应用回归分析试题（二）
一、选择题
1. 在对两个变量x ，y 进行线性回归分析时，有下列步骤：
①对所求出的回归直线方程作出解释；②收集数据(i x 、i y ），1,2i =，…，
n ；③求线性回归方程；④求未知参数； ⑤根据所搜集的数据绘制散点图。
如果根据可行性要求能够作出变量,x y 具有线性相关结论，则在下列操作中正确的是（ D ）
A ．①②⑤③④
B ．③②④⑤①
C ．②④③①⑤
D ．②⑤④③①
2. 下列说法中正确的是（B ）
A ．任何两个变量都具有相关关系
B ．人的知识与其年龄具有相关关系
C ．散点图中的各点是分散的没有规律
D ．根据散点图求得的回归直线方程都是有意义的
3. 下面的各图中，散点图与相关系数r 不符合的是（B ）
4. 一位母亲记录了儿子3～9岁的身高，由此建立的身高与年龄的回
归直线方程为?7.1973.93y x =+，据此可以预测这个孩子10岁时的身高，
则正确的叙述是（ D ）
A ．身高一定是145.83cm
B ．身高超过146.00cm
C ．身高低于145.00cm
D ．身高在145.83cm 左右
5. 在画两个变量的散点图时，下面哪个叙述是正确的( B )
(A)预报变量在x 轴上，解释变量在y 轴上
(B)解释变量在x 轴上，预报变量在y 轴上
(C)可以选择两个变量中任意一个变量在x 轴上
(D)可以选择两个变量中任意一个变量
二、填空题
1. y 关于m 个自变量的所有可能回归方程有21m -个。
2. H 是帽子矩阵，则tr(H)=p+1 。
3. 回归分析中从研究对象上可分为一元和多元。
4. 回归模型的一般形式是 εββββ+++++=p p x x x y Λ22110。
5. )()(2H I e Cov -=σ（e 为多元回归的残差阵）。
三、叙述题
1. 引起异常值消除的方法(至少5个)？
答案：异常值消除方法：
（1）重新核实数据；
（2）重新测量数据；
（3）删除或重新观测异常值数据；
（4）增加必要的自变量；
（5）增加观测数据，适当扩大自变量取值范围；
（6）采用加权线性回归；
（7）改用非线性回归模型；
2. 自相关性带来的问题？
答案：（1）参数的估计值不再具有最小方差线性无偏性；
（2）均方差（MSE）可能严重低估误差项的方差；
（3）容易导致对t值评价过高，常用的F检验和t检验失败；
（4）当存在序列相关时，^β仍然是β的无偏估计量，但在任一特定的样本中；^β可能严重扭曲β的真实情况，即最小二乘估计量对抽样波动变得非常敏感；
（5）如果不加处理的运用普通最小二乘估计模型参数，用此模型进行预测和结构分析会带来较大的方差甚至错误的解释。
3. 回归分析与相关分析的区别与联系是什么？
答案：联系：回归分析和相关分析都是研究变量间关系的统计学课题。区别：a.在回归分析中，变量y称为因变量，处在被解释变量的特殊位。在相关分析中，变量x和变量y处于平等地位，即研究变量y与变量x的密切程度与研究变量x与变量y的密切程度是一回事。
b.相关分析中涉及的变量y与变量x全是随机变量。而在回归分析中，因为变量是随机的，自变量可以是随机变量，也可以是非随机的确定量。
c.相关分析的研究主要是为了刻画两类变量间线性相关的密
切程度。而回归分析不仅可以提示变量x对变量y的影响大小，还可以由回归方程进行预测和控制。
4. 叙述一元回归模型的建模过程？
答案：第一步：提出因变量与自变量；
第二步：收集数据；
第三步：画散点图；
第四步：设定理论模型；
第五步：用软件计算，输出计算结果；
第六步：回归诊断，分析输出结果。
四、证明题
1. 证明^0β是0β的无偏估计。
证明：E(^0β)=E(-Y -^1β-X )
=E(∑=n i i Y n 11--X ∑=-
-n i xx i L X X 1i Y ) =E(∑=----n i i xx i Y L X X X
n 1
)1() =E[∑=----n i xx
i L X X X n 1)1((+0βi i X εβ+1)] =E[+0β∑=-
---n i xx
i L X X X
n 1)1(i ε] =+0β∑=----n i xx
i L X X X
n 1)1(E(i ε) =0β
2. 当y ~),(2n I X N σβ时，证明^
β~))'(,(12-X X N σβ。 证明：E(^β)=E((X X T )1-y X T )
=(X X T )1-T X E(y)
=(X X T )1-T X E(X β+ε)
=(X X T )1-T X X β
=β
D(^β)=cov(^β,^β)
=cov((X X T )1-y X T ,(X X T )1-y X T )
=(X X T )1-T X cov(y,y)((X X T )1-T X )T
=(X X T )1-T X 2σX(X X T )1-
=2σ(X X T )1-T X X (X X T )1-
=2σ(X X T )1-
3. 证明，在多元线性回归中，最小二乘估计^β与残差向量e 不相关，即0),(^
=e Cov β
证明：])(,)[(),(1^y H I y X X X Cov e Cov T T -=-β 0]
)()[(]
)()()[()
()())(,()(1121112121=-=-=-=-=-------T T T T T T T T T T T T T
T T X X X X X X X X X X X X X X X X H I X X X H I y y Cov X X X σσσ
参考题：
1. 某同学由x 与y 之间的一组数据求得两个变量间的线性回归方程为y bx a =+，已知：数据x 的平均值为2，数据y 的平均值为3，则
( A )
A ．回归直线必过点（2，3）
B ．回归直线一定不过点（2，3）
C ．点（2，3）在回归直线上方
D ．点（2，3）在回归直线下方
2. 在一次试验中，测得),(y x 的四组值分别是)5,4(),4,3(),3,2(),2,1(D C B A 则Y 与X 之间的回归直线方程为（ A ）
A ．$y x 1=+
B ．$y x 2=+
C ．$y 2x 1=+ Ｄ．$y x 1=-
3. 相关系数
yy xx xy
L L L r =的意义是：（1）1||≤r ，（2）||r 越接近于1，相关程度越大，（3）||r 越接近于0，相关程度越小，
4. DW 的取值范围为：40≤≤DW
5.叙述自变量选择的准则
答案：准则1：自由度调整复决定系数2a R 达到最大；
准则2：赤池信息量AIC 达到最小；
准则3：p C 统计量达到最小。
第7章岭回归 思考与练习参考答案 7.1 岭回归估计是在什么情况下提出的？ 答：当自变量间存在复共线性时，｜X’X｜≈0，回归系数估计的方差就很大，估计值就很不稳定，为解决多重共线性，并使回归得到合理的结果，70年代提出了岭回归(Ridge Regression,简记为RR)。 7.2岭回归的定义及统计思想是什么？ 答：岭回归法就是以引入偏误为代价减小参数估计量的方差的一种回归方法，其统计思想是对于（X’X）-1为奇异时，给X’X加上一个正常数矩阵 D, 那么X’X+D接近奇异的程度就会比X′X接近奇异的程度小得多，从而完成回归。但是这样的回归必定丢失了信息，不满足blue。但这样的代价有时是值得的，因为这样可以获得与专业知识相一致的结果。 7.3 选择岭参数k有哪几种方法？ 答：最优 是依赖于未知参数 和 的，几种常见的选择方法是： 岭迹法：选择 的点能使各岭估计基本稳定，岭估计符号合理，回归系数没有不合乎经济意义的绝对值，且残差平方和增大不太多；
方差扩大因子法： ，其对角线元 是岭估计的方差扩大因子。要让 ； 残差平方和：满足 成立的最大的 值。 7.4 用岭回归方法选择自变量应遵循哪些基本原则？ 答：岭回归选择变量通常的原则是： 1. 在岭回归的计算中，我们通常假定涉及矩阵已经中心化和标准化了，这样可以直接比较标准化岭回归系数的大小。我们可以剔除掉标准化岭回归系数比较稳定且绝对值很小的自变量； 2. 当k值较小时，标准化岭回归系数的绝对值并不很小，但是不稳定，随着k的增加迅速趋近于零。像这样岭回归系数不稳定、震动趋于零的自变量，我们也可以予以剔除； 3. 去掉标准化岭回归系数很不稳定的自变量。如果有若干个岭回归系数不稳定，究竟去掉几个，去掉那几个，要根据去掉某个变量后重新进行岭回归分析的效果来确定。
C ．(1-R)(k-1) 多元线性回归模型练习 一、单项选择题 1.在由n=30的一组样本估计的、包含3个解释变量的线性回归模型中，计算得可决系数为0.8500，则调整后的可决系数为（D） A.0.8603 B.0.8389 C.0.8655 D.0.8327 2.用一组有30个观测值的样本估计模型y t=b0+b1x1t+b2x2t+u t后，在0.05的 显著性水平上对b1的显著性作t检验，则b1显著地不等于零的条件是其统计量t大于等于（C） A.t0.05(30) B.t0.025(28) C.t0.025(27) D.F0.025(1,28) 3.线性回归模型y t=b0+b1x1t+b2x2t+......+b k x kt+u t中，检验 H0:b t=0(i=0,1,2,...k)时，所用的统计量服从(C) A.t(n-k+1) B.t(n-k-2) C.t(n-k-1) D.t(n-k+2) 4.调整的可决系数与多元样本判定系数之间有如下关系(D) A.R2=n-1 n-k-1 R2 B. R2=1-n-1 n-k-1 R2 C.R2=1-n-1 n-k-1 (1+R2) D. R2=1-n-1 n-k-1 (1-R2) 5.对模型Y i=β0+β1X1i+β2X2i+μi进行总体显著性F检验，检验的零假设是( A) A.β1=β2=0 B.β1=0 C.β2=0 D.β0=0或β1=0 6．设k为回归模型中的参数个数，n为样本容量。则对多元线性回归方程进行显著性检验时，所用的F统计量可表示为（B） A.RSS k-1)B． R2k (1-R2)(n-k-1) R2(n-k) 2 ESS/(k-1) D．TSS n-k) 7．多元线性回归分析中（回归模型中的参数个数为k），调整后的可决系数R2与可决系数R2之间的关系（A） R2=1-(1-R2)n-1 n-k-1 A. B.R2≥R2
第6章 6.1 试举一个产生多重共线性的经济实例。 答：例如有人建立某地区粮食产量回归模型，以粮食产量为因变量Y，化肥用量为X1，水浇地面积为X2，农业投入资金为X3。由于农业投入资金X3与化肥用量X1，水浇地面积X2有很强的相关性，所以回归方程效果会很差。再例如根据某行业企业数据资料拟合此行业的生产函数时，资本投入、劳动力投入、资金投入与能源供应都与企业的生产规模有关，往往出现高度相关情况，大企业二者都大，小企业都小。 6.2多重共线性对回归参数的估计有何影响？ 答：1、完全共线性下参数估计量不存在； 2、参数估计量经济含义不合理； 3、变量的显著性检验失去意义； 4、模型的预测功能失效。 6.3 具有严重多重共线性的回归方程能不能用来做经济预测？ 答：虽然参数估计值方差的变大容易使区间预测的“区间”变大，使预测失去意义。但如果利用模型去做经济预测，只要保证自变量的相关类型在未来期中一直保持不变，即使回归模型中包含严重多重共线性的变量，也可以得到较好预测结果；否则会对经济预测产生严重的影响。 6.4多重共线性的产生于样本容量的个数n、自变量的个数p有无关系？ 答：有关系，增加样本容量不能消除模型中的多重共线性，但能适当消除多重共线性造成的后果。当自变量的个数p较大时，一般多重共线性容易发生，所以自变量应选择少而精。 6.6对第5章习题9财政收入的数据分析多重共线性，并根据多重共线性剔除变量。将所得结果与逐步回归法所得的选元结果相比较。 5.9 在研究国家财政收入时，我们把财政收入按收入形式分为：各项税收收入、企业收入、债务收入、国家能源交通重点建设收入、基本建设贷款归还收入、国家预算调节基金收入、其他收入等。为了建立国家财政收入回归模型，我们以财政收入y（亿元）为因变量，自变量如下：x1为农业增加值（亿元），x2为工业增加值（亿元），x3为建筑业增加值（亿元），x4为人口数（万人），x5为社
2.1 一元线性回归模型有哪些基本假定？ 答：1. 解释变量 1x ,Λ,2x ,p x 是非随机变量，观测值,1i x ,,2Λi x ip x 是常数。 2. 等方差及不相关的假定条件为 ? ? ? ? ? ? ??????≠=====j i n j i j i n i E j i i ,0),,2,1,(,),cov(,,2,1, 0)(2ΛΛσεεε 这个条件称为高斯-马尔柯夫(Gauss-Markov)条件，简称G-M 条件。在此条件下，便可以得到关于回归系数的最小二乘估计及误差项方差2σ估计的一些重要性质，如回归系数的最小二乘估计是回归系数的最小方差线性无偏估计等。 3. 正态分布的假定条件为 ???=相互独立 n i n i N εεεσε,,,,,2,1),,0(~212ΛΛ 在此条件下便可得到关于回归系数的最小二乘估计及2σ估计的进一步结果，如它们分别是回归系数的最及2σ的最小方差无偏估计等，并且可以作回归的显著性检验及区间估计。 4. 通常为了便于数学上的处理，还要求,p n >及样本容量的个数要多于解释变量的个数。 在整个回归分析中，线性回归的统计模型最为重要。一方面是因为线性回归的应用最广泛；另一方面是只有在回归模型为线性的假设下，才能的到比较深入和一般的结果；再就是有许多非线性的回归模型可以通过适当的转化变为线性回归问题进行处理。因此，线性回归模型的理论和应用是本书研究的重点。 1. 如何根据样本),,2,1)(;,,,(21n i y x x x i ip i i ΛΛ=求出p ββββ,,,,210Λ及方差2σ的估计; 2. 对回归方程及回归系数的种种假设进行检验； 3. 如何根据回归方程进行预测和控制，以及如何进行实际问题的结构分析。 2.2 考虑过原点的线性回归模型 n i x y i i i ,,2,1,1Λ=+=εβ误差n εεε,,,21Λ仍满足基本假定。求1β的最小二 乘估计。 答：∑∑==-=-=n i n i i i i x y y E y Q 1 1 2112 1)())(()(ββ
中级经济师基础知识 第 1题：单选题(本题1分) 某公司产品当产量为1000单位时，其总成本为4000元；当产量为2000单位时，其总成本为5000，则设产量为x，总成本为y，正确的一元回归方程表达式应该是（ ）。 A、y = 3000 + x B、y = 4000 + 4x C、y = 4000 + x D、y = 3000 + 4x 【正确答案】：A 【答案解析】： 本题可列方程组：设该方程为y = a + bx，则由题意可得：4000 = a + 1000b5000 = a + 2000b 解该方程，得b=1，a=3000，所以方程为y = 3000 + x 第 2题：单选题(本题1分) 在回归分析中，估计回归系数的最小二乘法的原理是（ ）。 A、使得因变量观测值与均值之间的离差平方和最小 B、使得因变量估计值与均值之间的离差平方和最小 C、使得观测值与估计值之间的乘积和最小 D、使得因变量观测值与估计值之间的离差平方和最小 【正确答案】：D 【答案解析】： 较偏较难的一道题目。最小二乘法就是使得因变量的观测值与估计值之间的离差平方和最小来估计参数的一种方法 第 3题：多选题(本题2分) 关于相关分析和回归分析的说法，正确的的有（） A、相关分析可以从一个变量的变化来推测另一个变量的变化 B、相关分析研究变量间相关的方向和相关的程度 C、相关分析中需要明确自变量和因变量 D、回归分析研究变量间相互关系的具体形式 E、相关分析和回归分析在研究方法和研究目的有明显区别 【正确答案】：BDE 【答案解析】： 相关分析与回归分析在研究目的和方法上具有明显的区别。 （1）、相关分析研究变量之间相关的方向和相关的程度，无法从一个变量的变化来推测另一变量的变化情况。 （2）、回归分析是研究变量之间相关关系的具体形式
y1 1 x11 x12 x1p 0 1 3.1 y2 1 x21 x22 x2p 1 + 2 即y=x + yn 1 xn1 xn2 xnp p n 基本假定 (1) 解释变量x1,x2…,xp 是确定性变量，不是随机变量，且要求 rank(X)=p+1 n 注 tr(H) h 1 3.4不能断定这个方程一定很理想，因为样本决定系数与回归方程中 自变量的数目以及样本量n 有关，当样本量个数n 太小，而自变量又较 多，使样本量与自变量的个数接近时， R 2易接近1,其中隐藏一些虚 假成分。 3.5当接受H o 时，认定在给定的显著性水平 下，自变量x1,x2, xp 对因变量y 无显著影响，于是通过x1,x2, xp 去推断y 也就无多大意 义，在这种情况下，一方面可能这个问题本来应该用非线性模型去描 述，而误用了线性模型，使得自变量对因变量无显著影响；另一方面 可能是在考虑自变量时，把影响因变量y 的自变量漏掉了，可以重新 考虑建模问题。 当拒绝H o 时，我们也不能过于相信这个检验，认为这个回归模型 已经完美了，当拒绝H o 时，我们只能认为这个模型在一定程度上说明 了自变量x1,x2, xp 与自变量y 的线性关系，这时仍不能排除排除我 们漏掉了一些重要的自变量。 3.6中心化经验回归方程的常数项为0,回归方程只包含p 个参数估计 值1, 2, p 比一般的经验回归方程减少了一个未知参数，在变量较 SSE (y y)2 e12 e22 1 2 1 E( ) E( - SSE* - n p 1 n p n 2 [D(e) (E(e ))2 ] 1 n (1 1 n 2 en n E( e 1 1 n p 1 1 n p 1 1 "1 1 n p 1 J (n D(e) 1 (p 1)) 1_ p 1 1 1 n p 1 2 2 n E(e 2 ) (1 h ) 2 1 应用回归分析试题（二） 一、选择题 1. 在对两个变量x , y 进行线性回归分析时，有下列步骤： ①对所求出的回归直线方程作出解释；②收集数据（X i 、），1,2，…, n ；③ 求线性回归方程；④求未知参数； ⑤根据所搜集的数据绘制 散点图。 如果根据可行性要求能够作出变量x ，y 具有线性相关结论，则在下列 操作中正确的是（D ） A .①②⑤③④ B .③②④⑤① C .②④③①⑤ D .②⑤④③① 2. 下列说法中正确的是（B ） A .任何两个变量都具有相关关系 B .人的知识与其年龄具有相关关系 C .散点图中的各点是分散的没有规律 D .根据散点图求得的回归直线方程都是有意义的 3. 下面的各图中，散点图与相关系数r 不符合的是（B ） \ 4 yi i .? — | 5. 在画两个变量的散点图时，下面哪个叙述是正确的 (B ) (A) 预报变量在x 轴上，解释变量在y 轴上 (B) 解释变量在x 轴上，预报变量在y 轴上 (C) 可以选择两个变量中任意一个变量在 X 轴上 (D) 可以选择两个变量中任意一个变量 二、 填空题 m 丄 1. y 关于m 个自变量的所有可能回归方程有-一1个。 2. H 是帽子矩阵，贝S tr(H)=p+1。 3. 回归分析中从研究对象上可分为一元和多元。 4. 回归模型的一般形式是 y ° 1X 1 2X 2 p X p 。 5. Cov(e) 2(l H) (e 为多元回归的残差阵)。 三、 叙述题 1.引起异常值消除的方法(至少5个)? 答案：异常值消除方法： (1) 重新核实数据； (2) 重新测量数据； (3) 删除或重新观测异常值数据； (4) 增加必要的自变量； 则正确的叙述是(D ) A .身咼一定是145.83cm C .身高低于145.00cm B .身高超过146.00cm D .身高在145.83cm 左右 1 下面是7个地区2000年的人均国内生产总值（GDP）和人均消费水平的统计数据： 求：(1)人均GDP作自变量，人均消费水平作因变量，绘制散点图，并说明二者之间的关系形态。 (2)计算两个变量之间的线性相关系数，说明两个变量之间的关系强度。 (3)求出估计的回归方程，并解释回归系数的实际意义。 (4)计算判定系数，并解释其意义。 α=)。 (5)检验回归方程线性关系的显著性(0.05 (6)如果某地区的人均GDP为5000元，预测其人均消费水平。 (7)求人均GDP为5000元时，人均消费水平95％的置信区间和预测区间。 解：（1） 可能存在线性关系。 （2）相关系数： 系数a 模型非标准化系数标准系数 t Sig. 相关性 B标准误差试用版零阶偏部分 1(常量).003 人均GDP.309.008.998.000.998.998.998 a. 因变量: 人均消费水平 有很强的线性关系。 （3）回归方程：734.6930.309 y x =+ 系数a 模型非标准化系数标准系数t Sig.相关性 回归系数的含义：人均GDP没增加1元，人均消费增加元。%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 注意：图标不要原封不动的完全复制软件中的图标，要按规范排版。 系数(a) 模型非标准化系数标准化系数 t显著性B标准误Beta 1（常量） 人均GDP（元） %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%（4） 模型汇总 模型R R 方调整 R 方标准估计的误 差 1.998a.996.996 a. 预测变量: (常量), 人均GDP。 人均GDP对人均消费的影响达到%。%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 注意：图标不要原封不动的完全复制软件中的图标，要按规范排版。 模型摘要 模型R R 方调整的 R 方估计的标准差 应用回归分析填空题和答案 应用回归分析：填空 (1) 回归分析是处理变量间_______关系的一种数理统计方法，若变量间具有线性关系，则称相应的回归分析为____________；若变量间不具有线性关系，就称相应的回归分析为___________________。 (2) 现代统计学中研究统计关系的两个重要分支是_________和_____________。 (3) 回归模型的建立是基于回归变量的样本统计数据，常用的样本数据分为___ ___________________和______________________。 (4) 回归模型通常应用于______________________、____________________和_____________________等方面。 (5) 最小二乘法的基本特点是使回归值与_________________________平方和为最小，最小二乘法的理论依据是___________________________。 (6) 多元线性回归模型εβ+=X Y ，回归参数β的最小二乘估计为 β?=_________________________。 (7) 设线性回归模型参数向量β(p+1维)的最小二乘估计为β ?，c 为p+1维常数向量，则______________是____________的最小方差线性无偏估计。 (8) 在线性回归分析中，最小二乘估计的性质有______________； _____ _____________和____________________等。 (9) 多元线性回归模型n i x x y i ip p i i ,,2,1,110 =++++=εβββ，误差项()n i i ,,2,1, =ε需满足的markov Gauss -假设为： (a):________________________________________； (b):________________________________________； (c):_________________________________________。 (10) 对回归方程做显著性检验时，可以用P 值代替检验统计量值，作出拒绝或接受原假设的决定：当P_______α时，接受0H ；当P________α时，拒绝0H 。 (11) 在p 元线性回归中，确定随机变量y 与自变量12,,,p x x x 间是否有线性 第3章 多元线性回归 思考与练习参考答案 3.1 见教材P64-65 3.2 讨论样本容量n 与自变量个数p 的关系，它们对模型的参数估计有何影响？ 答：在多元线性回归模型中，样本容量n 与自变量个数p 的关系是：n>>p 。如果n<=p 对模型的参数估计会带来很严重的影响。因为： 1. 在多元线性回归模型中，有p+1个待估参数β，所以样本容量的个数应该大于解释变量的个数，否则参数无法估计。 2. 解释变量X 是确定性变量，要求()1rank p n =+ 《应用回归分析》课后题答案 ————————————————————————————————作者：————————————————————————————————日期： 《应用回归分析》部分课后习题答案 第一章回归分析概述 1.1 变量间统计关系和函数关系的区别是什么？ 答：变量间的统计关系是指变量间具有密切关联而又不能由某一个或某一些变量 唯一确定另外一个变量的关系，而变量间的函数关系是指由一个变量唯一确定另 外一个变量的确定关系。 1.2 回归分析与相关分析的联系与区别是什么？ 答：联系有回归分析和相关分析都是研究变量间关系的统计学课题。区别有 a. 在回归分析中，变量y称为因变量，处在被解释的特殊地位。在相关分析中，变 量x和变量y处于平等的地位，即研究变量y与变量x的密切程度与研究变量x 与变量y的密切程度是一回事。b.相关分析中所涉及的变量y与变量x全是随机 变量。而在回归分析中，因变量y是随机变量，自变量x可以是随机变量也可以 是非随机的确定变量。C.相关分析的研究主要是为了刻画两类变量间线性相关的 密切程度。而回归分析不仅可以揭示变量x对变量y的影响大小，还可以由回归 方程进行预测和控制。 1.3 回归模型中随机误差项ε的意义是什么？ 答：ε为随机误差项，正是由于随机误差项的引入，才将变量间的关系描述为 一个随机方程，使得我们可以借助随机数学方法研究y与x1,x2…..xp的关系， 由于客观经济现象是错综复杂的，一种经济现象很难用有限个因素来准确说明， 随机误差项可以概括表示由于人们的认识以及其他客观原因的局限而没有考虑 的种种偶然因素。 1.4 线性回归模型的基本假设是什么？ 答：线性回归模型的基本假设有：1.解释变量x1.x2….xp是非随机的，观测值 xi1.xi2…..xip是常数。2.等方差及不相关的假定条件为{E(εi)=0 i=1,2…. Cov(εi,εj)=｛σ^2 3.正态分布的假定条件为相互独立。 4.样本容量的个数要多于解释变量的个数， 即n>p. 1.5 回归变量的设置理论根据是什么？在回归变量设置时应注意哪些问题？ 答：理论判断某个变量应该作为解释变量，即便是不显著的，如果理论上无法判 断那么可以采用统计方法来判断，解释变量和被解释变量存在统计关系。应注意 的问题有：在选择变量时要注意与一些专门领域的专家合作，不要认为一个回归 模型所涉及的变量越多越好，回归变量的确定工作并不能一次完成，需要反复试算，最终找出最合适的一些变量。 地区人均GDP/元人均消费水平/元 22460 11226 34547 4851 5444 2662 4549 7326 4490 11546 2396 2208 1608 2035 求：(1)人均GDP作自变量，人均消费水平作因变量，绘制散点图，并说明二者之间的关系形态。 (2)计算两个变量之间的线性相关系数，说明两个变量之间的关系强度。 (3)求出估计的回归方程，并解释回归系数的实际意义。 (4)计算判定系数，并解释其意义。 (5)检验回归方程线性关系的显著性(0.05 α=)。 (6)如果某地区的人均GDP为5000元，预测其人均消费水平。 (7)求人均GDP为5000元时，人均消费水平95％的置信区间和预测区间。 解：（1） 可能存在线性关系。 （2）相关系数： 有很强的线性关系。 （3）回归方程：734.6930.309 y x =+ 回归系数的含义：人均GDP没增加1元，人均消费增加0.309元。%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 注意：图标不要原封不动的完全复制软件中的图标，要按规范排版。 系数(a) 模型非标准化系数标准化系数 t 显著性B 标准误Beta 1 （常量）734.693 139.540 5.265 0.003 人均GDP（元）0.309 0.008 0.998 36.492 0.000 a. 因变量: 人均消费水平（元）%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% （4） 模型汇总 模型R R 方调整R 方标准估计的误 差 1 .998a.996 .996 247.303 a. 预测变量: (常量), 人均GDP。 人均GDP对人均消费的影响达到99.6%。%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 注意：图标不要原封不动的完全复制软件中的图标，要按规范排版。 模型摘要 模型R R 方调整的R 方估计的标准差 1 .998(a) 0.996 0.996 247.303 第4章违背基本假设的情况 思考与练习参考答案 4.1 试举例说明产生异方差的原因。 答：例4.1：截面资料下研究居民家庭的储蓄行为 Y i=β0+β1X i+εi 其中：Y i表示第i个家庭的储蓄额，X i表示第i个家庭的可支配收入。 由于高收入家庭储蓄额的差异较大，低收入家庭的储蓄额则更有规律性，差异较小，所以εi的方差呈现单调递增型变化。 例4.2：以某一行业的企业为样本建立企业生产函数模型 Y i=A iβ1K iβ2L iβ3eεi 被解释变量：产出量Y，解释变量：资本K、劳动L、技术A，那么每个企业所处的外部环境对产出量的影响被包含在随机误差项中。由于每个企业所处的外部环境对产出量的影响程度不同，造成了随机误差项的异方差性。这时，随机误差项ε的方差并不随某一个解释变量观测值的变化而呈规律性变化，呈现复杂型。 4.2 异方差带来的后果有哪些？ 答：回归模型一旦出现异方差性，如果仍采用OLS估计模型参数，会产生下列不良后果： 1、参数估计量非有效 2、变量的显著性检验失去意义 3、回归方程的应用效果极不理想 总的来说，当模型出现异方差性时，参数OLS估计值的变异程度增大，从而造成对Y的预测误差变大，降低预测精度，预测功能失效。 4.3 简述用加权最小二乘法消除一元线性回归中异方差性的思想与方法。 答：普通最小二乘估计就是寻找参数的估计值使离差平方和达极小。其中每个平方项的权数相同，是普通最小二乘回归参数估计方法。在误差项等方差不相关的条件下，普通最小二乘估计是回归参数的最小方差线性无偏估计。然而在异方差 的条件下，平方和中的每一项的地位是不相同的，误差项的方差大的项，在残差平方和中的取值就偏大，作用就大，因而普通最小二乘估计的回归线就被拉向方差大的项，方差大的项的拟合程度就好，而方差小的项的拟合程度就差。由OLS 求出的仍然是的无偏估计，但不再是最小方差线性无偏估计。所以就是：对较大的残差平方赋予较小的权数，对较小的残差平方赋予较大的权数。这样对残差所提供信息的重要程度作一番校正，以提高参数估计的精度。 加权最小二乘法的方法： 4.4简述用加权最小二乘法消除多元线性回归中异方差性的思想与方法。 答：运用加权最小二乘法消除多元线性回归中异方差性的思想与一元线性回归的类似。多元线性回归加权最小二乘法是在平方和中加入一个适当的权数i w ，以调整各项在平方和中的作用，加权最小二乘的离差平方和为： ∑=----=n i ip p i i i p w x x y w Q 1211010)( ),,,(ββββββ （2） 加权最小二乘估计就是寻找参数p βββ,,,10 的估计值pw w w βββ?,,?,?10 使式（2）的离差平方和w Q 达极小。所得加权最小二乘经验回归方程记做 22011 1 ???()()N N w i i i i i i i i Q w y y w y x ββ===-=--∑∑22 __ 1 _ 2 _ _ 02 222 ()() ?()?1 11 1 ,i i N w i i i w i w i w w w w w kx i i i i m i i i m i w x x y y x x y x w kx x kx w x σβββσσ==---=-= = ===∑∑1N i =1 1表示=或 第9章 非线性回归 9.1 在非线性回归线性化时，对因变量作变换应注意什么问题？ 答：在对非线性回归模型线性化时，对因变量作变换时不仅要注意回归函数的形式， 还要注意误差项的形式。如： (1) 乘性误差项，模型形式为 e y AK L αβε =， (2) 加性误差项，模型形式为 y AK L αβε=+。 对乘法误差项模型（1）可通过两边取对数转化成线性模型，（2）不能线性化。 一般总是假定非线性模型误差项的形式就是能够使回归模型线性化的形式，为了方便通常省去误差项，仅考虑回归函数的形式。 9.2为了研究生产率与废料率之间的关系，记录了如表9.14所示的数据，请画出散点图，根据散点图的趋势拟合适当的回归模型。 表9.14 生产率x （单位/周） 1000 2000 3000 3500 4000 4500 5000 废品率y （%） 5.2 6.5 6.8 8.1 10.2 10.3 13.0 解：先画出散点图如下图： 从散点图大致可以判断出x和y之间呈抛物线或指数曲线，由此采用二次方程式和指数函数进行曲线回归。 （1）二次曲线 SPSS输出结果如下： 从上表可以得到回归方程为：72? 5.8430.087 4.4710y x x -=-+? 由x 的系数检验P 值大于0.05，得到x 的系数未通过显著性检验。 由x 2的系数检验P 值小于0.05，得到x 2的系数通过了显著性检验。 （2）指数曲线 从上表可以得到回归方程为：0.0002t ? 4.003y e = 由参数检验P 值≈0<0.05，得到回归方程的参数都非常显著。 从R2值，σ的估计值和模型检验统计量F值、t值及拟合图综合考虑，指数拟合效果更好一些。 9.3 已知变量x与y的样本数据如表9.15，画出散点图，试用αeβ/x来拟合回归模型，假设： (1)乘性误差项，模型形式为y=αeβ/x eε (2)加性误差项，模型形式为y=αeβ/x+ε。 表9.15 序号x y 序号x y 序号x y 1 4.20 0.086 6 3.20 0.150 11 2.20 0.350 2 4.06 0.090 7 3.00 0.170 12 2.00 0.440 3 3.80 0.100 8 2.80 0.190 13 1.80 0.620 1 下面是7个地区2000年的人均国生产总值（GDP）与人均消费水平的统计数据：地区人均GDP/元人均消费水平/元 北京上海 22460 11226 34547 4851 5444 2662 4549 7326 4490 11546 2396 2208 1608 2035 求：(1)人均GDP作自变量，人均消费水平作因变量，绘制散点图，并说明二者之间的关系形态。 (2)计算两个变量之间的线性相关系数，说明两个变量之间的关系强度。 (3)求出估计的回归方程，并解释回归系数的实际意义。 (4)计算判定系数，并解释其意义。 (5)检验回归方程线性关系的显著性(0.05 α=)。 (6)如果某地区的人均GDP为5000元，预测其人均消费水平。 (7)求人均GDP为5000元时，人均消费水平95％的置信区间与预测区间。 解：（1） 可能存在线性关系。 （2）相关系数： （3）回归方程：734.6930.309 y x =+ 回归系数的含义：人均GDP没增加1元，人均消费增加0.309元。%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 注意：图标不要原封不动的完全复制软件中的图标，要按规排版。 系数(a) 模型非标准化系数标准化系数 t 显著性B 标准误Beta 1 （常量）734.693 .540 5.265 0.003 人均GDP（元）0.309 0.008 0.998 36.492 0.000 a. 因变量: 人均消费水平（元）%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% （4） 模型汇总 模型R R 方调整 R 方标准估计的误 差 1 .998a.996 .996 247.303 a. 预测变量: (常量), 人均GDP。 人均GDP对人均消费的影响达到99.6%。%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 注意：图标不要原封不动的完全复制软件中的图标，要按规排版。 模型摘要 模型R R 方调整的 R 方估计的标准差 1 .998(a) 0.996 0.996 247.303 a. 预测变量:(常量), 人均GDP（元）。%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 应用回归分析试题(一) 1、对于一元线性回归y 0i X i i(i 1,2,..., n),E(J 0 , var( J cov( i, j) 0(i j)，下列说法错误的是 (A) 0，1的最小一乘估计? '0， ?都是无偏估计； (B) 0，1的最小一乘估计? 0， Q ?对y，y2，... ，y n是线性的； (C) 0，1的最小一乘估计 ? ， ?之间是相关的； (D)若误差服从正态分布，0，1的最小二乘估计和极大似然估计是不一样的 2、在回归分析中若诊断出异方差，常通过方差稳定化变化对因变量进行变换.如果误差方差与因变量y的期望成正比，则可通过下列哪种变换将方差常数化 1 (A) - ；(B) “ ；(C) ln( y 1) ；(D) In y. y 、 3、下列说法错误的是 (A) 强影响点不一定是异常值； (B) 在多元回归中，回归系数显着性的t检验与回归方程显着性的F检验是等价的； (C) 一般情况下，一个定性变量有k类可能的取值时，需要引入k-1个0-1型自变量； (D) 异常值的识别与特定的模型有关. 4、下面给岀了4个残差图，哪个图形表示误差序列是自相关的 (A) (B) (C) (D) 5、下列哪个岭迹图表示在某一具体实例中最小二乘估计是适用的 (A) (B) (C)(D) 二、填空题(每空2分，共20分) 2 2 1、考虑模型y X ，var( ) I n，其中X : n p，秩为p，0不一定 已知，则 ? ________________ , var （ ?） _________ ，若 服从正态分布，则 2、下表给岀了四变量模型的回归结果: 则残差平方和= ___________ ，总的观察值个数 = ___________ ，回归平方和的自由度 = ________ . 3、已知因变量 y 与自变量X i ，X 2， X 3，X 4，下表给岀了所有可能回归模型的 AIC 值，则最 优子集是 _______________________ . 4、 在诊断自相关现象时，若 DW 0.66，则误差序列的自相关系数 的估计值= _______ ，若 存在自相关现象，常用的处理方法有迭代法、 _____________ 、科克伦-奥克特迭代法. 5、 设因变量y 与自变量X 的观察值分别为 y 「y 2,..., y n 和x 1, x 2 ,..., x n ，则以x *为折点的折 线模型可表示为 ________________________ . 三、（共45分）研究货运总量y （万吨）与工业总产值x 1 （亿元）、农业总产值x 2 （亿元）、 居民非商品支岀X 3 （亿元）的线性回归关系.观察数据及残差值e i 、学生化残差SRE i 、删除 学生化残差SRE （i ）、库克距离D i 、杠杆值ch ii 见表 (n P)?2 ___________ ，其中?2是2的无偏估计 一 选择题 1、对于一元线性回归01+(1,2,,)i i i y x i n ββε=+= ,()0i E ε=,2 var()i εσ=, cov(,)0(i j)i j εε=≠,下列说法错误的（ BC ） (A) 01ββ，的最小二乘估计01 ??ββ，都是无偏估计； (B) 01ββ，的最小二乘估计01??ββ，对12,,n y y y ，是线性的； (C) 01ββ，的最小二乘估计01 ??ββ，之间是相关的； (D) 若误差服从正态分布，01ββ，的最小二乘估计和极大似然估计是不一样的. 2、下列说法错误的是 （ B ） (A)强影响点不一定是异常值； (B)在多元回归中，回归系数显著性的t 检验与回归方程显著性的F 检验是等价的； (C)一般情况下，一个定性变量有k 类可能的取值时，需要引入k-1个0-1型自变量； (D)异常值的识别与特定的模型有关. 3、在对两个变量x ，y 进行线性回归分析时，有下列步骤： ①对所求出的回归直线方程作出解释; ②收集数据{(x ,y )},i=1,2,,n i i ； ③求线性回归方程; ④求未知参数; ⑤根据所搜集的数据绘制散点图。 如果根据可行性要求能够作出变量,x,y 具有线性相关结论，则在下列操作中正确的是（ D ） A ．①②⑤③④ B ．③②④⑤① C ．②④③①⑤ D ．②⑤④③① 4、下列说法中正确的是（B ） A.任何两个变量都具有相关关系 ； B.人的知识与其年龄具有相关关系 ； C ．散点图中的各点是分散的没有规律 ； D ．根据散点图求得的回归直线方程都是有意义的。 5、下面的各图中，散点图与相关系数r 不符合的是（ B ） 第8章 非线性回归 思考与练习参考答案 在非线性回归线性化时，对因变量作变换应注意什么问题 答：在对非线性回归模型线性化时，对因变量作变换时不仅要注意回归函数的形式， 还要注意误差项的形式。如： (1) 乘性误差项，模型形式为 e y AK L αβε =， (2) 加性误差项，模型形式为y AK L αβ ε =+。 对乘法误差项模型（1）可通过两边取对数转化成线性模型，（2）不能线性化。 一般总是假定非线性模型误差项的形式就是能够使回归模型线性化的形式，为了方便通常省去误差项，仅考虑回归函数的形式。 为了研究生产率与废料率之间的关系，记录了如表所示的数据，请画出散点图，根据散点图的趋势拟合适当的回归模型。 表 生产率x （单位/周） 1000 2000 3000 3500 4000 4500 5000 废品率y （%） 解：先画出散点图如下图： 从散点图大致可以判断出x和y之间呈抛物线或指数曲线，由此采用二次方程式和指数函数进行曲线回归。 （1）二次曲线 SPSS输出结果如下： 从上表可以得到回归方程为：72? 5.843 0.087 4.4710y x x -=-+? 由x 的系数检验P 值大于，得到x 的系数未通过显著性检验。 由x 2的系数检验P 值小于，得到x 2的系数通过了显著性检验。 （2）指数曲线 从上表可以得到回归方程为：0.0002t ? 4.003y e = 由参数检验P 值≈0<，得到回归方程的参数都非常显著。 从R2值，σ的估计值和模型检验统计量F值、t值及拟合图综合考虑，指数拟合效果更好一些。 已知变量x与y的样本数据如表，画出散点图，试用αeβ/x来拟合回归模型，假设： (1)乘性误差项，模型形式为y=αeβ/x eε (2)加性误差项，模型形式为y=αeβ/x+ε。 表 序号x y序号x y序号x y 1611 2712 3813 4914 51015 第十二章相关与回归分析 一、填空 1.如果两变量的相关系数为0，说明这两变量之间_____________。 2.相关关系按方向不同，可分为__________和__________。 3.相关关系按相关变量的多少，分为______和复相关。4．在数量上表现为现象依存关系的两个变量，通常称为自变量和因变量。自变量是作为（变化根据）的变量，因变量是随（自变量）的变化而发生相应变化的变量。 5．对于表现为因果关系的相关关系来说，自变量一般都是确定性变量，因变量则一般是（随机性）变量。 6．变量间的相关程度，可以用不知Y与X有关系时预测Y的全部误差E1，减去知道Y与X有关系时预测Y的联系误差E2，再将其化为比例来度量，这就是（削减误差比例）。 7．依据数理统计原理，在样本容量较大的情况下，可以作出以下两个假定：（1）实际观察值Y围绕每个估计值 c Y是 服从（）；（2）分布中围绕每个可能的 c Y值的（）是相同的。 7.已知：工资（元）倚劳动生产率（千元）的回归方程为 x y c 80 10+ =，因此，当劳动生产率每增长1千元，工资就平 均增加80 元。 8．根据资料，分析现象之间是否存在相关关系，其表现形式或类型如何，并对具有相关关系的现象之间数量变化的议案关系进行测定，即建立一个相关的数学表达式，称为（回归方程），并据以进行估计和预测。这种分析方法，通常又称为（回归分析）。 9．积差系数r是（协方差）与X和Y的标准差的乘积之比。 二、单项选择 1．欲以图形显示两变量X和Y的关系，最好创建（D ）。A 直方图 B 圆形图 C 柱形图 D 散点图2．在相关分析中，对两个变量的要求是（A ）。 A 都是随机变量 B 都不是随机变量 C 其中一个是随机变量，一个是常数 D 都是常数 3. 相关关系的种类按其涉及变量多少可分为( )。 A. 正相关和负相关 B. 单相关和复相关 C. 线性相关和非线性相关 D. 不相关、不完全相关、完全相关4．关于相关系数，下面不正确的描述是（B ）。 A当0≤ ≤r1时，表示两变量不完全相关；B当r=0时，表示两变量间无相关； C两变量之间的相关关系是单相关；D如果自变量增长引起因变量的相应增长，就形成正相关关系。 5. 当变量X按一定数量变化时，变量Y也随之近似地以固定的数量发生变化，这说明X与Y之间存在( )。 A. 正相关关系 B. 负相关关系 C. 直线相关关系 D. 曲线相关关系 6．当x按一定数额增加时，y也近似地按一定数额随之增加，那么可以说x与y之间存在（A ）关系。 A 直线正相关 B 直线负相关 C 曲线正相关 D 曲线负相关 7．评价直线相关关系的密切程度，当r在～之间时，表示（ C ）。 A 无相关 B 低度相关 C 中等相关 D 高度相关 8.两变量的相关系数为,说明( ) A.两变量不相关 B.两变量负相关 C.两变量不完全相关 D.两变量完全正相关 9．两变量的线性相关系数为0，表明两变量之间（D ）。 A 完全相关 B 无关系 C 不完全相关 D 不存在线性相关 10.兄弟两人的身高之间的关系是( )A.函数关系 B.因果关系 C.互为因果关系 D.共变关系 11．身高和体重之间的关系是（C ）。A 函数关系 B 无关系 C 共变关系 D 严格的依存关系12．下列关系中，属于正相关关系得是（A ）。应用回归分析试题二
回归分析练习试题和参考答案解析
应用回归分析填空题和答案
应用回归分析-第3章课后习题参考答案
《应用回归分析》课后题标准答案
回归分析练习题及参考答案
应用回归分析,第4章课后习题参考答案
应用回归分析部分答案
回归分析练习题与参考答案
应用回归分析试题套
应用回归分析测试题
应用回归分析-第8章课后习题参考答案
第十二章相关与回归分析练习题
相关主题
文本预览