内容发布更新时间 : 2024/11/17 0:18:07星期一 下面是文章的全部内容请认真阅读。

大样本，则检验统计量为： p?p1n1?p2n2288*0.684?367*0.82??0.76

n1?n2288?367 z?p1?p2?11?p?1?p?????n1n2??0.684?0.821??10.76*0.24????288367???4.0476

而z0.1?1.29，因为z??z0.1，拒绝H0，可认为信息追求者消极度假的比率显著小于非信息追求者。

22,H1:?12??210. 解：提出假设：H0:?12??2

由题计算得：n1?25,s1?0.221,n2?22,s2?0.077

s120.2212 检验统计量为：F?2??8.2376，而F0.025?24,21??2.37 2s20.077 F?F?/2?n1?1,n2?1?，所以拒绝H0，认为两种机器的方差存在显著差异。

第七章 相关与回归分析 思考题

1．相关分析与回归分析的区别与联系是什么？ 答：相关与回归分析是研究变量之间不确定性统计关系的重要方法，相关分析主要是判断两个或两个以上变量之间是否存在相关关系，并分析变量间相关关系的形态和程度。回归分析主要是对存在相关关系的现象间数量变化的规律性作出测度。但它们在研究目的和对变量的处理上有明显区别。它们均是统计方法，不能揭示现象之间的本质关系。

3.什么是总体回归函数和样本回归函数？它们之间的区别是什么？ 答：以简单线性回归模型为例，总体回归函数是总体因变量的条件期望表现为自变量的函数：E?YXi??f?Xi?????Xi，或Yi????Xi?ui。总体回归函数是确定的和未知的，是回归分析所估计的对象。样本回归函数是根据样本数据所估

?x或y???x?e。回归分???????i??计出的因变量与自变量之间的函数关系：yiiii析的目的是用样本回归函数来估计总体回归函数。它们的区别在于，总体回归函数是未知但是确定的，而样本回归函数是随样本波动而变化；总体回归函数的参

?是随机变量；总体回归函数中的?,?数?,?是确定的，而样本回归函数的系数?误差项ui不可观察的，而样本回归函数中的残差项ei是可以观察的。

4. 什么是随机误差项和残差？它们之间的区别是什么？

答：随机误差项ui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ei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:

垐?x?u 垐??????ei?yi????xi?????xi?ui?????xi?????ii??????

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？

答：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R2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？ 答：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：y??1??2x??

???（1） 采用OLS估计：?2?xi?x??yi?y?334229.09??0.786 2425053.73??xi?x???y???x?549.8?0.786*647.88?40.566 ?11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。

??xi?x??yi?y??334229.092???（2） 可决系数为：R???0.9998 22??xi?x???yi?y?425053.73*262855.2522SSE???回归标准误：?n?2?1?R???y?y?2i212?2?0.0002*262855.25?2.29

10??2（3） 检验统计量为：t???Se?2?/?????2??xi?x?2?0.786?223.76

2.29/425053.73所以?2是显著不为零

????x?40.566?0.786*800?669.366 ?f??（4） 预测：y12f95%

的

预

测

2区间为

2：

11?800?647.88??f?1.96*??1??y?669.366?1.96*2.291?? n??xi?x?212425053.73?xf?x?即（ 664.579 ，674.153）

2. （1）

1.2.265.4.6y.817075x8085

（2）负相关关系 （3）

Source SS df MS Number of obs = 9 F( 1, 7) = 24.67 Model .638118686 1 .638118686 Prob > F = 0.0016 Residual .181036906 7 .025862415 R-squared = 0.7790 Adj R-squared = 0.7474 Total .819155592 8 .102394449 Root MSE = .16082 y Coef. Std. Err. t P>|t| [95% Conf. Interval] x -.0704144 .0141757 -4.97 0.002 -.1039346 -.0368941 _cons 6.017831 1.05226 5.72 0.001 3.529632 8.50603

（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xf?0.8，则yf?6.0178?7.0414*0.8?0.38468次 3.

Results of multiple regression for y

Summary measures

Multiple R 0.9521 R-Square 0.9065 Adj R-Square 0.8910 StErr of Est 3.3313

ANOVA Table

Source df SS

MS F p-value Explained 3 1937.7485 645.9162 58.2048

0.0000 Unexplained 18

199.7515

11.0973

Regression coefficients

Coefficient

Std Err t-value p-value Lower limit

Constant 32.9931 3.1386 10.5121 0.0000 26.3991 x1 0.0716 0.0148 4.8539 0.0001 0.0406 x2 16.8727 3.9956 4.2228 0.0005 8.4782 x3

17.9042

4.8869

3.6637 0.0018

7.6372

Up