何晓群版应用回归考型探索.docVIP

一元，多元线形回归分析： 一. 请分别叙述变量间统计关系与函数关系的区别，以及相关分析与回归分析的联系与区别。 答：各自然现象或社会现象之间普遍存在着各种联系，根据这些联系的紧密程度不同，可将之分为函数关系与统计关系。 一种情况下某变量Y能被其余的一类变量完全决定，这时两者之间存在着完全的确定性关系，这种关系可以通过一个函数 表示。这样的确定性关系被称为函数关系。 另一种情况下变量之间虽然存在紧密的联系，但并不能互相唯一确定，这种非确定性的紧密联系被称为统计关系。 相关分析与回归分析都是研究两边统计关系的方法，在实际问题的处理中往往结合使用两者。两者的区别主要在于：1.目标不同：相关分析主要用于刻画X,Y两变量间的联系的密切程度，而回归分析除此之外，还关心对未观察Y值的预测与控制。2.角度不同：相关分析中X，Y两变量地位相同，因此假设两者都是随机变量；而回归分析中只将变量Y作为主要研究对象，因而往往假设Y是随机变量，而X是非随机变量。 二. 请叙述（一元）多元线性回归模型及其基本假设 答：1.一元线性模型的基本形式是： ，其中称为回归系数，称为随机误差。 其基本假设为： G-M假设： 或者更强的正态性假设： 独立同分布， 。 2.多元线性模型的基本假设是： 称为回归系数阵，称为随机误差. 其基本假设为： a. G-M假设： 或者更强的正态性假设： 独立同分布， 。 b.rank(X)=p+1n 三． 请叙述最小二乘法（最大似然法）的基本思路、理论基础与性质，并对两者作比较。 答： 最小二乘法的基本思路是通过最小化残差平方和 求得回归系数的估计值。其理论基础是函数极值理论。 2．最大似然法的基本思路是最大化似然函数 求得回归系数的估计值。其理论基础是函数极值理论。 3.两者对的估计结论是一致的，且结果均具有线性，无偏性，稳定性（在G-M假设下是最小方差线性无偏估计，在正态性假设下是最小方差无偏估计，具体参见问题四）。 4.相对来说，使用最大似然法需要的假设较强，需要正态性假设，而最小二乘法本身不需要任何假设。但是，最大似然法可以得到的估计，而最小二乘法不行。 四. 假设通过最小二乘估计得到回归方程 的估计，请叙述估计量以及残差的定义及其性质。 答：1.估计量具有线性，无偏性，稳定性，即： a. 是y的线性变换 b. 是无偏的。 c．在G-M假设下是最小方差线性无偏估计，在正态性假设下是最小方差无偏估计。。 残差，它具有以下性质 a. b. ，即 c. d. ,且正态性假设下两者独立 e．服从自由度为n-p-1的开方分布，即 五、叙述多元线性回归中常见的显著性检验方法及其关系。 答：常见的显著性检验方法有t检验，F检验，偏F检验三种。假设检验水平为。 1.F检验 检验统计量： 判断法则：时拒绝原假设。 2.t检验 检验统计量： 判断法则：时拒绝原假设。 3.偏F检验 检验统计量： 判断法则：时拒绝原假设。 4.三者的关系。 t检验与偏F检验等价，F检验与另两者不同（实质上是另两者的前提），通常先做F检验，再做t检验或偏F检验。 六、给出一元回归模型估计值的点估计与区间估计（置信度） 答：1.在未观测点处，y的点估计为。 2.在未观测点处，的区间估计为（预测区间） n相当大时(n15),可以简化为。 3. 在未观测点处，的区间估计为（置信区间） 。 给定置信上界与置信下界时，的取值范围为 七.叙述样本数据与回归系数标准化的意义与方法 答：多元线性回归模型中，由于自变量的数量级差异较大，因而舍入误差将对估计的精度造成较大的影响；同时自变量的单位不同也会造成回归方程的解释比较困难，因而通常需要对样本数据进行预处理，即数据的标准化。 数据的标准化通常这样进行： 利用标准化样本数据的得到的回归方程系数称为标准化回归系数，其满足: . 八.给出偏决定系数、偏相关系数的定