应用回归分析第2节详细答案Word版
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+第2章详细答案word资料7页
由⎪⎪⎩⎪⎪⎨⎧=β-β-=β∂∂=β-β-=β∂∂∑∑=β=β=β=βn1i i i 10i ˆ1n 1i i 10i ˆ00x )x ˆˆy (Q 0)x ˆˆy (Q 1100得⎪⎪⎩⎪⎪⎨⎧==-==-∑∑∑∑====n 1i n 1i i i i i i n 1i n1i i i i 0x e x )y ˆy (0e )y ˆy ( 2.4在),0(N ~2i σε的正态分布假定下，10,ββ的最小二乘估计与最大似然估计等价，求对数似然函数的极大值等价于对∑=β+β-n1i 2i 10i )]x (y [求极小值，至此与最小二乘估计原理完全相同2.52.6 2.7 2.8（1）22i2i 2i2i 2i2i2i i2i i xx 1xx 1r 12n r )y y ()y y ˆ(12n r )y y ()y yˆ()y y (2n r )y y ()yˆy (2n r )y ˆy (2n L ˆˆL ˆt --=----=-----=---=--β=σβ=∑∑∑∑∑∑∑∑（2）F )2n /(SSE 1/SSR SSE SSR )2n (SSTSSR 1SST SSR)2n (r 1r )2n (t 222=-=-=--=--= 2.92.11如果一个线性回归方程通过F 检验，只能说明x 与y 之间的线性关系是显著的，不能说明数据拟合得很好，决定系数r 2是一个回归直线与样本观测值拟合优度的相对指标。
2.12如果自变量观测值都乘以2，回归参数的最小二乘估计0ˆβ不变，1ˆβ变为原来的½； 如果自变量观测值都加上2，回归参数的最小二乘估计0ˆβ，1ˆβ都扩大两倍； 2.13不成立，相关系数与样本量n 有关，当n 较小时，相关系数的绝对值容易接近于1；当n 较大时，相关系数绝对值容易偏小。
2.14（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 x ˆˆy ˆ10β+β= 模型非标准化系数 标准系数 tSig.B标准 误差试用版1(常量)-1.0006.351-.157.885x7.0001.915.9043.656.035由系数分析表可知：7ˆ,1ˆ10=β-=β （4）模型汇总b模型RR 方调整 R 方标准 估计的误差1.904a.817 .756 6.05530a. 预测变量: (常量), x 。
《应用回归分析》课后题答案
《使用回归分析》部分课后习题答案第一章回归分析概述变量间统计关系和函数关系的区别是什么答：变量间的统计关系是指变量间具有密切关联而又不能由某一个或某一些变量唯一确定另外一个变量的关系，而变量间的函数关系是指由一个变量唯一确定另外一个变量的确定关系。
回归分析和相关分析的联系和区别是什么答：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和变量x的密切程度和研究变量x 和变量y的密切程度是一回事。
b.相关分析中所涉及的变量y和变量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。
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和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。
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….xp是非随机的，观测值…..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^2《3.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.回归变量的设置理论根据是什么在回归变量设置时应注意哪些问题答：理论判断某个变量应该作为解释变量，即便是不显著的，如果理论上无法判断那么可以采用统计方法来判断，解释变量和被解释变量存在统计关系。
应用回归分析-第2章课后习题参考答案
第二章 一元線性回歸分析思考與練習參考答案2.1 一元線性回歸有哪些基本假定?答： 假設1、解釋變數X 是確定性變數，Y 是隨機變數；假設2、隨機誤差項ε具有零均值、同方差和不序列相關性： 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 假設3、隨機誤差項ε與解釋變數X 之間不相關： Cov(X i , εi )=0 i=1,2, …,n假設4、ε服從零均值、同方差、零協方差の正態分佈 εi ~N(0, σ2 ) i=1,2, …,n 2.2 考慮過原點の線性回歸模型 Y i =β1X i +εi i=1,2, …,n誤差εi （i=1,2, …,n ）仍滿足基本假定。
求β1の最小二乘估計 解： 得：2.3 證明（2.27式），∑e i =0 ，∑e i X i =0 。
證明：∑∑+-=-=nii i ni X Y Y Y Q 121021))ˆˆ(()ˆ(ββ其中：即： ∑e i =0 ，∑e i X i =021112)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回歸方程E （Y ）=β0+β1X の參數β0，β1の最小二乘估計與最大似然估計在什麼條件下等價?給出證明。
答：由於εi ~N(0, σ2 ) i=1,2, …,n所以Y i =β0 + β1X i + εi ~N （β0+β1X i , σ2 ) 最大似然函數：使得Ln （L ）最大の0ˆβ，1ˆβ就是β0，β1の最大似然估計值。
同時發現使得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計の目標函數相同。
《应用回归分析》课后题答案解析
1.9 回归模型有那几个方面的应用？ 答：回归模型的应用方面主要有：经济变量的因素分析和进行经济预测。
1.5 回归变量的设置理论根据是什么？在回归变量设置时应注意哪些问题？ 答：理论判断某个变量应该作为解释变量，即便是不显著的，如果理论上无法判 断那么可以采用统计方法来判断，解释变量和被解释变量存在统计关系。应注意 的问题有：在选择变量时要注意与一些专门领域的专家合作，不要认为一个回归 模型所涉及的变量越多越好，回归变量的确定工作并不能一次完成，需要反复试 算，最终找出最合适的一些变量。
t /2
0
0
1 n
( x)2 Lxx
t
/
2
)
1
可得 1的置信度为95%的置信区间为（ 7.77,5.77）
n
( yi y)2
（6）x 与 y 的决定系数 r 2
i 1 n
490 / 600 0.817
3
精品文档
（5）由于 1
N
(1,
2 Lxx
)
t
1 1 2 / Lxx
(1
)
Lxx
服从自由度为 n-2 的 t 分布。因而
P
|
(
1
)
Lxx
|
t
/
2
(n
2)
1
也即： p(1 t /2
Lxx
1 1 t /2
) =1 Lxx
可得
1
《应用回归分析》课后题答案
、《应用回归分析》部分课后习题答案第一章回归分析概述1.1 变量间统计关系和函数关系的区别是什么？答：变量间的统计关系是指变量间具有密切关联而又不能由某一个或某一些变量唯一确定另外一个变量的关系，而变量间的函数关系是指由一个变量唯一确定另外一个变量的确定关系。
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.1.5 回归变量的设置理论根据是什么？在回归变量设置时应注意哪些问题？答：理论判断某个变量应该作为解释变量，即便是不显著的，如果理论上无法判断那么可以采用统计方法来判断，解释变量和被解释变量存在统计关系。
《应用回归分析》课后题标准答案
3
（5）由于 1
N
(1,
2 Lxx
)
t
1 1 2 / Lxx
(1
)
Lxx
服从自由度为 n-2 的 t 分布。因而
P
|
(
1
)
Lxx
|
t
/
2
(n
2)
1
也即： p(1 t /2
Lxx
1 1 t /2
) =1 Lxx
可得
ቤተ መጻሕፍቲ ባይዱ
1
的置信度为95%的置信区间为（7-2.353
1 3
33，7+2.353 1 3
1
第二章 一元线性回归
2.14 解答：（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 y 0 1 x
n
xi yi n x y
1=
i 1 n
7
xi2 n(x)2
i 1
0 y 1 x 20 7 3 1
可得回归方程为 y 1 7x
2
（4）
1 n-2
1.5 回归变量的设置理论根据是什么？在回归变量设置时应注意哪些问题？ 答：理论判断某个变量应该作为解释变量，即便是不显著的，如果理论上无法判 断那么可以采用统计方法来判断，解释变量和被解释变量存在统计关系。应注意 的问题有：在选择变量时要注意与一些专门领域的专家合作，不要认为一个回归 模型所涉及的变量越多越好，回归变量的确定工作并不能一次完成，需要反复试 算，最终找出最合适的一些变量。
t /2
0
0
1 n
( x)2 Lxx
t
/
2
)
1
可得 1的置信度为95%的置信区间为（ 7.77,5.77）
(完整word版)应用回归分析,第2章课后习题参考答案汇总(word文档良心出品)
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，丫是随机变量;假设2、随机误差项&具有零均值、同方差和不序列相关性:E( i)=0 i=1,2,…,n2Var (i)=, i=1,2, …,nCov( E £)=0 i 工j i,j= 1,2, …,nCov(X i, i )=0 i=1,2, …,n假设4、&服从零均值、同方差、零协方差的正态分布2i~N(0, ~)i=1,2,…,n2.2考虑过原点的线性回归模型Y i= 0X i+ i i=1,2,…,nn nQ e 八(Y i -Y?)2八(Y i -?i X i)2i』i=1得: f?=M羊Xi)X^0n' (X i Y i)i dn' (X i2)i =1i d2.3 证明(2.27 式)，工e i =0 ，工eXi=0。
n nQ=S：(丫-Y?)2=迟(Y i —(f?°+f?X i))2 证明： 1 1其中：丫?=児+叹e=Y-丫？即: I ^(A+AA；-l；) = 0|V^o+/?rVj-T；)A；= 0^e =0 ，乞eX i=0假设3、随机误差项&与解释变量X之间不相关:误差 $ (i=1,2,解：…)n仍满足基本假定。
求仪的最小二乘估计2.4回归方程E (Y ) = 00+ 3X 的参数①，妆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 £ 厂N(0, ~2)i=1,2,…,n所以 Y i =场 + 0X + £~N ( [3D + [3iX i , o 2) 最大似然函数：1 nL( 0, i ,；「2)=二爲 f i (Y i ) =(2=2)』/2exp{——2、 [Y i -( o i o ,X i )]2}2 ynLn{L( o , i ,二2)}= -：帕(2二2)-2、 M -( o i o ,X i )]222<r y使得Ln (L )最大的况,瞬就是肉，0的最大似然估计值。
- 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)。
2.3
由⎪⎪⎩⎪⎪⎨⎧=β-β-=β∂∂=β-β-=β∂∂∑∑=β=β=β=βn
1i i i 10i ˆ1
n 1i i 10i ˆ00x )x ˆˆy (Q 0)x ˆˆy (Q 1100得⎪⎪⎩⎪⎪⎨⎧==-==-∑∑∑∑====n 1i n 1i i i i i i n 1i n
1i i i i 0x e x )y ˆy (0e )y ˆy (
2.4
在),0(N ~2i σε的正态分布假定下，10,ββ的最小二乘估计与最大似然估计等价，求对数似然函数的极大值等价于对∑=β+β-n
1i 2i 10i )]x (y [求极小值，至此与最小二
乘估计原理完全相同
2.5
2.6
2n
1
i 2
i
2
1
2210])x x
()x (n 1[)ˆvar()x (n 1)x ˆy var()ˆvar(σ-+=β+σ=β-=β∑=
2.7
SSR SSE )y y ˆ)(y ˆy (2)y y ˆ()y ˆy ()y y ˆy
ˆy ()y y (SST n
1
i i i i n 1
i 2
i n 1
i 2
i i n 1
i 2
i i i n 1
i 2
i +=--+-+-=-+-=-=∑∑∑∑∑===== 2.8
（
1
）
2
2
i
2i 2
i
2
i 2
i
2
i
2
i i
2i i xx 1xx
1r 12n r )
y y ()y y ˆ(12n r )
y y ()y y
ˆ()y y (2
n r )
y y ()y
ˆy (2n r )y
ˆy (2n L ˆˆL ˆt --=
----=
-----=
---=
--β=σβ=∑∑
∑∑∑∑∑∑（2）F )2n /(SSE 1/SSR SSE SSR )2n (SST
SSR 1SST SSR
)
2n (r 1r )2n (t 22
2=-=-=-
-=
--= 2.9
2xx
i 2i
10L )x x (n 1)x ˆˆvar(σ-+σ=β+β xx
2
i 2xx i 2i i 2xx i i i i
2i 1i L )x x (n 1)L y )x x (,y cov(n 1)L y )x x ()x x (,y cov(n 1))x x (ˆy ,y cov(-+σ=-+σ=--+σ=-β+∑2xx 2
i 22
i
1i i 10i i i i n
11[L )x x (n 1))x x (ˆy ,y cov(2)x ˆˆvar()y var()y y var()e var(--=σ--σ-σ=-β+-β+β+=-=2.10
22xx
2
i
i 2i 2i 2i i 2)L )x x (1n (2n 1))e (E )e (var(2n 1)e (E 2n 1))y ˆy (2n 1(E )ˆ(E σ=σ----=--=-=--=σ∑∑ 2.11
2n F F )
2n /(SSE SSE SSR )2n /(SSE SSR )2n /(SSE SST )2n /(SSE SSR SST SSR r 2-+=-+-=--==
如果一个线性回归方程通过F 检验，只能说明x 与y 之间的线性关系是显著的，不能说明数据拟合得很好，决定系数r 2是一个回归直线与样本观测值拟合优度的相对指标。
2.12
如果自变量观测值都乘以2，回归参数的最小二乘估计0ˆβ不变，1ˆβ变为原来的½； 如果自变量观测值都加上2，回归参数的最小二乘估计0ˆβ，1ˆβ都扩大两倍；
2.13
不成立，相关系数与样本量n 有关，当n 较小时，相关系数的绝对值容易接近于
1；当n 较大时，相关系数绝对值容易偏小。
2.14
（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 x ˆˆy ˆ1
0β+β= 模型
非标准化系数
标准系数
t
Sig.
由系数分析表可知：7ˆ,1ˆ1
0=β-=β x 71y
ˆ+-=∴可得回归方程为 （4）
由上图可得
05530.6ˆ=σ
（5）
由上图可知
可得的置信区间为的置信度为%95ˆ1
β（0.906,13.094） 的置信区间为的置信度为%95ˆ0
β（-21.211,19.211） （6）
x 与y 的决定系数817.0R 2
=
（7）
由上表中看到，035.0sig ,364.13F ==,拒绝原假设，说明x 与y 有显著的线性关系
（8）
由上表可知，回归系数1β的显著性检验的P 值5.0035.0=α<=，从而拒绝原假
设，所以
显著。
1
（9）
相关性
y x Pearson 相关性
y
1.000 .904 x .904 1.000 Sig. （单侧）
y
. .018 x .018 . N
y
5 5 x
5
5
由上表可知，相关系数904.0r =，从而x 与y 有显著的线性关系。
（10）
从图上看，残差是围绕0=ε随机波动，从而模型的基本假定是满足的。
（11）当广告费为2.4x 0=万元时，销售收入4.28y 0=万元，置信度为
95%的置信区间
为σ±ˆ2y
ˆ，即)51.40,29.16(
2.15
（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 x ˆˆy ˆ1
0β+β= 模型
非标准化系数 标准系数 t
Sig.
B
标准 误差
试用版
1
(常量)
.118
.355
.333
.748
x
.004
.000
.949
8.509
.000
由系数分析表可知：0036.0ˆ,118.0ˆ1
0=β=β x 0036.0118.0y
ˆ+=∴可得回归方程为 （4）
模型汇总b
模型
R
R 方
调整 R 方 标准 估计的误
差
1
.949a
.900 .888 .48002
a. 预测变量: (常量), x 。
b. 因变量: y
由上图可得480.0ˆ=σ
（5）
由上图可知
可得的置信区间为的置信度为%95ˆ1
β（0.003,0.005） 的置信区间为的置信度为%95ˆ0
β（-0.701,0.937）
（6）
x 与y 的决定系数900.0R 2
=
（7）
由上表中看到，000.0sig ,396.72F ==,拒绝原假设，说明x 与y 有显著的线性关系
（8）
由上表可知，回归系数1β的显著性检验的P 值5.0000.0=α<=，从而拒绝原假设，所以1β显著。
（9）
由上表可知，相关系数949.0r =，从而x 与y 有显著的线性关系。
（10）
从图上看，残差是围绕0=ε随机波动，从而模型的基本假定是满足的。
（11）当新保单1000x 0=时，需要加班的时间为7.3y 0=小时
（12）置信度为95%的精确预测置信区间为2002/0h 1)2n (t y
ˆσ+-±α即)66.4,74.2( 置信度为95%的近似预测置信区间为σ±ˆ2y
ˆ，即)66.4,74.2( （13）置信度为95%的精确预测置信区间为2002/0h )2n (t y
ˆσ-±α即)07.4,33.3(
（注：可编辑下载，若有不当之处，请指正，谢谢!）。