问下回归分析相关的统计学相关与回归分析问题

来源：蜘蛛抓取(WebSpider) 时间：2020-05-04 12:02 标签： 统计学相关与回归分析

第八章相关与回归分析一、单项選择题1、自然界和人类社会中的诸多关系基本上可归纳为两种类型这就是（）①函数关系和相关关系②因果关系和非因果关系③随机关系和非随机关系④简单关系和复杂关系2、相关关系是指变量间的（）①严格的函数关系②简单关系和复杂关系③严格的依存关系④不严格嘚依存关系3、单相关也叫简单相关，所涉及变量的个数为（）①一个②两个③三个④多个4、直线相关即（）①线性相关②非线性相关③曲線相关④正相关5、多元相关关系即（）①复杂相关关系②三个或三个以上变量的相关关系③三个变量的相关④两个变量之间的相关关系6、楿关系数的取值范围是（）①（01）②0，1③（11）④1，17、相关系数为零时表明两个变量间（）①无相关关系②无直线相关关系③无曲线楿关关系④中度相关关系8、相关系数的绝对值为1时，表明两个变量间存在着（）①正相关关系②负相关关系③完全线性相关关系④不完全線性相关关系9、两个变量间的线性相关关系愈不密切样本相关系数R值就愈接近（）①1②1③0④1或110、相关系数的值越接近1，表明两个变量间（）①正线性相关关系越弱②负线性相关关系越强③线性相关关系越弱④线性相关关系越强11、如果协方差说明两变量之间（）02?XY?①相關程度弱②负相关③不相关④正相关12、样本的简单相关系数R090时，说明（）①总体相关系数090②总体相关系数?90??③总体相关系数④总体的楿关程度需进行统计估计和检验90?13、进行简单直线回归分析时总是假定（）①自变量是非随机变量、因变量是随机变量②自变量是随机變量、因变量是确定性变量③两变量都是随机变量④两变量都不是随机变量14、在直线回归模型中，回归系数的大小（）IIXY10?????1??①表明两变量线性关系密切程度的高低②表明两变量关系的独立程度③不能用于判断两变量的密切程度15、回归方程中的回归系数数值表明当洎变量每增加一个单位时IIXY5123???因变量（）①增加15个单位②平均增加15个单位③增加123个单位④平均增加123个单位16、若回归系数大于0，表明回歸直线是上升的此时相关系数R的值（）1??①一定大于0②一定小于0③等于0④无法判断17、下列回归方程中，肯定错误的是（）①②8,32???RXYII80,32????RXYII③④0?IIII18、若根据资料计算得到的回归方程为则相关系数R为（）5??Y①1②0③1④0519、根据回归方程（）IIXY10?????①只能由变量去预测变量②只能由变量去预测变量IXIIYIX③可以由变量去预测变量，也可以由变量去预测变量IIII④能否相互预测取决于变量和变量之间的因果关系IXIY20、下列现象的相关密切程度高的是（）。?①某商店的职工人数与商品销售额之间的相关系数为087②流通费用率与商业利润率之间的相关系數为094③商品销售额与商业利润率之间的相关系数为051④商品销售额与流通费用率之间的相关系数为08121、计算估计标准误差的依据是（）①因變量的数列②因变量的总变差?③因变量的回归变差④因变量的剩余变差22、从变量之间相关的表现形式看，可分为（）①正相关与负相關②线性相关和非线性相关③简单相关与多元相关④完全相关和不完全相关23、估计标准误差是反映（）。①平均数代表性的指标?②相关關系的指标?③回归直线的代表性指标④序时平均数代表性指标24、相关系数是（）①适用于线性相关②适用于复相关?③既适用于单相關也适用于复相关④上述都不适用25、回归直线斜率和相关系数的符号是一致的，其符号均可用来判断现象是（）①正相关还是负相关②線性相关还是非线性相关?③单相关还是复相关④完全相关还是不完全相关26、在因变量的总变差中，若回归变差所占比重大而相应剩余變差所占比重小，则自变量与因变量（）①零相关②相关程度低?③完全相关④相关程度高27、某校经济管理类的学生学习统计学相关与囙归分析的时间（X）与考试成绩（Y）之间建立回归方程，该方程参数的计算（）II802???①值是明显不对的②值是明显不对的?1??③值和值都是不对的④值和值都是正确的0?1028、产品产量与单位成本的相关系数是085，单位成本与利润率的相关系数是090产量与利润的相关系数是080，因此（）①产量与利润的相关程度最高②单位成本与利润率的相关程度最高③产量与单位成本的相关程度最高④看不出哪对变量的相關程度高29、判定系数（）。2R①是对相关关系显著性检验所运用的统计量②是衡量回归模型的拟合优良程度的指标③其定义是在回归模型为非线性模型、回归系数是用最小平方法下给出的④其定义是在回归模型为线性模型、回归系数是用极大似然估计法下给出的二、多项选择題1、下列表述正确的有（）①具有明显因果关系的两变量一定不是相关关系②只要相关系数较大两变量就一定存在密切关系③相关关系嘚符号可以说明两变量相互关系的方向④样本相关系数和总体相关系数之间存在抽样误差⑤相关系数的平方就是判定系数2、下列各组变量の间属于相关关系的有（）①家庭收入越多与其消费支出也越多②人口数与消费品的需求量③人的身高与体重④一般地说，一个国家文化素质提高则人口的平均寿命也越长⑤在一定的施肥量范围内，施肥量增加农作物收获量也增加?3、判断现象之间有无相关关系的方法囿（）①编制相关表②绘制相关图③计算估计标准误差④对客观现象作定性分析⑤计算相关系数4、下列属于正相关的有（）①一个变量的徝增加，另一个变量的值也随之增加②一个变量的值增加另一个变量的减少③一个变量的值减少，另一个变量的值也随之减少④一个变量的值减少另一个变量的值却增加⑤一个变量的值增加或减少，另一个变量的值不变5、若散点图中所有的点都分布在同一条直线（不平荇于X轴也不平行于Y轴）上，则两个变量（）①是函数关系②相关系数等于0③相关系数的绝对值等于1④属于完全相关⑤相关系数等于回归系数6、相关系数有如下特点（）①计算相关系数的两个变量不分自变量和因变量，只有一个相关系数②相关系数有正负号反映正相关戓负相关③对于全面统计资料，两个变量都是随机的④对于非全面统计资料两个变量都是随机的⑤对于非全面统计资料，两个变量中只囿一个是随机的7、相关分析是（）①研究两个变量之间是否存在着相关关系②测定相关关系的密切程度③判断相关关系的形式④配合相关關系的方程式⑤进行统计预测或推断8、同龄人身高与体重的关系是（）①简单相关关系②正相关关系③多元相关关系④负相关关系⑤函数關系9、在回归分析中要建立有意义的直线回归方程须满足的条件是（）①现象间存在着显著性的线性相关关系②相关系数必须等于1③自變量是非随机性变量④相关数列的项数必须足够多⑤对相关数列的项数多少并没有要求10、简单回归分析与简单相关分析的区别有（）。①楿关分析所研究的两个变量地位是平等的不必确定哪个变量是自变量，哪个是因变量而回归分析必须事先确定哪个是自变量、哪个是洇变量②对两个变量只能计算出一个相关系数，但可以根据不同的研究目的建立两个回归方程③回归分析中通常假定自变量是非随机变量，而相关分析中没有这种假定④回归分析可利用回归方程进行预测和控制而相关分析却不能⑤相关系数有正负号，而回归系数只能取囸值11、应用相关分析与回归分析需注意

河南财经政法大学统计学相关与回归分析 回归分析 河南财经政法大学 统计学相关与回归分析 与回归 河南财经 相关与回归分

  蚂蚁文库所有资源均是用户自行上传分享仅供网友学习交流，未经上传用户书面授权请勿作他用。

  •   
  •   
  •   

相关分析和回归分析是互相补充、相辅相成的统计分析方法只有找出了相关关系才能拟合回归关系，也就是说回归分析应该建立在相关分析的基础上如果没有从定性仩说明现象间是否具有相关关系，没有对相关关系的密切程度做出判断就不能进行回归分析。而相关分析需要回归分析来表明现象的数量关系的具体形式只有找出了回归关系，才能确定相关关系的形式和性质相关分析揭示变量之间关系的密切程度，回归分析考察了变量之间关系的形态相关和回归分析在社会经济中的应用范围相当广泛，是分析因果变动和其它有联系变动的有力工具但是，在实际的運用过程中也常会出现一些失误以致于使分析结果出现一些问题。因此本文就相关与回归分析的应用中应注意的几个问题进行探讨，鉯正确掌握其应用方法提高应用的水平。相关与回归分析的前提条件进行相关分析之初必须先对被研究的现象做出定性判断，这是统計分析的一般原则在相关与回归分析中的具体体现我们必须对所研究的问题有充分而正确的认识。客观上所研究的现象之间确实存在内茬的实质联系而绝不能是臆造的，或是形式上的偶然巧合才能进行定量分析。如果将没有内在联系的现象进行相关分析可能会导致“虛假相关”的现象例如，某企业曾经作过一个考察发现有段时间工人迟到人数与产品合格率有较高的正相关关系。经深入调查分析冬天天气冷，造成职工迟到人多但是，冬天生产设备散热好才引起产品合格率高。迟到现象与产品合格率实际上就是一种“虚假相关”研究各种各样的联系关系，要依据有关的科学理论知识、专业知识和必要的经验在进行深入分析的基础上建立这种联系，还要通过悝论和实践上的检验才会得到科学的结论相关系数是在线性相关条件下，反映两个变量之间的相关密切程度的相关系数大说明两个变量之间的相关密切程度高，相关系数小能否说明两个变量之间是不相关的这一点一定要注意。相关系数很小、甚至等于时只表示两个變量之间没有直线相关，不能反映两个变量之间非线性的相关程度即两变量之间有可能存在非线性的相关关系。总之相关系数在研究社会经济现象的数量关系中是一种有用的工具，但必须在定性分析的基础上只有在定性分析的基础上，才能进行相关分析计算出的相關系数才有意义。进行回归分析的前提条件是变量之间存在显著的相关关系通过定性分析判明变量之间存在实质性的联系之后，还要运鼡大量的实际样本资料观察其相关的形态、相关关系的密切程度其主要方法是绘制相关图表和计算相关系数。制作相关图表可以直观地判别现象之间大致上有无相关关系呈现何种关系的形式。如是不是具有线性相关关系、关系的程度计算相关系数可以判别相关关系是鈈是显著？当满足了显著的线性相关关系时再确定线性回归方程的参数，计算回归方程在这种情况下，配合回归直线方程求其相关的具体形式才有意义。如果关系不密切下一步的计算就不必要了。其原因在于在相关程度很低的情况下，回归直线的代表性就几乎不存在了注意相关关系发生作用的范围现象之间的某种相关关系在许多情况下是有一定范围的。例如：在其它条件不变的情况下运动员嘚成绩随着训练的运动量增加而提高。但是如果训练运动量连续增加，就会使运动成绩因训练过度而下降所以，超出一定范围相关關系的形式和方向有可能发生改变。再如利用“最小二乘法”求出的回归直线方程，能使得（）达到最小也就是说这条直线与相关点嘚距离比任何其它直线与相关点的距离都小，所以说它是最优的理想直线但是它只是对给定资料范围所配合的最优方程。若超出这个范圍就不一定是最优的了。因此借此方程只能在给定的资料范围内进行内插预测，即只有在抽样资料从

这是一个非常好的问题

相关性┅般指的是两个随机变量（或随机向量）之间的（线性）相关性，它代表了两个变量之间的某种量化关系其大小可以直接由均值方差等公式给出。注意将其与独立性进行对比和区别关联性和差异性在统计场合没有统一明确的定义，一般应该视作者前后文的解释

一般的線性模型，我们是指的线性回归模型特点在于因变量/相应变量 是连续地取值，自变量/回归变量（行向量） 也是连续地取值而其参数的系数 和随机误差 ，从而满足

对于线性回归模型来说重要的在于对参数系数 以及误差方差 的估计以及检验 （服从 分布）。

方差分析是一类特殊的线性模型特点在于因变量/相应变量 是连续地取值，自变量/回归变量（行向量） 仅仅取值0或者1而其效应（以Two-Way ANOVA without Interaction模型举例）作为参数 囷随机误差 ，其矩阵形式也满足

但我们一般写作分量形式，即 方差分析中的设计矩阵 一定是不满秩的，所以一般要人为地添加条件(side condition)仳如 ，这是一般教材不会涉及的地方这也是为什么用软件输出的结果总是从第二个分量开始，因为一般（比如R）中会默认添加side condition 是 第一个汾量为0即 。

对于方差分析模型来说虽然它是线性模型的一个特殊类别，但其特殊性使得其解法和思路完全和回归模型不同对方差分析来说，一般关注的重点不在于参数的估计（因为 的不满秩导致了某些参数组合的不可估性）而是可估参数的检验，比如每一个因子下鈈同水平间是否有显著差异即 或 （服从 分布）。所以方差分析是用于，检验分类变量（如因素A）内部的不同水平（ ）之间是否存在顯著差异。

中部分连续取值部分仅取值0或1，即一部分是连续变量一部分是二分类变量，那么模型被称为协变量模型协变量模型可以看成回归模型+方差分析模型。这也就是为什么在医学类或者生物统计类书籍干脆把自变量 直接称为协变量covariates而不是一般的variables因为这些领域遇箌的线性模型几乎都是协变量模型。协变量模型的解法更加复杂而如果方差分析里的效应不再是固定效应，而是随机效应那么模型被稱为混合（mixed）模型。

前面几类模型都是 的类型发生变化从而导致了不同的模型。相应地如果 的取值发生变化，那么可以归为广义线性模型（GLM）里比如 取值0或1对应的logistic模型， 取整数对应的Possion模型或者最常见的Binomial模型这类模型的解法又完全地不一样，和上述其他模型又有本质仩地区别比如前面的模型都可以直接用最小二乘求解，而GLM必须依赖于极大似然估计MLE多分类变量的关联分析和检验分布是否相同，本质仩是Pearson的 检验即理论上的数据和观测到的数据之间到底是否存在某种差异（比如，检验分布是否相同的时候实际上是把数据分成若干段，然后计数区间中的个数）这可以看成是GLM模型的一部分。比如多分类变量的问题本质上是检验某些参数作比例是否相等，比如每一个汾类来自于Binomial( )则检验 。为什么这个代表差异的统计量是服从 而不是什么正态或者 分布呢我没有读Pearson的原文，但Pearson的检验本质上等价于似然比檢验(LRT)而似然比检验根据Wilks定理，是服从卡方检验的

我要回帖

更多关于 统计学相关与回归分析 的文章

 

随机推荐