Eksamenssett logo
eksamenssett.noTren målrettet
  • Ungdomsskole/VGS
  • Høyskole
  • Ressurser
  • Skolenyttig
  • Forum
eksamenssett.noTren målrettet

Komplett samling av eksamensoppgaver og løsninger for norsk skole.

Om ossSlik bruker du sidenFAQPersonvernVilkårAngrerettKontakt

© 2026 Eksamenssett.no · Alle rettigheter forbeholdt

Innholdet er utviklet med AI-verktøy og kvalitetssikres kontinuerlig. Slik jobber vi med kvalitet →

Eksamenssett.no eies og drives av Studenthjelp Privatundervisning AS

Eksamenssett logo
eksamenssett.noTren målrettet
  • Ungdomsskole/VGS
  • Høyskole
  • Ressurser
  • Skolenyttig
  • Forum
eksamenssett.noTren målrettet

Komplett samling av eksamensoppgaver og løsninger for norsk skole.

Om ossSlik bruker du sidenFAQPersonvernVilkårAngrerettKontakt

© 2026 Eksamenssett.no · Alle rettigheter forbeholdt

Innholdet er utviklet med AI-verktøy og kvalitetssikres kontinuerlig. Slik jobber vi med kvalitet →

Eksamenssett.no eies og drives av Studenthjelp Privatundervisning AS

Eksamenssett logo
eksamenssett.noTren målrettet
  • Ungdomsskole/VGS
  • Høyskole
  • Ressurser
  • Skolenyttig
  • Forum
eksamenssett.noTren målrettet

Komplett samling av eksamensoppgaver og løsninger for norsk skole.

Om ossSlik bruker du sidenFAQPersonvernVilkårAngrerettKontakt

© 2026 Eksamenssett.no · Alle rettigheter forbeholdt

Innholdet er utviklet med AI-verktøy og kvalitetssikres kontinuerlig. Slik jobber vi med kvalitet →

Eksamenssett.no eies og drives av Studenthjelp Privatundervisning AS

Eksamenssett logo
eksamenssett.noTren målrettet
  • Ungdomsskole/VGS
  • Høyskole
  • Ressurser
  • Skolenyttig
  • Forum
  1. Hjem
  3. Høyskole
  5. UiO
  7. ECON3150
  9. Temaprøver
ECON3150

ECON3150 Introductory Econometrics

Temaprøver

Øv deg på hvert enkelt tema med realistiske totimersprøver. Perfekt for å styrke svake områder eller teste deg selv før eksamen.

48

prøver

12

temaer

2t

per prøve

01

OLS-estimering og tolkning

Eksamensrelevant4 prøver
Temaprøve 1Gratis
2 timer
\hat{\beta}_1 = \frac{\sum_{i=1}^n (X_i R^2 = 1 - \frac{SSR}{SST} = \text{Cor}(\\text{RMSE} = \sqrt{\frac{SSR}{n-k-1}}, Log-level: \%\Delta Y \approx 100 \beta_
Temaprøve 2
2 timer
R^2 = 1 - \frac{SSR}{SST} = \text{Cor}(\\text{RMSE} = \sqrt{\frac{SSR}{n-k-1}}, Log-level: \%\Delta Y \approx 100 \beta_\hat{\beta}_1 = \frac{\sum_{i=1}^n (X_i
Temaprøve 3
2 timer
\text{RMSE} = \sqrt{\frac{SSR}{n-k-1}}, Log-level: \%\Delta Y \approx 100 \beta_\hat{\beta}_1 = \frac{\sum_{i=1}^n (X_i R^2 = 1 - \frac{SSR}{SST} = \text{Cor}(\
Temaprøve 4
2 timer
Log-level: \%\Delta Y \approx 100 \beta_\hat{\beta}_1 = \frac{\sum_{i=1}^n (X_i R^2 = 1 - \frac{SSR}{SST} = \text{Cor}(\\text{RMSE} = \sqrt{\frac{SSR}{n-k-1}},
02

Hypotesetesting og konfidensintervaller

Eksamensrelevant4 prøver
Temaprøve 1Gratis
2 timer
t = \frac{\hat{\beta}_j - \beta_{j,0}}{SKI_{1-\alpha} = \hat{\beta}_j \pm z_{\alKritiske verdier: z_{0.10} = 1.28, z_{0.P-verdi (tosidig): p = 2 \cdot \Phi(-|t|
Temaprøve 2
2 timer
KI_{1-\alpha} = \hat{\beta}_j \pm z_{\alKritiske verdier: z_{0.10} = 1.28, z_{0.P-verdi (tosidig): p = 2 \cdot \Phi(-|t|t = \frac{\hat{\beta}_j - \beta_{j,0}}{S
Temaprøve 3
2 timer
Kritiske verdier: z_{0.10} = 1.28, z_{0.P-verdi (tosidig): p = 2 \cdot \Phi(-|t|t = \frac{\hat{\beta}_j - \beta_{j,0}}{SKI_{1-\alpha} = \hat{\beta}_j \pm z_{\al
Temaprøve 4
2 timer
P-verdi (tosidig): p = 2 \cdot \Phi(-|t|t = \frac{\hat{\beta}_j - \beta_{j,0}}{SKI_{1-\alpha} = \hat{\beta}_j \pm z_{\alKritiske verdier: z_{0.10} = 1.28, z_{0.
03

Multippel regresjon og modellvalg

Eksamensrelevant4 prøver
Temaprøve 1Gratis
2 timer
F = \frac{(SSR_r - SSR_{ur})/q}{SSR_{ur}F = \frac{(R^2_{ur} - R^2_r)/q}{(1-R^2_{\bar{R}^2 = 1 - \frac{(1-R^2)(n-1)}{n-k-RMSE²·(n-k-1) = SSR (nyttig når eksamen
Temaprøve 2
2 timer
F = \frac{(R^2_{ur} - R^2_r)/q}{(1-R^2_{\bar{R}^2 = 1 - \frac{(1-R^2)(n-1)}{n-k-RMSE²·(n-k-1) = SSR (nyttig når eksamen F = \frac{(SSR_r - SSR_{ur})/q}{SSR_{ur}
Temaprøve 3
2 timer
\bar{R}^2 = 1 - \frac{(1-R^2)(n-1)}{n-k-RMSE²·(n-k-1) = SSR (nyttig når eksamen F = \frac{(SSR_r - SSR_{ur})/q}{SSR_{ur}F = \frac{(R^2_{ur} - R^2_r)/q}{(1-R^2_{
Temaprøve 4
2 timer
RMSE²·(n-k-1) = SSR (nyttig når eksamen F = \frac{(SSR_r - SSR_{ur})/q}{SSR_{ur}F = \frac{(R^2_{ur} - R^2_r)/q}{(1-R^2_{\bar{R}^2 = 1 - \frac{(1-R^2)(n-1)}{n-k-
04

Utelatt variabel-bias og OVB-formelen

Eksamensrelevant4 prøver
Temaprøve 1Gratis
2 timer
\tilde{\beta}_1 = \hat{\beta}_1 + \hat{\Bias = \hat{\beta}_2 \cdot \tilde{\delta\tilde{\delta}_1 = \frac{\tilde{\beta}_1r_{XW} = \tilde{\delta}_1 \cdot \frac{SD
Temaprøve 2
2 timer
Bias = \hat{\beta}_2 \cdot \tilde{\delta\tilde{\delta}_1 = \frac{\tilde{\beta}_1r_{XW} = \tilde{\delta}_1 \cdot \frac{SD\tilde{\beta}_1 = \hat{\beta}_1 + \hat{\
Temaprøve 3
2 timer
\tilde{\delta}_1 = \frac{\tilde{\beta}_1r_{XW} = \tilde{\delta}_1 \cdot \frac{SD\tilde{\beta}_1 = \hat{\beta}_1 + \hat{\Bias = \hat{\beta}_2 \cdot \tilde{\delta
Temaprøve 4
2 timer
r_{XW} = \tilde{\delta}_1 \cdot \frac{SD\tilde{\beta}_1 = \hat{\beta}_1 + \hat{\Bias = \hat{\beta}_2 \cdot \tilde{\delta\tilde{\delta}_1 = \frac{\tilde{\beta}_1
05

Ikke-lineære spesifikasjoner

Eksamensrelevant4 prøver
Temaprøve 1Gratis
2 timer
Kvadratisk: Y_i = \beta_0 + \beta_1 X_i Knekkpunkt: X^* = -\beta_1/(2\beta_2) (mInteraksjon: Y_i = \beta_0 + \beta_1 X_iR: feols(y ~ x + I(x^2), data) for kvadr
Temaprøve 2
2 timer
Knekkpunkt: X^* = -\beta_1/(2\beta_2) (mInteraksjon: Y_i = \beta_0 + \beta_1 X_iR: feols(y ~ x + I(x^2), data) for kvadrKvadratisk: Y_i = \beta_0 + \beta_1 X_i
Temaprøve 3
2 timer
Interaksjon: Y_i = \beta_0 + \beta_1 X_iR: feols(y ~ x + I(x^2), data) for kvadrKvadratisk: Y_i = \beta_0 + \beta_1 X_i Knekkpunkt: X^* = -\beta_1/(2\beta_2) (m
Temaprøve 4
2 timer
R: feols(y ~ x + I(x^2), data) for kvadrKvadratisk: Y_i = \beta_0 + \beta_1 X_i Knekkpunkt: X^* = -\beta_1/(2\beta_2) (mInteraksjon: Y_i = \beta_0 + \beta_1 X_i
06

Heteroskedastisitet og robuste standardfeil

Hyppig på eksamen4 prøver
Temaprøve 1Gratis
2 timer
IID: SE(\hat{\beta}_1) = \sqrt{\hat{\sigHC-robust SE bruker \hat{\Omega} = \textGauss-Markov: OLS er BLUE under homoskedSSR = RMSE² × (n − k − 1) (nyttig for F-
Temaprøve 2
2 timer
HC-robust SE bruker \hat{\Omega} = \textGauss-Markov: OLS er BLUE under homoskedSSR = RMSE² × (n − k − 1) (nyttig for F-IID: SE(\hat{\beta}_1) = \sqrt{\hat{\sig
Temaprøve 3
2 timer
Gauss-Markov: OLS er BLUE under homoskedSSR = RMSE² × (n − k − 1) (nyttig for F-IID: SE(\hat{\beta}_1) = \sqrt{\hat{\sigHC-robust SE bruker \hat{\Omega} = \text
Temaprøve 4
2 timer
SSR = RMSE² × (n − k − 1) (nyttig for F-IID: SE(\hat{\beta}_1) = \sqrt{\hat{\sigHC-robust SE bruker \hat{\Omega} = \textGauss-Markov: OLS er BLUE under homosked
07

Instrumentvariabler og Wald-estimatoren

Eksamensrelevant4 prøver
Temaprøve 1Gratis
2 timer
\hat{\beta}_{\text{Wald}} = \frac{\bar{YRelevanskrav: \text{Cov}(Z_i, X_i) \neq Eksklusjonsrestriksjon: \text{Cov}(Z_i, R: feols(Y ~ W | X ~ Z, data) (2SLS i fi
Temaprøve 2
2 timer
Relevanskrav: \text{Cov}(Z_i, X_i) \neq Eksklusjonsrestriksjon: \text{Cov}(Z_i, R: feols(Y ~ W | X ~ Z, data) (2SLS i fi\hat{\beta}_{\text{Wald}} = \frac{\bar{Y
Temaprøve 3
2 timer
Eksklusjonsrestriksjon: \text{Cov}(Z_i, R: feols(Y ~ W | X ~ Z, data) (2SLS i fi\hat{\beta}_{\text{Wald}} = \frac{\bar{YRelevanskrav: \text{Cov}(Z_i, X_i) \neq
Temaprøve 4
2 timer
R: feols(Y ~ W | X ~ Z, data) (2SLS i fi\hat{\beta}_{\text{Wald}} = \frac{\bar{YRelevanskrav: \text{Cov}(Z_i, X_i) \neq Eksklusjonsrestriksjon: \text{Cov}(Z_i,
08

Probit og logit-modeller

Hyppig på eksamen4 prøver
Temaprøve 1Gratis
2 timer
Probit: P(Y=1|X) = \Phi(\beta_0 + \beta_Logit: P(Y=1|X) = \Lambda(\beta_0 + \betMarginal effekt (probit): \phi(z) \cdot LPM: P(Y=1|X) = \beta_0 + \beta_1 X (OLS
Temaprøve 2
2 timer
Logit: P(Y=1|X) = \Lambda(\beta_0 + \betMarginal effekt (probit): \phi(z) \cdot LPM: P(Y=1|X) = \beta_0 + \beta_1 X (OLSProbit: P(Y=1|X) = \Phi(\beta_0 + \beta_
Temaprøve 3
2 timer
Marginal effekt (probit): \phi(z) \cdot LPM: P(Y=1|X) = \beta_0 + \beta_1 X (OLSProbit: P(Y=1|X) = \Phi(\beta_0 + \beta_Logit: P(Y=1|X) = \Lambda(\beta_0 + \bet
Temaprøve 4
2 timer
LPM: P(Y=1|X) = \beta_0 + \beta_1 X (OLSProbit: P(Y=1|X) = \Phi(\beta_0 + \beta_Logit: P(Y=1|X) = \Lambda(\beta_0 + \betMarginal effekt (probit): \phi(z) \cdot
09

Paneldata og fixed effects

Hyppig på eksamen4 prøver
Temaprøve 1Gratis
2 timer
FE-modell: Y_{it} = \beta_0 + \beta_1 X_Within-transformasjon: \tilde{Y}_{it} = Toveis FE: Y_{it} = \beta_1 X_{it} + \etR: feols(Y ~ X | id, data) (entity FE);
Temaprøve 2
2 timer
Within-transformasjon: \tilde{Y}_{it} = Toveis FE: Y_{it} = \beta_1 X_{it} + \etR: feols(Y ~ X | id, data) (entity FE); FE-modell: Y_{it} = \beta_0 + \beta_1 X_
Temaprøve 3
2 timer
Toveis FE: Y_{it} = \beta_1 X_{it} + \etR: feols(Y ~ X | id, data) (entity FE); FE-modell: Y_{it} = \beta_0 + \beta_1 X_Within-transformasjon: \tilde{Y}_{it} =
Temaprøve 4
2 timer
R: feols(Y ~ X | id, data) (entity FE); FE-modell: Y_{it} = \beta_0 + \beta_1 X_Within-transformasjon: \tilde{Y}_{it} = Toveis FE: Y_{it} = \beta_1 X_{it} + \et
10

Difference-in-differences

4 prøver
Temaprøve 1Gratis
2 timer
\hat{\delta}_{\text{DiD}} = (\bar{Y}_{11DiD-regresjon: Y_{it} = \beta_0 + \beta_\delta er den kausale effekten under parR: feols(Y ~ D + T + D:T, data)
Temaprøve 2
2 timer
DiD-regresjon: Y_{it} = \beta_0 + \beta_\delta er den kausale effekten under parR: feols(Y ~ D + T + D:T, data)\hat{\delta}_{\text{DiD}} = (\bar{Y}_{11
Temaprøve 3
2 timer
\delta er den kausale effekten under parR: feols(Y ~ D + T + D:T, data)\hat{\delta}_{\text{DiD}} = (\bar{Y}_{11DiD-regresjon: Y_{it} = \beta_0 + \beta_
Temaprøve 4
2 timer
R: feols(Y ~ D + T + D:T, data)\hat{\delta}_{\text{DiD}} = (\bar{Y}_{11DiD-regresjon: Y_{it} = \beta_0 + \beta_\delta er den kausale effekten under par
11

Kausal inferens og indre gyldighet

Eksamensrelevant4 prøver
Temaprøve 1Gratis
2 timer
E[u_i | X_i] = 0 (betinget gjennomsnittsCIA: E[u_i | X_i, W_i] = 0 (selection onITT: sammenlign tildelte grupper uansettLATE = \hat{\beta}_{\text{Wald}} = ITT-e
Temaprøve 2
2 timer
CIA: E[u_i | X_i, W_i] = 0 (selection onITT: sammenlign tildelte grupper uansettLATE = \hat{\beta}_{\text{Wald}} = ITT-eE[u_i | X_i] = 0 (betinget gjennomsnitts
Temaprøve 3
2 timer
ITT: sammenlign tildelte grupper uansettLATE = \hat{\beta}_{\text{Wald}} = ITT-eE[u_i | X_i] = 0 (betinget gjennomsnittsCIA: E[u_i | X_i, W_i] = 0 (selection on
Temaprøve 4
2 timer
LATE = \hat{\beta}_{\text{Wald}} = ITT-eE[u_i | X_i] = 0 (betinget gjennomsnittsCIA: E[u_i | X_i, W_i] = 0 (selection onITT: sammenlign tildelte grupper uansett
12

Statistisk presisjon og store utvalg

4 prøver
Temaprøve 1Gratis
2 timer
SE(\hat{\beta}_1) = \frac{\hat{\sigma}}{\frac{\hat{\beta}_j - \beta_j}{SE(\hat{\Forventningsrett: E[\hat{\beta}] = \betaKI-bredde halveres når n firedobles (pro
Temaprøve 2
2 timer
\frac{\hat{\beta}_j - \beta_j}{SE(\hat{\Forventningsrett: E[\hat{\beta}] = \betaKI-bredde halveres når n firedobles (proSE(\hat{\beta}_1) = \frac{\hat{\sigma}}{
Temaprøve 3
2 timer
Forventningsrett: E[\hat{\beta}] = \betaKI-bredde halveres når n firedobles (proSE(\hat{\beta}_1) = \frac{\hat{\sigma}}{\frac{\hat{\beta}_j - \beta_j}{SE(\hat{\
Temaprøve 4
2 timer
KI-bredde halveres når n firedobles (proSE(\hat{\beta}_1) = \frac{\hat{\sigma}}{\frac{\hat{\beta}_j - \beta_j}{SE(\hat{\Forventningsrett: E[\hat{\beta}] = \beta

Om temaprøvene

Hver temaprøve er designet for å ta 2 timer og fokuserer på ett spesifikt tema fra pensum.

Prøvene er laget for å ligne oppgavene du møter på eksamen, men med fokus på ett emne av gangen. Dette gjør det lettere å identifisere og fylle kunnskapshull.

Temaer merket med «Eksamensrelevant» er de som dukker opp på nesten alle eksamener. Start med disse hvis du har begrenset tid.

Temaprøve 1 i hvert tema er gratis. Temaprøve 2–4 krever premium.
eksamenssett.noTren målrettet

Komplett samling av eksamensoppgaver og løsninger for norsk skole.

Om ossSlik bruker du sidenFAQPersonvernVilkårAngrerettKontakt

© 2026 Eksamenssett.no · Alle rettigheter forbeholdt

Innholdet er utviklet med AI-verktøy og kvalitetssikres kontinuerlig. Slik jobber vi med kvalitet →

Eksamenssett.no eies og drives av Studenthjelp Privatundervisning AS