应用回归分析+第2章详细答案.docVIP

2.3 由得 2.4 在的正态分布假定下，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求极小值，至此与最小二乘估计原理完全相同 2.5 2.6 2.7 2.8 （1） （2） 2.9 2.10 2.11 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r2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不变，变为原来的?； 如果自变量观测值都加上2，回归参数的最小二乘估计，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 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) -1.000 6.351 -.157 .885 x 7.000 1.915 .904 3.656 .035 由系数分析表可知： （4） 模型汇总b 模型 R R 方 调整 R 方 标准 估计的误差 1 .904a .817 .756 6.05530 a. 预测变量: (常量), x。 b. 因变量: y 由上图可得 （5） 系数a 模型 非标准化系数 标准系数 t Sig. B 的 95.0% 置信区间 B 标准 误差 试用版 下限 上限 1 (常量) -1.000 6.351 -.157 .885 -21.211 19.211 x 7.000 1.915 .904 3.656 .035 .906 13.094 a. 因变量: y 由上图可知 可得（0.906,13.094） （-21.211,19.211） （6） 模型汇总b 模型 R R 方 调整 R 方 标准 估计的误差 1 .904a .817 .756 6.05530 a. 预测变量: (常量), x。 b. 因变量: y x与y的决定系数 （7） Anovaa 模型 平方和 df 均方 F Sig. 1 回归 490.000 1 490.000 13.364 .035b 残差 110.000 3 36.667 总计 600.000 4 a. 因变量: y b. 预测变量: (常量), x。 由上表中看到，,拒绝原假设，说明x与y有显著的线性关系 （8） 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) -1.000 6.351 -.157 .885 x 7.000 1.915 .904 3.656 .035 由上表可知，回归系数的显著性检验的P值，从而拒绝原假设，所以显著。 （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，从而x与y有显著的线性关系。 （10） 从图上看，残差是围绕随机波动，从而模型的基本假定是满足的。 （11）当广告费为万元时，销售收入万元，置信度为95%的置信区间为，即 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 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： （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 （5） 系数a 模型 非标准化系数 标准系数 t Sig. B 的 95.0% 置信区间 B 标准 误差 试用版 下限 上限 1 (常量) .118 .355 .333 .748 -.701 .937 x .004 .000 .949 8.509 .000 .003 .005 a. 因变量: y 由上图可知 可得（0.003,0.005） （-0.701,0.937） （6） 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 x与y的决定系数 （7） Anovaa 模型 平方和 df 均方 F Sig. 1 回归 16.682 1 16.682 72.396 .000b 残差 1.843 8 .230 总计 18.525 9 a. 因变量: y b. 预测变量: (常量), x。 由上表中看到，,拒绝原假设，说明x与y有显著的