根据自变量与因变量的关系,可将回归方程分为()。
A.非线性回归方程
B.线性回归方程
C.一元回归
D.多元回归
A.非线性回归方程
B.线性回归方程
C.一元回归
D.多元回归
第1题
B、多元线性回归分析预测法的关键是找到适宜的回归方程
C、偏回归系数是假设在其他所有自变量保持不变的情况下,某一个自变量的变化引起因变量变化的比重
D、它的参数可以用最小二乘法进行估计
第3题
单位:万元)。
试利用以上数据:
(1)拟合简单线性回归方程,并对回归系数的经济意义作出解释;
(2)计算决定系数和回归估计的标准误差::
(3)对β2进行显著水平为5%的显著性检验:
(4)假定明年1月销售收入为800万元,利用拟合的回归方程预测相应的销售成本,并给出置信度为95%的预测区间。
第4题
A.因变量y对自变量 的影响不显著
B.因变量y对自变量 的影响显著
C.自变量 对因变量y的影响不显著
D.自变量 对因变量y的影响显著
第5题
考察的指标(因变量)y表示原辛烷值,自变量x1表示直接蒸馏成分,的表示重整汽油,与表示原油热裂化油,年表示原油催化裂化油,x5表示聚合物,x6表示烷基化物,x7表示天然香精。7个变量表示7个成分含量的比例(满足x1+x2+…+x7=1)。表11.1给出12种混合物中7种成分和y的数据。试用偏最小二乘方法建立y与x1,x2,…,x7为的回归方程,用于确定7种构成元素写x1,x2,…,x7对y的影响。
第6题
下面是20个城市写字楼出租率和每平米月租金价格的回归分析结果,月租金为自变量,出租率为因变量: 回归统计: MultipleR RSquare AdjustedRSquare 标准误差 0.7951 0.6322 0.6117 2.6858 方差分析 Df SS MS F SignificanceF 回归 1 223.1403 223.1403 30.9332 2.798E-05 残差 18 129.8452 7.213.6 总计 19 352.9855 系数估计和检验 Coefficient 标准误差 T Stat P-Value Lower95% Upper95% Intercept 49.3177 3.8050 12.9612 0.0000 41.3236 57.3117 XVariable 0.2492 0.0448 5.5618 0.0000 0.1551 0.3434 根据回归分析结果,下列判断正确的是()。
A、出租率与月租金价格之间的线性关系为:=49.3177+0.2492x
B、回归系数=0.2492,表示:月出租率增加1%,月租金平均增加0.2492%
C、=63.22%,表明在出租率的变差中被出租率与月租金之间的线性关系所解释的比例为63.22%,回归方程的拟合程度一般
D、估计标准误差Se=2.6858,表示,当用月租金来预测出租率时,平均的预测误差为2.6858%,表明预测误差不大
E、方差分析中SignificanceF=2.798E-05<0.05,说明两者线性关系显著<br>
F、回归系数检验的P-Value=0.0000<0.05,说明回归系数通过显著检验<br>
第11题
A.自变量、因变量
B.因变量、自变量
C.自变量、控制变量
D.因变量、控制变量