Парная регрессия и корреляция
21.Рассматривая линейную зависимость между признаками, прежде всего, выделяют типы связей:
- Функциональные – характеризуются полным соответствием между изменением факторного признака и изменением результативной величины: каждому значению признака-фактора соответствует вполне определенные значения результативного признака.
- Корреляционные – между изменением двух признаков нет полного соответствия, воздействия отдельных факторов проявляется лишь в среднем, при массовом наблюдении фактических данных.
22. К показателям, значения которых свидетельствуют о присутствии или отсутствии линейной связи между переменными относятся коэффициенты линейной (парной) и множественной корреляции.
23. Основная задача корреляционного анализа заключается в выявлении взаимосвязи между случайными переменными путем: точечной и интервальной оценки парных коэффициентов корреляции, вычисления и проверки значимости множественных коэффициентов корреляции и детерминации.
24. Ковариация – это статистическая мера взаимодействия двух переменных.
25. Дисперсия (оценка дисперсии) характеризуют:
26. Для качественной оценки коэффициента корреляции применяются различные шкалы, наиболее известной из которых является специальная шкала значений коэффициентов корреляции – шкала Чеддока.
27. В зависимости от объема выборочной совокупности различают методы оценки существенности линейного коэффициента корреляции: при малых объемах выборки выполняется с использованием t-критерия Стьюдента.
28. В многомерном корреляционном анализе рассматривается задачи:
1) Определение тесноты связи одной случайной величины с совокупностью остальных величин, включенных в анализ.
2) Определение тесноты связи между двумя величинами при фиксировании или исключении влияния остальных величин.
29. Квадрат коэффициента множественной корреляции 
принято называть: выборочным множественным коэффициентом детерминации.
30. Коэффициент множественной корреляции принимает значения от 0 до 1.
31. Проверка значимости коэффициента детерминации осуществляется путем сравнения с табличным Fтабл .: расчетного значения F – критерия Фишера.
32. При отклонении парной статистической зависимости от линейной коэффициент корреляции оценивается измерителем связи: индекс корреляции (корреляционное отношение).
Модели множественной линейной регрессии
33. Для оценки параметров регрессионного уравнения используют: метод наименьших квадратов (МНК) дает оценки, имеющие наименьшую дисперсию в классе всех линейных оценок.
34. Для того чтобы регрессионный анализ давал наилучшие из всех возможных результаты, должны выполняться условия: условия Гаусса-Маркова.
35. Для оценки качества регрессионных моделей используется: коэффициент множественной корреляции (индекс корреляции).
Эконометрический анализ при нарушении классических модельных предположений
36. Процесс, при котором факторы одновременно воздействуют друг на друга, определяется как:
37. Для определения наличия или отсутствия мультиколлинеарности применяют следующие способы: анализ матрицы коэффициентов парной корреляции; исследование матрицы.
38. Методы устранения или уменьшения мультиколлинеарности являются использование стратегии шагового отбора.
39. Содержательная оценка качества уравнения модели множественной регрессии состоит в проверке наличия экономического смысла в размере и характере влияния на исследуемый показатель каждого из объясняющих факторов, является самым ответственным этапом, завершающим регрессионный анализ.
40. Проверка статистического качества полученного уравнения модели множественной регрессии предполагает оценку: общего качества уравнения; статистической зависимости каждого параметра уравнения; наличие автокорреляции остатков.
41. Качество модели множественное регрессии оценивается по следующим направлениям:
· проверка качества уравнения регрессии;
· проверка значимости уравнения регрессии;
· анализ статистической значимости параметров модели;
· проверка выполнения предпосылок МНК.
42. При проверке адекватности уравнения множественной регрессии исследуемому процессу возможны следующие варианты: стр.62
43. Наличие (отсутствие) автокорреляции в отклонениях модели проверяют с помощью: dw-критерия Дарбина-Уотсона(стр.63)
44. При сравнении расчетного значения dw-статистики с табличным могут возникнуть такие ситуации:с 64
45. Тест Дарбина − Уотсона можно применять только в том случае, если выполняются следующие условия:
1) в регрессионном уравнении присутствует свободный член;
2) регрессоры являются нестохастическими;
3) в регрессионном уравнении нет лаговых значений зависимой переменной.
46. Для обнаружения гетероскедастичности обычно используют тесты о зависимости между дисперсией случайного члена и объясняющей переменной:
ü тест Голдфельда-Квандта;
ü тест ранговой корреляции Спирмена;
ü двусторонний критерий Фишера;
ü тест Глейзера и др.