Mudança método médio perguntas

Exemplo de Perguntas (de Testes Passados) Nota: A resposta correta é seguida por. O código i-j refere-se a qual seção do texto que a questão é projetada para abordar. 1. Quais os fatores que as cinco técnicas de suavização de dados apresentadas no Capítulo Três têm em comum A) Todas utilizam apenas observações passadas dos dados. B) Todos eles não conseguiram prever reversões cíclicas nos dados. C) Elimina o ruído de curto prazo pela média de dados. D) Todas as previsões correlacionadas em série do produto. E) Tudo o que está acima está correto. 2. Uma média móvel de 3 pontos centralizada simples da variável de séries temporais Xt é dada por: A) (Xt-1 Xt-2 Xt-3) 3. B) (Xt Xt-1 Xt-1) 3. C) (Xt1 Xt Xt-1) 3. D) Nenhuma das opções acima está correta. 3. O alinhamento médio em movimento pode levar à inferência enganosa quando aplicado a A) dados estacionários. B) previsão de reversão da tendência no mercado acionário. C) conjuntos de dados pequenos e limitados. D) conjuntos de dados amplos e abundantes. E) Nenhuma das opções acima está correta. 4. Qual das seguintes opções não é correto quanto à escolha do tamanho apropriado da constante de suavização (a) no modelo de suavização exponencial simples A) Selecione valores próximos de zero se a série tiver uma grande variação aleatória. B) Selecione os valores próximos a um se desejar que os valores de previsão dependam fortemente das mudanças recentes nos valores reais. C) Selecione um valor que minimize RMSE. D) Selecione um valor que maximize o erro do quadrado quadrado. E) Tudo o que está acima está correto. 5. A constante de suavização (a) do modelo de alisamento exponencial simples A) deve ter um valor próximo a um se o dado subjacente for relativamente errático. B) deve ter um valor próximo a zero se os dados subjacentes forem relativamente lisos. C) está mais próximo de zero, maior a revisão na previsão atual, dado o erro de previsão atual. D) está mais perto de um, maior a revisão na previsão atual, dado o erro de previsão atual. 6. O procedimento de mínimos quadrados minimiza a A) soma dos resíduos. B) quadrado do erro máximo. C) soma de erros absolutos. D) soma de resíduos quadrados. E) Nenhuma das opções acima está correta. 7. Um residual é A) a diferença entre a média de Y condicional em X e a média incondicional. B) a diferença entre a média de Y e seu valor real. C) a diferença entre a previsão de regressão de Y e seu valor real. D) a diferença entre a soma de erros quadrados antes e depois de X é usada para prever Y. E) Nenhuma das opções acima está correta. 8 Distúrbios do modelo de regressão (erros de previsão) A) assumem seguir uma distribuição de probabilidade normal. B) são assumidos como independentes ao longo do tempo. C) são assumidos como médios a zero. D) pode ser estimado por resíduos de OLS. E) Todos os itens acima estão corretos. 9. Os índices sazonais de vendas para a Black Lab Ski Resort são para janeiro de 1.20 e dezembro de .80. Se as vendas de dezembro de 1998 fossem de 5.000, uma estimativa razoável das vendas para janeiro de 1999 é: E) Nenhuma das opções acima está correta. 10. Quais das seguintes técnicas não são usadas para resolver o problema da autocorrelação A) Modelos autoregressivos. B) Melhorando a especificação do modelo. C) Suavização média móvel. D) Primeira diferencia dos dados. E) Regressão usando mudanças percentuais. 11. Qual dos seguintes não é uma conseqüência da correlação serial A) As estimativas de inclinação OLS são agora imparciais. B) Os intervalos de predição de OLS são tendenciosos. C) O R-quadrado é inferior a .5. D) As estimativas pontuais são imparciais. E) Nenhuma das opções acima está correta. 12. A autocorrelação leva ou causa: B) correlação serial. C) Regressão espúria. D) Regressão não linear. E) Tudo o que está acima está correto. 13. Os intervalos de predição exatos para a variável dependente A) são em forma de arco em torno da linha de regressão estimada. B) São lineares em torno da linha de regressão estimada. C) não levem em consideração a variabilidade de Y em torno da regressão da amostra. D) não leve em consideração a aleatoriedade da amostra. E) Nenhuma das opções acima está correta. Exemplo de Problema Curto 14. Um modelo de regressão linear bivariada relacionando as despesas domésticas de viagem (DTE) em função da renda per capita (IPC) foi estimado como: DTE -9589.67 .953538 (IPC) Previsão de DTE sob o pressuposto de que o IPC será 14.750. Faça o ponto apropriado e estimativas aproximadas de intervalo de 95 por cento, assumindo que a variância do erro de regressão estimada foi de 2.077.230,38. A estimativa pontual do DTE é: DTE -9589.67 .953538 (14,750) 4,475.02. O erro padrão da regressão é 1441.26 eo intervalo de confiança aproximado 95 é: 4.475.02 plusmn (2) (1441.26) 4.475.02 plusmn 2882.52 P1592.50 lt DTE lt 7357.54 .95. B) Dado que o DTE real foi de 7.754 (milhões), calcule o erro percentual na sua previsão. Se o valor real do DTE for 7.754, o erro percentual na previsão, com base na estimativa pontual de 4475.02, é 42.3. (7754 - 4475.02) 7754 .423. 15 Se for encontrado que os erros de previsão de um modelo de tipo ARIMA apresentam correlação serial, o modelo A) não é um modelo de previsão adequado. B) é um candidato para adicionar outra variável explicativa. C) quase certamente contém sazonalidade. D) é um candidato para regressão Cochrane-Orcutt. E) Todos os itens acima estão corretos. 16. Os modelos de média em movimento são melhor descritos como A) médias simples. B) médias não ponderadas. C) médias ponderadas das séries de ruído branco. D) médias ponderadas de variáveis ​​aleatórias não normais. E) Nenhuma das opções acima está correta. 17. Qual dos seguintes padrões do correlograma da função de autocorrelação parcial é inconsistente com um processo de dados autorregressivo subjacente A) Excessivamente declinando para zero. B) cíclica declinando para zero. C) Positivo em primeiro lugar, depois negativo e aumentando para zero. D) Negativo no início, depois positivo e declinando para zero. E) Todos os itens acima estão corretos. 18 A função de autocorrelação de uma série de tempo mostra coeficientes significativamente diferentes de zero nos intervalos 1 a 4. A função de autocorrelação parcial mostra um pico e aumenta monotonicamente para zero à medida que o comprimento do atraso aumenta. Essa série pode ser modelada como um modelo. E) Nenhuma das opções acima está correta. 19. Qual dos seguintes não é um primeiro passo no processo de seleção do modelo ARIMA A) Examine a função de autocorrelação da série bruta. B) Examine a função de autocorrelação parcial da série bruta. C) Teste os dados para a estacionararia. D) Estimar um modelo ARIMA (1,1,1) para fins de referência. E) Todos os itens acima estão corretos. 20 Qual é a hipótese nula que está sendo testada usando a estatística Box-Pierce A) O conjunto de autocorrelações é em conjunto igual a zero. B) O conjunto de autocorrelações não é igual a zero. C) O conjunto de autocorrelações é conjuntamente igual a um. D) O conjunto de autocorrelações não são conjuntamente iguais a um. E) Todos os itens acima estão incorretos. 21. O objetivo principal da combinação de previsões é reduzir B) preconceito médio de previsão. C) erro de previsão quadrado médio. D) erro de previsão absoluto médio. E) Tudo o que está acima está correto. 22. Qual dos seguintes é uma vantagem para usar a abordagem adaptativa para estimar os pesos ótimos no processo de combinação de previsão A) Os pesos mudam de período para período. B) Um teste do viés do modelo de previsão combinado pode ser realizado. C) A covariância entre variações de erro é utilizada. D) Os pesos são escolhidos de modo a maximizar a variância do erro de regressão. E) Todos os itens acima estão corretos. Qual a diferença entre a média móvel e a média móvel ponderada Uma média móvel de 5 períodos, com base nos preços acima, seria calculada com a seguinte fórmula: Com base na equação acima, o preço médio sobre O período listado acima foi de 90,66. O uso de médias móveis é um método eficaz para eliminar fortes flutuações de preços. A limitação chave é que os pontos de dados de dados mais antigos não são ponderados de forma diferente dos pontos de dados próximos ao início do conjunto de dados. É aqui que as médias móveis ponderadas entram em jogo. As médias ponderadas atribuem uma ponderação mais pesada a pontos de dados mais atuais, uma vez que são mais relevantes do que os pontos de dados no passado distante. A soma da ponderação deve somar até 1 (ou 100). No caso da média móvel simples, as ponderações são igualmente distribuídas, razão pela qual elas não são mostradas na tabela acima. Preço de fechamento de AAPL6.2 Médias móveis m 40 elesales, ordem 5 41 Na segunda coluna desta tabela, uma média móvel da ordem 5 é mostrada, fornecendo uma estimativa do ciclo da tendência. O primeiro valor nesta coluna é a média das cinco primeiras observações (1989-1993), o segundo valor na coluna 5-MA é a média dos valores 1990-1994 e assim por diante. Cada valor na coluna 5-MA é a média das observações no período de cinco anos centrado no ano correspondente. Não há valores nos dois primeiros anos ou nos últimos dois anos porque não temos duas observações em ambos os lados. Na fórmula acima, a coluna 5-MA contém os valores de chapéu com k2. Para ver como se parece a estimativa do ciclo de tendência, nós o traçamos juntamente com os dados originais na Figura 6.7. Planilha 40 elesales, quot principal de vendas de eletricidade residencial, ylab quotGWhot. Xlab quotYearquot 41 linhas 40 ma 40 elecsales, 5 41. col quotredquot 41 Observe como a tendência (em vermelho) é mais suave que os dados originais e captura o movimento principal das séries temporais sem todas as pequenas flutuações. O método de média móvel não permite estimativas de T onde t é próximo das extremidades da série, portanto, a linha vermelha não se estende às bordas do gráfico de cada lado. Mais tarde, usaremos métodos mais sofisticados de estimativa do ciclo de tendência que permitem estimativas próximas aos pontos finais. A ordem da média móvel determina a suavidade da estimativa do ciclo da tendência. Em geral, uma ordem maior significa uma curva mais suave. O gráfico a seguir mostra o efeito de alterar a ordem da média móvel para os dados residenciais de vendas de eletricidade. As médias móveis simples, como estas, geralmente são de ordem ímpar (por exemplo, 3, 5, 7, etc.). É assim que são simétricas: em uma média móvel da ordem m2k1, há k observações anteriores, k observações posteriores e a observação do meio Que estão em média. Mas se eu fosse igual, não seria mais simétrico. Médias móveis das médias móveis É possível aplicar uma média móvel a uma média móvel. Um dos motivos para isso é fazer uma média móvel em ordem uniforme simétrica. Por exemplo, podemos tomar uma média móvel da ordem 4 e, em seguida, aplicar outra média móvel da ordem 2 aos resultados. Na Tabela 6.2, isso foi feito nos primeiros anos dos dados de produção de cerveja trimestral australiana. Beer2 lt - window 40 ausbeer, começar 1992 41 ma4 lt-ma 40 beer2, order 4. center FALSE 41 ma2x4 lt-ma 40 beer2, order 4. center TRUE 41 A notação 2times4-MA na última coluna significa 4-MA Seguido por um 2-MA. Os valores na última coluna são obtidos tomando uma média móvel da ordem 2 dos valores na coluna anterior. Por exemplo, os dois primeiros valores na coluna 4-MA são 451.2 (443410420532) 4 e 448.8 (410420532433) 4. O primeiro valor na coluna 2times4-MA é a média desses dois: 450.0 (451.2448.8) 2. Quando um 2-MA segue uma média móvel de ordem par (como 4), é chamado de média móvel centrada da ordem 4. Isso ocorre porque os resultados agora são simétricos. Para ver que este é o caso, podemos escrever o 2times4-MA da seguinte forma: comece o amplificador de amplificação. Bigfrac (y y y y) frac (y y y y) Grande amplificação fractura fractura fratão frac14y frac14y frac18y. Fim É agora uma média ponderada de observações, mas é simétrico. Outras combinações de médias móveis também são possíveis. Por exemplo, um 3x3-MA é freqüentemente usado e consiste em uma média móvel da ordem 3, seguida de outra média móvel da ordem 3. Em geral, uma ordem final MA deve ser seguida por uma ordem final MA para torná-la simétrica. Da mesma forma, uma ordem ímpar MA deve ser seguida por uma ordem ímpar MA. Estimando o ciclo de tendência com dados sazonais O uso mais comum de médias móveis centradas é estimar o ciclo de tendência a partir de dados sazonais. Considere o 2x4-MA: fractura de fractura e fractura fratura de fractura. Quando aplicado a dados trimestrais, cada trimestre do ano recebe peso igual à medida que o primeiro e o último termos se aplicam ao mesmo trimestre em anos consecutivos. Consequentemente, a variação sazonal será promediada e os valores resultantes do chapéu t terão pouca ou nenhuma variação sazonal restante. Um efeito semelhante seria obtido usando um 2x 8-MA ou um 2x 12-MA. Em geral, 2 vezes m-MA é equivalente a uma média móvel ponderada da ordem m1 com todas as observações tomando peso 1m, exceto para os primeiros e últimos termos que tomam pesos 1 (2m). Então, se o período sazonal é igual e de ordem m, use um 2-m-MA para estimar o ciclo da tendência. Se o período sazonal for estranho e de ordem m, use um m-MA para estimar o ciclo de tendências. Em particular, um 2x 12-MA pode ser usado para estimar o ciclo de tendência dos dados mensais e um 7-MA pode ser usado para estimar o ciclo de tendência dos dados diários. Outras opções para a ordem do MA geralmente resultarão em estimativas do ciclo de tendência sendo contaminadas pela sazonalidade nos dados. Exemplo 6.2 Fabricação de equipamentos elétricos A Figura 6.9 mostra um 2x12-MA aplicado ao índice de pedidos de equipamentos elétricos. Observe que a linha suave mostra nenhuma sazonalidade é quase o mesmo que o ciclo de tendência mostrado na Figura 6.2, que foi estimado usando um método muito mais sofisticado do que as médias móveis. Qualquer outra escolha para a ordem da média móvel (exceto 24, 36, etc.) teria resultado em uma linha suave que mostra algumas flutuações sazonais. Lote 40 elecequip, ylab quotNome ordem de pedidos. Quotgrayquot quotgrayquot principal quotEquipamento de equipamentos elétricos (área do euro) 41 linhas 40 ma 40 elecequip, ordem 12 41. col quotredquot 41 médias móveis ponderadas As combinações de médias móveis resultam em médias móveis ponderadas. Por exemplo, o 2x4-MA discutido acima é equivalente a um 5-MA ponderado com pesos dados por frac, frac, frac, frac, frac. Em geral, um m-MA ponderado pode ser escrito como hat t sum k aj y, onde k (m-1) 2 e os pesos são dados por a, pontos, ak. É importante que todos os pesos somem para um e que sejam simétricos para que aj. O m-MA simples é um caso especial em que todos os pesos são iguais a 1m. Uma grande vantagem das médias móveis ponderadas é que eles produzem uma estimativa mais suave do ciclo de tendência. Em vez das observações que entram e saem do cálculo em peso total, seus pesos aumentam lentamente e diminuem lentamente resultando em uma curva mais suave. Alguns conjuntos específicos de pesos são amplamente utilizados. Alguns destes são apresentados na Tabela 6.3.