应用回归分析简答题及答案

应用回归分析简答题及答案4.为什么要对回归模型进行检验？答：当模型的未知参数估计出来后，就初步建立了一个回归模型。建立回归模型的目的是应用他来研究经济问题，但如果马上就用这个模型去做预测、控制和分析，显然是不够慎重的。因为这个模型是否真正揭示了被解释变量与解释变量之间的关系，必须通过对模型的检验才能决定。5.讨论样本容量n与自变量个数p的关系,他们对模型的参数估计有何影响?答：在多元线性回归模型中，样本容量n与自变量个数p的关系是：n>p。如果n<=p对模型的参数估计会带来严重的影响。因为：（1）在多元线性回归模型中，有p+1个待估参数B，所以样本容量的个数应该大于解释变量的个数，否则参数无法估计。（2）解释变量X是确定性变量，要求rank(X)=p+1<n，表明设计矩阵X中的自变量列之间不相关，样本容量的个数应该大于解释变量的个数，X是一个满秩矩阵。7.如何正确理解回归方程显著性检验拒绝Ho,接受Ho？答：（1）一般情况下，当Ho：B1=0被接受时，表明y的取值倾向不随x的值按线性关系变化，这种状况的原因可能是变量y与x之间的相关关系不显著，也可能虽然变量y与x之间的相关关系显著，但这种相关关系不是线性的而是非线性的。（2）当Ho：B1=0被拒绝时，没有其他信息，只能认为因变量y对自变量x是有效的，但并没有说明回归的有效程度，不能断言y与x之间就一定是线性相关关系，而不是曲线关系或其他的关系。8.一个回归方程的复相关系数R=0.99，样本决定系数R^2=0.9801,我们能断定这个回归方程就很理想吗？答：1.在样本容量较少，变两个数较大时，决定系数的值容易接近1，而此时可能F检验或者关于回归系数的t检验，所建立的回归方程都没能通过。2.样本决定系数和复相关系数接近1只能说明Y与自变量X1，X2，…，Xp整体上的线性关系成立，而不能判断回归方程和每个自变量都是显著的，还需进13.试举一可能产生随机误差项序列相关的例子。答：例如，居民消费函数的模型：Ct=Bo+B1Yt+Et,t=1,2,```,n由于居民收入对消费影响有滞后性，而且今年消费水平受上年消费水平影响，则可能出现序列相关性。另外由于消费习惯的影响被包含在随机误差项中，则可能出现序列相关性（往往是正相关）。14.序列相关性带来的严重后果是什么？答：（1）参数估计量非有效；（2）变量的显著性检验失去意义；（3）模型的预测失效。15.说明引起异常值的原因和消除异常值的方法。答：原因：1.数据登记误差，存在抄写或录入的错误；2.数据测量误差；3.数据随机误差；4.缺少重要自变量；5.缺少观测数据；6.存在异方差；7.模型选用错误，线性模型不适用。方法：1.重新核实数据；2.重新测量数据；3.删除或重新官策异常值数据；4.增加必要的自变量；5.增加观测数据，适当扩大自变量取值范围；6.采用加权线性回归；7.改用非线性回归模型。、16.在运用逐步回归法时，α进和α出的赋值原则是什么？说明理由。答：原则是要求引入自变量的显著水平α进小于剔除自变量的显著性水平α出，否则可能出现死循环；17.试述逐步回归的思想方法。答：逐步回归的基本思想是有进有出。具体做法是将变量一个一个的引入，当每引入一个自变量后，对已选入的变量要进行逐个检验，当原引入变量由于后面变量的应纳入而变得不再显著时，要将其剔除。引入一个变量或从回归防方程中剔除一个变量，为逐步回归的一步，每一步都要进行F检验，以确保每次引入新的变量之前回归方程中只包含显著的变量。这个过程反复进行，直到无显著变量引入回归方程，也无不显著变量从回归方程中剔除为止。这样就避免了前进法和后退法各自的缺陷，保证了最后得到的回归子集是最优回归子集。18.多重共线性对回归参数的估计有何影响？答：1、完全共线性下参数估计量不存在；2、近似共线性下OLS估计量非有效；3、参数估计量经济含义不合理；4、变量的显著性检验失去意义；5、模型的预测功能失效。19.具有严重多重共线性的回归方程能不能用来做经济预测？答：虽然参数估计值方差的变大容易使区间预测的“区间”变大，使预测失去意义。但如果利用模型去做经济预测，只要保证自变量的相关类型在未来期中一直保持不变，即使回归模型中包含严重多重共线性的变量，也可以得到较好预测结果；否则会对经济预测产生严重的影响。20.多重共线性的产生于样本容量