《统计学》相关与回归分析
统计学第七章 相关与回归分析
（四）按变量之间的相关程度分为完全相关、不完全相 关和不相关。
二、相关关系的测定
（一）定性分析，相关表，相关图 判断现象间有无相关关系是一个定性认 识问题，单纯依靠数学方法是无法解决的。 因此，进行相关分析必须以定性分析为前 提，这就要求研究人员首先必须根据有关 经济理论，专业知识，实际经验和分析研 究能力等。对被研究现象在性质上作出定 性判断。 相关表是将相关变量的观察资料，按照 其对应关系和一定顺序排列而成的表格。
Se
y
2
a y b xy n2
(7－ 12)
这个公式可以直接利用前面计算回归系 数和相关系数的现成资料。以表7－1的资 料计算如下：
Se y 2 a y b xy n2 56615-30.3 731-28.36 1213 10 2 65.02 8 2.85 (万件）
2
或
y- y R＝ 1－ 2 y y
ˆ 式中，y 为y的多元线性趋势值或回归估计值。
若变量间呈曲线（非直线）相关，则应
计算相关指数来测定变量间相关的密切程度。
ˆ y y y y
2 2
Ryx
( 7－7）
R
ˆ y y
由表7－4资料计算相关系数如下：
r
n xy x y n x x
2 2
n y y
2 2
2
10 1213－15.1 731
2
10 26.25－15.1 10 56615－731 1091.9 1091.9 38.49 31789 6.2 178.3 1091.9 0.988 1105.5
统计学中的相关性和回归分析
统计学中的相关性和回归分析统计学中，相关性和回归分析是两个重要的概念和方法。
它们旨在揭示变量之间的关系，并可以用来预测和解释观察结果。
本文将介绍相关性和回归分析的基本原理、应用及其在实践中的意义。
一、相关性分析相关性是指一组变量之间的关联程度。
相关性分析可以帮助我们理解变量之间的关系，以及这种关系的强度和方向。
常用的相关性指标有皮尔逊相关系数、斯皮尔曼相关系数和判定系数等。
皮尔逊相关系数是最常见的衡量变量之间线性关系的指标。
它的取值范围在-1到1之间，其中-1表示完全负相关，1表示完全正相关，0表示无相关。
例如，在研究身高和体重之间的关系时，如果相关系数为0.8，则说明身高和体重呈现较强的正相关。
斯皮尔曼相关系数则不要求变量呈现线性关系，而是通过对变量的序列进行排序，从而找到它们之间的关联程度。
它的取值也在-1到1之间，含义与皮尔逊相关系数类似。
判定系数是用于衡量回归模型的拟合程度的指标。
它表示被解释变量的方差中可由回归模型解释的部分所占的比例。
判定系数的取值范围在0到1之间，越接近1表示模型对数据的拟合越好。
二、回归分析回归分析是一种用于建立变量之间关系的统计方法。
它通过建立一个数学模型来解释和预测依赖变量和自变量之间的关系。
回归模型可以是线性的，也可以是非线性的。
线性回归是最常见的回归分析方法之一。
它假设自变量和因变量之间存在着线性关系，并通过最小二乘法来估计模型中的参数。
线性回归模型通常表示为y = β0 + β1x1 + β2x2 + ... + βnxn，其中y为因变量，x1、x2等为自变量，β0、β1等为模型的参数。
非线性回归则适用于自变量和因变量之间存在非线性关系的情况。
非线性回归模型可以是多项式回归、指数回归、对数回归等。
回归分析在实践中有广泛的应用。
例如，在市场营销中，回归分析可以用来预测销售量与广告投入之间的关系；在医学研究中，回归分析可以用来探究疾病发展与遗传因素之间的联系。
统计学原理 相关与回归分析
粮食产量y 随机的
降雨量
土质
种子 耕作技术
X3
X4 X5
可 控 的
（二）相关的种类
完全相关 函数关系是相关关系的一种特例。 不完全相关 相关分析的基本内容
度相 关 密 切 程
y 完全由x的数值唯一确定，函数关系。
不相关
相 关 的 性 质
x、y值变化各自独立，变量间没有相关
关系
正相关 x 负相关
y
x
x2 26896 28900 31329 24336 25600 27556
y2
62540 73695 420857
70225 83521 463382
55696 65025 382469
合计
2114
从表上可以看出，随着个人收入的增加，消 费支出有明显的增长趋势，二者存在一定的依存 关系。正相关关系。 2、相关图（散点图） 直角坐标系第一象限
1、相关表
单变量分组相关表
分组相关表
双变量分组相关表
先做定性分析——相关资料排序——列在一张表上
个人收入x 164 170 177 182 192 207 225 243 265 289
消费支出y 156 160 166 170 178 188 202 218 236 255 1929
xy 25584 27200 29382
yc = 25.32 + 0.7927 300 = 263.13万元
（三）估计标准误差Syx P197
Syx = Syx =
=
(y - yc) 2 n-2 y2 - a y -b xy n-2
382469 -25.32 1929 -0.7927 420857
10 - 2
统计学 相关与回归分析.
2019年4月30日/上午2时57分
《统计学教程》
第9章 相关与回归分析
9.2 一元线性回归
《统计学教程》
第9章 相关与回归分析
9.2 一元线性回归
9.2.1一元线性回归模型
1．理论模型
从回归模型的一般形式，式（9.2）出发，一元线性回归模型可以表
述为
9.2.3 一元线性回归方程的拟合优度
9.2.4 一元线性回归方程的显著性检验
9.2.5 运用一元线性回归方程进行估计
9.3 多元线性回归
9.3.1 多元线性回归模型
9.3.2 多元线性回归方程的最小二乘估计
9.3.3 多元线性回归方程的拟合优度
2019年4月30日/上午2时57分
《统计学教程》
第9章 相关与回归分析
借助散点图还可以概略地区分和识别变量之间的非线性相关的具体类 型，为回归分析确定回归方程的具体形式提供依据，这也是散点图的重 要功能。例如，通过散点图展示的图形特征，初步地分辨出相关关系是 直线，还是二次曲线、三次曲线、指数曲线、对数曲线、S曲线等。所 以，散点图不仅是相关分析，也是回归分析中经常使用的最简便的基本 分析工具。
相关系数的正负取值取决于Lxy的正负。
并且，当相关系数的绝对值越是趋近于1，表明变量和变量的相关程 度越高，称之为强相关；反之，当相关系数的绝对值越是趋近于0，表 明变量和变量的相关程度越低，称之为弱相关。
2019年4月30日/上午2时57分
《统计学教程》
第9章 相关与回归分析
9.1 相关关系
例9.2 根据例9.1的表9.1中的数据。 表9.1某证券市场价格指数与A证券价格
1800
7统计学相关分析与回归分析
n n yi nb0 b1 xi i 1 i 1 n n n x y b x b x2 i i 0 i 1 i i 1 i 1 i 1
n n n n xi yi xi yi i 1 i 1 i 1 b 1 n n 2 2 n xi ( xi ) i 1 i 1 30 b0 y b1 x
回归分析：应用相关关系进行预测。
相关关系的识别
散点图 相关系数
10
相关系数
相关系数是对变量之间关系密切程度的度量。 对两个变量之间线性相关程度的度量称为简 单相关系数。 若相关系数是根据总体的全部数据计算的， 称为总体相关系数，记为ρ
若是根据样本数据计算的，则称为样本相关
系数，记为 r
8
相关分析的主要内容
确定现象之间有无相关关系，以及相关关系 的表现形态； 确定相关关系的密切程度（相关系数）； 确定相关关系的数字模型，并进行参数估计 和假设检验；
回归预测，并分析估计标准误差。
9
相关与回归
相关与回归紧密联系。 相关分析：
发现变量之间是否存在相关性，
以及相关的强度和相关的方向。
1
n
1
n
10
10
ˆ b0 b1 x 117 9.74 x y
39
7 相关分析与回归分析
相关分析
回归分析
一元线性回归分析
1
相关分析的概念
社会经济现象中，一些现象与另一些现象之间往 往存在着依存关系，当我们用变量来反映这些现 象的的特征时，便表现为变量之间的依存关系。
统计学 第 七 章 相关与回归分析
（一）回归分析与相关分析的关系
回归分析与相关分析是研究现象 之间相互关系的两种基本方法。
区别：
1、相关分析研究两个变量之间相关的 方向和相关的密切程度。但是相关分析不 能指出两变量相互关系的具体形式，也无 法从一个变量的变化来推测另一个变量的 变化关系。
2、按研究变量多少分为单相关和 复相关
单相关即一元相关，亦称简单相 关，是指一个因变量与一个自变量 之间的依存关系。复相关又称多元 相关，是指一个因变量与两个或两 个以上自变量之间的复杂依存关系。
3、按相关形式分为线性相关和非 线性相关
从相关图上观察：观察的样本点的 分布近似表现为直线形式，即观察点近 似地分布于一直线的两边，则称此种相 关为直线相关或线性相关。如果这些样 本点近似地表现为一条曲线，则称这种 相关为曲线相关或非线性相关(curved relationship).
不确定性的统计关系 —相关关系
Y= f（X）+ε (ε为随机变量)
在这种关系中，变量之间的关系值 是随机的，当一个（或几个）变量的值 确定以后，另一变量的值虽然与它（们） 有关，但却不能完全确定。然而，它们
之间又遵循一定的统计规律。
相关关系的例子
▪ 商品的消费量(y)与居民收入(x)
之间的关系
▪ 商品销售额(y)与广告费支出(x)
▲相关系数只反映变量间的线性相关程度，不 能说明非线性相关关系。
▲相关系数不能确定变量的因果关系，也不能 说明相关关系具体接近于哪条直线。
例题1: 经验表明：商场利润额与 其销售额之间存在相关关系。下表为 某市12家百货公司的销售额与利润额 统计表，试计算其相关系数。
《统计学》-第七章-相关与回归分析
第七章 相关与回归分析（一）填空题1、相关关系按其相关的程度不同，可分为 、 和 。
2、相关系数的正负表示相关关系的方向，r 为正值，两变量是 ；r 为负数，两变量是 。
3、r=0，说明两个变量之间 ；r=+1，说明两个变量之间 ；r=-1说明两个变量之间 。
4、一元线性回归方程bx a y+=ˆ 中的参数a 代表 ，数学上称为 ；b 代表 ，数学上称为 。
5、 分析要根据研究的目的确定哪一个为自变量，哪一个为因变量，在这一点与 分析时不同。
6、相关关系按方向不同，可分为 和 。
7、完全线性相关的相关系数r 值等于 。
8、计算回归方程要注意资料中因变量是 的，自变量是 的。
9、回归方程只能用于由 推算 。
（二）单项选择题（在每小题备选答案中，选出一个正确答案）1、相关分析研究的是( )A. 变量之间关系的密切程度B. 变量之间的因果关系C. 变量之间严格的相互依存关系D. 变量之间的线性关系2、相关关系是（ ）A 、现象间客观存在的依存关系B 、现象间的一种非确定性的数量关系C 、现象间的一种确定性的数量关系D 、现象间存在的函数关系3、下列情形中称为正相关的是( )A. 随着一个变量的增加，另一个变量也增加B. 随着一个变量的减少，另一个变量增加C. 随着一个变量的增加，另一个变量减少D. 两个变量无关4、当自变量x 的值增加，因变量y 的值也随之增加，两变量之间存在着（ ）A 、曲线相关B 、正相关C 、负相关D 、无相关5、相关系数r 的取值范围是( )A. B.C. 6、当自变量x 的值增加，因变量y 的值也随之减少，两变量之间存在着（ ）A 、曲线相关B 、正相关C 、负相关D 、无相关7、相关系数等于零表明两变量( )A. 是严格的函数关系B. 不存在相关关系C. 不存在线性相关关系D. 存在曲线相关关系8、相关系数r 的取值范围是（ ）A 、从0到1B 、从-1到0C 、从-1到1D 、无范围限制11<<-r 10≤≤r 11≤≤-r9、相关分析对资料的要求是( )A. 两变量均为随机的B. 两变量均不是随机的C. 自变量是随机的，因变量不是随机的D. 自变量不是随机的，因变量是随机的10、相关分析与回归分析相比，对变量的性质要求是不同的，回归分析中要求（ ）A 、自变量是给定的，因变量是随机的B 、两个变量都是随机的C 、两个变量都是非随机的D 、因变量是给定的，自变量是随机的11、回归方程 中的回归系数b说明自变量变动一个单位时，因变量( )A. 变动b个单位 B. 平均变动b 个单位C.变动a+b 个单位 D. 变动a 个单位12、一般来说，当居民收入减少时，居民储蓄存款也会相应减少，二者之间的关系是（ ）A 、负相关B 、正相关C 、零相关D 曲线相关13、回归系数与相关系数的符号是一致的，其符号均可判断现象( )A. 线性相关还是非线性相关B. 正相关还是负相关C. 完全相关还是不完全相关D. 简单相关还是复相关14、配合回归方程比较合理的方法是（ ）A 、移动平均法B 、半数平均法C 、散点法D 、最小平方法15、在相关分析中不能把两个变量区分为确定性的自变量和随机性的因变量，在回归分析中( )A. 也不能区分自变量和因变量B. 必须区分自变量和因变量C. 能区分，但不重要D. 可以区分，也可以不区分16、价格愈低，商品需求量愈大，这两者之间的关系是（ ）A 、复相关B 、不相关C 、正相关D 、负相关17、按最小平方法估计回归方程 中参数的实质是使( )A. B. C. D. 18、判断现象之间相关关系密切程度的方法是（ ）A 、作定性分析B 、制作相关图C 、计算相关系数D 、计算回归系数19、在线性相关条件下，自变量的标准差为2，因变量的标准差为5，而相关系数为0.8，其回归系数为( )A. 8B. 12.5C. 0.32D. 2.020、已知某产品产量与生产成本有直线关系，在这条直线上，当产量为1000件时，其生产成本为50000元，其中不随产量变化的成本为12000元，则成本总额对产量的回归方程是（ ）A 、Y=12000+38XB 、Y=50000+12000XC 、Y=38000+12XD 、Y=12000+50000Xbx a y +=ˆbx a y +=ˆ∑=-最小值2)ˆ(y y21、已知，则相关系数为()A.不能计算 22、相关图又称（ ）A 、散布表B 、折线图C 、散点图D 、曲线图23、工人的出勤率与产品合格率之间的相关系数如果等于0.85，可以断定两者是（ ）A 、显著相关B 、高度相关C 、正相关D 、负相关24、相关分析与回归分析的一个重要区别是（ ）A 、前者研究变量之间的关系程度，后者研究变量间的变动关系，并用方程式表示B 、前者研究变量之间的变动关系，后者研究变量间的密切程度C 、两者都研究变量间的变动关系D 、两者都不研究变量间的变动关系25、当所有观测值都落在回归直线上，则这两个变量之间的相关系数为（ ）A 、1B 、-1C 、+1或-1D 、大于-1，小于+126、一元线性回归方程y=a+bx 中，b 表示（ ）A 、自变量x 每增加一个单位，因变量y 增加的数量B 、自变量x 每增加一个单位，因变量y 平均增加或减少的数量C 、自变量x 每减少一个单位，因变量y 减少的数量D 、自变量x 每减少一个单位，因变量y 增加的数量（三）多项选择题（在每小题备选答案中，至少有两个答案是正确的）1、直线回归方程 中，两个变量x 和y ( )A. 前一个是自变量 ，后一个是因变量B. 两个变量都是随机变量C. 两个都是给定的量D. 前一个是给定的量 ，后一个是随机变量E. 前一个随机变量 ，后一个是给定的量2、相关分析（ ）A 、分析对象是相关关系B 、分析方法是配合回归方程C 、分析方法主要是绘制相关图和计算相关系数D 、分析目的是确定自变量和因变量E 、分析目的是判断现象之间相关的密切程度，并配合相应的回归方程以便进行推算和预测3、相关分析的特点有 ( )A. 两个变量是对等的关系B. 它只反映自变量和因变量的关系C. 可以计算出两个相关系数D. 相关系数的符号都是正的E. 相关的两个变量必须都是随机的4、下列现象中存在相关关系的有（ ）A 、职工家庭收入不断增长，消费支出也相应增长B 、产量大幅度增加，单位成本相应下降C 、税率一定，纳税额随销售收入增加而增加D 、商品价格一定，销售额随销量增加而增加E 、农作物收获率随着耕作深度的加深而提高bx a y +=ˆ5、相关关系与函数关系的区别在于( )A. 相关关系是变量间存在相互存在依存关系，而且函数关系是因果关系B. 相关关系的变量间是确定不变的，而函数关系值是变化的C. 相关关系是模糊的，函数关系是确定的D. 两种关系没有区别6、商品流通费用率与商品销售额之间的关系是（ ）A 、相关关系B 、函数关系C 、正相关D 、负相关E 、单相关7、为了揭示变量x 与y 之间的相互关系，可运用( )A. 相关表B. 回归方程C.相关系数D. 散点图8、相关系数（ ）A 、是测定两个变量间有无相关关系的指标B 、是在线性相关条件下测定两个变量间相关关系密切程度的指标C 、也能表明变量之间相关的方向D 、其数值大小决定有无必要配合回归方程E 、与回归系数密切相关9、可以借助回归系数来确定( )A. 两变量之间的数量因果关系B. 两变量之间的相关方向C. 两变量之间的相关的密切程度D.10、直线回归方程（ ）A、建立前提条件是现象之间具有较密切的直线相关关系B 、关键在于确定方程中的参数a 和bC 、表明两个相关变量间的数量变动关系D 、可用来根据自变量值推算因变量值，并可进行回归预测E 、回归系数b=0时，相关系数r=011、可用来判断现象相关方向的指标有( )A. 相关系数B. 回归系数C. 回归参数aD. 协方差E. 估计标准误差 12、某种产品的单位成本y （元）与工人劳动生产率x （件/人）之间的回归直线方程Y=50-0.5X ，则（ ）A 、0.5为回归系数B 、50为回归直线的起点值C 、表明工人劳动生产率每增加1件/人，单位成本平均提高0.5元D 、表明工人劳动生产率每增加1件/人，单位成本平均下降0.5元E 、表明工人劳动生产率每减少1件/人，单位成本平均提高50元13、对于回归系数，下列说法中正确的有( )A. b 是回归直线的斜率B. b 的绝对值介于0-1之间C. bD. bE. b 满足方程组y S ⎪⎩⎪⎨⎧+=+=∑∑∑∑∑2xb x a xy x b na y14、相关关系的特点是（）A、现象之间确实存在数量上的依存关系B、现象之间不确定存在数量上的依存关系C、现象之间的数量依存关系值是不确定的D、现象之间的数量依存关系值是确定的E、现象之间不存在数量上的依存关系15、回归方程可用于( )A. 根据自变量预测因变量B. 给定因变量推算自变量C. 给定自变量推算因变量D. 推算时间数列中缺失的数据E. 用于控制因变量16、建立一元线性回归方程是为了（）A、说明变量之间的数量变动关系B、通过给定自变量数值来估计因变量的可能值C、确定两个变量间的相关程度D、用两个变量相互推算E、用给定的因变量数值推算自变量的可能值17、在直线回归方程中，两个变量x和y（）A、一个是自变量，一个是因变量B、一个是给定的变量，一个是随机变量C、两个都是随机变量D、两个都是给定的变量E、两个是相关的变量18、在直线回归方程中（）A、在两个变量中须确定自变量和因变量B、回归系数只能取正值C、回归系数和相关系数的符号是一致的D、要求两个变量都是随机的E、要求因变量是随机的，而自变量是给定的19、现象间的相关关系按相关形式分为（）A、正相关B、负相关C、直线相关D、曲线相关E、不相关20、配合一元线性回归方程须具备下列前提条件（）A、现象间确实存在数量上的相互依存关系B、现象间的关系是直线关系，这种直线关系可用散点图来表示C、具备一组自变量与因变量的对应资料，且能明确哪个是自变量，哪个是因变量D、两个变量之间不是对等关系E、自变量是随机的，因变量是给定的值21、由直线回归方程y=a+bx所推算出来的y值（）A、是一组估计值B、是一组平均值C、是一个等差级数D、可能等于实际值E、与实际值的离差平方和等于0（四）是非题1、判断现象之间是否存在相关关系必须计算相关系数。
统计学中的相关系数与回归分析
统计学中的相关系数与回归分析统计学是一门研究数据收集、分析和解释的学科，其中包括相关系数和回归分析这两个重要的概念。
相关系数和回归分析都是用于了解变量之间的关系以及预测未来趋势的工具。
本文将介绍相关系数和回归分析的基本概念、计算方法和应用场景。
一、相关系数相关系数衡量了两个变量之间的相关程度。
它反映了两个变量的线性关系强度和方向。
常见的相关系数有皮尔逊相关系数（Pearson correlation coefficient）、斯皮尔曼等级相关系数（Spearman's rank correlation coefficient）和切比雪夫距离（Chebyshev distance）等。
皮尔逊相关系数是最常用的相关系数之一。
它通过计算两个变量之间的协方差除以它们各自的标准差的乘积来衡量它们的线性关系。
皮尔逊相关系数的取值范围在-1到1之间，其中1表示完全正相关，-1表示完全负相关，0表示没有线性关系。
通过计算相关系数，我们可以判断变量之间的关系以及预测一个变量的变化情况受到其他变量的程度。
斯皮尔曼等级相关系数是一种非参数相关系数，它不要求变量服从特定的分布。
它通过将原始数据转化为等级来计算变量之间的关系。
斯皮尔曼等级相关系数的取值范围也在-1到1之间，其含义与皮尔逊相关系数类似。
切比雪夫距离是一种度量两个变量之间差异的方法，它不仅考虑了线性关系，还考虑了其他类型的关系，如非线性关系。
切比雪夫距离通常用于分类问题和模式识别领域。
二、回归分析回归分析是一种用于建立因变量和自变量之间关系的统计方法。
它通过寻找最合适的拟合曲线来描述变量之间的函数关系，并用此拟合曲线来预测未来的结果。
简单线性回归是回归分析的一种基本形式，它适用于只有一个自变量和一个因变量的情况。
简单线性回归可以用一条直线来描述变量之间的关系，其中直线的斜率表示了自变量对因变量的影响程度。
多元线性回归是回归分析的一种扩展形式。
它适用于多个自变量和一个因变量的情况。
- 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)。
第九章 相关与回归分析
1．从某一行业中随机抽取12家企业，所得产量与其单位成本数据如下：
企业编号 产量（台） 单位成本（台/元） 企业编号 产量（台） 单位成本（台/元）
1 40 185 7 84 156
2 42 175 8 100 142
3 50 172 9 116 140
4 5
5 170 10 125 135 5 65 169 11 130 130 6
78
164
12
140
124
（1）绘制产量与单位成本的散点图，判断二者之间的关系形态。
关系形态：线性负相关
（2）计算产量与单位成本之间的线性相关系数，并对相关系数的显著性进行检验（05.0=α），说明二者之间的关系强度。
设产量为x 台，单位成本y 台/元，由Excel 的回归分析工具计算得
线性相关系数R=0.987244 检验统计量t=19.608669 t α/2(n-2)= 2.228138852 t> t α/2(n-2)，说明相关系数是显著的。
关系强度为高度线性相关。
（3）以产量为自变量，单位成本为因变量，拟合直线回归方程，并对方程和系数进行显著性检验。
由Excel 的回归分析工具计算得 y = -0.5524x + 202.35 R² = 0.9747 检验统计量t=19.608669 t α/2(n-2)= 2.228138852 t> t α/2(n-2)，说明回归方程和相关系数是显著的。
2．下面是某年7个地区的人均GDP 和人均消费水平的统计数据：
地区 人均GDP （元）X 人均消费水平（元）
Y
1 22460 7326
2 11226 4490
3 34547 11546
4 4851 2396
5 5444 2208
6 2662 1608 7
4549
2035
（1）画出相关图，并判断人均GDP 与人均消费水平之间对相关方向；
线性正相关
（2）计算相关系数，指出人均GDP 与人均消费水平之间的相关方向和相关程度；
（3）以人均GDP 为自变量，人均消费水平作因变量，拟合直线回归方程；
（4）计算估计标准误差
yx
S ；
（5）对回归系数进行检验(显著性水平取0.05)；
（6）在95%的概率保证下，求当人均GDP 为5000元时，人均消费水平的置信区间。
3．经过研究，发现家庭书刊消费水平受家庭收入及户主受教育年数的影响。
现对某地区的家庭进行抽样调查，得到样本数据如下表所示，其中y表示家庭书刊消费水平（元/年），x表示家庭收入（元/月），T表示户主受教育年数。
（1）以y为因变量，x与T为自变量建立多元线性回归方程。
（2）对回归模型显著性检验。
（3）对回归系数进行显著性检验。
4．ex9_4中存放着在20家药品生产企业年销售收入与广告费用支出的数据。
(1) 计算销售收入和广告费用间的Pearson 相关系数r 为( ) A. 0.8661 B. 0.9306 C. 0.8587 D. -0.9306
(2) 由第(1)题计算的Pearson 相关系数判断两者间的相关程度和相关方向为( ) A. 高度负相关 B. 中度负相关 C. 高度正相关 D. 中度正相关
(3) 假如要建立销售收入(因变量)对广告费用(自变量)的线性回归模型,求得其经验回归直线为( )
A. x y 13.555.274ˆ-=
B. x y 13.555.274ˆ+-=
C. x y 13.555.274ˆ--=
D. x y 13.555.274ˆ+=
(4) 检验回归系数是否为0即
:10=βH , 则( ) (显著性水平05.0=α)
A. 7887.01=t , 回归系数01=β
B. 7887.10=t , 回归系数01≠β
C. 91074.2-⨯=t , 回归系数01=β
D. 91074.2-⨯=t , 回归系数01≠β
（5）该线性回归模型的可决系数为( )
A. 0.9306
B. 0.8661
C. 0.8586
D. 0.4150
5．ex9_5保存了某地区16个林业局的年木材采伐量和相应伐木剩余物数据。
（1）假如要建立伐木剩余物(因变量)对年木材采伐量(自变量)的线性回归模型,求得其经验回归直线为（ ）
A. x y 4043.07629.0ˆ--=
B. x y 4043.07629.0ˆ+=
C. x y 4043.07629.0ˆ+-=
D. x y 4043.07629.0ˆ-=
（2）该线性回归方程的估计标准误差是（ ） A ．2.0363 B. 1.2210 C 0.0333 D.58.0523
（3）伐木剩余物变差中有（ ）是由于年木材采伐量变动引起的。
A. 58.0523 B. 608.3742 C. 666.4265 D.146.7166
（4）该线性回归方程的判定系数是（ ）
A ．-0.6249 B.12.1127 C. 146.7166 D.0.9128
（5）检验回归方程的显著性。
（ ） A. 1127.12=t , 回归方程显著； B. 1127.12=t , 回归方程不显著； C ．7166.146=F ，回归方程显著； D. 7166.146=F ，回归方程不显著
6．ex9_6中保存了美国机动车汽油消费量（QMG ）及相关指标数据：汽车保有量（MOB ）、机动车汽油零售价格（PMG ）、国民生产总值（GNP ）。
（1）以美国机动车汽油消费量为因变量，其余变量为自变量，建立回归模型为：（ ） A ．GNP PMG MOB QMG 66.3010657.2723548636.142.17025279-++= B ．GNP PMG MOB QMG 66.3010657.2723548636.142.17025279+++= C ．GNP PMG MOB QMG 66.3010657.2723548636.142.17025279--+= D ．GNP PMG MOB QMG 66.3010657.2723548636.142.17025279--+-=
（2）在评价上述模型的拟合优度时，通常采用的统计量及值为（ ） A ．判定系数，0.9669 B. 判定系数，0.9639
C. 修正的判定系数，0.9669
D. 修正的判定系数，0.9639
（3）该回归方程的估计标准误差是（ ）
A ．4362677.69 B.2361434.87 C.0.19 D.9321.72
（4）对整个回归模型的显著性进行检验(显著性水平05.0=α)，则（ ） A. 根据F 统计量判断，结论是拒绝原假设，回归方程不显著 B. 根据F 统计量判断，结论是拒绝原假设，回归方程显著 C ．根据t 统计量判断，结论是拒绝原假设，回归方程不显著 D. 根据t 统计量判断，结论是拒绝原假设，回归方程显著
（5）对自变量MOB 的回归系数进行检验(显著性水平05.0=α)，则（ ）。
A ．F=330.6453，回归系数显著 B. 9669.02
=R ,回归系数显著 C ．36.1=β，回归系数显著 D. t=7.03, 回归系数显著。