Ответы на тесты по предмету Эконометрика (5041 вопросов)
Линейным образом в эконометрическую модель вида 
входит...
входит...
параметр а
переменная х
параметр b
переменная у
Линейным образом в эконометрическую модель вида 
входит...
входит...
параметр b
параметр а
переменная х
переменная у
Нелинейным образом в эконометрическую модель вида 
входит...
входит...
ошибка 
параметр b
переменная у
переменная х
Нелинейным образом в эконометрическую модель вида 
входит…
входит…
ошибка 
переменная у
параметр b
переменная х
Линейным образом в эконометрическую модель вида 
входит …
входит …
переменная х2
параметр d
переменная х1
переменная у
Нелинейным образом в эконометрическую модель вида 
входит...
входит...
ошибка 
переменная у
параметр а
переменная х
Линейным образом в эконометрическую модель вида 
входит …
входит …
параметр b
переменная х
параметр а
переменная у
Линейным образом в эконометрическую модель вида 
не входит …
не входит …
переменная у
параметр b
параметр а
переменная х
В классе нелинейных эконометрических моделей существуют модели …
нелинейные по остаткам
квазинелинейные
эффективно-нелинейные
нелинейные по параметрам
Среди приведенных ниже выберите эконометрическую модель, являющуюся линейной по параметрам.
Среди приведенных ниже моделей выберите эконометрическую модель, являющуюся линейной по всем переменным y, х1, х2.
Среди приведенных выберите модель, не являющуюся линейной по переменным y, х1, х2
Уравнение вида 
относится к классу…
относится к классу…
нелинейных по параметрам, внутренне линейных моделей
нелинейных по параметрам, внутренне нелинейных моделей
линейных по переменным моделей
нелинейных по переменным моделей, но линейных по параметрам
Кривая А.В.Филипса, характеризующая зависимость между нормой безработицы 
и процентом прироста заработной платы 
в форме 
, относится к классу …
и процентом прироста заработной платы в форме , относится к классу …
нелинейных по параметрам, внутренне линейных моделей
нелинейных по параметрам, внутренне нелинейных моделей
линейных по переменным моделей
нелинейных по переменным моделей, но линейных по параметрам
Уравнение вида 
относится к классу…
относится к классу…
нелинейных по переменным моделей, но линейных по оцениваемым параметрам
нелинейных по параметрам, внутренне линейных моделей
линейных по переменным моделей
нелинейных по параметрам, внутренне нелинейных моделей
Уравнение вида 
относится к классу…
относится к классу…
нелинейных по переменным моделей, но линейных по оцениваемым параметрам
нелинейных по параметрам, внутренне нелинейных моделей
линейных по переменным моделей
нелинейных по параметрам, внутренне линейных моделей
Производственная функция Кобба–Дугласа вида 
, характеризующая зависимость между затратами трудовых (
), материальных (
) ресурсов и объемом выпуска 
, относится к классу …
, характеризующая зависимость между затратами трудовых (), материальных () ресурсов и объемом выпуска , относится к классу …
нелинейных по зависимой переменной моделей
нелинейных по параметрам, внутренне нелинейных моделей
линейных по переменным моделей
нелинейных по параметрам, внутренне линейных моделей
Для нелинейного уравнения регрессии 
, система нормальных уравнений, построенная для линеаризованного уравнения регрессии является …
, система нормальных уравнений, построенная для линеаризованного уравнения регрессии является …
нелинейная, относительно параметров линеаризованного уравнения регрессии
нелинейной относительно параметров исходного нелинейного регрессии
линейная относительно переменных исходного нелинейного регрессии
линейной относительно параметров исходного нелинейного регрессии
Для нелинейного уравнения регрессии 
, система нормальных уравнений, построенная для линеаризованного уравнения регрессии является …
, система нормальных уравнений, построенная для линеаризованного уравнения регрессии является …
нелинейной, относительно параметров линеаризованного уравнения регрессии
линейной относительно параметров исходного нелинейного уравнения регрессии
линейной относительно переменных исходного нелинейного уравнения регрессии
нелинейной относительно параметров исходного нелинейного уравнения регрессии
В эконометрическую модель вида Кобба–Дугласа 
линейным образом включены …
линейным образом включены …
переменная х2
переменная х1
переменная y
параметр а
В эконометрическую модель вида Кобба–Дугласа 
нелинейным образом включены …
нелинейным образом включены …
переменная y
параметр а
переменная х1
переменная х2
В эконометрическую модель 
нелинейным образом включены …
нелинейным образом включены …
переменная y
параметр а
переменная х1
переменная х2
В эконометрическую модель 
линейным образом включены …
линейным образом включены …
переменная х1
переменная х2
параметр b
параметр с
В эконометрическую модель 
линейным образом включены …
линейным образом включены …
параметр b
переменная х
параметр а
переменная у
В эконометрическую модель 
нелинейным образом включены …
нелинейным образом включены …
переменная у
параметр а
параметр b
переменная х
В эконометрическую модель 
нелинейным образом включены…
нелинейным образом включены…
переменная у
ошибка 
параметр а
параметр b
В эконометрическую модель 
линейным образом включены …
линейным образом включены …
параметр а
параметр b
переменная у
ошибка 
В эконометрическую модель 
нелинейным образом включены…
нелинейным образом включены…
переменная у
параметр а
величина е
переменная х
В эконометрическую модель 
линейным образом включены …
линейным образом включены …
величина е
переменная х
переменная у
параметр а
Выберите верные утверждения по поводу модели 
.
.
модель нельзя преобразовать в линейную форму
модель нелинейная относительно параметров модели
модель нелинейная
модель линейная относительно параметров регрессии
Выберите верные утверждения по поводу модели 
.
.
модель нельзя преобразовать в линейную форму
модель нелинейная относительно параметров уравнения регрессии
модель нелинейная
модель полулогарифмическая
В чем сходство двух видов моделей 
и 
?
и ?
модели нелинейные относительно параметров регрессии
модели нельзя преобразовать в линейную форму
модели нелинейные
модели линейные относительно параметров регрессии
В чем сходство двух моделей 
и 
?
и ?
модели нелинейные относительно параметров регрессии
модели нельзя преобразовать в линейную форму
модели нелинейные
модели линейные относительно параметров регрессии
Выберите неверные утверждения по поводу модели 
.
.
модель линейная относительно параметров регрессии
модель нелинейная
модель нелинейная относительно параметров модели
модель показательная
Выберите неверные утверждения по поводу модели 
.
.
модель степенная
модель нелинейная
модель полулогарифмическая
модель нельзя преобразовать в линейную форму
Выберите неверные утверждения по поводу модели 
.
.
модель нелинейная относительно параметров уравнения регрессии
модель нелинейная
модель нельзя преобразовать в линейную форму
обратная модель
Выберите неверные утверждения по поводу модели 
.
.
модель полулогарифмическая
модель нелинейная
модель нелинейная относительно параметров уравнения регрессии
модель нельзя преобразовать в линейную форму
Выберите неверные утверждения по поводу модели 
.
.
модель линейная относительно параметров регрессии
обратная модель
модель нелинейная относительно параметров регрессии
модель нельзя преобразовать в линейную форму
Установите соответствие между названием модели и видом ее уравнения.
1. линейная
2. полиномиальная
3. показательная
4. степенная
1. линейная
2. полиномиальная
3. показательная
4. степенная
Установите соответствие между названием модели и видом ее уравнения.
1. линейная
2. полиномиальная
3. полулогарифмическая
4. обратная
1. линейная
2. полиномиальная
3. полулогарифмическая
4. обратная
Установите соответствие между видом нелинейной зависимости и величинами остатков модели, к которым предъявляются предпосылки метода наименьших квадратов при оценке параметров линеаризованной модели.
1.
2.
3.
4.
1.
2.
3.
4.
требования не определены (МНК невозможно применить)
отсутствуют, т.к. имеет место функциональная зависимость Y от Х
Установите соответствие между видом нелинейной зависимости и величинами остатков модели, к которым предъявляются предпосылки метода наименьших квадратов при оценке параметров линеаризованной модели.
1.
2.
3.
4.
1.
2.
3.
4.
отсутствуют, т.к. имеет место функциональная зависимость Y от Х
требования не определены (МНК невозможно применить)
Установите соответствие между видом нелинейной зависимости и исходным соотношением метода наименьших квадратов, применяемого для оценки параметров линеаризованного уравнения регрессии.
1.
2.
3.
4.
1.
2.
3.
4.
требования к остаткам модели методом наименьших квадратов не определены (МНК невозможно применить)
сумма квадратов отклонений фактических и расчетных значений зависимой переменной равна 0 (имеет место функциональная зависимость Y от Х)
Укажите верные утверждения по поводу модели 
:
:
относится к классу линейных моделей
линеаризуется в линейную модель парной регрессии
относится к классу нелинейных моделей, но линейных по параметрам
линеаризуется в линейную модель множественной регрессии
Укажите верные утверждения по поводу модели 
:
:
относится к классу линейных моделей
линеаризуется в линейную модель множественной регрессии
относится к классу нелинейных моделей линейных по параметрам
линеаризуется в линейную модель парной регрессии
Укажите верные утверждения по поводу модели 
:
:
относится к типу нелинейных моделей внутренне нелинейных (которые нельзя привести к линейному виду)
линеаризуется в линейную модель множественной регрессии
относится к типу нелинейных моделей внутренне линейных (которые можно привести к линейному виду)
линеаризуется в линейную модель парной регрессии
Укажите верные утверждения по поводу модели 
:
:
линеаризуется в линейную модель множественной регрессии
относится к типу нелинейных моделей внутренне нелинейных (которые нельзя привести к линейному виду)
относится к типу нелинейных моделей внутренне линейных (которые можно привести к линейному виду)
для получения качественных оценок параметров уравнения логарифмы отклонений (
) должны удовлетворять предпосылкам МНК относительно остатков модели
) должны удовлетворять предпосылкам МНК относительно остатков модели
Укажите верные утверждения по поводу модели 
:
:
относится к типу нелинейных моделей линейных по параметрам
линеаризуется в линейную модель парной регрессии
относится к типу нелинейных моделей внутренне нелинейных (которые нельзя привести к линейному виду)
оценки параметров регрессии нельзя определить с помощью МНК
Укажите верные утверждения по поводу модели 
:
:
линеаризуется в линейную модель парной регрессии заменой 
невозможно линеаризовать
относится к классу нелинейных моделей
линеаризуется в линейную модель парной регрессии заменой 
Укажите верные утверждения по поводу модели 
:
:
относится к типу нелинейных моделей внутренне нелинейных
невозможно линеаризовать
относится к классу моделей нелинейных по параметрам
относится к типу нелинейных моделей внутренне линейных (которые можно привести к линейному виду)
Укажите верные утверждения по поводу модели 
:
:
линеаризуется в линейную модель парной регрессии
оценки параметров модели можно получить только с помощью итерационных процедур
сводится к множественной линейной регрессии относительно логарифмов исходных переменных
относится к типу нелинейных моделей внутренне линейных (которые можно привести к линейному виду)
Укажите условия, необходимые для использования МНК для оценки параметров нелинейных уравнений регрессии.
модель должна быть внутренне нелинейной
случайные отклонения должны быть линеаризованной модели не должны удовлетворять предпосылкам МНК
модель должна быть линейной по параметрам или внутренне линейной
случайные отклонения линеаризованной модели должны удовлетворять предпосылкам МНК
Укажите последовательность этапов оценки параметров нелинейной регрессии 
.
.
выполняется замена переменной X2 на Z
задается спецификация модели в виде 
, где 
, где
оцениваются параметры регрессии b0, b1, b2
определяются исходные параметры из тождеств: 
Укажите последовательность этапов оценки параметров нелинейной регрессии 
.
.
находятся логарифмы правой и левой частей нелинейного уравнения
задается спецификация модели, линейная относительно логарифмов исходных переменных 
, где 
, где
оцениваются параметры регрессии b0, b1, b2
определяются исходные параметры из тождеств: 
Укажите последовательность этапов оценки параметров нелинейной регрессии 
.
.
находятся логарифмы правой и левой частей нелинейного уравнения
задается полулогарифмическая спецификация модели 
, где 
, где
оцениваются параметры регрессии b0, b1, b2
определяются исходные параметры из тождеств: 
Укажите последовательность этапов оценки параметров нелинейной модели внутренне линейной.
выбирается метод линеаризации исходной модели
задается линейная спецификация модели в новых переменных
применяется метод наименьших квадратов
определяются параметры нелинейной модели по формулам, связывающих их с параметрами линеаризованной модели
Расположите модели в возрастающем порядке по степени сложности оценки их параметров
Установите соответствие между видом нелинейной модели и заменой переменных, сводящих ее к линейной регрессии.
1.
2.
3.
4.
1.
2.
3.
4.
Установите соответствие между видом нелинейной модели и заменой переменных, сводящих ее к линейной регрессии.
1.
2.
3.
4.
1.
2.
3.
4.
Установите соответствие между видом нелинейной модели и заменой переменных, сводящих ее к линейной регрессии.
1.
2.
3.
4.
1.
2.
3.
4.
Все нижеприведенные нелинейные модели можно свести к модели множественной линейной регрессии W = b0 + b1·U + b2·V. Установите соответствие между видом нелинейной модели и соотношениями между исходными переменными Y, X, Z и новыми переменными W, U, V линеаризованной модели.
1.
2.
3.
4.
1.
2.
3.
4.
Все нижеприведенные нелинейные модели можно свести к модели множественной линейной регрессии W = b0 + b1·U + b2·V. Установите соответствие между видом нелинейной модели и соотношениями между исходными переменными Y, X, Z и новыми переменными W, U, V линеаризованной модели.
1.
2.
3.
4.
1.
2.
3.
4.
Все нижеприведенные нелинейные модели можно свести к модели множественной линейной регрессии W = b0 + b1·U + b2·V. Установите соответствие между видом нелинейной модели и соотношениями между исходными переменными Y, X, Z и новыми переменными W, U, V линеаризованной модели.
1.
2.
3.
4.
1.
2.
3.
4.
Все нижеприведенные нелинейные модели можно свести к модели множественной линейной регрессии W = b0 + b1·U. Установите соответствие между видом нелинейной модели и соотношениями между исходными переменными Y, X и переменными W, U линеаризованной модели.
1.
2.
3.
4.
1.
2.
3.
4.
Все нижеприведенные нелинейные модели можно свести к модели множественной линейной регрессии W = b0 + b1·U. Установите соответствие между видом нелинейной модели и соотношениями между исходными переменными Y, X и переменными W, U линеаризованной модели.
1.
2.
3.
4.
1.
2.
3.
4.
Все нижеприведенные нелинейные модели можно свести к модели множественной линейной регрессии W = b0 + b1·U. Установите соответствие между видом нелинейной модели и соотношениями между исходными переменными Y, X и переменными W, U линеаризованной модели.
1.
2.
3.
4.
1.
2.
3.
4.
Все нижеприведенные нелинейные модели можно свести к модели множественной линейной регрессии W = b0 + b1·U + b2·V. Установите соответствие между видом нелинейной модели и соотношениями между исходными параметрами a, b, c и параметрами b0 , b1, b2 линеаризованной модели.
1.
2.
3.
4.
1.
2.
3.
4.
Все нижеприведенные нелинейные модели можно свести к модели множественной линейной регрессии W = b0 + b1·U + b2·V. Установите соответствие между видом нелинейной модели и соотношениями между исходными параметрами a, b, c и параметрами b0 , b1, b2 линеаризованной модели.
1.
2.
3.
4.
1.
2.
3.
4.
Все нижеприведенные нелинейные модели можно свести к модели множественной линейной регрессии W = b0 + b1·U. Установите соответствие между видом нелинейной модели и соотношениями между исходными параметрами a, b и параметрами b0 , b1 линеаризованной модели.
1.
2.
3.
4.
1.
2.
3.
4.
Установите соответствие между видом модели и ее характеристиками.
1.
2.
3.
4.
1.
2.
3.
4.
линейная модель
нелинейная модель, линейная относительно параметров
нелинейная модель, нелинейная относительно параметров, внутренне линейная
нелинейная модель, нелинейная относительно параметров, внутренне нелинейная
Установите соответствие между видом модели и ее характеристиками.
1.
2.
3.
4.
1.
2.
3.
4.
нелинейная модель, линейная относительно параметров
линейная модель множественной регрессии
нелинейная модель, нелинейная относительно параметров, внутренне нелинейная
нелинейная модель, нелинейная относительно параметров, внутренне линейная
Установите соответствие между видом модели и ее характеристиками.
1.
2.
3.
4.
1.
2.
3.
4.
нелинейная модель, линейная относительно параметров
нелинейная модель, нелинейная относительно параметров, внутренне нелинейная
линейная модель парной регрессии
нелинейная модель, нелинейная относительно параметров, внутренне линейная
Установите соответствие между видом модели и ее характеристиками.
1.
2.
3.
4.
1.
2.
3.
4.
нелинейная модель, линейная относительно параметров
линейная модель множественной регрессии
нелинейная модель, нелинейная относительно параметров, внутренне линейная
нелинейная модель, нелинейная относительно параметров, внутренне нелинейная
Уравнение нелинейной регрессии 
, где 
— общая дисперсия результативного признака 
; 
— остаточная дисперсия ошибки 
, может оцениваться показателем тесноты связи – индексом корреляции 
, который вычисляется по формуле …
, где — общая дисперсия результативного признака ; — остаточная дисперсия ошибки , может оцениваться показателем тесноты связи – индексом корреляции , который вычисляется по формуле … 
Значение индекса корреляции находится в пределах …
Нелинейная связь между рассматриваемыми признаками тем теснее, чем значение индекса корреляции ближе к …
∞
0
–1
1
Пусть 
— индекс детерминации; 
— число наблюдений; 
— число параметров при независимых переменных. Тогда при проверке значимости в целом уравнения нелинейной регрессии расчетное значение 
–критерия Фишера вычисляется по формуле …
— индекс детерминации; — число наблюдений; — число параметров при независимых переменных. Тогда при проверке значимости в целом уравнения нелинейной регрессии расчетное значение –критерия Фишера вычисляется по формуле … 
Для степенной функции 
формула для определения 
–критерия 
примет вид …
формула для определения –критерия примет вид … 
Для параболы второй степени 
формула для определения 
–критерия 
примет вид …
формула для определения –критерия примет вид … 
Уровнями временного ряда называются …
совокупность наблюдений за определенный временной промежуток
только первое и последнее наблюдения
средние значение всех наблюдений
значения отдельных наблюдений в конкретный момент времени
Компонента временного ряда, отражающая повторяемость экономических процессов в течение длительных (более трех лет) периодов, называется …
сезонной компонентой
трендом
случайной компонентой
циклической компонентой
Компонента временного ряда, отражающая влияние не поддающихся учету и регистрации факторов, называется …
трендом
сезонной компонентой
циклической компонентой
случайной компонентой
Автокорреляцией уровней временного ряда называется …
зависимость математических ожиданий последовательных и предыдущих уровней ряда
зависимость математических ожиданий уровней ряда от времени
зависимость дисперсии последовательных и предыдущих уровней ряда от времени
зависимость между последовательными и предыдущими уровнями ряда
Коррелограммой временного ряда 
называют график …
называют график …
трендовой компоненты временного ряда 
график сезонной составляющей временного ряда 
зависимости уровней ряда переменной 
от времени t
от времени t
значений автокорреляционной функции данного ряда
Для обнаружения автокорреляции первого порядка используется критерий …
Фишера
Чоу
Стьюдента
Дарбина-Уотсона
На основе анализа временного ряда построена следующая таблица
Период сезонных колебаний равен
Период сезонных колебаний равен
2
9
8
4
Укажите предположения, которые можно сделать, когда ни один из коэффициентов автокорреляции временного ряда не является значимым:
ряд содержит только сезонные колебания
ряд содержит только тенденцию
ряд содержит только случайную компоненту
ряд содержит сильную нелинейную тенденцию
Укажите выводы, которые можно сделать в случае, когда во временном ряду наиболее высоким оказался коэффициент автокорреляции выше первого порядка
ряд содержит только трендовую компоненту
ряд содержит только случайную компоненту
ряд содержит сезонную компоненту
ряд может содержать как трендовую, так и сезонную компоненты
Установите соответствие между значениями коэффициентов автокорреляции различного порядка и возможной структурой временного ряда.
1. высокий коэффициент автокорреляции только первого порядка
2. высокий коэффициент автокорреляции первого порядка и t (t > 2)
3. высокий коэффициент автокорреляции только порядка t (t > 2)
4. отсутствуют высокие значения коэффициентов автокорреляции
1. высокий коэффициент автокорреляции только первого порядка
2. высокий коэффициент автокорреляции первого порядка и t (t > 2)
3. высокий коэффициент автокорреляции только порядка t (t > 2)
4. отсутствуют высокие значения коэффициентов автокорреляции
ряд содержит линейную тенденцию и случайную составляющую
ряд содержит тенденцию, сезонные колебания и случайную составляющую
ряд содержит сезонные колебания и случайную составляющую
ряд содержит только случайную составляющую или имеет сильную нелинейную тенденцию
Пусть yt = f(T, S, E) – модель временного ряда. Установите соответствие между обозначениями и их интерпретациями.
1. yt
2. T
3. S
4. E
1. yt
2. T
3. S
4. E
уровень временного ряда в момент времени t
тенденция ряда
сезонные колебания
случайные факторы
Установите соответствие между видом функций временного ряда и его структурой.
1. yt = f(T, E)
2. yt = f(T, S, E)
3. yt = f( S, E)
4. yt = f(E)
1. yt = f(T, E)
2. yt = f(T, S, E)
3. yt = f( S, E)
4. yt = f(E)
ряд содержит тенденцию и случайную составляющую
ряд содержит тенденцию, сезонные колебания и случайную составляющую
ряд содержит сезонные колебания и случайную составляющую
ряд содержит только случайную составляющую
Установите соответствие между эконометрическими терминами и их определениями.
1. временной ряд
2. порядок коэффициента автокорреляции уровней временного ряда
3. уровень временного ряда
4. автокорреляционная функция
1. временной ряд
2. порядок коэффициента автокорреляции уровней временного ряда
3. уровень временного ряда
4. автокорреляционная функция
ряд значений экономического показателя за несколько последовательных периодов времени
число периодов на которое сдвигается исходный временной ряд при расчете значения коэффициента автокорреляции
значение временного ряда в определенный период времени
последовательность коэффициентов автокорреляции первого, второго и т.д. порядков
К методам сглаживания уровней временного ряда относится вычисление …
темпов прироста уровней ряда
темпов роста уровней ряда
последовательных сумм
скользящей средней
Пусть 
– значения временного ряда, 
– тренд-циклическая компонента этого ряда, 
– сезонная компонента, 
– случайная компонента. Тогда общий вид аддитивной модели временного ряда можно представить как …
– значения временного ряда, – тренд-циклическая компонента этого ряда, – сезонная компонента, – случайная компонента. Тогда общий вид аддитивной модели временного ряда можно представить как … 
Пусть 
– значения временного ряда, 
- тренд-циклическая компонента этого ряда, 
– сезонная компонента, 
– случайная компонента. Тогда общий вид мультипликативной модели временного ряда можно представить как …
– значения временного ряда, - тренд-циклическая компонента этого ряда, – сезонная компонента, – случайная компонента. Тогда общий вид мультипликативной модели временного ряда можно представить как … 
Пусть 
– значения временного ряда, 
– тренд-циклическая компонента этого ряда, 
– сезонная компонента, 
– случайная компонента, 
– выровненный методом скользящей средней исходный ряд. При выделении мультипликативной сезонной компоненты в качестве отличия сезонного явления от тренд-циклической составляющей используется …
– значения временного ряда, – тренд-циклическая компонента этого ряда, – сезонная компонента, – случайная компонента, – выровненный методом скользящей средней исходный ряд. При выделении мультипликативной сезонной компоненты в качестве отличия сезонного явления от тренд-циклической составляющей используется … 
Пусть 
— значения временного ряда, 
— тренд-циклическая компонента этого ряда, 
— сезонная компонента, 
— случайная компонента, 
– выровненный методом скользящей средней исходный ряд. При выделении аддитивной сезонной компоненты в качестве отличия сезонного явления от тренд-циклической составляющей используется …
— значения временного ряда, — тренд-циклическая компонента этого ряда, — сезонная компонента, — случайная компонента, – выровненный методом скользящей средней исходный ряд. При выделении аддитивной сезонной компоненты в качестве отличия сезонного явления от тренд-циклической составляющей используется … 
Пусть для временного ряда 
было получено аналитическое выражение 
для тренд-циклической компоненты и значения аддитивной сезонной компоненты 
. Тогда прогнозное значение 
будет находиться по правилу…
было получено аналитическое выражение для тренд-циклической компоненты и значения аддитивной сезонной компоненты . Тогда прогнозное значение будет находиться по правилу… 
Пусть для временного ряда 
было получено аналитическое выражение 
для тренд-циклической компоненты и значения мультипликативной сезонной компоненты 
. Тогда прогнозное значение 
будет находиться по правилу…
было получено аналитическое выражение для тренд-циклической компоненты и значения мультипликативной сезонной компоненты . Тогда прогнозное значение будет находиться по правилу… 
Пусть 
– значения временного ряда с квартальными наблюдениями, 
– аддитивная сезонная компонента, причем для первого квартала года 
, для третьего квартала года 
, для четвертого квартала года 
. Определите оценку сезонной компоненты для второго квартала года 
– значения временного ряда с квартальными наблюдениями, – аддитивная сезонная компонента, причем для первого квартала года , для третьего квартала года , для четвертого квартала года . Определите оценку сезонной компоненты для второго квартала года
1/3
3
5
–3