应用回归分析_整理课后习题参考答案..docVIP

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)=s2 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(Xi, 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, s2 ) i=1,2, …,n Yi=β1Xi+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），Sei =0 ，SeiXi=0 。 证明： 其中： 即： Sei =0 ，SeiXi=0 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, s2 ) i=1,2, …,n 所以Yi=β0 + β1Xi + εi~N（β0+β1Xi , s2 ) 最大似然函数： 使得Ln（L）最大的，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, s2 )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, s2 ) 的条件下， 参数β0，β1的最小二乘估计与最大似然估计等价。 2.5 证明是β0的无偏估计。 证明： 2.6 证明 证明： 2.7 证明平方和分解公式：SST=SSE+SSR 证明： 2.8 验证三种检验的关系，即验证： （1）；（2） 证明：（1） （2） 2.9 验证（2.63）式： 证明： 其中： 2.10 用第9题证明是s2的无偏估计量 证明： 2.14 为了调查某广告对销售收入的影响，某商店记录了5个月的销售收入y（万元）和广告费用x（万元），数据见表2.6，要求用手工计算： 表2.6 月份 1 2 3 4 5 X 1 2 3 4 5 Y 10 10 20 20 40 画散点图（略） X与Y是否大致呈线性关系？ 答：从散点图看，X与Y大致呈线性关系。 用最小二乘法估计求出回归方程。 计算表 X Y 1 10 4 100 20 6 （-14）2 （-4）2 2 10 1 100 10 13 （-7）2 （3）2 3 20 0 0 0 20 0 0 4 20 1 0 0 27 72 72 5 40 4 400 40 34 142 （-6）2 和15 100 和Lxx=10 Lyy=600 和Lxy=70 和100 SSR=490 SSE=110 均3 均20 均20 回归方程为： 求回归标准误差 先求SSR（Qe）见计算表。 所以 第三章 3.3证明 随机误差项ε的方差s2的无偏估计。 证明: 3.4 一个回归方程的复相关系数R=0.99，样本决定系数R2=0.9801，我们能判断这个回归方程就很理想吗？ 答：不能断定这个回归方程理想。因为： 在样本容量较少，变量个数较大时，决定系数的值容易接近1，而此时可能F检验或者关于回归系数的t检验，所建立的回归方程都没能通过。 样本决定系数和复相关系数接近于1只能说明Y与自变量X1,X2,…,Xp整体上的线性关系成立，而不能判断回归方程和每个自变量是显著的，还需进行F检验和t检验。 在应用过程中发现，在样本容量一定的情况下，如果在模型中增加解释变量必定使得自由度减少，使得 R2往往增大，因此增加解释变量（尤其是不显著的解释变量）个数引起的R2的增大与拟合好坏无关。 3.7 验证 证明：多元线性回归方程模型的一般形式为： 其经验回归方程式为， 又， 故， 中心化后，则有， 左右同时除以， 令， 样本数据标准化的公式为 ， 则上式可以记为 则有 3.11 研究货运总量y（万吨）与工业总产值x1（亿元）、农业总产值x2（亿元）、居民非商品支出x3（亿元）的关系。数据见表3.9（略）。 （1）计算出y，x1，x2，x3的相关系数矩阵。 SPSS输出如下： 则相关系数矩阵为： （2）求出y与x1，