下载文档原格式
统计学第十二章 多元线性回归一． 选择题1. 在多元线性回归分析中，t 检验是用来检验（ ） A 总体线性关系的显著性 B.各回归系数的显著性 C.样本线性关系的显著性 D ．H 0：β1=β2=…βk =02.在多元线性回归模型中，若自变量x i 对因变量y 的影响不显著，那么它的回归系数 βi 的取值（ ）A.可能为0B.可能为1C.可能小于0 D 可能大于13.在多元线性回归方程 y i ˆ=βˆ0+x 11ˆβ+x 22ˆβ+…+xkkβˆ中，回归系数βˆi表示（ ） A.自变量x i 变动1个单位时，因变量y 的平均变动额为βˆiB.其他变量不变的条件下，自变量x i 变动1个单位时，因变量y的平均变动额为βˆiC.其他变量不变的条件下，自变量x i 变动1个单位时，因变量y的变动总额为βˆiD.因变量y 变动1个单位时，因变量x i 的变动总额为βˆi4.设自变量的个数为5个，样本容量为20。
在多元回归分析中，估计标准误差的自由度为（ ）A.20B.15C.14D.18 5.在多元回归分析中，通常需要计算调整的多重判定系数R a2，这样可以避免的值（）A. 由于模型中自变量个数的增加而越来越接近1B. 由于模型中自变量个数的增加而越来越接近0C. 由于模型中样本容量的增加而越来越接近0D. 由于模型中样本容量的增加而越来越接近16.在多元线性回归分析中，如果F检验表明线性关系显著，则意味着（）A.在多个变量中至少有一个自变量与因变量之间的线性关系显著B.所有的自变量与因变量之间的线性关系都显著C.在多个变量中至少有一个自变量与因变量之间的线性关系不显著D.所有的自变量与因变量之间的线性关系都不显著7.在多元线性回归分析中，如果t检验表明回归系数βi不显著，则意味着（）A.整个回归方程的线性关系不显著B.整个回归方程的线性关系显著C.自变量x i与因变量之间的线性关系不显著D.自变量x i与因变量之间的线性关系显著8.设多元线性回归方程为Yˆ=βˆ0+x11ˆβ+x22ˆβ+…+xkkβˆ，若自变量x i的回归系数βˆi的取值接近0，这表明（）A.因变量y对自变量ix的影响不显著B.因变量y对自变量ix的影响显著C.自变量ix对因变量y的影响不显著D.自变量x对因变量y的影响显著i9.一家出租汽车公司为确定合理的管理费用，需要研究出租车司机每天的收入（元）与他的行驶时间（小时）、行驶的里程（公里）之间的关系，为此随机调查了20位出租车司机，根据每天的收入（y）、行驶时间（x1）和行驶的里程（x2）的有关数据进行回归，得到下面的有关结果（a=0.05）根据上表计算的判定系数为（）A. 0.9229B. 1.1483C. 0.3852D. 0.851610. 一家出租汽车公司为确定合理的管理费用，需要研究出租车四级每天的收入（元）与他的行驶时间（小时）、行驶的里程（公里）之间的关系，为此随机调查了20位出租车司机，根据每天的收入（y）、行驶时间（x1）和行驶的里程（x2）的有关数据进行回归，得到下面的有关结果（α=0.05）根据上表计算的估计标准误差为（）A. 306.18B. 17.50C. 16.13D. 41.9311. 一家出租汽车公司为确定合理的管理费用，需要研究出租车司机每天的收入（元）与他的行驶时间（小时）、行驶的里程（公里）之间的关系，为此随机调查了20位出租车司机，根据每天的收入（y）、行驶时间（x1）和行驶的里程（x2）的有关数据进行回归，得到下面的有关结果（α=0.05）根据上表计算的用于检验线性关系的统计量F=（）A. 306.18B. 48.80C. 5.74D. 41.9312.一家产品销售公司在30个地区设有销售分公司。
线性回归分析线性回归是一种用来建立和预测变量间线性关系的统计分析方法。
它可以帮助我们了解变量之间的相互影响和趋势，并将这些关系用一条直线来表示。
线性回归分析常被应用于经济学、社会科学、自然科学和工程等领域。
一、概述线性回归分析是一个广泛使用的统计工具，用于建立变量间的线性关系模型。
该模型假设自变量（独立变量）与因变量（依赖变量）之间存在线性关系，并通过最小化观测值与模型预测值之间的误差来确定模型的参数。
二、基本原理线性回归分析基于最小二乘法，通过最小化观测值与模型预测值之间的残差平方和来确定模型的参数。
具体来说，线性回归模型可以表示为：Y = β0 + β1X1 + β2X2 + ... + βnXn + ε，其中Y是因变量，X1到Xn是自变量，β0到βn是回归系数，ε是误差项。
回归系数表示自变量对因变量的影响程度。
三、应用步骤进行线性回归分析时，通常需要以下几个步骤：1. 收集数据：获取自变量和因变量的样本数据。
2. 建立模型：根据数据建立线性回归模型。
3. 评估模型的准确性：通过计算残差、决定系数等指标来评估模型的准确性。
4. 进行预测和推断：利用模型对未知数据进行预测和推断。
四、模型评价指标在线性回归分析中，有几个常用的指标用于评价模型的准确性：1. R平方值：R平方值表示因变量的变异性能够被模型解释的比例，数值范围为0到1。
R平方值越接近1，表示模型对数据的拟合程度越好。
2. 残差分析：进行残差分析可以帮助我们判断模型是否符合线性回归的基本假设。
一般来说，残差应该满足正态分布、独立性和等方差性的假设。
五、优缺点线性回归分析有以下几个优点：1. 简单易懂：线性回归模型的建立和解释相对较为简单，无需复杂的数学知识。
2. 实用性强：线性回归模型适用于很多实际问题，可以解决很多预测和推断的需求。
然而，线性回归分析也存在以下几个缺点：1. 假设限制：线性回归模型对于变量间关系的假设比较严格，不适用于非线性关系的建模。
线性回归分析的基本原理线性回归分析是一种常用的统计分析方法，用于研究自变量与因变量之间的线性关系。
它通过拟合一条直线来描述两个变量之间的关系，并利用这条直线进行预测和推断。
本文将介绍线性回归分析的基本原理，包括模型假设、参数估计、模型评估等内容。
一、模型假设线性回归模型假设自变量与因变量之间存在线性关系，即因变量Y可以用自变量X的线性组合来表示。
线性回归模型可以表示为：Y = β0 + β1X + ε其中，Y表示因变量，X表示自变量，β0和β1表示模型的参数，ε表示误差项。
模型的目标是通过估计参数β0和β1来找到最佳的拟合直线，使得预测值与观测值之间的误差最小。
二、参数估计线性回归模型的参数估计通常使用最小二乘法来进行。
最小二乘法的基本思想是通过最小化观测值与预测值之间的误差平方和来估计参数。
具体而言，参数估计的目标是找到一组参数β0和β1，使得误差平方和最小化。
参数估计的公式如下：β1 = Σ((Xi - X_mean)(Yi - Y_mean)) / Σ((Xi - X_mean)^2)β0 = Y_mean - β1 * X_mean其中，Xi和Yi分别表示第i个观测值的自变量和因变量，X_mean和Y_mean分别表示自变量和因变量的均值。
三、模型评估在进行线性回归分析时，需要对模型进行评估，以确定模型的拟合程度和预测能力。
常用的模型评估指标包括残差分析、决定系数和假设检验。
1. 残差分析残差是观测值与预测值之间的差异，残差分析可以用来检验模型的拟合程度和误差分布是否符合模型假设。
通常，残差应该满足以下几个条件：残差的均值为0，残差的方差为常数，残差之间相互独立，残差服从正态分布。
通过绘制残差图和正态概率图，可以对残差进行可视化分析。
2. 决定系数决定系数是评估模型拟合程度的指标，表示因变量的变异程度中可以由自变量解释的比例。
决定系数的取值范围为0到1，越接近1表示模型的拟合程度越好。
决定系数的计算公式如下：R^2 = 1 - (SSR / SST)其中，SSR表示回归平方和，SST表示总平方和。
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1）实际观察值 Y 围绕每个估计值 Y c是服假定：从（）；（2）分布中围绕每个可能的 Y c 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yc 10 80x，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 ）。
第十二章简单回归分析选择题A1型每一道题下面有A、B、C、D、E五个备选答案，请从中选择一个最佳答案。
1、线性回归分析可用于下列（）的依存关系的研究A、性别与身高B、年龄与体重C、职业与工龄D、民族语血型E、国籍与智商2、对变量X和Y同时进行线性相关分析和线性回归分析，其结果一定是（）A、r>0,b<0B、r<0,b>0C、r b≥0D、r=bE、r与b的符号无关3、已知相关系数r=1，则一定有（）A、SS总=SS残B、SS总=SS回C、SS残=SS回D、a=1E、b=14、线性回归分析中，对总体回归系数B是否为0做t检验，其自由度是（）A、nB、n-1C、n-2D、2n-1E、2n-25、如果对线性回归模型进行假设检验，结果是没能拒绝H0，这就意味着（）A、该模型有应用价值B、该模型无应用价值C、该模型求解错误D、X与Y之间无关系E、尚无充分证据说明X与Y之间有线性关系6、求得X与Y的线性回归方程后，对回归系数作假设检验的目的是：对（）作出统计推断A、样本截距B、总体截距C、样本斜率D、总体斜率E、决定系数7、在求出Y关于X变化的线性回归方程后发现，将原始数据中的某一点（X k，Y k）的横坐标值X k代入方程所得的Y k≠Y k，则可以认为（）A此现象正常B、此现象无法解释C、计算有错误D、X与Y之间呈非线性关系E、X与Y之间呈线性关系8、对含有两个随机变量的同一批资料，既作线性相关，有作线性回归分析。
对相关系数检验的t值记为t r，对回归系数检验的t值记为t b,则二者之间的关系是（）A、t r>t bB、t r<t bC、t r≥t bD、t r≤t bE、t r=t b9、对以X为自变量，Y为因变量作线性回归分析时，下列正确的说法是（）A、只要求X服从正态分布B、只要求Y服从正态分布C、只要求X与Y是定量变量D、要求X与Y都服从正态分布E、要求X与Y服从双变量正态分布10、利用最小二乘原则确定回归方程的要求是：使得各数据点（）A、距回归直线纵向距离的平方和最小B、距回归直线横向距离的平方和最小C、距回归直线距离的平方和最小D、距回归直线垂直距离的平方和最小E、距回归直线平行距离的平方和最小11、线性回归分析中，当（）时，回归方程拟合的效果越佳A、截距越大B、斜率越大C、回归系数越大D、相关系数越大E、决定系数越大12、线性回归分析中，若对总体回归系数B是否为0作方差分析，得到F>F a(v1,v2),则可认为（）A、两变量之间存在回归关系B、两变量之间不存在回归关系C、两变量之间存在线性回归关系D、两变量之间不存在线性回归关系E、两变量之间存在因果关系【参考答案】（一）1、B 2、C 3、B 4、C 5、E 6、D 7、A 8、E 9、D 10、A 11、E 12、C。
线性回归分析随着社会的发展，经济体制的改革，经济管理人员迫切需要了解到投资项目或者是工程项目的影响因素，这些对投资项目具有直接或间接的影响，通过各种各样的经济分析和技术分析方法来进行综合评价。
为了使我国在日趋激烈的竞争中立于不败之地，必须注重微观管理的决策水平，强化管理手段，而其中最有效的手段之一就是运用线性回归分析方法来确定最优方案。
线性回归分析就是根据两个或多个随机变量X、 Y的相关关系，将X的值代入一个参数方程，求出解，再利用参数的数值判断该方程能否描述这两个变量之间的关系。
线性回归分析的主要作用在于：第一，判断两个随机变量是否线性相关；第二，确定参数；第三，检验假设。
一、线性回归分析方法的介绍回归分析是数理统计的基础，它可以确定被试某种因素和某些指标之间的函数关系，也可以确定一组指标与另一组指标之间的函数关系。
一般我们常用的是线性回归分析。
线性回归分析，也称为“回归”，是数学统计学的一个基本概念。
所谓线性回归，就是依照“自变量”与“因变量”的关系，运用数学公式，将自变量的变化，导致因变量的变化，用回归方程描绘出来。
回归分析是一门应用性很强的学科，在解决实际问题时，既可以从数学上证明或计算出有关结果，又可以直接利用回归分析的结果加以利用，从而弥补了试验设计的不足。
1、解释变量变量就是要研究的因变量，通过解释变量来解释自变量的变化。
2、自变量自变量就是我们要研究的原因变量，即导致投资项目X变化的原因。
3、回归直线通过回归直线将自变量Y与因变量X之间的相互关系表现出来，反映自变量变化情况，并说明因变量X的变化对自变量Y的影响。
4、相关系数相关系数是一种表示自变量与因变量之间关系密切程度的统计量。
在同一时期内，各因素间的相关程度，相关大小的程度用r来表示。
5、 R统计量R统计量是研究对比某两种现象之间的数量关系的统计量。
2、自变量就是我们要研究的原因变量，即导致投资项目X变化的原因。
3、回归直线通过回归直线将自变量Y与因变量X之间的相互关系表现出来，反映自变量变化情况，并说明因变量X的变化对自变量Y的影响。
