应用回归分析课后习题.docxVIP

n n y1 1 x11 x12 x1p 0 1 3.1 y2 1 x21 x22 x2p 1 + 2 即 y=x + yn 1 xn1 xn2 xnp p n 基本假定 解释变量x1,x2…,xp 是确定性变量，不是随机变量，且要求 rank(X)=p+1n,表明设计矩阵X中自变量列之间不相关，样本量的个 数应大于解释变量的个数 随机误差项具有零均值和等方差，即高斯马尔柯夫条件 对于多元线性回归的正态分布假定条件的矩阵模型为 ~N( 0， 2In) 随即向量 y~N(X , 2In) 3.2 当(xtx)1存在时，回归参数的最小二乘估计为 収)収丁丫， 要求出回归参数 ，即要求XTX是一个非奇异矩阵，|xTX 0，所以 可逆矩阵XTX为P+1阶的满秩矩阵，又根据两个矩阵乘积的秩不大于 每一因子的秩rank(X) p+1,而X为n (p+1)阶矩阵，于是应有n p+1 结论说明，要想用最小二乘法估计多元线性回归模型的未知参数， 样 本量n必须大于模型自变量p的个数。 3.3 SSE (y y)2 e12 e2212 1 E( ) E( - SSE (y y)2 e12 e22 1 2 1 E( ) E( - SSE* n p 1 n p n 2 [D(e) (E(e))2] 1 n (1 1 n 2 en n E( e 1 1 n p 1 1 n p 1 1 1 1 n p 1J (n p 1 D(e) 1 (p 1)) 1_ p 1 1 1 n p 1 2 2 n E(e2) (1 h ) 2 1 注 tr(H) h 1 3.4不能断定这个方程一定很理想，因为样本决定系数与回归方程中 自变量的数目以及样本量n有关，当样本量个数n太小，而自变量又较 多，使样本量与自变量的个数接近时， R2易接近1,其中隐藏一些虚 假成分。 3.5当接受Ho时，认定在给定的显着性水平 下，自变量x1,x2, xp 对因变量y无显着影响，于是通过x1,x2, xp去推断y也就无多大意 义，在这种情况下，一方面可能这个问题本来应该用非线性模型去描 述，而误用了线性模型，使得自变量对因变量无显着影响；另一方面 可能是在考虑自变量时，把影响因变量y的自变量漏掉了，可以重新 考虑建模问题。 当拒绝Ho时，我们也不能过于相信这个检验，认为这个回归模型 已经完美了，当拒绝Ho时，我们只能认为这个模型在一定程度上说明 了自变量x1,x2, xp与自变量y的线性关系，这时仍不能排除排除我 们漏掉了一些重要的自变量。 3.6中心化经验回归方程的常数项为0,回归方程只包含p个参数估计 值1, 2, p比一般的经验回归方程减少了一个未知参数，在变量较 多时，减少一个未知参数，计算的工作量会减少许多，对手工计算尤 为重要。 在用多元线性回归方程描述某种经济现象时，由于自变量所用的 单位大都不同，数据的大小差异也往往很大，这就不利于在同一标准 上进行比较，为了消除量纲不同和数量级的差异带来的影响， 就需要 将样本数据标准化处理,然后用最小二乘法估计未知参数，求得标准 将样本数据标准化处理, 然后用最小二乘法估计未知参数，求得标准 化回归系数。 3.7 对 y o 1X1 2x2  pxp进行中心化处理得 y y 1(x 1 X1) 2(x 2 X2) p(x p xp）再将等式除以因变量的样 * y y 1 y 二 一 (x1 x1) V Lyy V Lyy 2 (X 2 Lyy X2) p (x p xp) Lyy 1 . Lii (x 1 X1) 2 ?. L22(X 2 X2) v L11 Lyy L22 p . L pp (x p xp) i Lyy Lpp 2X2 p Xp 所以 3.8 （j为相关阵（rj） p p第i行，第j列的代数余子式） ri2;3 (1)12 「21「23 「311 「21 「23「31 J(1/1 1 r23 (1)2 2 1门3 「311 J(1 「23^(1 「132) r321 12 11 ? 22 3.9 Fj = 1 1 1 1 SSR j) 1SSE (n P 1) SSR(j) SST (n p 八 SSE(j) SSE (n 1) (SSE(j) (SSE(j) SSE(j\SSE (n P 1) (n P 1) (SSE(j) (SSE(j) SSE(j) SSRj) SSE(j)) (n P 1) (r： TT2) yj 2 ryj (n p 1) ( J) 1 ryj ry2小于i, Fj与 2 ryj 对应, 所以Fj与r；等价 3.10 SSR n F (n P 1) P SSR _P n p 1SSE P 1 SSE SSR SSR SSE SSE SSE SSR SSE  SSR