多元回归概览.docx

Chapter12 PAGE \* MERGEFORMAT8 12.1 回归方程为y=25.0287-0.04971x1+1.928169x2 各回归系数的意义为： β1=-0.04971，表示在x2不变的情况下，x1每增加一个单位，y减少0.04971个单位； β2=1.928169，表示在x1不变的情况下，x2每增加一个单位，y增加1.928169个单位。 其他信息： 多重判定系数 R2=0.210896 调整多重判定系数Ra2=-0.01456 多重判定系数和调整多重判定系数表明：该多元回归方程的拟合效果较差，在 因变量y的变差中，能被估计的回归方程所解释的比例很少。 Significance F=0.436485475表明，y与x1、x2之间的线性关系不显著。? P-value=0.653301和0.231624表明，自变量x1、x2对因变量y的影响均不显著。 当x1 =200，x2=7时，y的预测值为25.0287-0.04971*200+1.928169*7=28.583883 12.2 3个自变量，15个观测值。 回归方程为y=657.0534+5.710311x1-0.416917x2-3.471481x3 F=8.961759F(3，11)=3.587 se=109.429596 多重判定系数 R2=0.709650 调整多重判定系数Ra2=0.630463 多重判定系数和调整多重判定系数表明：该多元回归方程的拟合效果较好，调整后，在 因变量y的变差中，能被估计的回归方程所解释的比例为63.0463%。 从F检验可以看出，y与x1、x2、x3之间的线性关系显著。? 从t检验可以看出，自变量x1、x3对因变量y的影响显著，而x2对因变量y的影响不显著。 12.3 （1） 所以y与x1、x2之间的线性关系显著。 （2） 所以，β1显著。 （3） 所以，β2显著。 12.4 （1） 回归方程为y=88.63768+1.603865x1 （2） 回归方程为y=83.23009+2.290184x1+1.300989x2 （3）不相等。 β1=1.603865，表示，电视广告费用x1每增加一个单位，月销售收入y增加1.603865个单位； β1=2.290184，表示，报纸广告费用x2不变时，电视广告费用x1每增加一个单位，月销售收入y增加2.290184个单位。 （4）调整判定系数为0.88665，所以在月销售收入总变差中，被估计的回归方程所解释的比例为88.665%。 （5） 所以β1显著。 所以β2也显著。 12.5 （1）回归方程为y=-0.591+22.38646x1+327.6717x2 （2）β1=22.38646，表示在温度x2不变的情况下，降雨量x1每增加一个单位，收获量 y增加22.38646个单位； β2=327.6717，表示在降雨量x1不变的情况下，温度x2每增加一个单位，收获量y增加327.6717个单位。 （3）有可能存在。因为调整判断系数为0.986982，但是β1的t检验结果并不显著。 12.6 回归方程为 y=858.4792+1.097771x1+1.0645+x2+0.002005x3 （2）84．6742% （3）Significance F=2.41762E-070.05,所以线性关系显著。 （4）P-value分别等于 0.0645470.05, β1不显著。 5.45E-050.05, β2显著。 0.8315650.05, β3不显著。 12.7 （1）Significance F=0.0018652420.01 所以二元回归模型线性关系显著。 （2）P-value=0.0006530.05,所以回归系数β1显著，不应该剔除x1。 （3）P-value= 0.0097610.05,所以回归系数β2显著，不应该剔除x2。 12.8 （1）r=0.002498 H0：ρ=0 H1：ρ≠0 则t=0.002498*15-21-0.002498*0.002498=0.009007t0.025(13)=2.1788 故不能接受H0，即没有证据表明二者之间存在线性关系。 （2）r= 0.434069 H0：ρ=0 H1：ρ≠0 则t= 0.434069*15-21-0.434069*0.434069=1.737254t0.025(13)=2.1788 故不能接受H0，即没有证据表明二者之间存在线性关系。 （3）无用 （4） 回归方程为 y=-45.1541+3.097008x1+1.031859x2 Significance F= 1.28029E-230.05, y与x1、x2之间的线性关系显著 P-value1= 1.01E-230.05 P-value2=