多元统计分析思考题.docVIP

《多元统计分析思索题》 回归分析 1、回归分析是怎样的一种统计方法，用来解决什么问题？ 回归分析是基于观测数据建立变量之间的某种依靠关系，分析数据的内在规律，并可用于预报、掌握等方面。 2、线性回归模型中线性关系指的是什么变量之间的关系？自变量与因变量之间肯定是线性关系形式才能做线性回归吗？为什么？ 线性关系指的是自变量与因变量之间的关系。不肯定， 3、实际应用中，如何设定回归方程的形式？ 4、多元线性回归理论模型中，每个系数（偏回归系数）的含义是什么？ 回归系数是在回归方程中表示自变量x 对因变量y 影响大小的参数。回归系数越大表示x 对y 影响越大，正回归系数表示y 随x 增大而增大，负回归系数表示y 随x增大而减小。 5、阅历回归模型中，参数是如何确定的？有哪些评判参数估量的统计标准？最小二乘估量两有哪些统计性质？要想获得抱负的参数估量值，需要留意一些什么问题？ 参数的确定： 评判参数估量的标准： 最小二乘估量的统计性质： （1） （2） （3） （4） （5） （6） 获得抱负参数应留意： 6、理论回归模型中的随机误差项的实际意义是什么？为什么要在回归模型中加入随机误差项？建立回归模型时，对随机误差项作了哪些假定？这些假定的实际意义是什么？ 7、建立自变量与因变量的回归模型，是否意味着他们之间存在因果关系？为什么？ 不是。 8、回归分析中，为什么要作假设检验？检验依据的统计原理是什么？检验的过程是怎样的？ 为了检验所确定的线性回归方程是否有意义。 原理： 显著性检验步骤： （1）提出统计假设H； （2）选取适当的统计量U，并在假设H成立的条件下确定该统计量的分布； （3）按问题的要求选取一个显著水平a（一般为0.05、0.10、0.01），并依据统计量的分布查表，求出能使P{|U|u0}a满意的临界值u0； （4）由样本观测值计算出统计量U的观测值u，并与临界值u0比较，假如|u|u0，则拒绝假设H，假如|u|u0，则接受假设H。 9、回归诊断可以大致确定哪些问题？回归分析有哪些基本假定？假如实际应用中不满意这些假定，将可能引起怎样的后果？如何检验实际应用问题是否满意这些假定？对于各种不满意假定的情形，分别采纳哪些改进方法？ （1）回归诊断可以回答的问题： ①回归函数线性嘉定的可行性； ②误差项的等方差假设的合理性； ③误差项独立性假设的合理性； ④误差项是否符合正态分布； ⑤观测值中是否存在特别值； ⑥是否在模型中遗漏了某些重要的自变量。 （2）原基本假定H0： ①假设回归方程不显著 ②假设回归系数不显著 （3）后果和改进方法： 方程：与模型的误差相比，自变量对因变量的影响是不重要的这有两种状况：a、各种误差太大，即使回归自变量x对因变量y有肯定影响，但相比于误差也不算大，这种状况要想方法缩小误差，检查是否漏掉了重要的自变量，或检查某些自变量与y是否有非线性关系等；b、自变量对y的影响的确很小，这时建立y与各自变量的回归方程没有意义。 系数：某个自变量对y的影响不显著，应当剔除 （4）如何检验是否满意： 方程：用F统计量或者P值法检验回归方程的显著性，。 p值是P（），表示第一、其次自由度分别为p、（n-p-1）的F变量大于的概率（即接受H0、线性关系不显著的概率） 系数：SSE 10、回归分析中的R2有何意义？它能用来衡量模型优劣吗？ 回归平方和与总离差平方和之比：作为评判一个模型拟合优度的标准，成为样本打算系数。模型拟合优度并不是评判模型质量的唯一标准，R方越大，代表y接受变化的力量越强，不确定性和模型简单程度较小，并不足以表明模型的真是牢靠性，不能说明模型接近真实状况的程度，还要考虑真实状况的不确定性和简单程度，不确定性和简单程度较大的时候，R方小范儿更有意义。有时为了追求模型的实际意义，可以在肯定程度上房款对拟合优度的要求。 11、如何确定回归分析中变量之间的交互作用？存在交互作用时，偏回归系数的意义与不存在交互作用的情形下是否相同？为什么？ 12、有哪些确定最优回归模型的准则？如何选择回归变量？（P55） 自变量选择准则： ①（拟合）修正的复相关系数达到最大，等价于：均方残差MSE达到最小； ②猜测平方和达到最小（偏差平方和） ③准则 其中是包含p个自变量的回归方程的残差平方和，表示含有全部m个自变量的回归方程的均方残差。该准则要求选择最小，且小的回归方程。 ④（极大似然估量）ACI准则，赤池信息量达到最小 13、在怎样的状况下需要建立标准化的回归模型？标准化回归模型与非标准化模型有何关系？形式有否不同？（P42） 在多元线性回归分析中，所涉及到的诸多自变量往往量纲不同，甚至差别很大，这时就需要对变量进行中心化或标准化，数据的中心化处理相当于将坐标原点移至样本中心，而坐标系的平移不转变斜率，只转变了截距；