简单线性回归分析思考与练习参考答案
应用回归分析课后习题参考答案_全部版__何晓群_刘文卿
第一章回归分析概述1.2 回归分析与相关分析的联系与区别是什么？答：联系有回归分析和相关分析都是研究变量间关系的统计学课题。
区别有 a.在回归分析中，变量y称为因变量，处在被解释的特殊地位。
在相关分析中，变量x和变量y处于平等的地位，即研究变量y与变量x的密切程度与研究变量x与变量y的密切程度是一回事。
b.相关分析中所涉及的变量y与变量x全是随机变量。
而在回归分析中，因变量y是随机变量，自变量x可以是随机变量也可以是非随机的确定变量。
C.相关分析的研究主要是为了刻画两类变量间线性相关的密切程度。
而回归分析不仅可以揭示变量x对变量y的影响大小，还可以由回归方程进行预测和控制。
1.3回归模型中随机误差项ε的意义是什么？答：ε为随机误差项，正是由于随机误差项的引入，才将变量间的关系描述为一个随机方程，使得我们可以借助随机数学方法研究y与x1,x2…..xp的关系，由于客观经济现象是错综复杂的，一种经济现象很难用有限个因素来准确说明，随机误差项可以概括表示由于人们的认识以及其他客观原因的局限而没有考虑的种种偶然因素。
1.4 线性回归模型的基本假设是什么？答：线性回归模型的基本假设有：1.解释变量x1.x2….xp是非随机的，观测值xi1.xi2…..xip是常数。
2.等方差及不相关的假定条件为{E(εi)=0 i=1,2…. Cov(εi,εj)=｛σ^23.正态分布的假定条件为相互独立。
4.样本容量的个数要多于解释变量的个数，即n>p.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, …,nVar (εi)=σ2i=1,2, …,nCov(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, …,n2.3 证明（2.27式），∑e i =0 ，∑e i X i =0 。
应用回归分析课后习题参考答案_全部版__何晓群_刘文卿
第一章回归分析概述1.2 回归分析与相关分析的联系与区别是什么？答：联系有回归分析和相关分析都是研究变量间关系的统计学课题。
区别有 a.在回归分析中，变量y称为因变量，处在被解释的特殊地位。
在相关分析中，变量x和变量y处于平等的地位，即研究变量y与变量x的密切程度与研究变量x与变量y的密切程度是一回事。
b.相关分析中所涉及的变量y与变量x全是随机变量。
而在回归分析中，因变量y是随机变量，自变量x可以是随机变量也可以是非随机的确定变量。
C.相关分析的研究主要是为了刻画两类变量间线性相关的密切程度。
而回归分析不仅可以揭示变量x对变量y的影响大小，还可以由回归方程进行预测和控制。
1.3回归模型中随机误差项ε的意义是什么？答：ε为随机误差项，正是由于随机误差项的引入，才将变量间的关系描述为一个随机方程，使得我们可以借助随机数学方法研究y与x1,x2…..xp的关系，由于客观经济现象是错综复杂的，一种经济现象很难用有限个因素来准确说明，随机误差项可以概括表示由于人们的认识以及其他客观原因的局限而没有考虑的种种偶然因素。
1.4 线性回归模型的基本假设是什么？答：线性回归模型的基本假设有：1.解释变量x1.x2….xp是非随机的，观测值xi1.xi2…..xip是常数。
2.等方差及不相关的假定条件为{E(εi)=0 i=1,2…. Cov(εi,εj)=｛σ^23.正态分布的假定条件为相互独立。
4.样本容量的个数要多于解释变量的个数，即n>p.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, …,nVar (εi)=σ2i=1,2, …,nCov(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, …,n2.3 证明（2.27式），∑e i =0 ，∑e i X i =0 。
回归思考与练习参考答案
第18章Logistic回归思考与练习参考答案一、最佳选择题1. Logistic回归与多重线性回归比较，（ A ）。
A．logistic回归的因变量为二分类变量B．多重线性回归的因变量为二分类变量C．logistic回归和多重线性回归的因变量都可为二分类变量D．logistic回归的自变量必须是二分类变量E．多重线性回归的自变量必须是二分类变量2. Logistic回归适用于因变量为（ E ）。
A．二分类变量B．多分类有序变量C．多分类无序变量D．连续型定量变量E．A、B、C均可3. Logistic回归系数与优势比OR的关系为（ E ）。
A．0等价于OR＞1 B．0等价于OR＜1 C．＝0等价于OR＝1 D．＜0等价于OR＜1 E．A、C、D均正确4. Logistic回归可用于（ E ）。
Ａ．影响因素分析B．校正混杂因素C．预测D．仅有A和C E．A、B、C均可5. Logistic回归中自变量如为多分类变量，宜将其按哑变量处理，与其他变量进行变量筛选时可用（ D ）。
A．软件自动筛选的前进法B．软件自动筛选的后退法C．软件自动筛选的逐步法D．应将几个哑变量作为一个因素，整体进出回归方程E．A、B、C均可二、思考题1. 为研究低龄青少年吸烟的外在因素，研究者采用整群抽样，在某中心城区和远城区的初中学校，各选择初一年级一个班的全部学生进行调查，并用logistic回归方程筛选影响因素。
试问上述问题采用logistic回归是否妥当？答：上述问题采用logistic回归不妥当，因为logistic回归中参数的极大似然估计要求样本结局事件相互独立，而研究的问题中低龄青少年吸烟行为不独立。
2. 分类变量赋值不同对logistic回归有何影响? 分析结果一致吗？答：（1）若因变量交换赋值，两个logistic回归方程的参数估计绝对值相等，符号相反；优势比互为倒数，含义有所区别，实质意义一样；模型拟合检验与回归系数的假设检验结果相同。
第2章课后习题参考答案
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, …,n2.2 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：其中： ∑∑+-=-=nii i ni X Y Y Y Q 121021))ˆˆ(()ˆ(ββ21112)ˆ()ˆ(i ni i n i ii e X Y Y Y Q β∑∑==-=-=01ˆˆˆˆi i i i iY X e Y Y ββ=+=-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 )的假设下求得，最小二乘估计则不要求分布假设。
所以在εi ~N(0, σ2 ) 的条件下， 参数β0，β1的最小二乘估计与最大似然估计等价。
应用回归分析第章课后习题参考答案Word版
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 )=s 2 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, s 2 ) 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），S e i =0 ，S e i X i =0 。
证明：∑∑+-=-=nii i ni X Y Y Y Q 121021))ˆˆ(()ˆ(ββ其中：即： S e i =0 ，S e i X i =021112)ˆ()ˆ(ini i ni i i e X Y Y Y Q β∑∑==-=-=0)ˆ(2ˆ111=--=∂∂∑=ii ni i eX X Y Q ββ)()(ˆ1211∑∑===ni i ni ii X Y X β01ˆˆˆˆi ii i iY X e Y Y ββ=+=-0100ˆˆQQββ∂∂==∂∂2.4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, s 2 ) i=1,2, …,n所以Y i =β0 + β1X i + εi ~N （β0+β1X i , s 2 ) 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，∑∑+-=-=nii i n i X Y Y Y Q 121021))ˆˆ(()ˆ(ββ上式恰好就是最小二乘估计的目标函数相同。
线性回归方程.附答案docx
线性回归方程一、考点、热点回顾一、相关关系：1、⎩⎨⎧<=1||1||r r 不确定关系：相关关系确定关系：函数关系2、相关系数：∑∑∑===-⋅---=ni ini ini iiy y x x y y x x r 12121)()())((，其中：（1）⎩⎨⎧<>负相关正相关00r r ；（2）相关性很弱；相关性很强；3.0||75.0||<>r r3、散点图：初步判断两个变量的相关关系。
二、线性回归方程：1、回归方程：a x b yˆˆˆ+= 其中2121121)())((ˆxn x yx n yx x x y yx x bn i i ni ii n i i ni ii--=---=∑∑∑∑====，x b y aˆˆ-=（代入样本点的中心） 2、残差：（1）残差图：横坐标为样本编号，纵坐标为每个编号样本对应的残差。
（2）残差图呈带状分布在横轴附近，越窄模型拟合精度越高。
（3）残差平方和∑=-ni i iyy12)ˆ(越小，模型拟合精度越高。
3、相关指数：∑∑==---=n i ini i iy yyyR 12122)()ˆ(1（1）其中：∑=-ni i iyy12)ˆ(为残差平方和；∑=-ni i y y 12)(为总偏差平方和。
（2）)1,0(2∈R ，越大模型拟合精度越高。
二、典型例题+拓展训练典型例题1：在一组样本数据),,,2)(,(),,(),,(212211不全相等n n n x x x n y x y x y x ≥的散点图中，若所有样本点),2,1)(,(n i y x i i =都在直线121+-=x y 上，则样本相关系数为（ ） 21.21.1.1.--D C B A典型例题2：设某大学的女生体重)(kg y 与身高)(cm x 具有线性相关关系，根据一组样本数据)2,1)(,(n i y x i i =，用最小二乘法建立的回归方程为71.8585.0ˆ-=x y ，则不正确的是（ ）A.y 与x 具有正的线性相关关系；B.回归直线过样本点的中心),(y xC.若该大学某女生身高增加1cm,则其体重约增加0.85kgD.若该大学某女生身高为170cm,则可断定其体重必为58.79kg扩展2.一台机器使用时间较长，但还可以使用.它按不同的转速生产出来的某机械零件有一些会有缺点，每小时生产有缺点零件的多少，随机器运转的速度而变化，下表为抽样试（1）对变量y 与x 进行相关性检验；（2）如果y 与x 有线性相关关系，求回归直线方程；（3）若实际生产中，允许每小时的产品中有缺点的零件最多为10个，那么，机器的运转速度应控制在什么范围内？典型例题3.为了对x 、Y 两个变量进行统计分析，现有以下两种线性模型： 6.517.5y x =+，717y x =+，试比较哪一个模型拟合的效果更好.52211521()155110.8451000()i i i ii y y R yy ==-=-=-=-∑∑，221R =-521521()18010.821000()ii i ii yy y y ==-=-=-∑∑，84.5%＞82%，所以甲选用的模型拟合效果较好.扩展1.下列说法正确的是（ ）（1）残差平方和越小，相关指数2R 越小，模型拟合效果越差； （2）残差平方和越大，相关指数2R 越大，模型拟合效果越好； （3）残差平方和越小，相关指数2R 越大，模型拟合效果越好； （4）残差平方和越大，相关指数2R 越小，模型拟合效果越差；A.（1）（2）B.（3）（4）C.（1）（4）D.（2）（3）扩展2.关于某设备的使用年限x （年）和所支出的维修费用y （万元）有下表所示的资料：若由资料知，y 对x 呈线性相关关系，求：（1）线性回归方程a x b yˆˆˆ+=中的回归系数b a ˆ,ˆ； （2）残差平方和与相关指数2R ，作出残差图，并对该回归模型的拟合精度作出适当判断； （3）使用年限为10年时，维修费用大约是多少？三、典型例题4.非线性回归模型：某公司为确定下一年度投入某种产品的宣传费，需了解年宣传费x （单位：千元）对年销售量y （单位：t ）和年利润z （单位：千元）的影响，对近8年的年宣传费和年销售量（i=1,2，···，8）数据作了初步处理，得到下面的散点图及一些统计量的值。
第10章 简单线性回归分析案例辨析及参考答案
，=0.698。经检验，贫血患者治疗后的血红蛋白增加量与治疗有 关。
正常人均数：=20.21+7.78×0=20.21 患 者均数：=20.21+7.78×1=27.99 截距与两样本均数的差值相等。分别进行回归方程的方差分析与回 归系数的t检验，得F=17.112，t=4.137。回归系数的t检验结果与两样 本均数的t检验结果完全一致。以上结果说明，t检验的结果可以转化为
Quadratic .9941206.902 2 14.000 60.78810.805-.292
Cubic
.9982575.942 3 13.000 81.857 3.490 .447-.023
Growth .924 182.200 1 15.000 4.539 .034
The independent variable is 年龄。
上述曲线类型依次为线性、二次、三次多项式曲线和生长曲线，由 拟合结果可知，曲线拟合效果较好，进一步得到曲线图（案例图101）：
（3）选择合理的模型，列出回归方程。以女孩身高二次曲线为
例，方程如下： 多项式曲线： （4）统计预测：预测19岁女孩身高为60.788+10.805×18-
0.292×182=160.7，与实际趋势相符。其他预测方法相同。
案例10-2 贫血患者的血清转铁蛋白研究。第6章例6-1中，为研究 某种新药治疗贫血患者的效果，将20名贫血患者随机分成两组，一组用 新药，另一组用常规药物治疗，测得血红蛋白增加量（g/L）见表6-1。 问新药与常规药治疗贫血患者后的血红蛋白增加量有无差别？
张医生用检验比较新药与常规药治疗贫血患者后的血红蛋白增加 量，计算得：
应用回归分析_整理课后习题参考题答案
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：其中：即： ∑e i =0 ，∑e i X i =0∑∑+-=-=nii i ni X Y Y Y Q 121021))ˆˆ(()ˆ(ββ21112)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 )的假设下求得，最小二乘估计则不要求分布假设。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第10章 简单线性回归分析
思考与练习参考答案
一、最佳选择题
1．如果两样本的相关系数21r r =，样本量21n n =，那么（ D ）。
A. 回归系数21b b = B ．回归系数12b b < C. 回归系数21b b > D ．t 统计量11r b t t = E. 以上均错
2．如果相关系数r =1，则一定有（ C ）。
A ．总SS =残差SS
B ．残差SS =回归
SS
C ．总SS =回归SS
D ．总SS ＞回归SS E.
回归MS =残差MS
3．记ρ为总体相关系数，r 为样本相关系数，b 为样本回归系数，下列（ D ）正确。
A ．ρ=0时，r =0
B ．|r |＞0时，b ＞0
C ．r ＞0时，b ＜0
D ．r ＜0时，b ＜0 E. |r |=1时，b =1
4．如果相关系数r =0，则一定有（ D ）。
A ．简单线性回归的截距等于0
B ．简单线性回归的截距等于Y 或X
C ．简单线性回归的残差SS 等于0
D ．简单线性回归的残差SS 等于SS 总
E ．简单线性回归的总SS 等于0
5．用最小二乘法确定直线回归方程的含义是（ B ）。
A ．各观测点距直线的纵向距离相等
B ．各观测点距直线的纵向距离平方和最小
C ．各观测点距直线的垂直距离相等
D ．各观测点距直线的垂直距离平方和最小
E ．各观测点距直线的纵向距离等于零
二、思考题
1．简述简单线性回归分析的基本步骤。
答：① 绘制散点图，考察是否有线性趋势及可疑的异常点；② 估计回归系数；③ 对总体回归系数或回归方程进行假设检验；④ 列出回归方程，绘制回归直线；⑤ 统计应用。
2．简述线性回归分析与线性相关的区别与联系。
答：区别：
（1）资料要求上，进行直线回归分析的两变量，若X 为可精确测量和严格控制的变量，则对应于每个X 的Y 值要求服从正态分布；若X 、Y 都是随机变量，则要求X 、Y 服从双变量正态分布。
直线相关分析只适用于双变量正态分布资料。
（2）应用上，说明两变量线性依存的数量关系用回归（定量分析），说明两变量的相关关系用相关（定性分析）。
（3）两个系数的意义不同。
r 说明具有直线关系的两变量间相互关系的方向与密切程度，b 表示X 每变化一个单位所导致Y 的平均变化量。
（4）两个系数的取值范围不同：-1≤r ≤1，∞<<∞-b 。
（5）两个系数的单位不同：r 没有单位，b 有单位。
联系：
（1）对同一双变量资料，回归系数b 与相关系数r 的正负号一致。
b ＞0时，r ＞0，均表示两变量X 、Y 同向变化；b ＜0时，r ＜0，均表示两变量X 、Y 反向变化。
（2）回归系数b 与相关系数r 的假设检验等价，即对同一双变量资料，r b t t =。
由于相关系数r 的假设检验较回归系数b 的假设检验简单，故在实际应用中常以r 的假设检验代替b 的假设检验。
（3）用回归解释相关：由于决定系数2R =SS 回 /SS 总 ，当总平方和固定时，回归平方和的大小决定了相关的密切程度。
回归平方和越接近总平方和，则2
R 越接近1，说明引入相关的效果越好。
例如当r =，n =100时，可按检验水准拒绝H 0，接受H 1，认为两变量有相关关系。
但2
R =2=，表示回归平方和在总平方和中仅占4％，说明两变量间的相关关系实际意义不大。
3. 决定系数与相关系数的意义相同吗如果不一样，两者关系如何
答：现将相关系数、决定系数与Y 的总变异的关系阐释如下：假如在一回归分析中，回归系数的变异数回归SS ＝9，而Y 的总变异数总SS ＝13，则
决定系数2
R =回归SS / 总SS =9/14= 9/1，相关系数R = 8
即将决定系数表示为一比值关系，当总SS = l 时，则回归SS = 9，我们可以采用直角三角形的“勾股定理”图示决定系数与相关系数的关系，如练习图10-1所示。
练习图10-1 相关系数、决定系数与总变异的关系
三、计算题
1. 以例10-1中空气一氧化氮（NO）为因变量，风速（X4）为自变量，采用统计软件完成如下分析：
（1）试用简单线性回归方程来描述空气中NO浓度与风速之间的关系。
（2）对回归方程和回归系数分别进行假设检验。
（3）绘制回归直线图。
（4）根据以上的计算结果，进一步求其总体回归系数的95%置信区间。
（5）风速为1.50 m/s时，分别计算个体Y值的95%容许区间和Y的总体均数的95％置信区间，并说明两者的意义。
解：运用SPSS进行处理，主要分析结果如下：
（1）简单线性回归方程、假设检验结果及总体回归系数的95%置信区间如下：
（2）方差分析结果：
（3）回归直线如练习图10-2。
练习图10-2 回归直线图
2. 教材表10-8为本章例10-1回归分析的部分结果，依次为X 、Y 、Y 的估计值（Y ˆ）与残差（e ），请以相关分析考察四者之间的关系，以回归分析考察Y ˆ与X 、Y 与Y ˆ、Y 与Y
Y ˆ-、Y Y ˆ-与X 之间的关系，并予以解释。
教材表10-8 案例分析中回归分析的部分结果
X Y
Y
ˆ Y
Y ˆ- X Y Y
ˆ Y
Y ˆ- X Y
Y
ˆ Y
Y ˆ- 7 7 8 2 5 5 5 5 6 4 1 1 8 8 1 1 1 1 5 5 2 8 8 2 9 1 9 9 4 6 6 6 9 9 7 3 8 8 5 5 7 7
4
6
9
9
2
8
解：主要分析结果：
(1)四者之间的相关系数
X
Y
Y hat
Y Y -hat
X 1 Y 1 Y hat 1 Y Y -hat
1
** Correlation is significant at the level (2-tailed).
（2）四个变量间的回归系数 因变量
自变量
截距 回归系数
t P Y
ˆ X
Y Y
ˆ Y
Y
Y ˆ- Y
Y ˆ- X
014 7
010 5
Y
ˆ与X 呈完全正相关关系，回归系数t 检验结果P =，表明Y ˆ的变异可由X 完全解释。
Y 与Y
ˆ的相关系数与Y 与X 的相关系数相同，表明正是由于X 的影响引起Y 的变异，Y 与Y
ˆ关系即体现了Y 与X 的变化关系。
Y 与Y
Y ˆ-体现了扣除X 的影响后，Y 与残差仍呈正相关关系。
Y
Y ˆ-与X 呈零相关关系，表明扣除了X 的影响，回归方程的残差与X 不再有相关或回归关系。
（张岩波 郝元涛）。