VLRM

Question 1

dodatne pretpostavke

Answer 1

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

Question 2

nema multikolinearnosti znaci da

Answer 2

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

Question 3

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

Answer 3

kada bi izmedju nezavisnih i zavisne postojala potpuna funkcionalna linearna veza

Question 4

gde se nalazi ocekivana vrednost zavisne promenljive

Answer 4

na ravni

Question 5

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

Answer 5

ne, neke su ispod, a neke iznad

Question 6

sta je beta 0

Answer 6

odsecak koji ravan odseca na y osi

Question 7

sta je beta 1

Answer 7

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

Question 8

sta je beta 2

Answer 8

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

Question 9

sta je regresiona ravan

Answer 9

ona ravan cija jednacina najbolje reprezentuje empirijske podatke

Question 10

pomocu cega se ocenjuju parametri u VLRM

Answer 10

MNK

Question 11

sta je rezidual

Answer 11

razlika izmedju izmerene i ocenjene vrednosti

Question 12

koje je ocekivanje b0, b1, b2

Answer 12

beta0, beta1, beta2

Question 13

kakve treba da budu varijanse parametara regresionog modela

Answer 13

sto manje

Question 14

za utvrdjivanje prilagodjenosti ocene regresione ravni empirijskim podacima koristimo

Answer 14

SGR, koeficijent visestruke determinacije i podeseni koeficijent determinacije

Question 15

nedostaci KVD

Answer 15

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

Question 16

kada ce KVD biti blizu 1

Answer 16

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

Question 17

sta nam govori PKD

Answer 17

koliki je procenat varijabiliteta zavisne objasnjen nezavisnim zajedno

Question 18

da li su tackaste ocene parametara dovoljne

Answer 18

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

Question 19

zasto se uvode lazne promenljive

Answer 19

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

Question 20

za sta se sve koriste lazne promenljive

Answer 20

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

Question 21

lazne promenljive koje menjaju odsecak

Answer 21

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

Question 22

da li je KVD pouzdana mera kvaliteta modela

Answer 22

ne

Question 23

zasto koristimo PKD

Answer 23

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

Question 24

da li je PKD manji od KVD

Answer 24

da, uvek

Question 25

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

Answer 25

da

Question 26

multikolinearnost

Answer 26

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

Question 27

ako je koeficijent korelacije 1

Answer 27

ekstremna multikolinearnost

Question 28

ako je koeficijent korelacije 0

Answer 28

promenljive nisu uopste korelisane (ortogonalne promenljive)

Question 29

koeficijent korelacije izmedju x1 i x2 obelezava se

Answer 29

rx1x2

Question 30

kada imamo dovoljnu kolicinu informacija da ocenimo parametre beta

Answer 30

kada nema visoke zavisnosti izmedju nezavisnih promenljivih

Question 31

koje je resenje multikolinearnosti

Answer 31

izbacivanje jedne od visoko korelisanih varijabli

Question 32

posledice multikolniearnosti

Answer 32

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

Question 33

kako odredjujemo multikolinearnost

Answer 33

preko faktora inflacije varijanse VIF

Question 34

kada je vif 1

Answer 34

kada nema korelacije

Question 35

kada je vif beskonacno

Answer 35

kada su x1 i x2 savrseno korelisane

Question 36

kada nema multikolinearnosti u modelu

Answer 36

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

Question 37

kada ima multikolinearnosti u modelu

Answer 37

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

Question 38

sta se jos koristi osim vifa

Answer 38

tol - faktor tolerancije

Question 39

kako odredjujemo autokorelaciju

Answer 39

autokorelacionom semom prvog reda i durbin-watson testom

Question 40

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

Answer 40

siroka

Question 41

posledice autokorelacije

Answer 41

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

Question 42

kako se resava autokorelacija

Answer 42

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

Question 43

sta je homoskedasticnost

Answer 43

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

Question 44

sta je heteroskedasticnost

Answer 44

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

Question 45

posledice heteroskedasticnosti

Answer 45

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

Question 46

kako se resava HS

Answer 46

primenom MNK

Question 47

koji je problem sa resenjem HS

Answer 47

ocene nece biti nepristrasne

Question 48

kako ispitujemo HS

Answer 48

glejserovim i whiteovim testom

Question 49

sta pretpostavlja glejserov test

Answer 49

da apsolutne vrednosti reziduala zavise od nekog oblika slucajne promenljive x

Question 50

sta pretpostavlja whiteov test

Answer 50

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

Question 51

tri najcesca problema VLRM

Answer 51

multikolinearnost, autokorelacija, heteroskedasticnost

Question 52

kada postoji autokorelacija

Answer 52

kada su slucajne greske korelisane (cov nije nula)