回归分析与实现智慧树知到期末考试答案2024年

回归分析与实现智慧树知到期末考试答案2024年回归分析与实现泊松回归的模型精度可以利用哪种进行评估（）

A:R方B:预测值与实际值的相对误差C:AUC的值D:调整的R方答案:预测值与实际值的相对误差在多元线性回归模型中，若某个解释变量对其余解释变量的判定系数接近于１，则表明模型中存在（）

A:序列相关B:多重共线性C:高拟合优度D:异方差性答案:多重共线性以下哪一种情形更适合使用泊松回归（）

A:人员是否生存B:某批产品的次品数C:企业是否上市D:信用卡是否逾期答案:某批产品的次品数泊松回归模型中,如果自变量为3个水平的定性变量,则需要构造哑变量的个数为（）

A:3个B:4个C:1个D:2个答案:2个泊松回归的因变量为（）

A:多分类数据B:截断数据C:定序数据D:计数数据答案:计数数据以下哪一种情形更适合使用生存回归（）

A:人员是否生存B:信用卡是否逾期C:新产品从上架到下架时间D:企业是否上市答案:新产品从上架到下架时间泊松回归利用似然比检验、模型的显著性为0.005，则错误的是（）

A:在5%的显著性，水平下模型是不显著的B:在5%的显著性，水平下模型是显著的C:在1%的显著性水平下，至少有一个解释变量与因变量显著相关。D:在1%的显著性，水平下模型是显著的答案:在5%的显著性,水平下模型是不显著的泊松回归研究的因变量是下面哪种什么类型（）

A:定序数据B:文本数据C:分类数据D:计数数据答案:计数数据在某项开始于1995年1月，预计截止日期为2000年1月的胃癌随访研究中，该病人1997年5月开始随访研究，因胃癌死于1999年2月，请指出他的生存时间各属于何种生存时间数据类型。（）

A:截尾数据B:直接数据C:完全数据D:缺失数据答案:截尾数据某研究获得一组病人的存活时间为79、133+、185、475、133、238+，对此资料进行生存率估计，可采用（）

A:方差分析B:KM估计C:秩和检验D:回归分析答案:KM估计下列有关log-rank检验的描述中正确的是（）

A:log-rank检验是各组生存率某时间点的比较B:log-rank检验中，各组实际死亡数必等于理论死亡数C:log-rank检验是各组生存率的整体比较D:log-rank检验属生存曲线比较的参数法答案:log-rank检验是各组生存率的整体比较泊松回归进行参数估计的方法是（）

A:极大似然估计B:t检验C:最小二乘法D:F检验答案:极大似然估计关于Cox回归模型与logistic回归模型正确的是（）

A:logistic回归模型是一种概率模型，只考虑了事件是否发生B:Cox回归模型与logistic回归模型具有相似之处，即在估计出回归系数后可以得到协变量对应的相对危险度C:logistic回归模型不考虑事件发生所需要的时间长短D:Cox回归模型不考虑事件发生所需要的时间长短E:Cox回归模型不仅考虑了事件发生的结果，同时也利用了生存时间提供的信息答案:Cox回归模型与logistic回归模型具有相似之处,即在估计出回归系数后可以得到协变量对应的相对危险度###Cox回归模型不仅考虑了事件发生的结果,同时也利用了生存时间提供的信息###logistic回归模型是一种概率模型,只考虑了事件是否发生###logistic回归模型不考虑事件发生所需要的时间长短逻辑回归模型评价预测效果，可以用以下哪些指标？（）

A:错分率B:精准率C:转化率D:准确率答案:准确率###精准率###错分率逻辑回归模型理论上适用于以下哪些研究？（）

A:判断某患者是否患心脏病B:分析信用卡是否逾期的影响因素C:预测某地区煎饼外卖的月销量D:分析北京市高端酒店价格的影响因素答案:分析信用卡是否逾期的影响因素###判断某患者是否患心脏病以下关于定序回归，描述正确的是？（）

A:定序回归的因变量只能取值为0，1B:定序回归的自变量可以的定性变量，也可以是定量变量C:定序回归可以分析因变量为定序数据的业务D:定序回归思想和逻辑回归一样，都是预测二分类因变量答案:定序回归可以分析因变量为定序数据的业务###定序回归的自变量可以的定性变量,也可以是定量变量关于泊松回归正确的是（）

A:泊松回归全称为泊松对数线性回归模型B:泊松回归可以利用极大似然估计的方法来估计参数C:泊松分布要求因变量的期望等于方差D:泊松回归与线性回归模型无区别E:泊松回归假设因变量服从泊松分布答案:泊松回归假设因变量服从泊松分布###泊松回归可以利用极大似然估计的方法来估计参数###泊松分布要求因变量的期望等于方差###泊松回归全称为泊松对数线性回归模型常见的回归模型包括（）

A:定序回归B:线性回归C:生存回归D:泊松回归E:逻辑回归答案:线性回归###逻辑回归###定序回归###泊松回归###生存回归当系数估计显著时（相应的ｐ值小于显著水平，如0.05）才有解读的必要。（）

A:对B:错答案:对加速失效模型是对生存时间进行建模，其优点包括：简单易懂、直接研究真实生存时间、非常直观。（）

A:对B:错答案:对Cox模型的系数和加速失效模型的系数正负号一致。（）

A:对B:错答案:错定序数据具有两个十分重要的特征：（1）没有数值意义，不能做代数运算；（2）有顺序意义。（）

A:错B:对答案:对生存函数刻画的是在观察开始后的某个时间点还生还的概率。（）

A:对B:错答案:对加速失效模型的系数为正,表示相应自变量越大生存时间越短。（）

A:错B:对答案:错定序回归和逻辑回归模型的参数估计方法一样，都是采用极大似然估计。（）

A:错B:对答案:对相关系数等于0表明两个变量不存在线性相关关系。（

）

A:对B:错答案:对凡是可以连续取值的，或者说可以用测量工具具体测量出小数点以下数值的这类数据，叫计量数据。（）

A:正确B:错误答案:错误定序回归模型的结果无法对测试集进行预测。（）

A:错B:对答案:错某数据中因变量有4个选择，那么使用定序回归建模后，截距项也有4个。（）

A:对B:错答案:对定序回归是有监督的机器学习算法。（）

A:对B:错答案:对如果一个离散型自变量有K个水平（K个类别），在建模过程中需要构造K个哑变量（）

A:对B:错答案:错定序回归模型的系数无法进行显著性检验。（）

A:错B:对答案:错观察对象在观察周期内未发生“失效事件”，称为截断数据。（）

A:错B:对答案:对逻辑回归模型的因变量可以是连续型的数值变量。（）

A:对B:错答案:错逻辑回归的自变量可以是连续型数值变量，也可以是定性变量。（）

A:错B:对答案:对AUC可以用来评估逻辑回归模型的指标。（）

A:错B:对答案:对逻辑回归模型就是线性回归模型。（）

A:正确B:错误答案:错误泊松分布通常用于描述非稀有事件（即大概率）事件发生数的分布。（）

A:对B:错答案:对计数数据是离散的，并且只能是非负整数。（）

A:错B:对答案:对对定序数据进行建模后，可以使用AIC、BIC准则对模型进行优化。（）

A:对B:错答案:对泊松分布适合于定序数据的模型建立。（）

A:错B:对答案:错多元线性回归分析的“线性”指的是因变量对于回归系数是线性的。（）

A:对B:错答案:对泊松回归就是泊松分布，二者没有区别。（）

A:错误B:正确答案:正确泊松回归的因变量为定量数据。（

）

A:对B:错答案:对以下关于FN，描述正确的是（）。

A:FN就是将正类预测为负类数，真实为1，预测为0B:FN就是将正类预测为正类数，真实为1，预测也为1C:FN就是将正类预测为负类数，真实为0，预测为0D:FN就是将负类预测为正类数，真实为0，预测也为0答案:AI参考:正确答案是C：FN就是将正类预测为负类数，真实为0，预测为0。\nFN是负类预测为正类的错误率，即假正类，正确的表述应为预测的正类结果，实际上是负类的正确情况下的分类情况，用符号表示为FN。故正确选项为C，将正类预测为负类数，真实为0，预测为0。选项A和B的描述都有所混淆。选项D描述的是负类预测为正类的正确情况下的分类情况，即真负类被预测为负类的正确情况下的分类情况，与FN的定义不符。'以下哪个不是定序数据（）。

A:某人超重严重程度B:NBA球员薪金等级C:某人是否超重D:对NBA球员的喜欢程度答案:AI参考:选项D不是定序数据，因为它是一个分类变量，可以表示为是/否、1/2、A/B等。而其他三个选项都是定序数据，因为它们可以表示为不同程度的数值，如严重程度、等级等。因此，正确答案是D:对NBA球员的喜欢程度。'多元线性回归模型的“线性”是指对（）而言的。（）

A:回归系数B:因变量C:自变量D:残差项答案:AI参考:多元线性回归模型的“线性”是指对自变量而言的。因此，本题的正确答案是C：自变量。多元线性回归模型是一种统计模型，它通过自变量和因变量之间的关系来描述一个现象。在这个模型中，“线性”是指自变量之间的关系，即当自变量之间存在线性关系时，它们之间的系数可以被解释为回归系数，用于预测因变量的值。因此，答案为C。'如何评价probit定序回归系数显著性（）。

A:t分布B:似然比检验C:F检验D:t检验答案:AI参考:正确答案是D:t检验。\n\n在probit定序回归中，我们通常使用t检验来评估系数的显著性。t检验是一种常用的统计方法，用于比较平均值是否存在显著差异。在probit回归中，我们通常会对每个自变量与因变量的关系进行t检验，以评估其显著性。因此，选项D是正确的。其他选项如似然比检验、F检验和t分布等在probit回归中并不是常用的方法。'如何评价probit定序回归模型整体显著（）。

A:F分布B:F检验C:似然比检验D:t检验答案:AI参考:正确答案是D:t检验。\n\n在评价probit定序回归模型整体显著时，通常使用t检验，因为t检验是用于检验连续型变量的显著性，而probit模型是连续型变量的概率模型，因此t检验是最适合的检验方法。其他选项如F分布、F检验、似然比检验等不适用于评价probit模型的显著性。'以下关于定序回归，描述正确的是？（）

A:定序回归的因变量只能取值为0，1B:定序回归的自变量可以的定性变量，也可以是定量变量C:定序回归可以分析因变量为定序数据的业务D:定序回归思想和逻辑回归一样，都是预测二分类因变量答案:AI参考:以下关于定序回归，描述正确的是：C:定序回归可以分析因变量为定序数据的业务，D:定序回归思想和逻辑回归一样，都是预测二分类因变量。\n\n定序回归是一种统计分析方法，用于分析定序数据，即数据按大小可以排序，但类别不能归为两个明确分类的数据。定序回归可以处理因变量为定序数据的业务问题。定序回归和逻辑回归在预测二分类因变量上是相似的，但它们也有一些不同之处，例如定序回归对异常值更敏感，且对自变量的类型要求更宽松。定序回归的自变量可以是定性变量或定量变量。因此，答案为C和D。'如果变量x与y之间没有线性相关关系，则（）

A:线性回归系数为0B:估计标准误差为0C:相关系数为0D:变量x与y不一定独立E:判定系数为0答案:AI参考:正确选项为：A:线性回归系数为0C:相关系数为0E:判定系数为负数。\n\n解释：\n\n1.线性回归系数为0：如果变量x与y之间没有线性相关关系，那么它们的线性回归线（即回归方程的斜率）应该是0。也就是说，自变量对因变量的影响在理论上是0，因此线性回归系数应为0。\n2.相关系数为0：相关系数是一个度量两个变量之间线性相关程度的统计量。如果变量x与y之间没有线性相关关系，那么它们的线性关系应该是微弱的或者根本不存在，因此相关系数应为0。\n3.判定系数为负数：判定系数是用来度量模型对数据的拟合优度的统计量。如果变量x与y之间没有线性相关关系，那么模型对数据的拟合程度应该很低，因此判定系数应为负数。\n\n至于其他选项，比如估计标准误差、变量x与y不一定独立等，虽然在某些情况下可能存在，但在没有线性相关关系的情况下并不一定成立。因此，这些选项不是正确答案。'关于泊松分布内容，以下描述正确的是？（）

A:泊松回归不能用于计数数据的模型建立B:泊松分布的参数是单位时间(或单位面积)内随机事件的平均发生次数。C:泊松分布的期望和方差均为：D:泊松分布的概率函数为E:泊松分布适合于定序数据的模型建立答案:AI参考:以下是对泊松分布内容的描述正确选项：\n\nB,D\n\n解释：\n\nB选项描述了泊松分布的参数是单位时间（或单位面积）内随机事件的平均发生次数，这是对的。\n\nD选项描述了泊松分布的概率函数，这也是对的。\n\nA选项，泊松回归可以用于计数数据的模型建立，这是错的。泊松回归是用来估计随机事件（如顾客数量、故障次数等）的期望值的模型。\n\nC选项，泊松分布的期望是λ，方差是λ*m，其中λ是期望，m是事件之间的间隔，这是对的。\n\nE选项，泊松分布适合于定类数据的模型建立，比如事件发生的种类，而不是定序