"answer":2}]