Математическое моделирование экономических систем. Методы и модели прогнозирования временных рядов экономических показателей. Метод Ирвина. Соотношение Брауна. Соотношение Мейера. Модель прогнозирования. Метод авторегрессии. Средняя относительная ошибка оценки. Среднее линейное отклонение

Индивидуальные онлайн уроки: Отправьте запрос сейчас: ut2018@protonmail.com    
Математика (ЕГЭ, ОГЭ), Английский язык (разговорный, грамматика, TOEFL)
Решение задач: по математике, IT, экономике, психологии





Контрольные вопросы

к лекции № 5 «Методы и модели прогнозирования временных рядов

экономических показателей»

по предмету

«Математическое моделирование экономических систем»

 

 

1. Модель прогнозирования называется аддитивной, если временной ряд представлен в виде:

 

А) разложения на компоненты – главная тенденция, сезонные колебания, циклические колебания и случайная составляющая;

 

Б) произведения составляющих компонентов;

 

В) суммы составляющих компонентов.

 

 

2. Модель прогнозирования называется мультипликативной, если временной ряд представлен в виде:

 

А) разложения на компоненты – главная тенденция, сезонные колебания, циклические колебания и случайная составляющая;

 

Б) произведения составляющих компонентов;

 

В) суммы составляющих компонентов.

 

 

            3. Для проверки гипотезы о существовании тренда временного ряда используется:

 

А) критерий «восходящих и нисходящих» серий; 

 

Б) метод Ирвина;

 

В) критерий Дарбина-Уотсона.

 

 

            4. Для выявления аномальных уровней временных рядов используется:

 

А) критерий «восходящих и нисходящих» серий; 

 

Б) метод Ирвина;

 

В) критерий Дарбина-Уотсона.

 

 

5. К числу методов, учитывающих неравнозначность данных, можно отнести:

 

А) методы, основанные на разложении временного ряда на компоненты: главная тенденция (тренд), сезонные колебания, циклические колебания и случайная составляющая;           

                                           

Б) методы, основанные на построении многофакторных корреляционно-регрессионных моделей;

 

В) метод авторегрессии с последующей адаптацией коэффициентов уравнения, метод взвешенных отклонений.

 

 

6. Фильтрация исходного динамического ряда включает процедуру:

 

А)  сглаживания исходного динамического ряда; 

 

Б)  выравнивания исходного динамического ряда;

 

В) и А), и Б).

 

 

7. Для приближенной оценки параметра экспоненциального сглаживания используется:

 

А)  соотношение Брауна и соотношение Мейера; 

 

Б)  критерий Дарбина и Уотсона;

В) коэффициент автокорреляции.

 

 

8. Модель прогнозирования считается лучшей со статистической точки зрения, если она:

 

А) является адекватной;

 

Б) наиболее точно описывает исходный динамический ряд;

 

В) и А), и Б).

 

 

9. Модель прогнозирования считается адекватной, если она:

 

А) учитывает существенную закономерность исследуемого процесса;

 

Б) характеризуется наличием и учетом определенных статистических свойств остаточной компоненты;

 

В) и А), и Б).

 

 

            10. Характеристиками точности математической модели прогнозирования являются:

А) оценка стандартной ошибки, средняя относительная ошибка оценки;

 

Б) среднее линейное отклонение, ширина доверительного интервала в точке прогноза;

 

В) и А), и Б).