ΟΙΚΟΝΟΜΙΑ νότητα 13:...
TRANSCRIPT
ΟΙΚΟΝΟΜΕΤΡΙΑ
Ενότητα 13: Επανάληψη
Παπάνα Αγγελική
Μεταδιδακτορική ερευνήτρια, ΑΠΘE-mail: [email protected], [email protected]
Webpage: http://users.auth.gr/agpapana
1
Γιατί μελετούμε την Οικονομετρία;
Ο πρώτος στόχος της οικονομετρίας είναι η εμπειρική εκτίμηση τωνοικονομικών σχέσεων. Χρησιμοποιώντας δηλαδή την οικονομική θεωρία,την στατιστική θεωρία αλλά και τα απαραίτητα δεδομένα από ένα δείγμαενός πληθυσμού ελέγχει αλλά και μέτρα τις σχέσεις ανάμεσα σε διάφορεςοικονομικές μεταβλητές. Μια εμπειρική ανάλυση χρησιμοποιείπραγματικά δεδομένα για να ελέγξει μια θεωρία ή να εκτιμήσει μια σχέση.
Απώτερος στόχος είναι ο έλεγχος οικονομικών θεωριών, η πρόβλεψημελλοντικών τιμών μιας μεταβλητής και η άσκηση οικονομικήςπολιτικής.
2
Μεταπτυχιακό στην Οικονομετρία;
Η οικονομετρία είναι πρωταρχικής σημασίας για τη λήψη αποφάσεωνστις επιχειρήσεις και τα οικονομικά σήμερα.
Οι χρηματοπιστωτικές επιχειρήσεις, οι στατιστικές υπηρεσίες και οιδιεθνείς κυβερνητικές οργανώσεις εφαρμόζουν με επιτυχίαοικονομετρικά μοντέλα και μεθόδους σε καθημερινή βάση.
Ένα μεταπτυχιακό στην οικονομετρία θα επεκτείνει την οικονομετρικήσας γνώση πέρα από την γραμμική παλινδρόμηση ώστε να γνωρίζετεπροηγμένες ποσοτικές μεθόδους και τεχνικές, να μπορείτε ναεκτελέσετε μια εμπειρική οικονομετρική ανάλυση και να αναπτύξετεκαι να εφαρμόσετε νέα μοντέλα.
3
Ολοκληρώνοντας ένα μεταπτυχιακό πρόγραμμα στην οικονομετρία, οι επαγγελματικές διέξοδοι που θα έχετε περιλαμβάνουν:
τράπεζες
πολυεθνικές
δημόσια γραφεία
διεθνείς οικονομικούς οργανισμούς
ακαδημαϊκή κοινότητα
4
Η οικονομετρία στη καθημερινότητά μας: Κάποια διαγράμματα που χαρακτηρίζουν την ζωή μας
Το καθαρό προσαρμοσμένο διαθέσιμο εισόδημα των νοικοκυριών ανά κάτοικο
5
Η οικονομετρία στη καθημερινότητά μας: Κάποια διαγράμματα που χαρακτηρίζουν την ζωή μας
Εργαζόμενοι που εργάζονται για πολλές ώρες (>50ώρες/εβδομάδα).
6
Η οικονομετρία στη καθημερινότητά μας: Κάποια διαγράμματα που χαρακτηρίζουν την ζωή μας
Ικανοποίηση από ζωή.
7
9
Ερώτηση 1. Έστω ότι ο σταθερός όρος της γραμμής
παλινδρόμησης ενός δείγματος ισούται με 𝜷0= −𝟎. 𝟓. Η ερμηνεία
του 𝜷0 είναι:
α. Η μεταβλητή 𝚾 ερμηνεύει 𝟎. 𝟓 φορά τη μεταβλητή 𝚼.
β. Αν αυξηθεί 𝟏% η 𝚾, η 𝚼 μειώνεται 𝟎. 𝟓%.
γ. Αν μηδενιστεί η 𝚾, το 𝚼 θα ισούται με −𝟎. 𝟓 μονάδες.
δ. Αν αυξηθεί 𝟏 μονάδα το 𝚾, το 𝚼 μειώνεται 𝟎. 𝟓 μονάδες.
10
Ερώτηση 2. Έστω ότι η κλίση της γραμμής παλινδρόμησης ενός
δείγματος ισούται με 𝜷1= 𝟎. 𝟓. Η ερμηνεία του 𝜷1 είναι:
α. Η μεταβλητή 𝚾 ερμηνεύει 𝟎. 𝟓 φορές τη μεταβλητή 𝚼.
β. Αν αυξηθεί 1% η 𝚾, η 𝚼 μειώνεται 𝟎. 𝟓 %.
γ. Αν αυξηθεί 𝟏 μονάδα το 𝚾, το 𝚼 αυξάνεται 𝟎. 𝟓 μονάδες.
δ. Αν αυξηθεί 𝟏 μονάδα το 𝚾, το 𝚼 μειώνεται 𝟎. 𝟓 μονάδες.
11
Ερώτηση 3. Έστω η γραμμής παλινδρόμησης ενός δείγματος
εκτιμήθηκε ως 𝚼𝒕 = 𝟎. 𝟓 − 𝟑. 𝟐𝑿𝒕. Ο σταθερός όρος και η κλίση της ευθείας παλινδρόμησης του δείγματος είναι ίσα με:
α. 𝜷0= 𝟎. 𝟓, 𝜷1 = −𝟑. 𝟐
β. 𝜷0 = −𝟎. 𝟓, 𝜷1 = 𝟑. 𝟐
γ. 𝜷0 = 𝟑. 𝟐, 𝜷1 = −𝟎. 𝟓
δ. 𝜷0 = −𝟑. 𝟐, 𝜷1 = 𝟎. 𝟓
12
Ερώτηση 4. Ο συντελεστής προσδιορισμού της γραμμής παλινδρόμησης ενός δείγματος εκτιμήθηκε ως 𝐑2 = 89%, που σημαίνει ότι:
α. Η μεταβλητή 𝚾 ερμηνεύει το 89% της μεταβλητότητας της 𝐘.
β. Η 𝚾 αυξάνει την ερμηνεία του 𝐘 κατά 89%.
γ. Αν αυξηθεί η 𝚾 κατά 1%, τότε η 𝐘 αυξάνεται 0,89%.
δ. Τίποτα από τα παραπάνω.
13
Ερώτηση 5. Αν ο συντελεστής συσχέτισης των μεταβλητών 𝐗 και 𝐘είναι 𝐫 = 𝟎, σημαίνει ότι:
α. Τα 𝐗, 𝐘 είναι συσχετισμένα.
β. Αν 𝐗 = 𝟎, τότε και 𝐘 = 𝟎.
γ. Τα 𝐗, 𝐘 δεν συσχετίζονται γραμμικά.
δ. Τα 𝐗, 𝐘 συσχετίζονται μη γραμμικά.
14
Ερώτηση 6. Ο συντελεστής συσχέτισης μεταξύ της μεταβλητής 𝐗και 𝐘 υπολογίστηκε ίσος με 𝐫 = 𝟎. 𝟕𝟐. Αυτό σημαίνει ότι οι μεταβλητές 𝐗 και 𝐘 εμφανίζουν:
α. Υψηλό βαθμό γραμμικής συσχέτισης μεταξύ τους
β. Μέτριο αρνητικό βαθμό συσχέτισης μεταξύ τους
γ. Μέτριο θετικό βαθμό γραμμικής συσχέτισης μεταξύ τους
δ. Ασθενή γραμμική συσχέτιση μεταξύ τους
15
Ερώτηση 7. Αν η 𝒑-τιμή ενός ελέγχου είναι μεγαλύτερη από το 𝜶%, δηλαδή 𝑷𝒓𝒐𝒃. > 𝜶, επίπεδο στατιστική σημαντικότητας, τότε:
α. Απορρίπτω την μηδενική υπόθεση Η0.
β. Δέχομαι την μηδενική υπόθεση Η0.
γ. Δεν γνωρίζω.
16
Ερώτηση 8. Η κλίση της γραμμής παλινδρόμησης ενός δείγματος 𝜷𝟏 και ο συντελεστής συσχέτισης 𝐫 έχουν στην παλινδρόμηση:
α. Το ίδιο πρόσημο
β. Την ίδια τιμή
γ. Την ίδια ερμηνεία
17
Ερώτηση 9. Το άθροισμα των τετραγώνων της παλινδρόμησης𝑺𝑺𝑹 ισούται με:
α. (𝒀𝒕 − 𝒀)𝟐
β. ( 𝐘𝒕 − 𝒀)𝟐
γ. (𝚼𝒕 − 𝒀𝒕)𝟐
18
Ερώτηση 10. Το άθροισμα των τετραγώνων των σφαλμάτων 𝑺𝑺𝑬 μιας γραμμικής παλινδρόμησης ισούται με:
α. (𝒀𝒕 − 𝒀)𝟐
β. ( 𝐘𝒕 − 𝒀)𝟐
γ. (𝚼𝒕 − 𝒀𝒕)𝟐
19
Ερώτηση 11. Το συνολικό άθροισμα των τετραγώνων 𝑺𝑺𝚻 μιας γραμμικής παλινδρόμησης ισούται με:
α. (𝒀𝒕 − 𝒀)𝟐
β. ( 𝐘𝒕 − 𝒀)𝟐
γ. (𝚼𝒕 − 𝒀𝒕)𝟐
20
Ερώτηση 12. Το άθροισμα των τετραγώνων της παλινδρόμησης𝑺𝑺𝑹 εκφράζει:
α. το ποσοστό της μεταβλητότητας της Y που οφείλεται στην Χ.
β. το ποσοστό της συνολικής μεταβλητότητας της Υ.
γ. το ποσοστό της ανερμήνευτης μεταβλητότητας του Y.
21
Ερώτηση 13. Το άθροισμα των τετραγώνων των σφαλμάτων 𝑺𝑺𝑬 μιας γραμμικής παλινδρόμησης εκφράζει:
α. το ποσοστό της μεταβλητότητας της Y που οφείλεται στην Χ.
β. το ποσοστό της συνολικής μεταβλητότητας της Υ.
γ. το ποσοστό της ανερμήνευτης μεταβλητότητας του Y.
22
Ερώτηση 14. Να συμπληρωθεί ο πίνακας ανάλυσης της διακύμανσης (ANOVA). Δίνεται ότι ο συντελεστής προσδιορισμού της παλινδρόμησης ισούται με 𝐑2 = 𝟎. 𝟔𝟎.
Πηγή μεταβλητότητας
Άθροισμα τετραγώνων
Βαθμοίελευθερίας
Μέσα αθροίσματα
F
Παλινδρόμηση 1
Κατάλοιπα 98
Σύνολο 100 99
23
Ερώτηση 15.Με βάση τα σχετικάαποτελέσματα του Eviews, να απαντήσετε στα παρακάτω ερωτήματα.
α. Ποια είναι η γραμμήπαλινδρόμησης του δείγματος;
- - - - - - - - - - - - - - - - - - - - - - - - - - -
β. Ποιος είναι ο συντελεστής προσδιορισμού της γραμμής παλινδρόμησης του δείγματος;
- - - - - - - - - - - - - - - - - - - - - - - - - - -
24
Ερώτηση 16.Με βάση τα σχετικάαποτελέσματα του Eviews, να απαντήσετε στα παρακάτω ερωτήματα.
α. Είναι στατιστικά σημαντικοί οι συντελεστές του υποδείγματος που εκτιμήθηκε;
- - - - - - - - - - - - - - - - - - - - - - - - - - -
β. Με τι ισούται το τυπικό σφάλμα της εκτίμησης και τι εκφράζει;
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
25
Ερώτηση 17. Να ελέγξετε αν ισχύει η μηδενική υπόθεση Η0: R2 = 0και να δικαιολογήσετε την απάντηση σας.
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Dependent Variable: Y
Method: Least Squares
Date: 05/31/18 Time: 12:31
Sample: 1 100
Included observations: 100
Variable Coefficient Std. Error t-Statistic Prob.
C 0.865695 0.693722 1.247899 0.2150
X 0.983712 0.012787 76.93364 0.0000
R-squared 0.983712 Mean dependent var 53.15000
Adjusted R-squared 0.983546 S.D. dependent var 10.85569
S.E. of regression 1.392492 Akaike info criterion 3.519864
Sum squared resid 190.0253 Schwarz criterion 3.571968
Log likelihood -173.9932 Hannan-Quinn criter. 3.540952
F-statistic 5918.784 Durbin-Watson stat 2.071775
Prob(F-statistic) 0.000000
26
Ερώτηση 18. Έχοντας στη διάθεσή μας ένα δείγμα, προκύπτει ότι το 95% διάστημα εμπιστοσύνης για το μέσο ενός κανονικού πληθυσμού είναι το διάστημα (α, β). Αυτό σημαίνει ότι:
α. Με πιθανότητα 95% ο πραγματικός μέσος αυτού του πληθυσμού βρίσκεται στο παραπάνω διάστημα.
β. Με πιθανότητα 5% ο πραγματικός μέσος αυτού του πληθυσμού βρίσκεται στο παραπάνω διάστημα.
γ. Ο πραγματικός μέσος αυτού του πληθυσμού βρίσκεται σίγουρα στο παραπάνω διάστημα.
δ. Με πιθανότητα 95% ο πραγματικός μέσος αυτού του πληθυσμού δεν βρίσκεται στο παραπάνω διάστημα.
27
Ερώτηση 19. Ποιες από τις παρακάτω προϋποθέσεις θέλουμε να πληρούν τα κατάλοιπα ενός υποδείγματος; (Μπορείτε να σημειώσετε πάνω από μια σωστή απάντηση).
α. Να έχουν μέσο όρο ίσο με μηδέν.
β. Να έχουν διακύμανση ίση με μηδέν.
γ. Να είναι ομοσκεδαστικά.
δ. Να ακολουθούν την κανονική κατανομή.
28
Ερώτηση 20. Ο διορθωμένος συντελεστής προσδιορισμού χρησιμοποιείται όταν θέλουμε να συγκρίνουμε δύο υποδείγματα τα οποία (Μπορείτε να σημειώσετε πάνω από μια σωστή απάντηση):
α. Δεν έχουν τον ίδιο αριθμό ερμηνευτικών μεταβλητών.
β. Δεν έχουν τον ίδιο αριθμό παρατηρήσεων.
γ. Η εξαρτημένη μεταβλητή του ενός υποδείγματος είναι μετασχηματισμός της εξαρτημένης μεταβλητής του άλλου υποδείγματος.
δ. Τα υποδείγματα είναι μη γραμμικά ως προς τις παραμέτρους.
29
Ερώτηση 21. Σύμφωνα με τον διορθωμένο συντελεστή προσδιορισμού, καλύτερο είναι το υπόδειγμα το οποίο:
α. Έχει την μικρότερη τιμή ο διορθωμένος συντελεστής προσδιορισμού.
β. Έχει την μεγαλύτερη τιμή ο διορθωμένος συντελεστής προσδιορισμού
30
Ερώτηση 22. Το κριτήριο του Schwartz χρησιμοποιείται όταν θέλουμε να συγκρίνουμε δύο υποδείγματα τα οποία (Μπορείτε να σημειώσετε πάνω από μια σωστή απάντηση):
α. Δεν έχουν τον ίδιο αριθμό ερμηνευτικών μεταβλητών.
β. Δεν έχουν τον ίδιο αριθμό παρατηρήσεων.
γ. Η εξαρτημένη μεταβλητή του ενός υποδείγματος είναι μετασχηματισμός της εξαρτημένης μεταβλητής του άλλου υποδείγματος.
δ. Τα υποδείγματα είναι μη γραμμικά ως προς τις παραμέτρους.
31
Ερώτηση 23. Σύμφωνα με το κριτήριο του Schwartz, καλύτερο είναι το υπόδειγμα το οποίο:
α. Έχει την μικρότερη τιμή ο δείκτης του κριτηρίου.
β. Έχει την μεγαλύτερη τιμή ο δείκτης του κριτηρίου.
32
Ερώτηση 24. Το πρόβλημα της πολυσυγγραμικότητας σημαίνει ότι:
α. Τα κατάλοιπα του υποδείγματος δεν ακολουθούν κανονική κατανομή.
β. Τα κατάλοιπα του υποδείγματος δεν έχουν μέση τιμή μηδέν.
γ. Τα κατάλοιπα του υποδείγματος δεν έχουν σταθερή διακύμανση.
δ. Οι ερμηνευτικές μεταβλητές του υποδείγματος είναι συσχετισμένες.
33
Ερώτηση 25. Το πρόβλημα της ετεροσκεδαστικότητας σημαίνει ότι:
α. Τα κατάλοιπα του υποδείγματος δεν ακολουθούν κανονική κατανομή.
β. Τα κατάλοιπα του υποδείγματος δεν έχουν μέση τιμή μηδέν.
γ. Τα κατάλοιπα του υποδείγματος δεν έχουν σταθερή διακύμανση.
δ. Οι ερμηνευτικές μεταβλητές του υποδείγματος είναι συσχετισμένες.
34
Ερώτηση 26. Το πρόβλημα της αυτοσυσχέτισης σημαίνει ότι:
α. Τα κατάλοιπα του υποδείγματος δεν ακολουθούν κανονική κατανομή.
β. Τα κατάλοιπα του υποδείγματος δεν έχουν μέση τιμή μηδέν.
γ. Τα κατάλοιπα του υποδείγματος δεν έχουν σταθερή διακύμανση.
δ. Τίποτα από τα παραπάνω
35
Ερώτηση 27. Δίνεται το διάγραμμα διασποράς δύο μεταβλητών(άξονας Χ: ερμηνευτική μεταβλητή, άξονας Υ: εξαρτημένη μεταβλητή). Τι συμπέρασμα βγάζετε σχετικά με την συσχέτιση των μεταβλητών Χ και Υ από τα αντίστοιχα διαγράμματα;
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
30
40
50
60
70
80
20 30 40 50 60 70 80
STATIST
AL
GE
BR
A
α
60
70
80
90
100
110
120
130
140
150
30 40 50 60 70 80
ALGEBRA
AL
GE
BR
A+
ST
AT
IST
β
30
40
50
60
70
80
30 40 50 60 70 80
ALGEBRA
AL
GE
BR
A+
RE
SID
γ
36
Ερώτηση 28. Ποιο από τα παρακάτω υποδείγματα είναι καλύτερο και γιατί;
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Dependent Variable: Y
Method: Least Squares
Date: 05/31/18 Time: 12:31
Sample: 1 100
Included observations: 100
Variable Coefficient Std. Error t-Statistic Prob.
C 0.865695 0.693722 1.247899 0.2150
X 0.983712 0.012787 76.93364 0.0000
R-squared 0.983712 Mean dependent var 53.15000
Adjusted R-squared 0.983546 S.D. dependent var 10.85569
S.E. of regression 1.392492 Akaike info criterion 3.519864
Sum squared resid 190.0253 Schwarz criterion 3.571968
Log likelihood -173.9932 Hannan-Quinn criter. 3.540952
F-statistic 5918.784 Durbin-Watson stat 2.071775
Prob(F-statistic) 0.000000
α βDependent Variable: Y
Method: Least Squares
Date: 05/31/18 Time: 12:38
Sample: 1 100
Included observations: 100
Variable Coefficient Std. Error t-Statistic Prob.
C 55.94618 0.103335 541.4078 0.0000
X1 -0.526093 0.004892 -107.5469 0.0000
R-squared 0.991598 Mean dependent var 53.15000
Adjusted R-squared 0.991513 S.D. dependent var 10.85569
S.E. of regression 1.000103 Akaike info criterion 2.857881
Sum squared resid 98.02027 Schwarz criterion 2.909985
Log likelihood -140.8941 Hannan-Quinn criter. 2.878968
F-statistic 11566.34 Durbin-Watson stat 1.862236
Prob(F-statistic) 0.000000
37
Ερώτηση 29. Ποιο από τα παρακάτω υποδείγματα είναι καλύτερο και γιατί;
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Dependent Variable: Y
Method: Least Squares
Date: 05/31/18 Time: 12:31
Sample: 1 100
Included observations: 100
Variable Coefficient Std. Error t-Statistic Prob.
C 0.865695 0.693722 1.247899 0.2150
X 0.983712 0.012787 76.93364 0.0000
R-squared 0.983712 Mean dependent var 53.15000
Adjusted R-squared 0.983546 S.D. dependent var 10.85569
S.E. of regression 1.392492 Akaike info criterion 3.519864
Sum squared resid 190.0253 Schwarz criterion 3.571968
Log likelihood -173.9932 Hannan-Quinn criter. 3.540952
F-statistic 5918.784 Durbin-Watson stat 2.071775
Prob(F-statistic) 0.000000
α βDependent Variable: Y
Method: Least Squares
Date: 05/31/18 Time: 12:41
Sample (adjusted): 1 90
Included observations: 90 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 0.721011 0.701781 1.027402 0.3070
X 0.984921 0.012977 75.89985 0.0000
R-squared 0.984954 Mean dependent var 52.90000
Adjusted R-squared 0.984783 S.D. dependent var 10.84316
S.E. of regression 1.337575 Akaike info criterion 3.441565
Sum squared resid 157.4413 Schwarz criterion 3.497116
Log likelihood -152.8704 Hannan-Quinn criter. 3.463966
F-statistic 5760.787 Durbin-Watson stat 2.047695
Prob(F-statistic) 0.000000
38
Ερώτηση 30. Ποιο από τα παρακάτω υποδείγματα είναι καλύτερο και γιατί;
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Dependent Variable: Y
Method: Least Squares
Date: 05/31/18 Time: 12:31
Sample: 1 100
Included observations: 100
Variable Coefficient Std. Error t-Statistic Prob.
C 0.865695 0.693722 1.247899 0.2150
X 0.983712 0.012787 76.93364 0.0000
R-squared 0.983712 Mean dependent var 53.15000
Adjusted R-squared 0.983546 S.D. dependent var 10.85569
S.E. of regression 1.392492 Akaike info criterion 3.519864
Sum squared resid 190.0253 Schwarz criterion 3.571968
Log likelihood -173.9932 Hannan-Quinn criter. 3.540952
F-statistic 5918.784 Durbin-Watson stat 2.071775
Prob(F-statistic) 0.000000
α βDependent Variable: LOG(Y)
Method: Least Squares
Date: 05/31/18 Time: 12:33
Sample: 1 100
Included observations: 100
Variable Coefficient Std. Error t-Statistic Prob.
C 2.937953 0.017377 169.0667 0.0000
X 0.019070 0.000320 59.53960 0.0000
R-squared 0.973099 Mean dependent var 3.951544
Adjusted R-squared 0.972824 S.D. dependent var 0.211594
S.E. of regression 0.034881 Akaike info criterion -3.853928
Sum squared resid 0.119238 Schwarz criterion -3.801824
Log likelihood 194.6964 Hannan-Quinn criter. -3.832840
F-statistic 3544.964 Durbin-Watson stat 2.131319
Prob(F-statistic) 0.000000
39
Ερώτηση 31. Ποιο από τα παρακάτω υποδείγματα είναι καλύτερο και γιατί;
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Dependent Variable: Y
Method: Least Squares
Date: 05/31/18 Time: 12:31
Sample: 1 100
Included observations: 100
Variable Coefficient Std. Error t-Statistic Prob.
C 0.865695 0.693722 1.247899 0.2150
X 0.983712 0.012787 76.93364 0.0000
R-squared 0.983712 Mean dependent var 53.15000
Adjusted R-squared 0.983546 S.D. dependent var 10.85569
S.E. of regression 1.392492 Akaike info criterion 3.519864
Sum squared resid 190.0253 Schwarz criterion 3.571968
Log likelihood -173.9932 Hannan-Quinn criter. 3.540952
F-statistic 5918.784 Durbin-Watson stat 2.071775
Prob(F-statistic) 0.000000
α βDependent Variable: Y
Method: Least Squares
Date: 05/31/18 Time: 12:35
Sample: 1 100
Included observations: 100
Variable Coefficient Std. Error t-Statistic Prob.
C 0.865695 0.509763 1.698229 0.0927
X 0.983712 0.009396 104.6967 0.0000
Z 0.500000 0.054395 9.192006 0.0000
R-squared 0.991295 Mean dependent var 53.15000
Adjusted R-squared 0.991115 S.D. dependent var 10.85569
S.E. of regression 1.023236 Akaike info criterion 2.913358
Sum squared resid 101.5602 Schwarz criterion 2.991513
Log likelihood -142.6679 Hannan-Quinn criter. 2.944989
F-statistic 5522.949 Durbin-Watson stat 2.131319
Prob(F-statistic) 0.000000
40
Ερώτηση 32. Δίνεται το διάγραμμα διασποράς των καταλοίπων δύο υποδειγμάτων. Τι συμπεράσματα βγάζετε σε κάθε περίπτωση.
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
-3
-2
-1
0
1
2
3
-3 -2 -1 0 1 2 3
RESID(-1)
RE
SID
-30
-20
-10
0
10
20
30
40
-30 -20 -10 0 10 20 30 40
RESID(-1)
RE
SID
α β
41
Ερώτηση 33. Όταν ένα γραμμικό υπόδειγμα είναι «καλό», τότε η τιμή της στατιστικής F είναι:
α. Μεγάλη.
β. Μικρή.
γ. Μηδέν.
δ. Αρνητική.
42
Ερώτηση 34. Εκτιμήσαμε το υπόδειγμα του αριθμού πωλήσεων ενός προϊόντος (σε χιλιάδες μονάδες) με ερμηνευτική μεταβλητή το ποσό της διαφήμισης του προϊόντος (σε χιλιάδες ευρώ): 𝚼𝒕 = 𝟏𝟑𝟓. 𝟓 − 𝟎. 𝟎𝟗𝑿𝒕. Πόσοι δίσκοι θα πωληθούν αν ξοδέψουμε 100.000 ευρώ σε διαφήμιση;
α. 135.5
β. 126.5
γ. 0.09
δ. -0.09
43
Ερώτηση 35. Σε ένα πολλαπλό γραμμικό υπόδειγμα, το μέγεθος του κάθε συντελεστή δείχνει:
α. πόσο μεταβάλλεται η εξαρτημένη μεταβλητή Υ όταν μεταβληθεί κατά 1 μονάδα η αντίστοιχη ερμηνευτική μεταβλητή κρατώντας τις υπόλοιπες μεταβλητές σταθερές
β. πόσο αυξάνεται η εξαρτημένη μεταβλητή Υ όταν αυξηθεί κατά 1% η αντίστοιχη ερμηνευτική μεταβλητή
γ. πόσο αυξάνεται η εξαρτημένη μεταβλητή Υ όταν αυξηθεί κατά 1 μονάδα η αντίστοιχη ερμηνευτική μεταβλητή κρατώντας τις υπόλοιπες μεταβλητές σταθερές