Ekonomická data a analýza II.

Při odhadu regresních parametrů pomocí metody nejmenších čtverců minimalizujeme. součet čtverců odchylek hodnot vysvětlované proměnné od jejich průměrů. součet čtverců odchylek hodnot vysvětlující proměnné od hodnoty regresní funkce. součet čtverců odchylek hodnot vysvětlované proměnné od hodnot na regresní funkci.

Správná interpretace testů diagnostické kontroly vhodného modelu časových řad je. reziduální složka modelu není autokorelovaná, je homoskedastická a má normální rozdělení. rezidua modelu nejsou autokorelovaná, jsou homoskedastická a mají normální rozdělení. nesystematická složka modelu není autokorelovaná, je homoskedastická a má normální rozdělení.

Chowův předpovědní test slouží k testování. kvality předpovědí ex ante. kvality předpovědí ex post s předpověďmi ex ante. kvality předpovědí ex post.

Vícerovnicový model vícerozměrných časových řad použijeme v případě. yt a xt jsou endogenní. yt je exogenní a xt je endogenní. yt je endogenní a xt je exogenní.

Dvě časová řady jsou kointegrované pokud. zařazení vysvětlující časové řady I=0 do modelu, kde je vysvětlovaná časová řada také I=0 nesnižuje integrační řád vysvětlovaného procesu. zahrnutí vysvětlující časové řady I=1 do modelu, kde je vysvětlovaná časová řada také I=1 nesnižuje integrační řád vysvětlovaného procesu. zařazení vysvětlující časové řady I=1 do modelu, kde je vysvětlovaná časová řada také I=1 snižuje integrační řád vysvětlovaného procesu.

Stochastický proces je slabě stacionární platí-li pro všechna t, že. kovariační a korelační funkce závisí pouze na časové vzdálenosti náhodných veličin a střední hodnota a rozptyl jsou konstantní, nezávisí na čase t. kovariační a korelační funkce závisí pouze na časové vzdálenosti náhodných veličin. střední hodnota a rozptyl jsou konstantní a závisí na čase t.

V případě zdánlivé regrese mezi časovými řadami existuje. pouze krátkodobý vztah. neexistuje dlouhodobý vztah, může ale existovat vztah krátkodobý. neexistuje žádný vztah.

Fixní efekty. kovariace není nulová. ?.

Závislost veličiny y na vysvětlující veličině x je popsána regresní přímkou rovnoběžnou a osou x. Potom pro velečiny x a y platí. Vyberte jen jednu z následujících možných odpovědí. Veličiny jsou lineárně závislé funkčně, intenzita závislosti je 1. Veličiny jsou lineárně závislé funkčně, intenzita závislosti je 0. Velečiny jsou lineárně nezávislé, intenzita závislosti je 0.

Statistická významnost odhadnutého parametru regresního modelu závisí na: Vyberte jen jednu z následujících možných odpovědí. Počtu pozorování. Jeho variabilitě. Celkovém počtu proměnných v modelu.

Stacionární stochastický proces je tvořen náhodnými veličinami generovanými: Vyberte jen jednu z následujících možných odpovědí. Za stejného normálního rozdělení se střední hodnotou a rozptylem. Z různých normálních rozdělení s různými parametry. Z jakéhokoliv stejného rozdělení.

Předpovědi jsou s rostoucím horizontem předpovědi. Vyberte jen jednu z následujících možných odpovědí. Přesnější. Méně přesné. Jejich přesnost nezávisí na horizontu předpovědi.

Optimální předpovědí v časových řadách je předpověď s minimálním. Vyberte jen jednu z následujících možných odpovědí. Průměrem. Střední hodnotou. Střední čtvercovou chybou.

Proces náhodné procházky (RW) obsahuje. Vyberte jen jednu z následujících možných odpovědí. Kombinaci lineárního deterministického a stochastického trendu. Jen stochastický trend. Jen lineární deterministický trend.

Mezi dvěma stacionárními časovými řadami může být vztah. Vyberte jen jednu z následujících možných odpovědí. Krátkodobý. Zdánlivý. Dlouhodobý.

Pokud potřebujeme výsledky panelové analýzy zobecnit pro celou populaci, použijeme. Vyberte jen jednu z následujících možných odpovědí. Model s fixními efekty. Spojený regresní model. Model s náhodnými efekty.

Pokud potřebujeme získat výsledky panelové analýzy pro konkrétní jednotky, použijeme. Vyberte jen jednu z následujících možných odpovědí. Model s náhodnými efekty. Spojený regresní model. Model s fixními efekty.

V případě modelu VAR zjistíme vzájemný vztah časových řad y a x v čase f z. Vyberte jen jednu z následujících možných odpovědí. Korelačního koeficientu reziduí odhadnutého modelu. Korelačního koeficientu časových řad. Odhadu parametrů.

V korelační matici jsou. Dílčí korelační koeficienty. Kovariance. Párové korelační koeficienty.

Kovariance nabývá hodnot. Jakýchkoli reálných. Z intervalu <0,1>. Jen kladných.

Časové řady s výraznou sezónní složkou a méně výrazným trendem stacionarizujeme. Nesezónní diferencí. Kombinací nesezónní a sezónní diference. Sezónní diferencí.

Časové řady s výraznou sezónní složkou a více výrazným trendem stacionarizujeme. Nesezónní diferencí. Kombinací nesezónní a sezónní diference. Sezónní diferencí.

pro zjištění účinku určitého zásahu nebo intervence v analýzách individuálních časových řad použijeme Normal 0 21 false false false CS-X-NONE X-NONE. Chowův test strukturálních zlomů. Chowův test předpovědi ex post. Metodu difference-in-difference.

Testovanou hypotézou u testu jednotkového kořene je, že časová řada je. Nestacionární, tj. I(1). Stacionární, tj. I(0). Bílý šum.

Jednorovnicový model vícerozměrných časových řad použijeme v případě, kdy. Yt i xt jsou endogenní. Yt je endogenní a xt je exogenní. Yt je exogenní a xt je endogenní.

Pokud potřebujeme získat výsledky panelové analýzy pro konkrétní jednotky, použijeme. Model s náhodnými efekty. Model s fixními efekty. Dynamický model.

Pro zjištění účinku určitého zásahu nebo intervence v analýzách panelových dat použijeme. Model náhodných efektů. Quandtův-Andrewsův test. Metodu difference-in-difference.

Důležitou podmínkou klasického lineárního regresního modelu je, že vysvětlující proměnná x. je nenáhodnou veličinou. je náhodnou veličinou. není omezena žádnými podmínkami.

Autoregresní proces AR(1) je proces. s krátkou pamětí. s dlouhou pamětí. bez paměti.

Stacionární časové řady oscilují okolo. nepodmíněné střední hodnoty (konstanty). nuly. podmíněné střední hodnoty.

Podmínka stacionarity autoregresního procesu AR(1) je. fí < 1. fí = 1. fí > 1.

Zdánlivý vztah může být mezi dvěma časovými řadami. nestacionární a stacionární. nestacionárními (tj. I(1)). stacionárními.

Zdánlivý vztah nemůže být mezi dvěma časovými řadami. nestacionární a stacionární. nestacionárními (tj. I(1)). stacionárními.

Model panelových fixních efektů se použije v případě, že: Cov (ui, xit) = 0. Cov (ui, xit) se nerovná 0. Cov (Uit, xit) = 0.

Podmínka kladená na nesystematickou složku v panelovém modelu. e it N …. …Eit ~ iid(0, sigma2).

Pokud u t-testu o parametru beta jedna lineárního regresního modelu nezamítneme testovanou hypotézu. mezi proměnnými x a y existuje lineární závislost. nelze určit, jestli mezi proměnnými x a y existuje lineární závislost. proměnné x a y jsou lineárně nezávislé.

Grangerova kauzalita vyjadřuje. Časová řada yt může být předpovídaná přesněji díky informacím z časové řady xt. Mezi časovými řadami yt a xt existuje kauzální vztah. Časová řada xt kauzálně působí na řasovou řadu yt.

Testovou hypotézou u testu jednotkového kořene je, že časová řada je. Nestacionární, tj. I(1). Stacionární, tj. I(0). Bílý šum.

Pokud u F-testu o regresnim modelu nezamítneme testovanou hypotézu. regresní model je vhodný. regresní model není vhodný. nevypovídá to nic o vhodnosti použitého modelu.

Nejvhodnějším testem autokorelace nesystematické složky je. Breuschův-Godfreyův test. reziduální autokorelační funkce. Durbinův-Watsonův test.

Proces bílého šumu je proces: – NEPREDIKOVATELNÝ. s krátkou pamětí. bez paměti. s dlouhou pamětí.

Model EC (korekce chyby) vyjadřuje. dlouhodobý vztah. krátkodobý i dlouhodobý vztah. krátkodobý vztah.

Předpokladem použití metody difference-in-diderences jsou. paralerní trendy v intervenční a kontrolní skupině před i po intervenci. paralerní trendy v intervenční a kontrolní skupině po intervenci. paralerní trendy v intervenční a kontrolní skupině před intervencí.

Test, který se používá v panelových analýzách pro volbu modelu s individuálními efekty. Hausmanův test. Levinův, Linův test. Chowův test.