应用回归分析 第九章 部分答案
第9章 非线性回归
9.1 在非线性回归线性化时，对因变量作变换应注意什么问题？
答：在对非线性回归模型线性化时，对因变量作变换时不仅要注意回归函数的形式， 还要注意误差项的形式。如：
(1) 乘性误差项，模型形式为
e y AK L αβε
=， (2) 加性误差项，模型形式为
y AK L αβε=+ 。 对乘法误差项模型（1）可通过两边取对数转化成线性模型，（2）不能线性化。 一般总是假定非线性模型误差项的形式就是能够使回归模型线性化的形式，为了方便通常省去误差项，仅考虑回归函数的形式。
9.2为了研究生产率与废料率之间的关系，记录了如表9.14所示的数据，请画出散点图，根据散点图的趋势拟合适当的回归模型。 表9.14
生产率x （单位/周） 1000 2000 3000 3500 4000 4500 5000 废品率y （%）
5.2
6.5
6.8
8.1
10.2 10.3 13.0
解：先画出散点图如下图：
5000.00
4000.003000.002000.001000.00x
12.00
10.00
8.006.00
y
从散点图大致可以判断出x 和y 之间呈抛物线或指数曲线，由此
采用二次方程式和指数函数进行曲线回归。 （1）二次曲线 SPSS 输出结果如下：
Model Summary
.981
.962
.942
.651
R R Square
Adjusted R Square
Std. Error of the Estimate
The independent variable is x.
ANOVA
42.571221.28650.160.001
1.6974.424
44.269
6
Regression Residual Total
Sum of Squares df
Mean Square
F Sig.The independent variable is x.
Coefficients
-.001.001-.449-.891.4234.47E-007.000 1.417
2.812.0485.843 1.324
4.414.012
x x ** 2(Constant)B Std. Error
Unstandardized Coefficients Beta
Standardized
Coefficients
t
Sig.
从上表可以得到回归方程为：72? 5.8430.087 4.4710y
x x -=-+? 由x 的系数检验P 值大于0.05，得到x 的系数未通过显著性检验。 由x 2的系数检验P 值小于0.05，得到x 2的系数通过了显著性检验。 （2）指数曲线
Model Summary
.970
.941
.929
.085
R
R Square
Adjusted R Square
Std. Error of the Estimate
The independent variable is x.
ANOVA
.5731.57379.538
.000
.0365.007
.609
6
Regression Residual Total
Sum of Squares
df
Mean Square
F Sig.The independent variable is x.
Coefficients
.000.000.970
8.918.0004.003.348
11.514.000
x
(Constant)
B Std. Error Unstandardized Coefficients Beta
Standardized
Coefficients
t
Sig.The dependent variable is ln(y).
从上表可以得到回归方程为：0.0002t ? 4.003y
e 由参数检验P 值≈0<0.05，得到回归方程的参数都非常显著。
从R 2值，σ的估计值和模型检验统计量F 值、t 值及拟合图综合考虑，指数拟合效果更好一些。
9.3 已知变量x与y的样本数据如表9.15，画出散点图，试用αeβ/x来拟合回归模型，假设：
(1)乘性误差项，模型形式为y=αeβ/x eε
(2)加性误差项，模型形式为y=αeβ/x+ε。
表9.15
序号x y 序号x y 序号x y
1 4.20 0.086 6 3.20 0.150 11 2.20 0.350
2 4.06 0.090 7 3.00 0.170 12 2.00 0.440
3 3.80 0.100 8 2.80 0.190 13 1.80 0.620
4 3.60 0.120 9 2.60 0.220 14 1.60 0.940
5 3.40 0.130 10 2.40 0.240 15 1.40 1.620
解：散点图：
(1)乘性误差项，模型形式为y=αeβ/x eε
线性化：lny=lnα+β/x +ε令y1=lny, a=lnα,x1=1/x .
做y1与x1的线性回归，SPSS 输出结果如下：
Model Summary
b
.999a .997
.997.04783
Model 1R R Square
Adjusted
R Square
Std. Error of the Estimate
Predictors: (Constant), x1a. Dependent Variable: y1
b. ANOVA
b
10.930110.9304778.305.000a
.03013.002
10.960
14
Regression Residual Total
Model 1
Sum of Squares df Mean Square F
Sig.Predictors: (Constant), x1a. Dependent Variable: y1
b. Coefficients
a
-3.856.037-103.830.0006.080.088
.999
69.125.000
(Cons tant)x1
Model 1
B Std. Error Uns tandardized Coefficients Beta
Standardized
Coefficients
t
Sig.Dependent Variable: y1
a.
从以上结果可以得到回归方程为：y1=-3.856+6.08x1
F 检验和t 检验的P 值≈0<0.05，得到回归方程及其参数都非常显著。
回代为原方程为：y=0.021e
6.08/x
（2）加性误差项，模型形式为y=αe
β
/x
+ε
不能线性化，直接非线性拟合。给初值α=0.021，β=6.08（线性化结果），NLS 结果如下：
Parameter Estimates
.021.001.020.0236.061.044
5.965
6.157
Parameter
a b Estimate
Std. Error
Lower Bound Upper Bound
95% Confidence Interval
ANOVA
a
4.4582 2.229.00113.000
4.459152.467
14
Source Regression Residual
Uncorrected Total Corrected T otal
Sum of Squares df Mean Squares Dependent variable: y
R squared = 1 - (Residual Sum of Squares) /(Corrected Sum of Squares) = 1.000.
a.
从以上结果可以得到回归方程为： y=0.021e 6.061/x
根据R 2≈1，参数的区间估计不包括零点且较短，可知回归方程拟合非常好，且其参数都显著。
9.4 Logistic 回归函数常用于拟合某种消费品的拥有率，表8.17（书上239页，此处略）是北京市每百户家庭平均拥有的照相机数，试针对以下两种情况拟合Logistic 回归函数。
0111
t y b b u
=
+
（1）已知100u =，用线性化方法拟合，
（2）u 未知，用非线性最小二乘法拟合。根据经济学的意义知道，u 是拥有率的上限，初值可取100；b0>0,0 解：（1），100u =时，的线性拟合。对0111 t y b b u = +函数线性化得到： 11ln() 1.8510.264100y -=--0111ln()ln ln 100b t b y -=+， 令311 ln()100 y y =-，作3y 关于t 的线性回归分析，SPSS 输出结果如下： Model Summary b .994a .988 .987.16820 Model 1R R Square Adjusted R Square Std. Error of the Estimate Predictors: (Constant), t a. Dependent Variable: y3 b. ANOVA b 39.839139.8391408.165.000a .48117.028 40.320 18 Regression Residual Total Model 1 Sum of Squares df Mean Square F Sig.Predictors: (Constant), t a. Dependent Variable: y3 b. Coefficients a -1.851.080-23.039.000-.264.007 -.994 -37.526.000 (Cons tant)t Model 1 B Std. Error Uns tandardized Coefficients Beta Standardized Coefficients t Sig.Dependent Variable: y3 a. 由表Model Summary 得到，0.994R =趋于1，回归方程的拟合优度好，由表ANOVA 得到回归方程显著，由Coefficients 表得到，回归系数都是显著的，得到方程：11 ln() 1.8510.264100 y - =--，进一步计算得到：00.157b =，10.768b =（100u =） 回代变量得到最终方程形式为： 1 ?0.010.1570.768 t y =+? 最后看拟合效果，通过sequence 画图： 由图可知回归效果比较令人满意。 （2）非线性最小二乘拟合,取初值100u =,00.157b =,10.768b =： 一共循环迭代8次，得到回归分析结果为： Parameter Estimates 91.062 2.03586.74795.377.211.028.152.271.727.012 .701.753 Parameter u b c Estimate Std. Error Lower Bound Upper Bound 95% Confidence Interval ANOVA a 60774.331320258.11085.36916 5.33660859.7001915690.38618 Source Regression Residual Uncorrected Total Corrected T otal Sum of Squares df Mean Squares Dependent variable: y R squared = 1 - (Residual Sum of Squares) /(Corrected Sum of Squares) = .995. a. 0.995R =>0.994，得到回归效果比线性拟合要好，且：91.062u =， 00.211b =，10.727b =， 回归方程为：1 1 0.211*0.72791.062 t y = +。 最后看拟合效果，由sequence 画图： 得到回归效果很好，而且较优于线性回归。 9.5表9.17（书上233页，此处略）数据中GDP 和投资额K 都是用定基居民消费价格指数（CPI ）缩减后的，以1978年的价格指数为100。 （1） 用线性化乘性误差项模型拟合C-D 生产函数； （2） 用非线性最小二乘拟合加性误差项模型的C-D 生产函数； （3） 对线性化检验自相关，如果存在自相关则用自回归方法改进； （4） 对线性化检验多重共线性，如果存在多重共线性则用岭回归方法改进； 解：（1）对乘法误差项模型可通过两边取对数转化成线性模型。 ln y =ln A + α ln K + β ln L 令y ′=ln y ,β0=ln A ,x 1=ln K ,x 2=ln L ,则转化为线性回归方程： y ′=β0+ α x 1+ βx 2+ ε SPSS 输出结果如下： 模型综述表 Model Summary b .997a .994 .993.04836 Model 1R R Square Adjusted R Square Std. Error of the Estimate Predictors: (Constant), lnL, lnK a. Dependent Variable: lnY b. 从模型综述表中可以看到，调整后的 为0.993，说明C-D 生产函数拟合效 果很好，也说明GDP 的增长是一个指数模型。 方差分析表 ANOVA b 8.4462 4.2231805.601.000a .05122.002 8.497 24 Regression Residual Total Model 1 Sum of Squares df Mean Square F Sig.Predictors: (Constant), lnL, lnK a. Dependent Variable: lnY b. 从方差分析表中可以看到，F 值很大，P 值为零，说明模型通过了检验，这与上述分析结果一致。 系数表 Coefficients a -1.785 1.438-1.241.228.801.056.86114.370.000.402.171 .141 2.354.028 (Constant)lnK lnL Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients t Sig.Dependent Variable: lnY a. 根据系数表显示，回归方程为： 尽管模型通过了检验，但是也可以看到，常数项没有通过检验，但在这个模型里，当lnK 和lnL 都为零时，lnY 为-1.785，即当K 和L 都为1时，GDP 为0.168，也就是说当投入资本和劳动力都为1个单位时，GDP 将增加0.168个单位，这种解释在我们的承受范围内，可以认为模型可以用。 最终方程结果为： y=0.618K 0.801 L 0.404 （2） 用非线性最小二乘法拟合加性误差项模型的C-D 生产函数； 上述假设误差是乘性的，现假设误差是加性的情况下使用非线性最小二乘法估计。初值采用（1）中参数的结果，SPSS 输出结果如下： 参数估计表 Parameter Estimates .407.885-1.429 2.243.868.066.731 1.006.270.243 -.234.774 Parameter P a b Estimate Std. Error Lower Bound Upper Bound 95% Confidence Interval SPSS 经过多步迭代，最终得到的稳定参数值为P=0.407，a=0.868，b=0.270 y=0.407K 0.868 L 0.270 为了比较这两个方程，我们观察下面两个图 线性回归估计拟合曲线图 非线性最小二乘估计拟合曲线图 我们知道，乘性误差相当于是异方差的，做了对数变换后，乘性误差转为加性误差，这种情况下认为方差是相等的，那么第一种情况（对数变换线性化）就大大低估了GDP 数值大的项，因此，它对GDP 前期拟合的很好，而在后期偏差就变大了，同时也会受到自变量之间的自相关和多重共线性的综合影响；非线性最小二乘法完全依赖数据，如果自变量之间存在比较严重的异方差、自相关以及多重共线性，将对拟合结果造成很大的影响。因此，不排除异方差、自相关以及多重共线性的存在。 （3） 对线性化回归模型采用DW 检验自相关，结果如下： 模型综述表 Model Summary b .997a .994 .993.04836.715 Model 1R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson Predictors: (Constant), lnL, lnK a. Dependent Variable: lnY b. DW=0.715<1.27，落在自相关的区间，所以采用迭代法改进 将得到的数据再取对数，而后用普通最小二乘法估计，保留DW 值 模型综述表 Model Summary b .983a .967 .964478.90271 1.618 Model 1R R Square Adjus ted R Square Std. Error of the Es timate Durbin-Watson Predictors : (Constant), Ltt, Ktt a. Dependent Variable: Ytt b. 方差分析表 ANOVA b 7.5542 3.777601.286.000a .13221.006 7.686 23 Regression Residual Total Model 1 Sum of Squares df Mean Square F Sig.Predictors: (Constant), lnLtt, lnKtt a. Dependent Variable: lnYtt b. 系数表 Coefficients a -1.859 1.470-1.265.220.755 .054.85214.098.000.465.180 .156 2.577.018 (Constant)lnKtt lnLtt Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients t Sig.Dependent Variable: lnYtt a. 从模型综述表中可以看到，DW=1.618>1.45，认为消除了自相关；方差分析表中可以看到F 值很大，P 值为零，说明模型通过了检验。 从系数表可得回归方程： 再迭代回去，最终得方程为： Lny t －Lny t －１＝-1.859＋0.755(LnK t －LnK t －１) ＋0.465(LnL t －LnL t －１) （4） 对线性化回归方程通过VIF 检验多重共线性： 方差分析表 ANOVA b 8.4462 4.2231805.601.000a .05122.002 8.497 24 Regression Residual Total Model 1 Sum of Squares df Mean Square F Sig.Predictors: (Constant), lnL, lnK a. Dependent Variable: lnY b. 系数表 Coefficients a -1.785 1.438-1.241.228.801.056.86114.370.000.077 13.034.402.171 .141 2.354.028 .077 13.034 (Constant)lnK lnL Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients t Sig.Tolerance VIF Collinearity Statistics Dependent Variable: lnY a. 多重共线性诊断表 Collinearity Diagnostics a 2.997 1.000.00.00.00.00330.539.00.09.001.63E-005 429.012 1.00.91 1.00 Dimension 123Model 1 Eigenvalue Condition Index (Constant)lnK lnL Variance Proportions Dependent Variable: lnY a. 直观法：从模型综述表上可以看到，F 值很大，而t 值很小，这是多重共线性造 成的影响； VIF 检验法：从系数表上可以看到，VIF=13>10，也说明多重共线性的存在； 条件数：从诊断表上可以看到，最大的条件数是429，远远大于了100，所以自 变量之间存在较为严重的多重共线性。 利用岭回归改进： R-SQUARE AND BETA COEFFICIENTS FOR ESTIMATED VALUES OF K K RSQ LNK LNL ______ ______ ________ ________ .00000 .99394 .860706 .141014 .05000 .99015 .646381 .330432 .10000 .98639 .577758 .375355 .15000 .98260 .539715 .390822 .20000 .97843 .513383 .395623 .25000 .97379 .492922 .395526 .30000 .96869 .475918 .392882 .35000 .96318 .461184 .388818 .40000 .95730 .448063 .383937 .45000 .95109 .436158 .378587 .50000 .94462 .425211 .372979 .55000 .93791 .415047 .367248 .60000 .93101 .405541 .361481 .65000 .92395 .396598 .355735 .70000 .91677 .388147 .350049 从岭迹图观察，当k=0.2时，变量基本趋于稳定 取k=0.2进行岭回归，SPSS输出结果为：α=0.479，β=1.127 从岭回归给出的结果来看，说明劳动力L较资金K对GDP的影响较大，而我国属于人口大国，就业人数对GDP的贡献不一定有显著的影响，相反，资金对GDP的影响按常理来说是非常显著的，这点普通最小二乘法给出了合理的解释，但是，岭回归在理论上很可信的。总之，影响统计的因素有很多，例如统计员的失误、国家政策等，造成函数系数的不稳定。 第9章 含定性变量的回归模型 思考与练习参考答案 9.1 一个学生使用含有季节定性自变量的回归模型，对春夏秋冬四个季节引入4个0-1型自变量，用SPSS 软件计算的结果中总是自动删除了其中的一个自变量，他为此感到困惑不解。出现这种情况的原因是什么？ 答：假如这个含有季节定性自变量的回归模型为： 其中含有k 个定量变量，记为x i 。对春夏秋冬四个季节引入4个0-1型自变量，记为D i ，只取了6个观测值，其中春季与夏季取了两次，秋、冬各取到一次观测值，则样本设计矩阵为： 显然，(X,D)中的第1列可表示成后4列的线性组合，从而(X,D)不满秩，参数无法唯一求出。这就是所谓的“虚拟变量陷井”，应避免。 当某自变量x j 对其余p-1个自变量的复判定系数2 j R 超过一定界限时，SPSS 软件将拒绝这个自变量x j 进入回归模型。称Tol j =1-2 j R 为自变量x j 的容忍度（Tolerance ），SPSS 软件的默认容忍度为0.0001。也就是说，当2j R ＞0.9999时，自变量x j 将被自动拒绝在回归方程之外，除非我们修改容忍度的默认值。 而在这个模型中出现了完全共线性，所以SPSS 软件计算的结果中总是自动删除了其中的一个定性自变量。 9.2对自变量中含有定性变量的问题，为什么不对同一属性分别建立回归模型，而采取设虚拟变量的方法建立回归模型？ 答：原因有两个，以例9.1说明。一是因为模型假设对每类家庭具有相同的斜率和误差方差，把两类家庭放在一起可以对公共斜率做出最佳估计；二是对于其他 t t t t kt k t t D D D X X Y μαααβββ++++++=332211110 ????? ? ?? ? ? ? ?=00011001011000101001 0010100011 )(6 16515414313212111k k k k k k X X X X X X X X X X X X D X,??? ??? ? ??=k βββ 10β??? ??? ? ??=4321ααααα 中级经济师基础知识 第 1题：单选题(本题1分) 某公司产品当产量为1000单位时，其总成本为4000元；当产量为2000单位时，其总成本为5000，则设产量为x，总成本为y，正确的一元回归方程表达式应该是（ ）。 A、y = 3000 + x B、y = 4000 + 4x C、y = 4000 + x D、y = 3000 + 4x 【正确答案】：A 【答案解析】： 本题可列方程组：设该方程为y = a + bx，则由题意可得：4000 = a + 1000b5000 = a + 2000b 解该方程，得b=1，a=3000，所以方程为y = 3000 + x 第 2题：单选题(本题1分) 在回归分析中，估计回归系数的最小二乘法的原理是（ ）。 A、使得因变量观测值与均值之间的离差平方和最小 B、使得因变量估计值与均值之间的离差平方和最小 C、使得观测值与估计值之间的乘积和最小 D、使得因变量观测值与估计值之间的离差平方和最小 【正确答案】：D 【答案解析】： 较偏较难的一道题目。最小二乘法就是使得因变量的观测值与估计值之间的离差平方和最小来估计参数的一种方法 第 3题：多选题(本题2分) 关于相关分析和回归分析的说法，正确的的有（） A、相关分析可以从一个变量的变化来推测另一个变量的变化 B、相关分析研究变量间相关的方向和相关的程度 C、相关分析中需要明确自变量和因变量 D、回归分析研究变量间相互关系的具体形式 E、相关分析和回归分析在研究方法和研究目的有明显区别 【正确答案】：BDE 【答案解析】： 相关分析与回归分析在研究目的和方法上具有明显的区别。 （1）、相关分析研究变量之间相关的方向和相关的程度，无法从一个变量的变化来推测另一变量的变化情况。 （2）、回归分析是研究变量之间相关关系的具体形式 第8章 非线性回归 思考与练习参考答案 8.1 在非线性回归线性化时，对因变量作变换应注意什么问题？ 答：在对非线性回归模型线性化时，对因变量作变换时不仅要注意回归函数的形式， 还要注意误差项的形式。如： (1) 乘性误差项，模型形式为 e y AK L αβε =， (2) 加性误差项，模型形式为y AK L αβ ε = + 对乘法误差项模型（1）可通过两边取对数转化成线性模型，（2）不能线性化。 一般总是假定非线性模型误差项的形式就是能够使回归模型线性化的形式，为了方便通常省去误差项，仅考虑回归函数的形式。 8.2为了研究生产率与废料率之间的关系，记录了如表8.15所示的数据，请画出散点图，根据散点图的趋势拟合适当的回归模型。 表8.15 生产率x （单位/周） 1000 2000 3000 3500 4000 4500 5000 废品率y （%） 5.2 6.5 6.8 8.1 10.2 10.3 13.0 解：先画出散点图如下图： 5000.00 4000.003000.002000.001000.00x 12.00 10.00 8.006.00 y 从散点图大致可以判断出x 和y 之间呈抛物线或指数曲线，由此采用二次方程式和指数函数进行曲线回归。 （1）二次曲线 SPSS 输出结果如下： Model Summ ary .981 .962 .942 .651 R R Square Adjusted R Square Std. E rror of the Estimate The independent variable is x. ANOVA 42.571221.28650.160.001 1.6974.424 44.269 6 Regression Residual Total Sum of Squares df Mean Square F Sig.The independent variable is x. Coe fficients -.001.001-.449-.891.4234.47E -007.000 1.417 2.812.0485.843 1.324 4.414.012 x x ** 2 (Constant) B Std. E rror Unstandardized Coefficients Beta Standardized Coefficients t Sig. 从上表可以得到回归方程为：72? 5.8430.087 4.4710y x x -=-+? 由x 的系数检验P 值大于0.05，得到x 的系数未通过显著性检验。 由x 2的系数检验P 值小于0.05，得到x 2的系数通过了显著性检验。 （2）指数曲线 Model Summ ary .970 .941 .929 .085 R R Square Adjusted R Square Std. E rror of the Estimate The independent variable is x. 第9章 非线性回归 9.1 在非线性回归线性化时，对因变量作变换应注意什么问题？ 答：在对非线性回归模型线性化时，对因变量作变换时不仅要注意回归函数的形式， 还要注意误差项的形式。如： (1) 乘性误差项，模型形式为 e y AK L αβε =， (2) 加性误差项，模型形式为 y AK L αβε=+。 对乘法误差项模型（1）可通过两边取对数转化成线性模型，（2）不能线性化。 一般总是假定非线性模型误差项的形式就是能够使回归模型线性化的形式，为了方便通常省去误差项，仅考虑回归函数的形式。 9.2为了研究生产率与废料率之间的关系，记录了如表9.14所示的数据，请画出散点图，根据散点图的趋势拟合适当的回归模型。 表9.14 生产率x （单位/周） 1000 2000 3000 3500 4000 4500 5000 废品率y （%） 5.2 6.5 6.8 8.1 10.2 10.3 13.0 解：先画出散点图如下图： 5000.00 4000.003000.002000.001000.00x 12.00 10.00 8.006.00 y 从散点图大致可以判断出x 和y 之间呈抛物线或指数曲线，由此 采用二次方程式和指数函数进行曲线回归。 （1）二次曲线 SPSS 输出结果如下： Mode l Sum mary .981 .962 .942 .651 R R Square Adjusted R Square Std. E rror of the E stim ate The independent variable is x. ANOVA 42.571221.28650.160.001 1.6974.424 44.269 6 Regression Residual Total Sum of Squares df Mean Square F Sig.The independent variable is x. Coe fficients -.001.001-.449-.891.4234.47E -007.000 1.417 2.812.0485.843 1.324 4.414.012 x x ** 2 (Constant) B Std. E rror Unstandardized Coefficients Beta Standardized Coefficients t Sig. 从上表可以得到回归方程为：72? 5.8430.087 4.4710y x x -=-+? 由x 的系数检验P 值大于0.05，得到x 的系数未通过显著性检验。 由x 2的系数检验P 值小于0.05，得到x 2的系数通过了显著性检验。 （2）指数曲线 Mode l Sum mary .970 .941 .929 .085 R R Square Adjusted R Square Std. E rror of the E stim ate The independent variable is x. 第九章相关与简单线性回归分析 第一节相关与回归的基本概念 一、变量间的相互关系 现象之间存在的依存关系包括两种：确定性的函数关系和不确定性的统计关系，即相关关系。 二、相关关系的类型 1、从相关关系涉及的变量数量来看：简单相关关系；多重相关或复相关。 2、从变量相关关系变化的方向看：正相关；负相关。 3、从变量相关的程度看：完全相关；不相关；不完全相关。 二、相关分析与回归分析概述 相关分析就是用一个指标（相关系数）来表明现象间相互依存关系的性质和密切程度；回归分析是在相关关系的基础上进一步说明变量间相关关系的具体形式，可以从一个变量的变化去推测另一个变量的变化。 相关分析与回归分析的区别： 目的不同：相关分析是用一定的数量指标度量变量间相互联系的方向和程度；回归分析是要寻求变量间联系的具体数学形式，要根据自变量的固定值去估计和预测因变量的值。 对变量的处理不同：相关分析不区分自变量和因变量，变量均视为随机变量；回归区分自变量和因变量，只有因变量是随机变量。 注意：相关和回归分析都是就现象的宏观规律/平均水平而言的。 第二节简单线性回归 一、基本概念 如果要研究两个数值型／定距变量之间的关系，以收入x与存款额y为例，对n个人进行独立观测得到散点图，如果可以拟合一条穿过这一散点图的直线来描述收入如何影响存款，即简单线形回归。 二、回归方程 在散点图中，对于每一个确定的x值，y的值不是唯一的，而是符合一定概率分布的随机变量。如何判断两个变量之间存在相关关系？要看对应不同的x，y的概率分布是否相同/y的总体均值是否相等。 在x=xi的条件下，yi的均值记作E(yi)，如果它是x的函数，E(yi) =f(xi)，即回归方程，就表示y和x之间存在相关关系，回归方程就是研究自变量不同取值时，因变量y的平均值的变化。当y的平均值和x呈现线性关系时，称作线性回归方程，只有一个自变量就是一元线性回归方程。 一元线性回归方程表达式：E(y i )= α+βx i ，其中α称为常数，β称为回 2.1 一元线性回归模型有哪些基本假定？ 答：1. 解释变量 1x , ,2x ,p x 是非随机变量，观测值,1i x ,,2 i x ip x 是常数。 2. 等方差及不相关的假定条件为 ? ? ? ? ? ? ??????≠=====j i n j i j i n i E j i i ,0),,2,1,(,),cov(,,2,1, 0)(2 σεεε 这个条件称为高斯-马尔柯夫(Gauss-Markov)条件，简称G-M 条件。在此条件下，便可以得到关于回归系数的最小二乘估计及误差项方差2σ估计的一些重要性质，如回归系数的最小二乘估计是回归系数的最小方差线性无偏估计等。 3. 正态分布的假定条件为 ???=相互独立 n i n i N εεεσε,,,,,2,1),,0(~212 在此条件下便可得到关于回归系数的最小二乘估计及2σ估计的进一步结果，如它们分别是回归系数的最及2σ的最小方差无偏估计等，并且可以作回归的显著性检验及区间估计。 4. 通常为了便于数学上的处理，还要求,p n >及样本容量的个数要多于解释变量的个数。 在整个回归分析中，线性回归的统计模型最为重要。一方面是因为线性回归的应用最广泛；另一方面是只有在回归模型为线性的假设下，才能的到比较深入和一般的结果；再就是有许多非线性的回归模型可以通过适当的转化变为线性回归问题进行处理。因此，线性回归模型的理论和应用是本书研究的重点。 1. 如何根据样本),,2,1)(;,,,(21n i y x x x i ip i i =求出p ββββ,,,,210 及方差2σ的估计; 2. 对回归方程及回归系数的种种假设进行检验； 3. 如何根据回归方程进行预测和控制，以及如何进行实际问题的结构分析。 2.2 考虑过原点的线性回归模型 n i x y i i i ,,2,1,1 =+=εβ误差n εεε,,,21 仍满足基本假定。求1β的最小二 乘估计。 答：∑∑==-=-=n i n i i i i x y y E y Q 1 1 2112 1)())(()(ββ 第九章 方差分析与回归分析习题参考答案 1. 为研究不同品种对某种果树产量的影响，进行试验，得试验结果（产量）如下表，试分析果树品种对产量是否有显着影响. （0.05(2,9) 4.26F =，0.01(2,9) 8.02F =） 34 2 11 1310ij i j x ===∑∑ 解：r=3, 12444n n 321=++=++=n n , T=120 ,120012 1202 2===n T C 3 4 2 211 131********(1)1110110T ij T i j SS x C S n s ===-=-==-=?=∑∑或S 322.1112721200724(31)429724A i A A i SS T C S s ==-=-==-=??=∑或S 3872110=-=-=A T e SS SS SS 计算统计值722 8.53, 389 A A A e e SS f F SS f = =≈…… 方差分析表 结论:由于0.018.53(2,9)8.02, A F F ≈>=故果树品种对产量有特别显着影响. 2. ..180x = 43 2 11 2804ij i j x ===∑∑ 解：22..4,3,12,180122700l m n lm C x n ======= 43 2211 28042700104(1)119.45 104T ij T i j S x C S n s ===-=-==-=?≈∑∑&&或 422 .1 12790270090(1)331090 3A i A A i S x C S m l s ==-=-==-≈??=∑或322 .1 12710.5270010.5(1)8 1.312510.5 4B j B B j S x C S l m s ==-=-==-≈?=∑或1049010.5 3.5e T A B S S S S =--=--= 计算统计值90310.52 51.43,93.56 3.56 A A B B A B e e e e S f S f F F S f S f = =≈==≈ 结论: 由以上方差分析知，进器对火箭的射程有特别显着影响；燃料对火箭的射程有显着影响. 31,58,147,112,410.5,i i i i i i x y x y x y =====（1）求需求量Y 与价格x 之间 的线性回归方程； （2）计算样本相关系数； （3）用F 检验法作线性回归关系显着性检验. ??? ? ??====56.10)9,1(,26.11)8,1(12.5)9,1(,32.5)8,1(01.001.005.005.0F F F F 解：引入记号 10, 3.1, 5.8n x y === ()()14710 3.1 5.832.8xy i i i i l x x y y x y nx y =--=-=-??=-∑∑ 2 222()11210 3.115.9xx i i l x x x nx =-=-=-?=∑∑ 22 ()(1)9 1.766715.9xx i x l x x n s =-=-≈?≈∑或 2 222()410.510 5.874.1yy i i l y y y ny =-=-=-?=∑∑ 22()(1)98.233374.1yy i y l y y n s =-=-≈?≈∑或 ?(1) b Q 32.8??2.06, 5.8 2.06 3.112.1915.9xy xx l a y bx l -==≈-=-≈+?≈ ∴需求量Y 与价格x 之间的线性回归方程为 ?y ??12.19 2.06a bx x =+≈- 1 下面是7个地区2000年的人均国内生产总值（GDP）和人均消费水平的统计数据： 求：(1)人均GDP作自变量，人均消费水平作因变量，绘制散点图，并说明二者之间的关系形态。 (2)计算两个变量之间的线性相关系数，说明两个变量之间的关系强度。 (3)求出估计的回归方程，并解释回归系数的实际意义。 (4)计算判定系数，并解释其意义。 α=)。 (5)检验回归方程线性关系的显著性(0.05 (6)如果某地区的人均GDP为5000元，预测其人均消费水平。 (7)求人均GDP为5000元时，人均消费水平95％的置信区间和预测区间。 解：（1） 可能存在线性关系。 （2）相关系数： 系数a 模型非标准化系数标准系数 t Sig. 相关性 B标准误差试用版零阶偏部分 1(常量).003 人均GDP.309.008.998.000.998.998.998 a. 因变量: 人均消费水平 有很强的线性关系。 （3）回归方程：734.6930.309 y x =+ 系数a 模型非标准化系数标准系数t Sig.相关性 回归系数的含义：人均GDP没增加1元，人均消费增加元。%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 注意：图标不要原封不动的完全复制软件中的图标，要按规范排版。 系数(a) 模型非标准化系数标准化系数 t显著性B标准误Beta 1（常量） 人均GDP（元） %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%（4） 模型汇总 模型R R 方调整 R 方标准估计的误 差 1.998a.996.996 a. 预测变量: (常量), 人均GDP。 人均GDP对人均消费的影响达到%。%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 注意：图标不要原封不动的完全复制软件中的图标，要按规范排版。 模型摘要 模型R R 方调整的 R 方估计的标准差 多元线性回归模型 一、单项选择题 1.在由30n =的一组样本估计的、包含3个解释变量的线性回归模型中，计算得多重决定 系数为，则调整后的多重决定系数为（ D ） A. B. C. 下列样本模型中，哪一个模型通常是无效 的（B ） A. i C （消费）=500+i I （收入） B. d i Q （商品需求）=10+i I （收入）+i P （价格） C. s i Q （商品供给）=20+i P （价格） D. i Y （产出量）=0.6i L （劳动）0.4i K （资本） 3.用一组有30个观测值的样本估计模型01122t t t t y b b x b x u =+++后，在的显著性水平上对 1b 的显著性作t 检验，则1b 显著地不等于零的条件是其统计量t 大于等于（ C ） A. )30(05.0t B. )28(025.0t C. )27(025.0t D. )28,1(025.0F 4.模型 t t t u x b b y ++=ln ln ln 10中，1b 的实际含义是（ B ） A.x 关于y 的弹性 B. y 关于x 的弹性 C. x 关于y 的边际倾向 D. y 关于x 的边际倾向 5、在多元线性回归模型中，若某个解释变量对其余解释变量的判定系数接近于１，则表明 模型中存在（ C ） A.异方差性 B.序列相关 C.多重共线性 D.高拟合优度 6.线性回归模型01122......t t t k kt t y b b x b x b x u =+++++ 中，检验0:0(0,1,2,...) t H b i k ==时，所用的统计量 服从( C ) (n-k+1) (n-k-2) (n-k-1) (n-k+2) 7. 调整的判定系数 与多重判定系数 之间有如下关系( D ) A.2 211n R R n k -=-- B. 22111 n R R n k -=--- C. 2211(1)1n R R n k -=-+-- D. 2211(1)1n R R n k -=---- 8．关于经济计量模型进行预测出现误差的原因，正确的说法是（ C ）。 A.只有随机因素 B.只有系统因素 C.既有随机因素，又有系统因素 、B 、C 都不对 9．在多元线性回归模型中对样本容量的基本要求是(k 为解释变量个数)：（ C ） A n ≥k+1 B n 应用回归分析课后答案 第二章一元线性回归 解答：EXCEL结果: SUMMARY OUTPUT 回归统计 Multiple R R Square Adjusted R Square 标准误差 观测值5 方差分析 df SS MS F Significance F 回归分析125 残差3 总计410 Coefficients标准误差t Stat P-value Lower 95%Upper 95%下限%上限% Intercept X Variable 15 RESIDUAL OUTPUT 观测值预测Y残差 1 2 3 4 5 SPSS结果：（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∧ = 12 2 1 7()n i i i n i i x y n x y x n x -- =- =-=-∑∑ 0120731y x ββ-∧- =-=-?=- 17y x ∧ ∴=-+可得回归方程为 （4）22 n i=1 1()n-2i i y y σ∧∧=-∑ 2 n 01i=1 1(())n-2i y x ββ∧∧=-+∑ =222 22 13???+?+???+?+??? （10-（-1+71））（10-（-1+72））（20-（-1+73））（20-（-1+74））（40-（-1+75）） []1 169049363 110/3= ++++= 1 330 6.13 σ∧=≈ （5）由于2 11(, )xx N L σββ∧ : t σ ∧ == 服从自由度为n-2的t分布。因而 /2 |(2)1 P t n α α σ ?? ?? <-=- ?? ?? 也即： 1/211/2 (p t t αα βββ ∧∧ ∧∧ -<<+=1α - 可得 1 95% β∧的置信度为的置信区间为（7-2.3537+2.353即为：（，） 2 2 00 1() (,()) xx x N n L ββσ - ∧ + : t ∧∧ == 服从自由度为n-2的t分布。因而 /2 (2)1 P t n α α ∧ ?? ?? ?? <-=- ?? ?? ?? ?? ?? 即 0/200/2 ()1 pβσββσα ∧∧∧∧ -<<+=- 可得 1 95%7.77,5.77 β∧- 的置信度为的置信区间为（） （6）x与y的决定系数 2 21 2 1 () 490/6000.817 () n i i n i i y y r y y ∧- = - = - ==≈ - ∑ ∑ （7） 第3章 多元线性回归 思考与练习参考答案 见教材P64-65 讨论样本容量n 与自变量个数p 的关系，它们对模型的参数估计有何影响？ 答：在多元线性回归模型中，样本容量n 与自变量个数p 的关系是：n>>p 。如果n<=p 对模型的参数估计会带来很严重的影响。因为： 1. 在多元线性回归模型中，有p+1个待估参数β，所以样本容量的个数应该大于解释变量的个数，否则参数无法估计。 2. 解释变量X 是确定性变量，要求()1rank p n =+ 一般来说，R2越接近1，即R2取值越大，说明回归拟合的效果越好。但由于R2的大小与样本容量n和自变量个数p有关，当n与p的值接近时，R2容易接近1，说明R2中隐含着一些虚假成分。而当样本容量n较小，自变量个数p较大时，尽管R2很大，但参数估计效果很不稳定。所以该题中不能仅仅因为R2很大而断定回归方程很理想。如何正确理解回归方程显著性检验拒绝H0，接受H0？ 答：一般来说，当接受假设H0时，认为在给定的显著性水平α之下，自变量x1,x2,…,x p对因变量y无显著性影响，则通过x1,x2,…,x p 去推断y就无多大意义。此时，一方面可能该问题本应该用非线性模型描述，我们误用线性模型描述了，使得自变量对因变量无显著影响；另一方面可能是在考虑自变量时，由于认识上的局限性把一些影响因变量y的自变量漏掉了，这就从两个方面提醒我们去重新考虑建模问题。 当拒绝H0时，也不能过于相信该检验，认为该模型已经很完美。其实当拒绝H时，我们只能认为该回归模型在一定程度上说明了自变量x1,x2,…,x p与因变量y的线性关系。因为这时仍不能排除我们漏掉了一些重要自变量。此检验只能用于辅助性的，事后验证性的目的。（详细内容可参考课本P95～P96评注。） 数据中心化和标准化在回归分析中的意义是什么？ 答：原始数据由于自变量的单位往往不同，会给分析带来一定的困难；又由于设计的数据量较大，可能会以为舍入误差而使得计算结果并不理想。中心化和标准化回归系数有利于消除由于量纲不同、数量级不 第九章相关与回归分析答案如下 *9-1 在相关分析中，对两个变量的要求是（Ａ）。（单选题） 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。 *9-2 在建立与评价了一个回归模型以后，我们可以（D ）。（单选题） A. 估计未来所需要样本的容量。 B. 计算相关系数与判定系数。 C. 以给定因变量的值估计自变量的值。 D. 以给定自变量的值估计因变量的值。 9-3 对两变量的散点图拟合最好的回归线必须满足一个基本条件是（D ）。（单选题） 最小 y2 最小 yii y i 最大B. y i 最大D. y2 yi?i A. C. y yi?i *9-4 如果某地区工人的日工资收入（元）随劳动生产率（千元/人时）的变动符合简单线性方程Y=60+90X，请说明下列的判断中正确的有（ＡＣ）（多选） A．当劳动生产率为1千元/人时，估计日工资为150元；B．劳动生产率每提高1千元/人时，则日工资一定提高90元；C．劳动生产率每降低0.5千元/人时，则日工资平均减少45元；D．当日工资为240元时，劳动生产率可能达到2千元/人。 *9-5 变量之间的关系按相关程度可分为（B ＣD ）（多选） A．正相关B．不相关C．完全相关D．不完全相关 *9-6 简单线性回归分析的特点是：（ＡB ）。（多选题） A. 两个变量之间不是对等关系 B. 回归系数有正负号 C. 两个变量都是随机的 D. 利用一个方程两个变量可以互相推算E．有可能求出两个回归方程 *9-7 一元线性回归方程中的回归系数b可以表示为（ＢＣ）。（多选题） A. 两个变量之间相关关系的密切程度 B. 两个变量之间相关关系的方向 C. 当自变量增减一个单位时，因变量平均增减的量 D. 当因变量增减一个单位时，自变量平均增减的量E．回归方程的拟合优度 *9-8 回归分析和相关分析的关系是（AＢE ）。（多选题） A. 回归分析可用于估计和预测 B. 相关分析是研究变量之间的相关关系的密切程度 C. 回归分析中自变量和因变量可以互相推导并进行预测 D. 相关分析需要区分自变量和因变量E．相关分析是回归分析的基础 1.1回归分析的基本思想及其初步应用 一、选择题 1. 某同学由x 与y 之间的一组数据求得两个变量间的线性回归方程为y bx a =+，已知：数据x 的平 均值为2，数据 y 的平均值为3，则 ( ) A ．回归直线必过点（2，3） B ．回归直线一定不过点（2，3） C ．点（2，3）在回归直线上方 D ．点（2，3）在回归直线下方 2. 在一次试验中，测得(x,y)的四组值分别是A(1,2),B(2,3),C(3,4),D(4,5)，则Y 与X 之间的回归直线方程为（ ）A ． y x 1=+ B ． y x 2=+ C ． y 2x 1=+ Ｄ． y x 1=-3. 在对两个变量x ，y 进行线性回归分析时，有下列步骤： ①对所求出的回归直线方程作出解释； ②收集数据(i x 、i y ） ，1,2i =，…，n ； ③求线性回归方程； ④求未知参数； ⑤根据所搜集的数据绘制散点图 如果根据可行性要求能够作出变量,x y 具有线性相关结论，则在下列操作中正确的是（ ） A ．①②⑤③④ B ．③②④⑤① C ．②④③①⑤ D ．②⑤④③① 4. 下列说法中正确的是（ ） A ．任何两个变量都具有相关关系 B ．人的知识与其年龄具有相关关系 C ．散点图中的各点是分散的没有规律 D ．根据散点图求得的回归直线方程都是有意义的 5. 给出下列结论： （1）在回归分析中，可用指数系数2 R 的值判断模型的拟合效果，2 R 越大，模型的拟合效果越好； （2）在回归分析中，可用残差平方和判断模型的拟合效果，残差平方和越大，模型的拟合效果越好； （3）在回归分析中，可用相关系数r 的值判断模型的拟合效果，r 越小，模型的拟合效果越好； （4）在回归分析中，可用残差图判断模型的拟合效果，残差点比较均匀地落在水平的带状区域中，说明这样的模型比较合适．带状区域的宽度越窄，说明模型的拟合精度越高． 以上结论中，正确的有（ ）个． A ．1 B ．2 C ．3 D ．4 6. 已知直线回归方程为2 1.5y x =-，则变量x 增加一个单位时（ ） A.y 平均增加1.5个单位 B.y 平均增加2个单位 C.y 平均减少1.5个单位 D. y 平均减少2个单位 7. 下面的各图中，散点图与相关系数r 不符合的是（ ） 第7章岭回归 思考与练习参考答案 7.1 岭回归估计是在什么情况下提出的？ 答：当自变量间存在复共线性时，｜X’X｜≈0，回归系数估计的方差就很大，估计值就很不稳定，为解决多重共线性，并使回归得到合理的结果，70年代提出了岭回归(Ridge Regression,简记为RR)。 7.2岭回归的定义及统计思想是什么？ 答：岭回归法就是以引入偏误为代价减小参数估计量的方差的一种回归方法，其统计思想是对于（X’X）-1为奇异时，给X’X加上一个正常数矩阵 D, 那么X’X+D接近奇异的程度就会比X′X接近奇异的程度小得多，从而完成回归。但是这样的回归必定丢失了信息，不满足blue。但这样的代价有时是值得的，因为这样可以获得与专业知识相一致的结果。 7.3 选择岭参数k有哪几种方法？ 答：最优 是依赖于未知参数 和 的，几种常见的选择方法是： 岭迹法：选择 的点能使各岭估计基本稳定，岭估计符号合理，回归系数没有不合乎经济意义的绝对值，且残差平方和增大不太多； 方差扩大因子法： ，其对角线元 是岭估计的方差扩大因子。要让 ； 残差平方和：满足 成立的最大的 值。 7.4 用岭回归方法选择自变量应遵循哪些基本原则？ 答：岭回归选择变量通常的原则是： 1. 在岭回归的计算中，我们通常假定涉及矩阵已经中心化和标准化了，这样可以直接比较标准化岭回归系数的大小。我们可以剔除掉标准化岭回归系数比较稳定且绝对值很小的自变量； 2. 当k值较小时，标准化岭回归系数的绝对值并不很小，但是不稳定，随着k的增加迅速趋近于零。像这样岭回归系数不稳定、震动趋于零的自变量，我们也可以予以剔除； 3. 去掉标准化岭回归系数很不稳定的自变量。如果有若干个岭回归系数不稳定，究竟去掉几个，去掉那几个，要根据去掉某个变量后重新进行岭回归分析的效果来确定。 第九章相关与回归 一．判断题部分 题目1：负相关指的是因素标志与结果标志的数量变动方向是下降的。（） 答案：× 题目2：相关系数为+1时，说明两变量完全相关；相关系数为-1时，说明两个变量不相关。（） 答案：√ 题目3：只有当相关系数接近+1时，才能说明两变量之间存在高度相关关系。（） 答案：× 题目4：若变量x的值增加时，变量y的值也增加，说明x与y之间存在正相关关系；若变量x的值减少时，y变量的值也减少，说明x与y之间存在负相关关系。（） 答案：× 题目5：回归系数和相关系数都可以用来判断现象之间相关的密切程度。（） 答案：× 题目6：根据建立的直线回归方程，不能判断出两个变量之间相关的密切程度。（） 答案：√ 题目7：回归系数既可以用来判断两个变量相关的方向，也可以用来说明两个变量相关的密切程度。（） 答案：× 题目8：在任何相关条件下，都可以用相关系数说明变量之间相关的密切程度。（） 答案：× 题目9：产品产量随生产用固定资产价值的减少而减少，说明两个变量之间存在正相关关系。（） 答案：√ 题目10：计算相关系数的两个变量，要求一个是随机变量，另一个是可控制的量。（） 答案：× 题目11：完全相关即是函数关系，其相关系数为±1。（） 答案：√ 题目12：估计标准误是说明回归方程代表性大小的统计分析指标，指标数值越大，说明回归方程的代表性越高。（） 答案× 二．单项选择题部分 题目1：当自变量的数值确定后，因变量的数值也随之完全确定，这种关系属于（）。 A.相关关系 B.函数关系 C.回归关系 D.随机关系 答案：B 题目2：现象之间的相互关系可以归纳为两种类型，即（）。 A.相关关系和函数关系 B.相关关系和因果关系 y1 1 x11 x12 x1p 0 1 3.1 y2 1 x21 x22 x2p 1 + 2 即y=x + yn 1 xn1 xn2 xnp p n 基本假定 (1) 解释变量x1,x2…,xp 是确定性变量，不是随机变量，且要求 rank(X)=p+1 n 注 tr(H) h 1 3.4不能断定这个方程一定很理想，因为样本决定系数与回归方程中 自变量的数目以及样本量n 有关，当样本量个数n 太小，而自变量又较 多，使样本量与自变量的个数接近时， R 2易接近1,其中隐藏一些虚 假成分。 3.5当接受H o 时，认定在给定的显著性水平 下，自变量x1,x2, xp 对因变量y 无显著影响，于是通过x1,x2, xp 去推断y 也就无多大意 义，在这种情况下，一方面可能这个问题本来应该用非线性模型去描 述，而误用了线性模型，使得自变量对因变量无显著影响；另一方面 可能是在考虑自变量时，把影响因变量y 的自变量漏掉了，可以重新 考虑建模问题。 当拒绝H o 时，我们也不能过于相信这个检验，认为这个回归模型 已经完美了，当拒绝H o 时，我们只能认为这个模型在一定程度上说明 了自变量x1,x2, xp 与自变量y 的线性关系，这时仍不能排除排除我 们漏掉了一些重要的自变量。 3.6中心化经验回归方程的常数项为0,回归方程只包含p 个参数估计 值1, 2, p 比一般的经验回归方程减少了一个未知参数，在变量较 SSE (y y)2 e12 e22 1 2 1 E( ) E( - SSE* - n p 1 n p n 2 [D(e) (E(e ))2 ] 1 n (1 1 n 2 en n E( e 1 1 n p 1 1 n p 1 1 "1 1 n p 1 J (n D(e) 1 (p 1)) 1_ p 1 1 1 n p 1 2 2 n E(e 2 ) (1 h ) 2 1 1 下面是7个地区2000年的人均国生产总值（GDP）和人均消费水平的统计数据：地区人均GDP/元人均消费水平/元 北京上海 22460 11226 34547 4851 5444 2662 4549 7326 4490 11546 2396 2208 1608 2035 求：(1)人均GDP作自变量，人均消费水平作因变量，绘制散点图，并说明二者之间的关系形态。 (2)计算两个变量之间的线性相关系数，说明两个变量之间的关系强度。 (3)求出估计的回归方程，并解释回归系数的实际意义。 (4)计算判定系数，并解释其意义。 (5)检验回归方程线性关系的显著性(0.05 α=)。 (6)如果某地区的人均GDP为5000元，预测其人均消费水平。 (7)求人均GDP为5000元时，人均消费水平95％的置信区间和预测区间。 解：（1） 可能存在线性关系。 （2）相关系数： （3）回归方程：734.6930.309 y x =+ 回归系数的含义：人均GDP没增加1元，人均消费增加0.309元。%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 注意：图标不要原封不动的完全复制软件中的图标，要按规排版。 系数(a) 模型非标准化系数标准化系数 t 显著性B 标准误Beta 1 （常量）734.693 .540 5.265 0.003 人均GDP（元）0.309 0.008 0.998 36.492 0.000 a. 因变量: 人均消费水平（元）%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% （4） 模型汇总 模型R R 方调整 R 方标准估计的误 差 1 .998a.996 .996 247.303 a. 预测变量: (常量), 人均GDP。 人均GDP对人均消费的影响达到99.6%。%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 注意：图标不要原封不动的完全复制软件中的图标，要按规排版。 模型摘要 模型R R 方调整的 R 方估计的标准差 1 .998(a) 0.996 0.996 247.303 a. 预测变量:(常量), 人均GDP（元）。%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 应用回归分析课后习题 参考答案 Document number【SA80SAB-SAA9SYT-SAATC-SA6UT-SA18】 第二章一元线性回归分析 思考与练习参考答案 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(ε i )=0 i=1,2, …,n Var (ε i )=2i=1,2, …,n Cov(ε i, ε j )=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 , ε i )=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 ε i ~N(0, 2) i=1,2, …,n 考虑过原点的线性回归模型 Y i =β 1 X i +ε i 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： 证明（式），e i =0 ，e i X i=0 。 证明： ∑ ∑+ - = - = n i i i n i X Y Y Y Q 1 2 1 2 1 )) ? ?( ( )? (β β 其中： 即：e i =0 ，e i X i=0 2 1 1 1 2) ? ( )? ( i n i i n i i i e X Y Y Y Qβ ∑ ∑ = = - = - = ) ? ( 2 ?1 1 1 = - - = ? ?∑ = i i n i i e X X Y Q β β ) ( ) ( ? 1 2 1 1 ∑ ∑ = = = n i i n i i i X Y X β 01 ?? ?? i i i i i Y X e Y Y ββ =+=- 01 00 ?? Q Q ββ ?? == ??应用回归分析含定性变量的回归模型第九章课后答案
26、回归分析测试题及答案
应用回归分析,第8章课后习题参考答案
应用技术回归分析第九章部分完整答案
第九章 相关与简单线性回归分析
应用回归分析第2章课后习题参考答案
第9章方差分析与回归分析习题答案
回归分析练习试题和参考答案解析
多元线性回归模型习题及答案
应用回归分析课后答案
应用回归分析_第3章课后习题参考答案
第九章相关与回归分析答案如下
回归分析练习题(有答案)
应用回归分析,第7章课后习题参考答案
统计学原理第九章(相关与回归)习题答案
应用回归分析第三章课后习题整理
回归分析练习题及参考答案
应用回归分析课后习题参考答案