Trong mô hình hồi quy đa biến, biến giả (dummy variable) được sử dụng để làm gì?

• A. Để biểu diễn các biến định tính.
• B. Để loại bỏ các giá trị ngoại lệ.
• C. Để chuẩn hóa dữ liệu.
• D. Để tăng kích thước mẫu.

Hệ số tự tương quan (autocorrelation coefficient) đo lường điều gì?

• A. Mức độ tương quan giữa hai chuỗi thời gian khác nhau.
• B. Mức độ tương quan giữa các giá trị của một chuỗi thời gian tại các thời điểm khác nhau.
• C. Mức độ biến động của chuỗi thời gian.
• D. Mức độ xu hướng của chuỗi thời gian.

Nếu bạn nghi ngờ có hiện tượng tự tương quan (autocorrelation) trong mô hình hồi quy của mình, bạn nên sử dụng kiểm định nào?

• A. Kiểm định Levene.
• B. Kiểm định Durbin-Watson.
• C. Kiểm định Kolmogorov-Smirnov.
• D. Kiểm định Kruskal-Wallis.

Điều gì xảy ra với độ dài dự báo (forecast horizon) khi sử dụng phương pháp san bằng mũ?

• A. Độ dài dự báo càng dài, độ chính xác càng cao.
• B. Độ dài dự báo càng dài, độ chính xác càng giảm.
• C. Độ dài dự báo không ảnh hưởng đến độ chính xác.
• D. Độ dài dự báo chỉ ảnh hưởng đến độ chính xác trong các chuỗi thời gian có tính mùa vụ.

Trong phân tích hồi quy, nếu bạn nghi ngờ rằng có một mối quan hệ phi tuyến tính giữa biến độc lập và biến phụ thuộc, bạn có thể làm gì?

• A. Loại bỏ biến độc lập.
• B. Sử dụng mô hình hồi quy tuyến tính đơn giản.
• C. Biến đổi biến độc lập (ví dụ: sử dụng logarit hoặc đa thức).
• D. Tăng kích thước mẫu.

Trong phân tích hồi quy, điều gì xảy ra nếu bạn bỏ qua một biến quan trọng?

• A. Các ước lượng hệ số sẽ không chệch.
• B. Phương sai của các ước lượng hệ số sẽ giảm.
• C. Các ước lượng hệ số có thể bị chệch.
• D. R-squared sẽ tăng.

Khi nào thì mô hình hồi quy được coi là 'phù hợp tốt' (good fit)?

• A. Khi các hệ số hồi quy đều dương.
• B. Khi R-squared gần bằng 0.
• C. Khi R-squared gần bằng 1.
• D. Khi tất cả các biến độc lập đều có ý nghĩa thống kê.

Trong phân tích chuỗi thời gian, một 'white noise' process là gì?

• A. Một chuỗi thời gian có xu hướng tăng đều đặn.
• B. Một chuỗi thời gian có tính mùa vụ rõ rệt.
• C. Một chuỗi thời gian mà các giá trị không tương quan với nhau và có phương sai không đổi.
• D. Một chuỗi thời gian chứa nhiều giá trị ngoại lệ.

Sai số chuẩn của ước lượng (standard error of estimate) đo lường điều gì?

• A. Mức độ biến động của các hệ số hồi quy.
• B. Độ lệch trung bình của các giá trị thực tế so với các giá trị dự đoán.
• C. Mức độ tương quan giữa các biến độc lập.
• D. Mức độ ý nghĩa thống kê của mô hình.

Điều gì là quan trọng nhất khi lựa chọn giữa mô hình ARIMA và mô hình san bằng mũ để dự báo?

• A. Kích thước mẫu.
• B. Sự hiện diện của xu hướng và tính mùa vụ.
• C. Số lượng biến độc lập.
• D. Mức ý nghĩa thống kê của các hệ số.

Điều gì xảy ra với khoảng tin cậy của hệ số hồi quy khi kích thước mẫu tăng lên?

• A. Khoảng tin cậy trở nên rộng hơn.
• B. Khoảng tin cậy trở nên hẹp hơn.
• C. Khoảng tin cậy không đổi.
• D. Khoảng tin cậy dao động ngẫu nhiên.

Khi nào bạn nên sử dụng mô hình Logit thay vì mô hình hồi quy tuyến tính thông thường?

• A. Khi biến phụ thuộc là biến định lượng liên tục.
• B. Khi biến phụ thuộc là biến định tính nhị phân.
• C. Khi các biến độc lập có tương quan cao.
• D. Khi phương sai của sai số thay đổi.

Giá trị của thống kê Durbin-Watson gần bằng 2 cho thấy điều gì?

• A. Có tự tương quan dương.
• B. Có tự tương quan âm.
• C. Không có tự tương quan.
• D. Có phương sai sai số thay đổi.

Mục đích của việc sử dụng biến tương tác (interaction variable) trong mô hình hồi quy là gì?

• A. Để giảm đa cộng tuyến.
• B. Để kiểm tra xem tác động của một biến độc lập lên biến phụ thuộc có phụ thuộc vào giá trị của một biến độc lập khác hay không.
• C. Để chuẩn hóa dữ liệu.
• D. Để tăng kích thước mẫu.

Trong phân tích chuỗi thời gian, một chu kỳ (cycle) khác với một xu hướng (trend) như thế nào?

• A. Chu kỳ có độ dài cố định, trong khi xu hướng thì không.
• B. Chu kỳ là ngắn hạn, trong khi xu hướng là dài hạn.
• C. Chu kỳ có tính lặp lại nhưng không nhất thiết đều đặn, trong khi xu hướng biểu thị sự thay đổi dài hạn và có hệ thống.
• D. Chu kỳ chỉ xuất hiện trong dữ liệu kinh tế, trong khi xu hướng xuất hiện trong mọi loại dữ liệu.

Trong kiểm định giả thuyết về hệ số hồi quy, giả thuyết không (null hypothesis) thường là gì?

• A. Hệ số hồi quy bằng 1.
• B. Hệ số hồi quy lớn hơn 0.
• C. Hệ số hồi quy nhỏ hơn 0.
• D. Hệ số hồi quy bằng 0.

Phương pháp san bằng mũ (exponential smoothing) được sử dụng để làm gì?

• A. Để loại bỏ tính mùa vụ trong chuỗi thời gian.
• B. Để dự báo các giá trị tương lai dựa trên các giá trị quá khứ.
• C. Để xác định các điểm uốn trong chuỗi thời gian.
• D. Để phân tích mối tương quan giữa các chuỗi thời gian khác nhau.

Trong phân tích hồi quy, hệ số xác định (R-squared) đo lường điều gì?

• A. Độ mạnh của mối quan hệ tuyến tính giữa các biến độc lập.
• B. Phần trăm biến thiên của biến phụ thuộc được giải thích bởi các biến độc lập.
• C. Mức ý nghĩa thống kê của các biến độc lập.
• D. Sai số chuẩn của ước lượng.

Trong phân tích hồi quy, một giá trị ngoại lệ (outlier) là gì?

• A. Một giá trị có tần suất xuất hiện cao.
• B. Một giá trị nằm gần trung bình của dữ liệu.
• C. Một giá trị khác biệt đáng kể so với các giá trị khác trong tập dữ liệu.
• D. Một giá trị bị thiếu trong tập dữ liệu.

Hiện tượng đa cộng tuyến (multicollinearity) xảy ra khi nào?

• A. Khi các biến độc lập trong mô hình hồi quy có mối tương quan cao với nhau.
• B. Khi phương sai của sai số không đổi.
• C. Khi sai số có phân phối chuẩn.
• D. Khi không có biến độc lập nào tương quan với biến phụ thuộc.

Trong phân tích chuỗi thời gian, phương pháp nào phù hợp nhất để dự báo doanh số bán hàng của một sản phẩm mới?

• A. ARIMA.
• B. San bằng mũ (Exponential Smoothing).
• C. Phân tích hồi quy với các biến bên ngoài.
• D. Phân tích đường dẫn (Path Analysis).

Điều gì xảy ra với sai số chuẩn của các hệ số hồi quy khi đa cộng tuyến trở nên nghiêm trọng hơn?

• A. Sai số chuẩn giảm.
• B. Sai số chuẩn tăng.
• C. Sai số chuẩn không đổi.
• D. Sai số chuẩn trở nên không xác định.

Giả sử bạn có một mô hình hồi quy tuyến tính đơn giản. Nếu hệ số góc (slope) là 0, điều này có nghĩa là gì?

• A. Không có mối quan hệ nào giữa biến độc lập và biến phụ thuộc.
• B. Biến độc lập hoàn toàn giải thích được biến phụ thuộc.
• C. Biến phụ thuộc không đổi.
• D. Mô hình hồi quy là phi tuyến tính.

Trong phân tích chuỗi thời gian, hàm tự tương quan (ACF) và hàm tự tương quan từng phần (PACF) được sử dụng để làm gì?

• A. Để kiểm tra tính dừng.
• B. Để xác định bậc của mô hình ARIMA.
• C. Để loại bỏ tính mùa vụ.
• D. Để dự báo các giá trị tương lai.

Trong phân tích chuỗi thời gian, thành phần nào sau đây biểu thị xu hướng dài hạn của dữ liệu?

• A. Tính mùa vụ (Seasonality).
• B. Chu kỳ (Cycle).
• C. Xu hướng (Trend).
• D. Tính ngẫu nhiên (Irregularity).

Phương pháp ARIMA được sử dụng để làm gì trong phân tích chuỗi thời gian?

• A. Để xác định các giá trị ngoại lệ.
• B. Để dự báo các giá trị tương lai dựa trên các thành phần tự hồi quy, tích hợp và trung bình trượt.
• C. Để làm mịn dữ liệu.
• D. Để phân tích sự phụ thuộc giữa hai chuỗi thời gian.

Phương pháp nào thường được sử dụng để phát hiện hiện tượng phương sai sai số thay đổi (heteroscedasticity)?

• A. Kiểm định Shapiro-Wilk.
• B. Kiểm định Durbin-Watson.
• C. Kiểm định Breusch-Pagan.
• D. Kiểm định t-student.

Trong phân tích chuỗi thời gian, tính mùa vụ (seasonality) đề cập đến điều gì?

• A. Sự biến động ngẫu nhiên trong dữ liệu.
• B. Các mẫu lặp đi lặp lại trong một khoảng thời gian cố định.
• C. Xu hướng dài hạn của dữ liệu.
• D. Các chu kỳ kinh tế kéo dài nhiều năm.

Tại sao cần phải kiểm tra tính dừng (stationarity) của chuỗi thời gian trước khi áp dụng mô hình ARIMA?

• A. Vì mô hình ARIMA chỉ phù hợp với các chuỗi thời gian dừng.
• B. Vì tính dừng giúp loại bỏ tính mùa vụ.
• C. Vì tính dừng giúp tăng độ chính xác của dự báo.
• D. Vì tính dừng giúp đơn giản hóa việc tính toán các hệ số tự tương quan.

Khi thực hiện hồi quy, bạn thấy rằng các phần dư (residuals) có một mô hình rõ ràng (ví dụ: hình chữ U). Điều này cho thấy điều gì?

• A. Mô hình có phương sai sai số không đổi.
• B. Mô hình có tự tương quan.
• C. Mô hình có thể bỏ sót một biến quan trọng hoặc mối quan hệ phi tuyến tính.
• D. Mô hình có đa cộng tuyến.