Ökonomeetria testid vastused (0)

1.  Regressioonmudelis y=B0+B1x+u   x - eksogeenne muutuja, y - endogeenne muutuja, u - juhuslik liige  2.  Milline hinnangute omadus mida iseloomustab?  efektiivus - hinnangute hajuvust, nihe -  süstemaatilist viga, mõjusus - hinnangute koondumist suurte valimite korral  3.  Asümptootiline omadus kehtib juhul, kui valimi maht läheneb lõpmatusele 
4.   Sinised punktid - hinnangfunktsiooni A abil  saadud hinnanguid ja sinine kriipsjoon on nende  
keskväärtus. Rohelised  - funktsiooni B abil. 
Hinnang A on nihketa, Hinnang B on nihketa, 
Hinnang B on efektiivsem kui hinnang A  5.  Valimi põhjal saab leida mudeli parameetrite  hinnangud  6.  Ülikooli juhtkond soovis teada saada, kui palju tunde nädalas kulutavad üliõpilased  keskmiselt isesisvale tööle. Selleks küsitleti juhuslikult väljavalitud 50 üliõpilast. Nende 
keskmine iseseisva töö tundide arv nädalas oli 15,3.  
Tulemus 15,3 tundi nädalas on kõigi üliõpilaste keskmise nädalatundide arvu punkthinnang  7.  Statistilise hüpoteesi kontrollimisel leiti valimi põhjal teststatistiku väärtus 3,4. kriitiline  väärtus nivool 0,05 on 2,5. Kumb hüpotees tuleb vastu võtta? – Sisukas hüpotees  8.  Statistilise hüpoteesi kontrollimisel saadi teststatistiku väärtuseks 0,8. Sellele vastav  olulisuse tõenäosus on 0,07. Kumb hüpotees tuleb vastu võtta nivool 0,05? – H0  9.  Hüpoteesiks oli, et nooremad inimesed võtavad laenu rohkem. Valimite põhjal leitud  teststatistiku väärtuseks saadi 2,5, millele vastav olulisuse tõenäosus on 0,007.  Kas on 
tõestatud, et nooremad inimesed võtavad kiirlaenu rohkem? Jah, nivool 0,01  10. I liiki viga - kehtiva H0 tagasilükkamine, II liiki viga - mittekehtiva H0 vastuvõtmine    1.    (1) → log-lin mudel,     (2) → log-log mudel    (3) → hüperboolne mudel    (4) → lin-log mudel  2.  On leitud ökonomeetriline mudel  y = 3,4 + 7,8 x + u  3,4 → vabaliikme hinnang, 7,8 → tõusuparameetri hinnang, y → sõltuv tunnus, x → 
sõltumatu tunnus, u → juhuslik component  3.   Gnp kordaja = 0,901, standardviga =  0,253, olulisuse p = 0,0020, on stat 
oluline, unemp ei ole oluline, uute majade 
arvu varieerumisest seletab mudel ära 
44,5%, kui intressimäär suureneb 1 
protsendipunkti võrra, siis uute majade 
arv väheneb aastas 187 tuhande võrra  4.  Vähimruutude meetod: Regressioonmudeli parameetrite hinnangud tuleb leida nii, et  vaatlusandmete ja mudeli põhjal leitud silutud väärtuste hälvete ruutude summa on minimal  5.  Kui suure osa moodustab seletatud hajumine koguhajumisest, näitab determ. Kordaja 
6.  Kolme suuruse X, Y ja Z vahelised korrelatsioonikordajad on  rXY= 0,35, rXZ= -0,42, rYZ= -0,12. Kõige tugevam seos on X ja Z vahel  7.  Kovariatsiooni arvutusvalem 


8.  Mudeli parameetri b statistilise olulisuse kontrollimisel on t-testi sisukas hüpotees b ≠ 0 
9.  Regressioonanalüüsi käigus leitakse regressioonmudeli deterministlik komponent 
10. Kui mudeli parameetri hinnangu standardviga on suurem, siis t-statistiku väärtus on nullile  lähemal  11. E[ Y | X ] - Juhusliku suuruse Y keskväärtus sõltub juhusliku suuruse X väärtustest. 
12. Lineaarsest regressioonmudelist y=ax+b+u võib vabaliikme b eemaldada, kui:  Vabaliikmega mudelis on vabaliige mitteoluline, regressioonjoon läbib nullpunkti, Ilma 
vabaliikmeta mudeli korral peab regressioonijääkide summa olema 0.  13. Vähimruutude meetodi korral  minimeeritakse hälvete ruutude summat. 
Millisel joonisel on need hälbed 
vaatlusandmete ja regressioonjoone vahel 
õigesti märgitud? – joonis B  14. Kui kahe juhusliku suuruse kovariatsioon =0, siis need suurused on sõltumatud? – Väär    1.  Mudel y=4,5−2,5x1+3,4x2+u  Kordaja -2,5 tõlgendus – Kui x1 suureneb ühiku võrra ja x2 jääb samaks, siis y väheneb 2,5 võrra  2.  Mudeli y=5,8+2,3x1−4,5x2+u, testid näitasid, et tunnus x2 on mitteoluline. Kas võib siis  mudeli kirjutada kujul y=5,6+2,3x1+u?  - Ei, tuleb hinnata uuesti ilma x2  3.  Mis võib põhjustada selle, et mudeli hindamisel mingi seletav tunnus on statistiliselt  mitteoluline? tunnus ei sobi mudelisse, valimi maht on liiga väike, esineb multikollineaarsus, 
tunnuste arv k on suur ja valimi maht n väike, st vabadusastmete arv n-k on väike.  4.  F-testi olulisuse tõenäosus = 0,006738      5.  Kui mudelisse lisada uusi tunnuseid, siis determinatsioonikordaja alati suureneb 
6.  Korrigeeritud determinatsioonikordaja = 0,440525     7.  Kas mudelit  y = a + b/x + u saab hinnata, kasutades harilikku vähimruutude meetodit?  jah, sest see on parameetrite suhtes lineaarne  8.  Milliste lineaarse mudeli eelduste rikkumine põhjustab nihke parameetrite hinnangutes?  rikutud on eksogeensuse tingimus, st regressorid ja juhuslikud liikmed pole sõltumatud  9.  Millised klassikalise lineaarse mudeli eeldused saab võtta kokku ühte lausesse:  "Juhuslikud liikmed peavad olema jaotunud ühtlaselt ja sõltumatult keskväärtusega 0 ning 
konstantse dispersiooniga σ2" lühidalt - iid (Independent and Identically Distributed) 
juhuslike liikmete keskväärtus = 0, homoskedastiivsus, juhuslike liikmete autokor puudumine  10. Näiv regressioon võib tekkida kui regressioonmudeli hindamisel kasutatakse  mittestatsionaarseid aegridu  11. Kui regressiooni juhuslike liikmete dispersioon ei ole konstantne, siis esineb heteroskedast. 
12. Kui esineb heteroskedastiivsus, siis parameetrite hinnangud on nihketa, parameetrite  standardvead on valed  13. Heteroskedastiivsuse testimiseks kasutati White'i testi. Järeldus - Heteroskedastiivsust ei  esine   p>0,05  14. Heteroskedastiivsuse testimiseks kasutatakse White'i testi.  Testi tegemisel hinnatakse  abiregressiooni mudelit, kus seletavateks tunnusteks on algse mudeli regressorid, nende 
ruudud ja korrutised. Sõltuvaks tunnuseks on jääkliikmete ruudud u^2i 


15. Kui esineb heteroskedastiivsus, võib kasutada kohandatud standardvigu - kohandatud  standardvigade arvutamisel arvestatakse, et heteroskedastiivsus suurendab standardvigu 
  1.  Autokorrelatsiooni kordaja r ning Durbin-Watsoni statistiku DW väärtused vastavuses:   r=0 → DW=2, r=-1 → DW=4, r=1 → DW=0  2.  Kuidas Durbin-Watsoni statistiku DW väärtus iseloomustab autokorrelatsiooni:   Kui DW≈ 2 → autokorrelatsioon puudub, Kui 0 ≤ DW < 2 → esineb positiivne 
autokorrelatsioon, Kui 2 < DW ≤ 4 → esineb negatiivne autokorrelatsioon  3.     
 
 
 
 
                                                      graafik A → omapärane vaatlus,  graafik B → erind,   graafik C → mõjus vaatlus   
  4.  erind → sõltuva tunnuse tegelik väärtus erineb väga palju mudelväärtusest,  omapärane vaatlus → ühel või mitmel seletaval tunnusel on ekstreemne väärtus  5.  Kui esineb jääkliikmete 1. järku autokorrelatsioon, võib püüda vabaneda lisades tunnuseid,  viitaegu, kasutada autokor eemaldamise protseduuri, kasutada kohandatud standardvigu  6.  Regressioonmudeli yt=b1+b2x2t+b3x3t+ut jääkliikmete autokorrelatsiooni Breusch-Godfrey  testi korral hinnatakse vastavat mudelit, salvestatakse jäägid ja siis hinnatakse 
abiregressiooni, kus sõltuvaks tunnuseks on regressiooni jäägid, seletavateks tunnusteks 
esialgse mudeli regressorid jne u^t=γ1+γ2x2t+γ3x3t+.... Mis on veel abiregressiooni 
seletavateks tunnusteks? jääkide viitajad u^t−1,u^t−2...  7.  Durbin-Watsoni statistiku väärtus on 1,3. Alumine kriitiline väärtus  1,4 ja ülemine kriitiline  väärtus 1,6. - esineb positiivne autokorrelatsioon  8.  Durbin-Watsoni statistiku puudused - teatud väärtuste korral pole võimalik otsustada, kas  autokorrelatsioon esineb või mitte, sõltub ainult vahetult üksteisele järgnevatest 
jääkliikmetest ut ja ut-1  9.  Kui esineb autokorrelatsioon, siis parameetrite hinnangud on nihketa, parameetrite  standardvead on valed  10. Jääkliikmete autokori testimiseks kasutati  Breusch-Godfrey testi. uhat1 p<0,05 - esineb  
1. järku autokorrelatsioon  11. H0, kui testitakse regressiooni jääkliikmete  allumist normaaljaotusele - jäägid allluvad normaaljaotusele  12. Kui regressiooni jääkliikmed ei allu normaaljaotusele, siis tõenäoliselt on välja jäänud mõni  oluline tunnus, sest kui välja jäänud tunnustel on kõigil ühtemoodi väike erisuunaline mõju, 
siis peaks jääkliikmetel esinema normaaljaotus, väikese valimi korral ei allu testimisel 
kasutatavad statistikud standardsetele jaotustele (t-jaotus, F-jaotus)  13. Vaatluse omapära hi näitab i-nda vaatluse mõju sama vaatluse sõltuva tunnuse Y hinnangule 
14. Kohandatud standardvigade kasutamisel eemaldatakse mudeli jääkliikmete autokor – väär   


1.  Mis probleem tekib regressioonmudeli y=b1+b2x2i+b3x3i+b4x4i+b5x5i+u hindamisel, kui  tunnuste x3, x4 ja x5 vahel on deterministlik lineaarne seos a1+a3x3+axx4+a5x5=0  
mudelit ei saa hinnata, sest parameetrite leidmine on matemaatiliselt võimatu  2.  Multikollineaarsuse hindamiseks kasutatakse varieeruvusindeksit VIF, mille abil hinnatakse  abiregressiooni, kus valitud seletav tunnus on avaldatud ülejäänud  tunnuste kaudu.    3.  Peale mitmese mudeli hindamist viidi läbi multikollineaarsuse hindamine VIF-ga. Ühe  regressori korral tuli VIF väärtus 13. Kas seda mudelit võib kasutada? Kui parameetrite 
märgid on loogilised ja tunnused on statistiliselt olulised, siis võib.              4.  Multikollineaarsuse vähendamiseks võib kahe koll tunnuse asemel kasutada nende suhet,  jätta koll tunnus mudelist välja, suurendada valimi mahtu, kasutada paneelandmeid      5.  Kui Chow testi tulemuseks on nullhüpotees, siis mubeli parameetrid on stabiilsed 
6.  Sooviti kontrollida, kas arenenud riikide ja arengumaade korral võivad mudeli parameetrid  olla äkki erinevad. Millist testi tuleb kasutada?  - Chow test  7.  Peale regressioonmudeli yi=b1+b2x2i+b3x3i+b4x4i+ui hindamist soovitakse testida, kas  b1=b2=0 Mitu kitsendust siis peale pannakse? - 2  8.  Kas võib panna peale kitsenduse  SKPmuut = 0 ja seda võib eemaldada? – ei, mudel halveneb    9.  Kui oluline tunnus on mudelist välja jäänud on halvem spetsifikatsiooniviga ja tekitab  rohkem probleeme kui mudelisse on võetud mitteoluline tunnus.  10. Mudelist tuleks ükshaaval eemaldada  mitteolulised tunnused. Milline tunnus 
tuleb eemaldada esimesena? - DE2     11. Elektrijaamade  kulufunktsiooni 
hindamiseks kasutati 
lineaarset mudelit costsi=b1+b2kwhi+ui Seejärel testiti RESET testiga, kas mudeli kuju on 
õige, testi aruanne on toodud. Milline on järeldus? – mudeli kuju on vale 
  1.  Isikuküsitluses kvalitatiivsed tunnused: perekonnaseis, kodakondsus, seisund 
2.  Valimis on ettevõtted 20 tegevusalalt. Mitu tegevusalale vastavat fiktiivset tunnust tuleb  mudelisse lisada? – 19  3.  Fiktiivse tunnuse kordaja näitab vastava kategooria vabaliikme erinevust baaskategooria  vabaliikmest  4.  Hinnati mudelit, milles oli 2 kvantitatiivset seletavat tunnust ja üks kvalitatiivne seletav  tunnus. Kvalitatiivne seletava tunnus omas kolme erinevat kategooriat. Saadi järgmine 
mudel y=45+10D2−3,5D3+18x+u , mudeli parameeter 45 näitab baaskategooria vabaliiget  5.  Mitu kvalitatiivset tunnust võib regressioonmudelisse panna?   sõltub valimi mahust ja kvalitatiivsete tunnuste kategooriate koguarvust  6.  Erasektorile - SE ja mittetulundussektor - SMT, avalik sektor on baaskategooria.  ln(palk)=......−0,095SE−0,3205SMT+...+u 
Millises sektoris oli selle mudeli järgi palk kõige suurem? – avalik sektor 


7.  Hinnati kahe seletava tunnusega regressioonmudelit, tulemus y=1010,4+12,58x1−10,68x2+u  Peale mudeli hindamist 
viidi läbi struktuursete 
muutuste testimine. 
Kasutati Chow testi ja 
testimist fiktiivsete 
tunnuste abil. Gretlis läbi 
viidud testi aruanne on allpool. Millised parameetrid muutuvad? Tunnuse X1 kordaja  8.  Isikuküsitlusel küsiti vastaja sugu, laste arvu ja sissetulekut. Edasi sooviti analüüsida, kas  sissetuleku modelleerimisel esineb tunnuste "sugu"  ja "laste arv" koosmõju. Selle 
analüüsimiseks mudelisse tuleb lisada uus tunnus, mis on nende korrutis: sugu*laste arv  9.  Sooviti uurida, kas esineb nädalasisene sesoonsus. Mitu fiktiivset tunnust tuleb mudelisse  lisada, kui börsiindeksi korral on nädala pikkus 5 päeva? – 4  10. Modelleeriti sõltuva tunnuse y sõltuvust kahest seletavast tunnusest x1 ja x2 ning  kvartaalsest sesoonsusest. Mudeliks saadi y=15+3D2−5D3+7D4+9x1+3x2+u. Mitme ühiku 
võrra on y väärtus 2. kvartalil suurem kui 3. kvartalil, kui x2 ja x3 väärtused on samad? – 8 
15+3-5*0+7+9+3 = 37    15+3*0-5+7+9+3 = 29    37-29=8    1.  Kui nihkeoperaator on L, siis milliste nihkeoperaatori algebraliste kobinatsioonidega saab  tekitada järgnevaid avaldisi  
yt−1 = Lyt  yt−4  = L4yt  yt−yt−1 = (1-L)yt  ut+0,2ut-1 = (1+0,2L)ut  2.  Juhuslik protsess on protsess, mille korral juhuslik suurus Y võib erinevatel ajamomentidel  omada erineva tõenäosusega erinevaid väärtusi  3.  Juhusliku protsessi üks realisatsioon on süsteemi olekute järjestus ajas 
4.  Ühel kindlal juhuslikul protsessil võib olla üalju erinevaid realisatsioone 
5.  Juhuslik ekslemine on mäluga protsess 
6.  Valge müra on mäluta protsess 
7.  1 – valge müra, 4 – juhuslik ekslemine      8.  Keskmist taset näitab keskväärtus, hajumist kirjeldab dispersioon, juhusliku suuruse  erinevate väärtuste vahelist statistilist seost – kovariatsioon  9.  Juhusliku protsessi keskväärtus on E[yt]=μ. 1. järku autokovi valem E[(yt−μ)(yt−1−μ)] 
10. Kui juhusliku suuruse väärtused yt ja yt-i on sõltumatud, siis Cov(yt, yt-i )=0 
11. Juhuslik protsess on rangelt statsionaarne, kui vastava juhusliku suuruse tõenäosus ajas ei  muutu ja nõrgalt statsionaarne, kui tema tõenäosuslikud omadused ei muutu ajas.  12. Juhuslik protsess on nõrgalt statsionaarne, kui keskväärtus, dispersioon ja kovariatsioon on  konstantsed  13. Kui juhuslikul suurusel on igal ajamomendil erinev tõenäosusjaotus, siis on tegemist  mittestatsionaarse protsessiga  14. Valge müra korral on igale ajahetkele t vastavad juhusliku suuruse väärtused üksteisest  sõltumatud, konstantse keskväärtusega ja dispersiooniga  15. 1 – positiivne autokor     2 – negatiivne autokor 
3 – positiivne autokor    4 – autokor puudub       


16. Autokorrelatsioonifunktsioon on autokorrelatsioonikordaja sõltuvus viitajast 
17. Autokorrelatsiooni esinemisel ajamomendile t vastav aegrea väärtus yt võib sõltuda  kõikidest varasematest väärtustest  18. Osaline autokorrelatsioon mõõdab korrelatsiooni yt-k ja yt vahel, kusjuures vahepealsete  väärtuste mõju on elimineeritud  19. ACF on autokorrelatsiooni funktsioon, PACF osalise autokorrelatsiooni funktsioon, Q-stat on  Box- Ljungi statistik ja p-value on selle statistiku olulisuse tõenäosus.  20. Autokorrelatsioon ei esine    => 
21. Kui aegrea liikmed sõltuvad sama  aegrea eelnevatest liikmetest, on 
tegemist autoregressiivse protsessiga  22. Kas aegrida yt=3+1,5yt-1+ut on  statsionaarne või mitte? – Mitte, kordaja 1,5 >1.  23. AR(p) protsessi keskväärtuse valem?  μ=c/1−∑pi=1ϕi  24. MA (q) protsess on alati statsionaarne 
25.  (1)yt=2,3+ut+0,5ut−1  MA(1)  (2)yt=0,1+0,3yt−1−0,2yt−2+ut  AR(2)  (3)yt=−2−0,4yt−1+ut+1,5ut−1  ARMA(1,1)  (4)yt=0,9yt−1+ut  AR(1)   
  1.  Kui Chow testi korral tuleb vastu võtta nullhüpotees, siis struktuurseid muutusi ei esine ja  võib panna peale kitsenduse, et parameetrid on ühesugused  2.  White test – homoskedastiivsus, Chow test – struktuursed muutused, Jarque-Bera test –  juhuslike liikmete normaaljaotumus, RESET test – mudeli funktsionaalne kuju  3.  Heteroskedastiivsuse mõju regressioonmudeli parameetrite hinnangutele - hinnangud ei ole  efektiivsed, parameetrite usalduspiirid tulevad valed  4.  Jarque-Bera testi korral teststatistik leitakse asümmeetriakordaja ja püstakuse põhjal,  nullhüpoteesiks on, et juhuslikud liikmed alluvad normaaljaotusele  5.  Kitsenduste testimiseks hinnati kitsendatud ja kitsendamata mudelit. Kumb  mudel on  kitsendatud?  (1) yi=b1+b2x2i+b3x3i+b4x4i+ui, (2) yi=b1+b2x2i+b4x4i+ui  - Mudel (2)  6.  Vähimruutude meetodi kasutamiseks peab mudel olema lineaarne parameetrite suhtes 
7.  Kui hinnangu keskväärtus võrdub parameetri tegeliku väärtusega, siis hinnang on nihketa 
8.  Kui mudelist on välja jäänud oluline tunnus, nihkega on ainult nende tunnuste kordajad, mis  on korrelatsioonis välja jäänud tunnusega.  9.  Kui mingi regressori väärtused valimis on kõikidel objektidel täpselt ühesugused  vähimruutude meetodit ei saa kasutada  10. Kui mudel on statistiliselt oluline, aga ükski tunnus ei ole statistiliselt oluline, on tõenäoliselt  tegemist multikollineaarsusega. Võimalikku heteroskedastiivsust ja jääkliikmete allumist 
normaaljaotusele selle aruande põhjal hinnata ei saa.  11. Mudelis olevate fiktiivsete tunnuste arv peab olema 1 võrra väiksem kvalitatiivse tunnuse  väärtuste arvust.  12. Mida suurem on regressioonmudeli jääkhajuvus, võrreldes seletatud hajuvusega, seda  suurem on ka mudeli F-statistik. – Väär   


1.  Fiktiivseid tunnuseid kasutatakse seletavate kvalitatiivsete tunnuste korral, struktuursete  muutuste testimisel, valimis olevate erindite modelleerimiseks, sesoonsuse 
modelleerimiseks.  2.  Milles seisneb rekursiivne hindamine? Mudeli hindamine toimub palju kordi, alates väiksest  valimist ja järjest suurendatakse valimi mahtu  3.  Esialgse mudeli hindamisel oli Durbin-Watsoni statistiku väärtus 0,8. Peale seletavate  tunnuste lisamist sai 1,7. Järelikult jääkliikmete autokorrelatsioon vähenes.  4.  Milline test võimaldab kontrollida kas mudeli kuju on õige? RESET 
5.  Kas on õige et kui kahe juhusliku suuruse vaheline kovariatsioon=0, siis need suurused on  sõltumatud? Väär  6.  Mis võib põhjustada mudeli mõne parameetri mitteolulisuse? Vastav tunnus ei sobi  mudelisse, valimi maht on liiga väike, esineb multikollineaarsus  7.  Kolme suuruse korrelatsioonikordajad on rxy=0,35 rxz=-0,42 ryz=-0,12 tugevam seos on x ja  z vahel  8.  Valimvaaltuse korral parameetrite hinnangud on juhuslikud suurused, erinevad valimid  annavad erinevad parameetrite hinnangud  9.  Millist testi kasutatakse kitsendamata ja kitsendatud mudeli võrdlemiseks? F-test 
10. Toodud on regressioonmudeli jääkliikmete aegrida.  Mida võib selle diagrammi põhjal öelda jääkliikmete 
autokorrelatsiooni kohta?  Esineb positiivne 
autokorrelatsioon 
  1. Aegrea modelleerimisel ARMA mudeliga on oluline, et jäägid moodustaksid valge 
müra. Selle kontrollimiseks testitakse autokorrelatsiooni puudumist jääkide aegreas  2. Joonisel on toodud ühe aegrea korrelogrammid.    
Millise protsessiga on tegemist?  
 AR(1)  3. Joonisel on toodud ühe aegrea korrelogrammid. 
Millise protsessiga on tegemist?  
MA(2)  4. Aegrea modelleerimisel prooviti läbi erinevad 
ARMA(p,q) mudelid ja iga mudeli korral registreeriti Akaike 
informatsioonikriteeriumi AIC väärtus. Need väärtused on toodud tabelis. 
Järgu p erinevad väärtused on erinevates ridades ja järgu q väärtused veergudes. Milline 
ARMA mudel sobib selle aegrea modelleerimiseks?  AIC 
p/q 0  1  2 
0  590 585 570 
1  579 571 565 
2  581 575 570  Sobivaim mudel on ARMA (2,1) 


5. Ühe aegrea modelleerimiseks kasutati kolme erinevat ARMA mudelit. Parima mudeli 
valikuks kasutati Akaike informatsioonikriteeriumit AIC. Vastavad AIC väärtused 
AR(1)  AIC=56           AR(2)  AIC=25        ARMA(2,1)  AIC= - 125 
Milline on parim mudel?  ARMA(2,1)  6. Akaike informatsioonikriteeriumi valem on  AIC=ln(σ2)+2k/T, kus σ2 on jääkliikmete  dispersioon, k parameetrite arv mudelis ja T aegrea pikkus.  Kas on õige väide, et kui 
muud parameetrid on samad, siis pikema aegrea korral on Akaike 
informatsioonikriteerium suurem?  „Väär“.  7. Aditiivse sesoonsuse korral [leitakse sesoonsed differentsid] 
Multiplikatiivse sesoonsuse korral [kasutatakse sesoonseid AR ja MA liikmeid]  8. Milline sümbol sesoonse ARIMA tähistuses mida tähistab? 
ARIMA(p,d,q)×(P,D,Q)S  q → mittesesoonse MA järk, p → mittesesoonse AR järk, D → sesoonse diferentsimise 
järk, P → sesoonse AR järk, Q → sesoonse MA järk, d → mittesesoonse diferentsimise järk  9. Aegrea mudel on  yt=10+0,2yt−1+ut, kus t loendab kuusid.   
Kui aprillikuu väärtus on 100, siis maikuu prognoos on 30 ja juunikuu prognoos 16  
 
10.  Milline valem millisele prognoosiveale vastab?     11. Kahe erineva aegrea (kodumajapidamiste laenude jääk ja intressimäär) jaoks leiti 
kummagi jaoks sobiv ARIMA mudel, mida kasutati nende väärtuste prognoosimiseks. 
Milliseid näitajaid saab kasutada vastavate ARIMa mudelite prognoosimisvõime 
võrdlemiseks?  keskmine suheline absoluutviga MAPE, keskmine suhteline viga MPE 
12. Aegrea mudeli prognoosimisvõime hindamisel oli Theili U väärtus 1,2. Järeldus:  
mudeli abil tehtud prognoos on halvem kui naiivne prognoos    1.  Kuidas juhusliku šoki mõju aja möödudes muutub?   
Statsionaarse protsessi korral → väheneb, 
Mittestatsionaarse protsessi korral → jääb samaks 
 


2.  Kui mittestatsionaarsete aegridade x ja y vahel viia läbi  regressioonmudeli  yt=a+bxt+ut hindamine, siis parameetrite t-statistikud ei allu t- jaotusele, mudeli olulisuse testimiseks kasutatav F-statistik ei allu F-jaotusele  3.  Milliseid mudeleid võib kasutada ühikjuure testimisel?  ilma konstandita, konstandiga, konstandi ja lineaarse trendiga, konstandi ja 
plünoomse trendiga  4.  Juhusliku ekslemise üldistamisel vaadeldakse mudelit yt=ρyt−1+ut    Millise protsessiga on tegemist, kui  
|ρ| =1 → ühikjuure protsess, 
|ρ| >1 → plahvatuslik protsess, 
|ρ| <1 → statsionaarne protsess  5.  Ühikjuure testimiseks kasutatava Dickey-Fuller testi korral hinnatakse mudelit   Δyt=δyt−1+utΔyt=δyt−1+ut      Kui ühikjuur esineb, siis δ =0  6.  Ühikjuure testimiseks aegrea CAN  korral tuli kasutada konstandiga 
mudelit, mille aruanne on toodud. 
Kas aegrida on mittestatsionaarne 
või statsionaarne? 
mittestatsionaarne  7.  Kui aegrida on 2. järku  integreeritud, siis aegrea tase 
on mittestatsionaarne, 1. järku diferentside aegrida on mittestatsionaarne, 2. järku 
diferentside aegrida on statsionaarne  8.  Diferents-statsionaarne ja trend-statsionaarne mudel annavad prognoosimisel  erinevad tulemused.  9.  Kaks aegrida on kointegreeritud, kui on täidetud järgmised tingimused:  mõlema aegread on mittestatsionaarsed, nende kointegratsiooni jääkliikmete aegrida 
on statsionaarne  10. Pikaajaline tasakaal mittestatsionaarsete majandussuuruste vahel tähendab, et nende  lineaarne  kombinatsioon peab olema statsionaarne. Sellisel juhul on aegread  kointegreeritud.  11. Kas kointegratsioon võib esineda ka rohkem kui kahe aegrea vahel?   Jah   
  1.  Paneelandmed annavad rohkem varieeruvust, vähem kollineaarsust, hinnangute  suurema efektiivsuse, võimaluse eristada dünaamilisi efekte staatilistest, rohkem 
vabadusastmeid  2.  Paneelandmete korral eeldatakse, et individuaalne heterogoneensus on ajas  konstantne  3.  Milliseid erinevusi võimaldab modelleerida  fikseeritud efektide mudel → aditiivseid, juhuslike efektide mudel → aditiivseid  4.  Gruppide vahelised erinevused võivad erinevat liiki. Millisel juhul milline erinevus  gruppide vahel on? 
(1)y=b1+ax+u,y=b2+ax+u,y=b3+ax+u     aditiivne erinevus 
(2)y=b+a1x+u,y=b+a2x+u,y=b+a3x+u     multiplikatiivne erinevus 
(3)y=b1+a1x+u,y=b2+a2x+u,y=b3+a3x+u    korraga mõlemad 
 


5.  Grunfeldi investeerimisfunktsiooni korral modelleeriti investeeringute INV sõltuvust  ettevõtte turuväärtusest TV ja põhivarast PV. Esitatud on LSDV mudeli aruanne.   Kui turuväärtus ja põhiväärtus on samad, siis 
1) kõige suuremad investeeringud on ettevõttel 3 
2) kõige väiksemad investeeringud on ettevõttel 1 
3) ettevõtte 2 investeeringud on ettevõtte 1 omast 
suuremad 162 ühiku võrra 
4) ettevõtte 4 investeeringud on ettevõtte 2 omast 
suuremad 25 ühiku võrra   6.  Grupisisene mudel modelleerib varieerumist  ümber grupikeskmiste  7.  Esitatud on Grunfeldi investeerimisfunktsiooni fikseeritud efektiga grupisisese mudeli  aruanne. Mille järgi võime väita, et FE mudel on parem kui ühendatud mudel? Test for 
differing group intercepts  8.  Millised väited kehtivad fikseeritud efektiga mudeli kasutamisel?  Grupisisese FE mudeli kasutamisel ei saa seletavateks tunnusteks olla ajas 
konstantsed tunnused.  9.  FE mudeli hinnangud on alati mõjusad, RE mudeli hinnangud on alati efektiivsed 
10. Esitatud on Grunfeldi investeerimisfunktsiooni juhusliku efektiga mudeli aruanne.  Mille järgi võime väita, et RE mudelit võib kasutada? Hausman test, Joint test on 
named regressors  11. Juhusliku efektiga RE mudelit võib kasutada, kui Hausmani testi tulemuseks on  nullhüpotees  12. Ka FE mudeliga saab korraga modelleerida nii grupiefekti (erinevused objektide  vahel) ja ajaefekti (erinevused ajamomentide vahel)? Jah    1.  Sea vastavusse tunnuse väärtuste komplekt ja tunnuse liik  ettevõtte suurus: väike, keskmine, suur → järjestatud kvalitatiivne 
tunnus, ettevõtte omandivorm → järjetamata kvalitatiivne tunnus, 
kas ettevõte on pankrotiohus või ei ole → binaarne tunnus, 
ettevõtte krediidireiting AAA, AA, A,, B → järjestatud kvalitatiivne tunnus  2.  Binaarse tunnuse Y modelleerimiseks kasutati lõenäosusmudelit. Mida see mudel  võimaldab leida? väärtuse y=1 tõenäosust  3.  Tõepärafunktsioon näitab antud valimi esinemise tõenäosust etteantud jaotuse  parameetrite korral.  4.  Tõepärafunktsiooni maksimeerimisel otsitakse sellist jaotuse parameetrite vektorit,  mille korral on antud valimi saamise tõenäosus maksimaalne  5.  Milliste mudelite parameerite hinnangute leidmiseks saab kasutada suurima tõepära  meetodit? harilik lineaarne mudel, mittelineaarne mudel, tõenäosusmudel  6.  Binaarse logit mudeli korral logit on lineaarne seletavate tunnuste ja nende  kordajate suhtes, mittelineaarne tõenäosuse suhtes  7.  Binaarse logit mudeli korral sõltub tõenäosuse marginaalväärtus seletava  tunnuse x1 suhtes kõigi teiste seletavate tunnuste  kordajatest ja nende väärtustest 
konkreetse objetki korral  8.  Kui on teada logiti Λ väärtus, siis tõenäosuse P saab arvutada valemist P=1/1+e^−Λ 


9.  Konkreetse objekti väärtustele vastav logit on negatiivne. Sellisel juhul selle objekti  binaarse tunnuse mudelväärtus on 0  10. Šanss on tõenäosus, et sündmus toimub, jagatud tõenäsosusega, et sündmus ei  toimu  11. Binaarse logit mudeli korral mingi seletava tunnuse x1 muutumisel ühiku võrra  šansside suhe sõltub ainult selle seletava tunnuse kordajast θ1  12. Peale binaarse logit mudeli hindamist saadi, et logit Λ=-0,45 + 0,15 x1 + 0,35x2  Millega võrdub šansside suhe, kui x2 suureneb ühiku võtta? E^0,35  13. Tõepära indeksit ehk McFaddeni R2 võib kasutada erinevate logit mudelite  võrdlemiseks, erinevate tõenäosusmudelite võrdlemiseks  14. Millel põhineb  McFaddeni R2 arvutus? logaritmilisel tõepärafunktsioonil, õigete ja  valede prognooside osakaalul  15. Peale binaarse logit mudeli hindamist kuvati tabel  õigete ja valede prognooside arvudega. Milline 
arvutus annab meile mudeli tundlikkuse? 
360/68+360  
  1.  Milllise sõltuva tunnuse korral sobib kasutada multinominaalset logit mudelit?  transpordivahendi valik tööle sõitmiseks: auto, buss, rong, jalgratas, 
valik peale gümnaasiumi lõpetamist: Eesti avalik ülikool, Eesti eraülikool, välismaale 
õppima, tööle, töötu  2.  Sõltuv tunnus Y on mõõdetud nimiskaalas ja sel on kolm väärtust. Väärtused on  kodeeritud 1, 2, 3 Hindamiseks kasutatai 
multinominaalset logit mudelit, milels on 3 
seletavat tunnust. Mudeli aruanne: 
x1 suurenedes valiku 2 tõenäosus, 
võrreldes valiku 1 tõenäosusega suureneb, 
x3 suurenedes valiku 2 tõenäosus, 
võrreldes valiku 1 tõenäosusega väheneb  3.  Normeerimist on multinominaalse logit  mudeli korral vaja selleks, et kõigi valikuvariantide tõenäosuste summa oleks 1  4.  Mida tähendab on multinominaalse logit mudeli korral sõltumatus irrelevantsetest  alternatiividest? Kahe valiku tõenäosuste suhe ei sõltu teistest valikutest.  5.  Milllise sõltuva tunnuse korral sobib kasutada järjestatud probit mudelit?   investori riskitaluvus: konservatiivne, mõõdukas, agressiivne 
isiku hinnang valitsuse tegevusele: väga halb, halb, hea, väga hea, 
ettevõtte krediidireiting  6.  Y on järjestusskaalas mõõdetud tunnus, millel on 4 erinevat väärtust:  valik 1, valik 2, valik 3, valik 4  
Tunnuse Y modelleerimiseks kasutati järjestatud probit mudelit. Kuidas mõjutab 
valitud seletava tunnuse suurenemine valikute tõenäosusi, kui selle seletava kordaja 
märk on negatiivne? Valiku 1 tõenäosus suureneb, Valiku 4 tõenäosus väheneb  7.  Y on järjestusskaalas mõõdetud tunnus, millel on 4 erinevat väärtust: 1, 2, 3, 4  Tunnuse Y modelleerimiseks kasutati järjestatud probit mudelit. Lõikepunktide 
hinnaguteks saadi järgmised väärtused: 1. lõikepunkt 0,5 2. lõikepunkt 1,5 
3. lõikepunkt 3 


Ühe konkreetse vaatluse korral tuli latentse tunnuse väärtus 1,2. Milline on selle 
vaatluse korral Y mudelväärtus – 2  8.  Millal on tegemist tsenseeritud tunnusega?  Seletavate tunnuste väärtused on kogu valimis, kuid sõltuva tunnuse väärtused 
osadel vaatlustel puuduvad.  9.  Tobit mudelit kasutatakse tsenseeritud tunnuse modelleerimiseks 
10. Tobit mudel kirjeldab korraga tõenäosust, et y=0, y jaotust tingimusel, et y>0