Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

Ekonometrijske metode > VLRM > Flashcards

VLRM Flashcards

1
Q

dodatne pretpostavke

A

nema multikolinearnosti, N>k+1 - velicina posmatranog uzorka mora biti bar za 1 veca od broja nezavisnih varijabli u modelu, prediktori nisu slucajne promenljive

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

nema multikolinearnosti znaci da

A

nema visoke korelisanosti izmedju nezavisnih varijabli prediktora, ne postoji savrsena korelacija izmedju nezavisnih promenljivih

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

kada bi se sve tacke nalazile u ravni (VRM sa 2 nez prom)?

A

kada bi izmedju nezavisnih i zavisne postojala potpuna funkcionalna linearna veza

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

gde se nalazi ocekivana vrednost zavisne promenljive

A

na ravni

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

da li sve tacke leze na ravni kod VLRM sa dve nez prom

A

ne, neke su ispod, a neke iznad

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

sta je beta 0

A

odsecak koji ravan odseca na y osi

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

sta je beta 1

A

prosecna promena zavisne promenljive y kada se nezavisna x1 poveca za jednu svoju jedinicu, pod uslovom da je x2 const

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

sta je beta 2

A

prosecna promena zavisne y kada se nezavisna x2 poveca za jednu svoju jedinicu, a x1 je const

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

sta je regresiona ravan

A

ona ravan cija jednacina najbolje reprezentuje empirijske podatke

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

pomocu cega se ocenjuju parametri u VLRM

A

MNK

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

sta je rezidual

A

razlika izmedju izmerene i ocenjene vrednosti

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

koje je ocekivanje b0, b1, b2

A

beta0, beta1, beta2

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

kakve treba da budu varijanse parametara regresionog modela

A

sto manje

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

za utvrdjivanje prilagodjenosti ocene regresione ravni empirijskim podacima koristimo

A

SGR, koeficijent visestruke determinacije i podeseni koeficijent determinacije

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

nedostaci KVD

A

zavisi od broja promenljivih u modelu i velicine uzorka i povecava se ukljucivanjem nove nezavisne promenljive u model bez obzira na stvarni uticaj

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

kada ce KVD biti blizu 1

A

ako je broj podataka u uzorku mali, a postoji veliki broj nezavisnih, iako one ne uticu mnogo pojedinacno na zavisnu promenljivu

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

sta nam govori PKD

A

koliki je procenat varijabiliteta zavisne objasnjen nezavisnim zajedno

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

da li su tackaste ocene parametara dovoljne

A

ne, jer nema garancija da ce se poklopiti sa pravim vrednostima parametara

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

zasto se uvode lazne promenljive

A

da bi se adekvatno opisale promene koje se javljaju kod promenljivih pod odredjenim uslovima, dodeluje im se proizvoljna vrednost (ugl 0 ili 1) tako da najbolje opisuje promene faktora koje se zele kvantitativno opisati

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

za sta se sve koriste lazne promenljive

A

kao zamena kvalitativnih faktora ili numerickih kada nemamo podatke za njih, za merenje funkcije modela tokom vremena (kada su drasticno promenjeni uslovi pod kojima je data funkcija(, kao zamena za zavisnu promenljivu - logicka regresija, za merenje promene parametara tokom vremena, kao zamena za sezonske fluktuacije kod vremenskih serija

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

lazne promenljive koje menjaju odsecak

A

citav LRM se pomeara za neku vrednost (odsecak na y osi) a celokupan model ostaje paralelan prvobitnoj verziji

22
Q

da li je KVD pouzdana mera kvaliteta modela

A

ne

23
Q

zasto koristimo PKD

A

jer on nece neopravdano da se povecava sa rastom broja objasnjavajucih promenljivih

24
Q

da li je PKD manji od KVD

A

da, uvek

25
Q

da li moze jedan koeficijent da bude statisticki znacajan, drugi ne, a ceo model opet da

A

da

26
Q

multikolinearnost

A

pojava kada su prediktori (nezavisne) medjusobno zavisni (jak stepen korelacije), prisustvo linearne ili priblizno linearne zavisnosti izmedju nezavisnih

27
Q

ako je koeficijent korelacije 1

A

ekstremna multikolinearnost

28
Q

ako je koeficijent korelacije 0

A

promenljive nisu uopste korelisane (ortogonalne promenljive)

29
Q

koeficijent korelacije izmedju x1 i x2 obelezava se

A

rx1x2

30
Q

kada imamo dovoljnu kolicinu informacija da ocenimo parametre beta

A

kada nema visoke zavisnosti izmedju nezavisnih promenljivih

31
Q

koje je resenje multikolinearnosti

A

izbacivanje jedne od visoko korelisanih varijabli

32
Q

posledice multikolniearnosti

A

standardne greske ocena b1 i b2 ce biti prevelike, IP za predvidjanje ce biti veoma siroki, kod t testova cemo cesto dobijati da x ne utice na y, greske druge vrste ce biti velike, cak i male promene ce rezultovati u velikim promenama ocena b1 i b2 - smanjenje vrednosti statistike testa - neopravdano prihvatanje H0

33
Q

kako odredjujemo multikolinearnost

A

preko faktora inflacije varijanse VIF

34
Q

kada je vif 1

A

kada nema korelacije

35
Q

kada je vif beskonacno

A

kada su x1 i x2 savrseno korelisane

36
Q

kada nema multikolinearnosti u modelu

A

kada je vif manje jednako 5, odnosno tol vece jednako 0.2

37
Q

kada ima multikolinearnosti u modelu

A

kada je vif vece od 5, odnosno tol manji od 0.2

38
Q

sta se jos koristi osim vifa

A

tol - faktor tolerancije

39
Q

kako odredjujemo autokorelaciju

A

autokorelacionom semom prvog reda i durbin-watson testom

40
Q

kada su mali uzorci, kakva je oblast u kojoj ne moze da se odredi postojanje autokorelacije

A

siroka

41
Q

posledice autokorelacije

A

ocene regresionih parametara su neefikasne iako su nepristrasne, tj vise nisu najbolje linearne nepristrasne ocene, pa se mogu doneti pogresni zakljucni, KVD ce vrv da pokazuje vecu vrednost u odnosu na stvarnu, ocena varijanse slucajne greske je pristrasna, rezultati t i f testa su pristrasni i nepouzdani, IP neprecizni, predvidjanje nepouzdano

42
Q

kako se resava autokorelacija

A

GMNK - generalizovana metoda najmanjih kvadrata - jos pretpostavki ili modifikacija modela

43
Q

sta je homoskedasticnost

A

pojava da je varijasna slucajnih odstupanja konstantna, raspodela slucajnih gresaka je ista za sve opservacije

44
Q

sta je heteroskedasticnost

A

kada varijansa nije konstantna, nego se menja sa promenom vrednosti nezavisne, reziduali zavise od x, raspodela slucajnih gresaka se razlikuje za svaku ospervaciju

45
Q

posledice heteroskedasticnosti

A

ocene regresionih parametara b1, b2…bk su i dalje nepristrasne, ali neefikasne, SGR ovih ocena ce biti netacne, rezultati t i F testa nepouzdani, statisticiki testovi se ne mogu primeniti, nisu pouzdani, predvidjanja imaju veliku varijansu

46
Q

kako se resava HS

A

primenom MNK

47
Q

koji je problem sa resenjem HS

A

ocene nece biti nepristrasne

48
Q

kako ispitujemo HS

A

glejserovim i whiteovim testom

49
Q

sta pretpostavlja glejserov test

A

da apsolutne vrednosti reziduala zavise od nekog oblika slucajne promenljive x

50
Q

sta pretpostavlja whiteov test

A

da kvadratne vrednosti reziduala zavise od nezavsnih x1 i x2 u originalnim vrednostima i u njihovim kvadratima, kao i od njihovog proizvoda

51
Q

tri najcesca problema VLRM

A

multikolinearnost, autokorelacija, heteroskedasticnost

52
Q

kada postoji autokorelacija

A

kada su slucajne greske korelisane (cov nije nula)

Ekonometrijske metode (7 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2024 Bold Learning Solutions. Terms and Conditions