统计学

  • 格式:doc
  • 大小:31.00 KB
  • 文档页数:2

专业术语翻译
统计学:statistics 描述统计:descriptive statistics 推断统计:(inferential statistics)
变 量 :(variable) 分类变量(categorical variable) 顺序变量(rank variable)
数值变量(metric variable) 分类数据(categorical data) 顺序数据(rank data)
数值型数据(metric data) 总体(population) 样本 (sample) 样本量 (sample size)
简单随机抽样(simple random sampling) 分层抽样(stratified sampling)
系统抽样(systematic sampling) 整群抽样(cluster sampling)
2 拟合优度检验(2 goodness of fit test) 列联表(contingency table)
2独立性检验 (2 test of independence)  系数( coefficient )
Cramer’s V系数 (Cramer’s V coefficient ) 列联系数(contingency coefficient)
多元线性回归模型:multiple linear regression model
估计的多元线性回归方程:estimated multiple linear regression equation
多重判定系数:multiple coefficient of determination
调整的多重判定系数:adjusted multiple coefficient of determination
多重共线性:multicollinearity 哑变量:dummy variable 时间序列:time series
趋势:trend 季节变动:seasonal fluctuation 循环波动:cyclical fluctuation
不规则波动:irregular variations 平稳序列:stationary series
简答题
2.1 定性数据与定量数据的图示方法各有哪些?
定性数据的图示:条形图、帕累托图、饼图、环形图
定量数据的图示:1.分组数据看分布:直方图 2.未分组数据看分布:茎叶图和箱线图、
垂线图和误差图 3.两个变量间的关系:散点图 4、比较多个样本的相似性:雷达图和轮廓

2.2 直方图与条形图有何区别?p19
首先,条形图中的每一矩形表示一个类别,其宽度没有意义,而直方图的宽度则表示各
组的组距。其次,由于分组数据具有连续性,直方图的各矩形通常是连续排列,而条形图则
是分开排列。最后,条形图主要用于展示定性数据,而直方图则主要用于展示定量数据。(补:
直方图:面积判断;条形图:高矮判断)
2.3 饼图和环形图有什么不同?p15-17
第一,饼图是用圆形及圆内扇形的角度来表示数值大小的图形,它主要用于表示一个样
本(或总体)中各类别频数占全部频数的比例,对于研究结构性问题十分有用。环形图中间
有一个“空洞”,每个样本用一个环来表示,样本中每一类别的频数比例用环中的一段表示。
第二,简单的饼图只能显示一个样本各类别频数所占的比例,而环形图则可以同时绘制
多个总体或样本的数据系列,每一个总体或样本的数据系列为一个环。因此环形图可显示多
个样本各类别频数所占的相应比例,从而有利于构成的比较研究。
2.4 茎叶图与直方图相比有什么优点?他们的应用场合是什么?p19
茎叶图是由“茎”和“叶”两部分组成的、反映原始数据分布的图形。其图形是由数字
组成的。通过茎叶图,可以看数据的分布形状及数据的离散状况。与直方图相比,茎叶图既
能给出数据的分布状况,又能给出一个原始数值,即保留了原始数据的信息。而直方图不能
给出原始数值。
在应用方面,直方图通常适用于大批量数据,茎叶图通常适用于小批量数据。
2.5 雷达图与轮廓图有什么不同?p25-28
雷达图是从一个点出发,用一条射线代表一个变量,多个变量的数据点连接成线,即围
成一个区域,多个样本围成多个区域,就是雷达图,利用它也可以研究多个样本之间的相似
程度。
轮廓图也称平行坐标图或多线图,它是用横轴表示各样本(或变量),纵轴表示每个样
本的多个变量(或样本)的取值,将不同样本的同一个变量的取值用折线连接,即为轮廓图。
2.6 鉴别图表优劣的准则有哪些?p29
1、精心设计,有助于洞察问题的实质。
2、使复杂的观点得到简明、确切、高效的阐述。
3、能在最短的时间内、以最少的笔墨给读者提供最大量的信息
4、是多维的。5、表述数据的真实情况。
10.1 解释多重判定系数和调整的多重判定系数的含义和作用。
多重判定系数:
含义:是多元线性回归中回归平方和占总平方和的比例,记为R2。
作用:R2度量了多元回归方程的拟合优度,它表示在因变量y的总变差中被多个自变量
所共同解释的比例。
调整的多重判定系数:
含义:为避免增加自变量而高估R2,统计学家提出用样本量n和自变量的个数k去调整
R2,计算出调整的多重判定系数。
作用:与R2类似,不同的是调整的多重判定系数考虑了样本量和模型中自变量的个数的
影响,使得调整的多重判定系数始终小于多重判定系数,而且它的值不会由于模型中自变量
个数的增加而越来越接近1。
10.2 解释多重共线性的含义。
含义:当回归模型中两个或两个以上的自变量彼此线性相关时,称为回归模型中存在多
重共线性。
10.3 多重共线性对回归模型有哪些影响?
多重共线性会给回归分析带来一下问题:
(1)变量之间高度相关时,可能会使回归的结果造成混乱,甚至会把分析引入歧途。
(2)可能对参数估计值的正负号产生影响,特别是各回归系数的正负号有可能同预期的
正负号相反。
10.4 多重共线性的判别方法主要有哪些?
(1)检测多重共线性的最简单的一种办法是计算模型中各对自变量之间的相关系数,并
对各相关系数进行显著性检验。
(2)如果出现下列情况,暗示存在多重共线性
A 、模型中各对自变量之间显著相关
B、当模型的线性关系检验(F检验)显著时,几乎所有回归系数的t检验却不显著
C、 回归系数的正负号与预期的相反
10.5 在多元线性回归中,选择自变量的方法有哪些?
变量选择的方法主要有:向前选择、向后剔除、逐步回归、最优子集等
10.6 解释哑变量回归中各参数的含义。

引进哑变量时,回归方程写为 :10(X为哑变量)

0

:代表与哑变量值为0所对应的分类变量水平的平均值。

1

:代表与哑变量值为1所对应的分类变量水平的平均值与哑变量值为0所对应的分类变

量水平的平均值的差值。