应用回归分析第二章课后习题答案 PPT课件

由⎪⎪⎩⎪⎪⎨⎧=β-β-=β∂∂=β-β-=β∂∂∑∑=β=β=β=βn1i i i 10i ˆ1n 1i i 10i ˆ00x )x ˆˆy (Q 0)x ˆˆy (Q 1100得⎪⎪⎩⎪⎪⎨⎧==-==-∑∑∑∑====n 1i n 1i i i i i i n 1i n1i i i i 0x e x )y ˆy (0e )y ˆy ( 2.4在),0(N ~2i σε的正态分布假定下，10,ββ的最小二乘估计与最大似然估计等价，求对数似然函数的极大值等价于对∑=β+β-n1i 2i 10i )]x (y [求极小值，至此与最小二乘估计原理完全相同2.52.6 2.7 2.8（1）22i2i 2i2i 2i2i2i i2i i xx 1xx 1r 12n r )y y ()y y ˆ(12n r )y y ()y yˆ()y y (2n r )y y ()yˆy (2n r )y ˆy (2n L ˆˆL ˆt --=----=-----=---=--β=σβ=∑∑∑∑∑∑∑∑（2）F )2n /(SSE 1/SSR SSE SSR )2n (SSTSSR 1SST SSR)2n (r 1r )2n (t 222=-=-=--=--= 2.92.11如果一个线性回归方程通过F 检验，只能说明x 与y 之间的线性关系是显著的，不能说明数据拟合得很好，决定系数r 2是一个回归直线与样本观测值拟合优度的相对指标。

2.12如果自变量观测值都乘以2，回归参数的最小二乘估计0ˆβ不变，1ˆβ变为原来的½； 如果自变量观测值都加上2，回归参数的最小二乘估计0ˆβ，1ˆβ都扩大两倍； 2.13不成立，相关系数与样本量n 有关，当n 较小时，相关系数的绝对值容易接近于1；当n 较大时，相关系数绝对值容易偏小。

2.14（1）散点图为（2）x 与y 之间大致呈线性关系（3）设回归方程为 x ˆˆy ˆ10β+β= 模型非标准化系数 标准系数 tSig.B标准 误差试用版1(常量)-1.0006.351-.157.885x7.0001.915.9043.656.035由系数分析表可知：7ˆ,1ˆ10=β-=β （4）模型汇总b模型RR 方调整 R 方标准 估计的误差1.904a.817 .756 6.05530a. 预测变量: (常量), x 。

第二章 一元線性回歸分析思考與練習參考答案2.1 一元線性回歸有哪些基本假定?答： 假設1、解釋變數X 是確定性變數，Y 是隨機變數；假設2、隨機誤差項ε具有零均值、同方差和不序列相關性： E(εi )=0 i=1,2, …,n Var (εi )=σ2 i=1,2, …,n Cov(εi, εj )=0 i≠j i,j= 1,2, …,n 假設3、隨機誤差項ε與解釋變數X 之間不相關： Cov(X i , εi )=0 i=1,2, …,n假設4、ε服從零均值、同方差、零協方差の正態分佈 εi ~N(0, σ2 ) i=1,2, …,n 2.2 考慮過原點の線性回歸模型 Y i =β1X i +εi i=1,2, …,n誤差εi （i=1,2, …,n ）仍滿足基本假定。

求β1の最小二乘估計 解： 得：2.3 證明（2.27式），∑e i =0 ，∑e i X i =0 。

證明：∑∑+-=-=nii i ni X Y Y Y Q 121021))ˆˆ(()ˆ(ββ其中：即： ∑e i =0 ，∑e i X i =021112)ˆ()ˆ(ini i ni i i e X Y Y Y Q β∑∑==-=-=01ˆˆˆˆi ii i iY X e Y Y ββ=+=-0100ˆˆQQββ∂∂==∂∂2.4回歸方程E （Y ）=β0+β1X の參數β0，β1の最小二乘估計與最大似然估計在什麼條件下等價?給出證明。

答：由於εi ~N(0, σ2 ) i=1,2, …,n所以Y i =β0 + β1X i + εi ~N （β0+β1X i , σ2 ) 最大似然函數：使得Ln （L ）最大の0ˆβ，1ˆβ就是β0，β1の最大似然估計值。

同時發現使得Ln （L ）最大就是使得下式最小，∑∑+-=-=nii i n i X Y Y Y Q 121021))ˆˆ(()ˆ(ββ上式恰好就是最小二乘估計の目標函數相同。

第二章 一元线性回归2.14 解答：（1）散点图为：（2）x 与y 之间大致呈线性关系。

（3）设回归方程为01y x ββ∧∧∧=+1β∧=12217()ni ii nii x y n x yxn x --=-=-=-∑∑0120731y x ββ-∧-=-=-⨯=-17y x ∧∴=-+可得回归方程为（4）22ni=11()n-2i i y y σ∧∧=-∑ 2n 01i=11(())n-2i y x ββ∧∧=-+∑=2222213⎡⎤⨯+⨯+⨯⎢⎥+⨯+⨯⎣⎦（10-（-1+71））（10-（-1+72））（20-（-1+73））（20-（-1+74））（40-（-1+75）） []1169049363110/3=++++=6.1σ∧=≈ （5）由于211(,)xxN L σββ∧t σ∧==服从自由度为n-2的t 分布。

因而/2|(2)1P t n αασ⎡⎤⎢⎥<-=-⎢⎥⎣⎦也即：1/211/2(p t t ααβββ∧∧∧∧-<<+=1α-可得195%β∧的置信度为的置信区间为（7-2.3537+2.353 即为：（2.49，11.5）2201()(,())xxx Nn L ββσ-∧+t ∧∧==服从自由度为n-2的t 分布。

因而/2(2)1P t n αα∧⎡⎤⎢⎥⎢⎥<-=-⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦即0/200/2()1p βσββσα∧∧∧∧-<<+=- 可得195%7.77,5.77β∧-的置信度为的置信区间为（）（6）x 与y 的决定系数22121()490/6000.817()nii nii y y r y y ∧-=-=-==≈-∑∑（7）由于(1,3)F F α>,拒绝0H ,说明回归方程显著，x 与y 有显著的线性关系。

（8）t σ∧==其中2221111()22n ni i i i i e y y n n σ∧∧====---∑∑ 7 3.661==≈ /2 2.353t α= /23.66t t α=>∴接受原假设01:0,H β=认为1β显著不为0，因变量y 对自变量x 的一元线性回归成立。

应用回归分析_第2章课后习题参考答案1. 简答题1.1 什么是回归分析？回归分析是一种统计建模方法，用于研究自变量与因变量之间的关系。

它通过建立数学模型，根据已知的自变量和因变量数据，预测因变量与自变量之间的关系，并进行相关的推断和预测。

1.2 什么是简单线性回归和多元线性回归？简单线性回归是指只包含一个自变量和一个因变量的回归模型，通过拟合一条直线来描述两者之间的关系。

多元线性回归是指包含多个自变量和一个因变量的回归模型，通过拟合一个超平面来描述多个自变量和因变量之间的关系。

1.3 什么是残差？残差是指回归模型中，观测值与模型预测值之间的差异。

在回归分析中，我们希望最小化残差，使得模型与观测数据的拟合效果更好。

1.4 什么是拟合优度？拟合优度是用来评估回归模型对观测数据的拟合程度的指标。

一般使用R方（Coefficient of Determination）来表示拟合优度，其值范围为0到1，值越接近1表示模型拟合效果越好。

2. 计算题2.1 简单线性回归假设我们有一组数据，其中X为自变量，Y为因变量，如下所示：X Y13253749511我们想要建立一个简单线性回归模型，计算X与Y之间的线性关系。

首先，我们需要计算拟合直线的斜率和截距。

根据简单线性回归模型的公式Y = β0 + β1*X，我们可以通过最小二乘法计算出斜率和截距的估计值。

首先，计算X和Y的均值：mean_x = (1 + 2 + 3 + 4 + 5) / 5 = 3mean_y = (3 + 5 + 7 + 9 + 11) / 5 = 7然后，计算X和Y的方差：var_x = ((1-3)^2 + (2-3)^2 + (3-3)^2 + (4-3)^2 + (5-3)^2) / 5 = 2var_y = ((3-7)^2 + (5-7)^2 + (7-7)^2 + (9-7)^2 + (11-7)^2) / 5 = 8接下来，计算X和Y的协方差：cov_xy = ((1-3) * (3-7) + (2-3) * (5-7) + (3-3) * (7-7) + (4-3) * (9-7) + (5-3) * (11-7)) / 5 = 4根据最小二乘法的公式：β1 = cov_xy / var_x = 4 / 2 = 2β0 = mean_y - β1 * mean_x = 7 - (2 * 3) = 1因此，拟合直线的方程为：Y = 1 + 2X。

第二章 一元线性回归2.14 解答：（1）散点图为：（2）x 与y 之间大致呈线性关系。

（3）设回归方程为01y x ββ∧∧∧=+1β∧=12217()ni ii nii x y n x yxn x --=-=-=-∑∑0120731y x ββ-∧-=-=-⨯=-17y x ∧∴=-+可得回归方程为（4）22ni=11()n-2i i y y σ∧∧=-∑ 2n 01i=11(())n-2i y x ββ∧∧=-+∑=2222213⎡⎤⨯+⨯+⨯⎢⎥+⨯+⨯⎣⎦（10-（-1+71））（10-（-1+72））（20-（-1+73））（20-（-1+74））（40-（-1+75）） []1169049363110/3=++++=6.1σ∧=≈ （5）由于211(,)xxN L σββ∧t σ∧==服从自由度为n-2的t 分布。

因而/2|(2)1P t n αασ⎡⎤⎢⎥<-=-⎢⎥⎣⎦也即：1/211/2(p t t ααβββ∧∧∧∧-<<+=1α-可得195%β∧的置信度为的置信区间为（7-2.3537+2.353 即为：（2.49，11.5）2201()(,())xxx Nn L ββσ-∧+t ∧∧==服从自由度为n-2的t 分布。

因而/2(2)1P t n αα∧⎡⎤⎢⎥⎢⎥<-=-⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦即0/200/2()1p βσββσα∧∧∧∧-<<+=- 可得195%7.77,5.77β∧-的置信度为的置信区间为（）（6）x 与y 的决定系数22121()490/6000.817()nii nii y y r y y ∧-=-=-==≈-∑∑（7）由于(1,3)F F α>,拒绝0H ,说明回归方程显著，x 与y 有显著的线性关系。

（8）t σ∧==其中2221111()22n ni i i i i e y y n n σ∧∧====---∑∑ 7 3.661==≈ /2 2.353t α= /23.66t t α=>∴接受原假设01:0,H β=认为1β显著不为0，因变量y 对自变量x 的一元线性回归成立。

第二章 一元线性回归分析思考与练习参考答案2.1 一元线性回归有哪些基本假定?答： 假设1、解释变量X 是确定性变量，Y 是随机变量；假设2、随机误差项ε具有零均值、同方差和不序列相关性： E(εi )=0 i=1,2, …,n Var (εi )=σ2 i=1,2, …,n Cov(εi, εj )=0 i≠j i,j= 1,2, …,n 假设3、随机误差项ε与解释变量X 之间不相关： Cov(X i , εi )=0 i=1,2, …,n假设4、ε服从零均值、同方差、零协方差的正态分布 εi ~N(0, σ2 ) i=1,2, …,n 2.2 考虑过原点的线性回归模型 Y i =β1X i +εi i=1,2, …,n误差εi （i=1,2, …,n ）仍满足基本假定。

求β1的最小二乘估计 解： 得：2.3 证明（2.27式），∑e i =0 ，∑e i X i =0 。

证明：∑∑+-=-=nii i ni X Y Y Y Q 121021))ˆˆ(()ˆ(ββ其中： 即： ∑e i =0 ，∑e i X i =02.4回归方程E （Y ）=β0+β1X 的参数β0，β1的最小二乘估计与最大似然估计在什么条件下等价?给出证明。

答：由于εi ~N(0, σ2 ) i=1,2, …,n所以Y i =β0 + β1X i + εi ~N （β0+β1X i , σ2 ) 最大似然函数：使得Ln （L ）最大的0ˆβ，1ˆβ就是β0，β1的最大似然估计值。

同时发现使得Ln （L ）最大就是使得下式最小，上式恰好就是最小二乘估计的目标函数相同。

值得注意的是：最大似然估计是在εi ~N (0, σ2 )21112)ˆ()ˆ(i ni i ni ii e X Y Y Y Q β∑∑==-=-=01ˆˆˆˆi ii i iY X e Y Y ββ=+=-0100ˆˆQQββ∂∂==∂∂的假设下求得，最小二乘估计则不要求分布假设。

第二章 一元线性回归2.14 解答：（1）散点图为：（2）x 与y 之间大致呈线性关系。

（3）设回归方程为01y x ββ∧∧∧=+1β∧=12217()ni ii nii x y n x yxn x --=-=-=-∑∑0120731y x ββ-∧-=-=-⨯=-17y x ∧∴=-+可得回归方程为（4）22ni=11()n-2i i y y σ∧∧=-∑ 2n 01i=11(())n-2i y x ββ∧∧=-+∑=2222213⎡⎤⨯+⨯+⨯⎢⎥+⨯+⨯⎣⎦（10-（-1+71））（10-（-1+72））（20-（-1+73））（20-（-1+74））（40-（-1+75）） []1169049363110/3=++++=6.1σ∧=≈（5）由于2 11(,)xxNLσββ∧:tσ∧==服从自由度为n-2的t分布。

因而/2|(2)1P t nαασ⎡⎤⎢⎥<-=-⎢⎥⎣⎦也即：1/211/2(p t tααβββ∧∧∧∧-<<+=1α-可得195%β∧的置信度为的置信区间为（7-2.3537+2.353即为：（2.49，11.5）22001()(,())xxxNn Lββσ-∧+:t∧∧==服从自由度为n-2的t分布。

因而/2(2)1P t nαα∧⎡⎤⎢⎥⎢⎥<-=-⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦即0/200/2()1pβσββσα∧∧∧∧-<<+=-可得195%7.77,5.77β∧-的置信度为的置信区间为（）（6）x与y的决定系数22121()490/6000.817()niiniiy yry y∧-=-=-==≈-∑∑（7）ANOVAx平方和df均方 F显着性组间（组合） 9.000 2 4.500 9.000 .100线性项加权的 8.167 1 8.167 16.333 .056偏差.833 1 .833 1.667.326组内 1.000 2 .500总数10.0004由于(1,3)F F α>,拒绝0H ,说明回归方程显着，x 与y 有显着的线性关系。

第二章 一元线性回归2.14 解答：（1）散点图为：（2）x 与y 之间大致呈线性关系。

（3）设回归方程为01y x ββ∧∧∧=+1β∧=12217()ni ii nii x y n x yxn x --=-=-=-∑∑0120731y x ββ-∧-=-=-⨯=-17y x ∧∴=-+可得回归方程为（4）22ni=11()n-2i i y y σ∧∧=-∑ 2n 01i=11(())n-2i y x ββ∧∧=-+∑=2222213⎡⎤⨯+⨯+⨯⎢⎥+⨯+⨯⎣⎦（10-（-1+71））（10-（-1+72））（20-（-1+73））（20-（-1+74））（40-（-1+75）） []1169049363110/3=++++=6.1σ∧=≈ （5）由于211(,)xxN L σββ∧t σ∧==服从自由度为n-2的t 分布。

因而/2|(2)1P t n αασ⎡⎤⎢⎥<-=-⎢⎥⎣⎦也即：1/211/2(p t t ααβββ∧∧∧∧-<<+=1α-可得195%β∧的置信度为的置信区间为（7-2.3537+2.353 即为：（2.49，11.5）2201()(,())xxx Nn L ββσ-∧+t ∧∧==服从自由度为n-2的t 分布。

因而/2(2)1P t n αα∧⎡⎤⎢⎥⎢⎥<-=-⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦即0/200/2()1p βσββσα∧∧∧∧-<<+=- 可得195%7.77,5.77β∧-的置信度为的置信区间为（）（6）x 与y 的决定系数22121()490/6000.817()nii nii y y r y y ∧-=-=-==≈-∑∑（7）由于(1,3)F F α>,拒绝0H ,说明回归方程显著，x 与y 有显著的线性关系。

（8）t σ∧==其中2221111()22n ni i i i i e y y n n σ∧∧====---∑∑ 7 3.661==≈ /2 2.353t α= /23.66t t α=>∴接受原假设01:0,H β=认为1β显著不为0，因变量y 对自变量x 的一元线性回归成立。