级全日制本科《统计学》第三次习题答案Word文档下载推荐.docx
《级全日制本科《统计学》第三次习题答案Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《级全日制本科《统计学》第三次习题答案Word文档下载推荐.docx（12页珍藏版）》请在冰豆网上搜索。
总体回归函数中的误差项
不可观察的，而样本回归函数中的残差项
是可以观察的。
4.什么是随机误差项和残差？
随机误差项
表示自变量之外其他变量的对因变量产生的影响，是不可观察的，通常要对其给出一定的假设。
残差项
指因变量实际观察值与样本回归函数计算的估计值之间的偏差，是可以观测的。
它们的区别在于，反映的含义是不同且可观察性也不同，它们的联系可有下式:
5.为什么在对参数进行最小二乘估计时，要对模型提出一些基本的假定？
答:
最小二乘法只是寻找估计量的一种方法，其寻找到的估计量是否具有良好的性质则依赖模型的一些基本的假定。
只有在一系列的经典假定下，最小二乘估计量才是BLUE。
15.．为什么在多元回归中要对可决系数进行修正？
在样本容量一定下，随着模型中自变量个数的增加，可决系数
会随之增加，模型的拟合程度上升，但自由度会损失，从而降低推断的精度，因此需要用自由度来修正可决系数，用修正的可决系数来判断增加自变量的合适性。
16．在多元线性回归中，对参数作了t检验后为什么还要作方差分析和F检验？
t检验仅是对单个系数的显著性进行检验，由于自变量之间存在着较为复杂的关系，因此有必要对回归系数进行整体检验，方差分析和F检验就是对回归方程的整体统计显著性进行的检验方法。
练习题
1.解：
设简单线性回归方程为：
（1）采用OLS估计：
回归系数经济意义：
销售收入每增加1万元，销售成本会增加0.786万元。
（2）可决系数为：
回归标准误：
（3）检验统计量为：
所以
是显著不为零
（4）预测：
95%的预测区间为：
即（664.579，674.153）
2.
（1）
（2）负相关关系
（3）
（4）估计的斜率系数为－7.0414，表示航班的正点率每提高1％，百万名乘客的投诉次数会下降：
7.0414*0.01=0.070414次。
（5）如果
，则
次
3.
Resultsofmultipleregressionfory
Summarymeasures
MultipleR
0.9521
R-Square
0.9065
AdjR-Square
0.8910
StErrofEst
3.3313
ANOVATable
Source
df
SS
MS
F
p-value
Explained
3
1937.7485
645.9162
58.2048
0.0000
Unexplained
18
199.7515
11.0973
Regressioncoefficients
Coefficient
StdErr
t-value
Lowerlimit
Upperlimit
Constant
32.9931
3.1386
10.5121
26.3991
39.5870
x1
0.0716
0.0148
4.8539
0.0001
0.0406
0.1026
x2
16.8727
3.9956
4.2228
0.0005
8.4782
25.2671
x3
17.9042
4.8869
3.6637
0.0018
7.6372
28.1711
从单个系数的t值看，均在5%显著性水平下显著不为0
模型整体显著性检验：
F=58.2048，p值=0.0000高度显著
7.解
（1）样本容量：
（2）
（4）
，
（5）用F检验：
整体对
有显著影响，但不能确定单个对y的贡献。
补充题
1．关于回归分析的部分计算机输出结果如下所示：
Theregressionequationis
PredictorCoefStdevt-ratio
Constant（）2.667（）
X1（）2.105（）
X2（）0.613（）
S=3.35R-sq=92.3%R-sq（adj）=（）
AnalysisofVariance
SourceDFSSMSF
Regression（）1612（）（）
Error12（）（）
Total（）（）（）
（1）计算合适的t值
（2）在
的显著性水平下，检验
的显著性
（3）计算自由度、平方和以及均方列中的空白项
（4）计算修正的可决系数，说明回归模型的拟合程度。
（5）在0.05显著性水平下检验回归方程的显著性
解：
Theregressionequationis
Constant（8.103）2.667（3.038）
X1（7.602）2.105（3.611）
X2（3.111）0.613（5.075）
S=3.35R-sq=92.3%R-sq（adj）=（91.01%）
Regression
（2）1612（806）（71.9）
Error12（134.48）（11.21）
Total（14）（1746.48）（124.75）
则TSS=1746.48RSS=TSS-ESS=134.48
单系数显著性检验：
因为
＝2.1788,拒绝
显著不为零
回归方程显著性检验：
因为F=71.9,而
＝3.89拒绝
回归方程整体是显著的。
2.．Johnson过滤水公司的管理者获得的资料包括，上次维修以来的月数、故障的类型是电子还是机械和维修人员的名单，数据如下：
维修时间（小时）上次维修以来的月数故障类型维修人员
2.02电子DaveNewton
3.06机械DaveNewton
4.88电子BobJones
1.83机械DaveNewton
2.92电子DaveNewton
4.97电子BobJones
4.29机械BobJones
4.88机械BobJones
4.44电子BobJones
4.56电子DaveNewton
（1）建立并估计简单线性方程，根据故障类型来预测维修时间。
如何评价回归方程对数据的拟合？
请解释。
（2）建立并估计简单线性方程，根据维修人员来预测维修时间。
（3）建立并估计回归方程，从上次维修以来的月数、维修故障类型和维修人员来预测维修时间。
（4）在0.05的显著性水平下，检验（3）方程中自变量和因变量之间是否存在显著的关系。
（5）在0.05的显著性水平下，检验维修人员变量的统计显著性，并解释结果。
解答．Type=1,电子type＝0机械
（1）time＝3.45＋0.667*type
se:
（0.6209）（0.8016）
p-value:
（0.005）（0.5765）
n=10,R-square=0.0406F=0.3389p-value=0.5764
（2）staff=1Dave;
staff=0Bob
time＝2.84＋1.78*staff
（0.3514）（0.4970）
（0.0000）（0.0072）
n=10,R-square=0.6159F=12.8175p-value=0.0072
（3）time＝0.9647+0.3324mon+1.0206type＋0.65*staff
（0.5913）（0.1054）（0.3826）（0.4893）
（0.1557）（0.0198）（2.6675）（0.2323）
n=10,R-square=0.8707F=13.465p-value=0.0045
3．下面数据是10种主打啤酒品牌的媒体广告支出（百万美元）和销售量（百万桶）：
品牌媒体广告支出（百万美元）销售量（百万桶）
Budweiser120.036.3
BudLight68.720.7
MillerLite100.115.9
CoorsLight76.613.2
Busch8.78.1
NatrualLight0.17.1
MillerGenuineDraft21.55.6
MillerHighLife1.44.4
Buschlight5.34.3
Milwaukee’sBest1.74.3
（1）建立数据的散点图，将广告支出作为因变量。
（2）简单线性模型是否适合这种情形？
对这些数据建立一个回归方程，尽可能准确地解释这两个变量之间的关系
解答：
升级会员 