统计方法与应用学习通超星期末考试答案章节答案2024年

统计方法与应用学习通超星期末考试章节答案2024年S03简答题-（ParentSmk）该数据调查了父母吸烟与子女吸烟之间的关系（1）分析变量类型和变量关系（2）使用表分析，并粘贴结果。（3）使用图分析，并粘贴结果。（4）分析结果

答案:（1）变量类型与变量关系（40分）

变量类型：均为品质变量

变量关系：父母是否吸烟是自变量，子女是否吸烟是因变量（2）表分析结果如下：（15分）（3）图分析结果如下（堆叠条形图）：（15分）（4）分析结果（30分）

总体来讲，父母均吸烟时，子女吸烟的比例是很高的，达到了80.39%；父母均不吸烟时，子女不吸烟的比例很高，达到83.91%；当父母当中有一方吸烟一方不吸烟时，子女也明显不吸烟，比如，仅母亲吸烟，子女不吸烟的比例为63.27%，仅父亲吸烟，子女不吸烟的比例为68.43%。S06简答-（FuelCon1）天燃气可以用以采暖，因此，气温可以决定一个城市天燃气的使用量。美国某管理咨询公司收集了某城市8周的气温和天燃气使用量。1.按照描述统计的相关步骤（变量类型与变量关系、描述、分析结果）分析数据。2.按照如下步骤分析数据。（1）定义自变量X与因变量Y，并进行数据的预处理。（2）构造回归模型（此步略）（3）估计回归方程（仅粘贴回归方程估计图片）（4）解释拟合优度（选择合适图片粘贴并解释）（5）解释方程显著性（选择合适图片粘贴并解释）（6）解释系数显著性（选择合适图片粘贴并解释）（7）解释斜率系数（8）进行预测（如有必要，选择合适图片粘贴并解释）

答案:描述数据（1）变量类型与变量关系：均为数值变量，华氏温度会影响天然气使用量，前者为自变量，后者为因变量；（2）两个数值变量可以使用散点图和相关系数

（3）分析结果

两个变量呈现出负的强相关，当温度越低时，天然气使用量越高。2.回归分析（1）定义自变量X与因变量Y，并进行数据的预处理。

华氏温度是自变量，天然气使用量是因变量。

均是数值变量，无须进行预处理。

使用简单线性回归。（2）构造回归模型（此步略）（3）估计回归方程（仅粘贴回归方程估计图片）（4）解释拟合优度（选择合适图片粘贴并解释）

拟合优度中的判定系数R-sq为89.95%，说明温度解释了天然气使用量变异的89.95%。（5）解释方程显著性（选择合适图片粘贴并解释）

在方差分析子表中，F值为53.69，其P值为0.000，小于0.05。在5%的显著性水平上，方程是显著的。（6）解释系数显著性（选择合适图片粘贴并解释）

在系数子表中，第一，常数的系数估计值为15.838，P值为0.000，小于0.05。说明在5%的显著性水平上，常数是显著的。

第二，华氏温度的斜率系数估计值为-0.1279，P值为0.000，小于0.05。说明在5%的显著性水平上，斜率系数是显著的。（7）解释斜率系数

由于斜率系数在5%的显著性水平上是显著的，说明华氏温度每增加1度，天然气使用量降低0.1279立方英尺。（8）进行预测（如有必要，选择合适图片粘贴并解释）

无S10简答-（transport）为了分析人们上班时间对交通工具的选择，随机抽取了一个样本。考虑到的自变量是从家庭到工作单位自驾车时间和乘公共时间的差值（单位：分钟）。（1）变量类型、变量关系，及数据预处理。（2）构造回归模型（此步略）（3）估计回归方程（仅粘贴回归方程估计图片）（4）解释拟合优度（选择合适图片粘贴并解释）（5）解释方程显著性（选择合适图片粘贴并解释）（6）解释系数显著性（选择合适图片粘贴并解释）（7）解释斜率系数（选择合适图片粘贴并解释）（8）进行预测（如有必要，选择合适图片粘贴并解释）

答案:（1）变量类型、变量关系，及数据预处理。（20分）第一，变量类型：差值是数值变量，乘车选择是品质变量第二，变量关系：差值会影响乘车选择，乘车选择是因变量，差值是自变量第三，数值预处理：乘车选择是只有两个分类的品质变量，因变量决定方法，使用二值logistic模型，需要处理成指示变量（2）构造回归模型（此步略）将乘车选择_自驾车作为因变量，模型转化为选择自驾车的影响因素分析，定义选择自驾车的概率为，选择其他交通方式的概率为，模型构造如下（不精确）

（3）估计回归方程（仅粘贴回归方程估计图片）（10分）（4）解释拟合优度（选择合适图片粘贴并解释）根据拟合优度检验子表，Pearson拟合优度检验的P值为0.493，说明模型很好的拟合了数据。（10分）（5）解释方程显著性（选择合适图片粘贴并解释）根据方差分析子表，回归的P值为0.01，小于0.05，说明在5%的显著性水平上，方程是显著的。（10分）（6）解释系数显著性（选择合适图片粘贴并解释）根据系数子表：（20分）第一，常数的P值为0.752，大于0.05，说明在5%的显著性水平上，常数是不显著的。第二，差值的P值为0.01，小于0.05，说明在5%的显著性水平上，差值是显著的。（7）解释斜率系数（选择合适图片粘贴并解释）（30分）由于差值的斜率系数是显著的，可以使用优势比去解释，即，自驾车与公交车时间的差值每增加1分钟，自驾车的优势（机会）是其它交通工具优势（机会）的1.7008倍，这说明，自驾车与公交车时间差值越大，自驾车的概率越高。（8）进行预测（如有必要，选择合适图片粘贴并解释）无S11简答-（nomocc2）研究人员想了解人们的职业与个体特征之间的关系，收集了一个数据，进行名义logistic模型分析。（1）变量类型、变量关系，及数据预处理。（2）构造回归模型（此步略）（3）估计回归方程（仅粘贴回归方程估计图片）（4）解释拟合优度（选择合适图片粘贴并解释）（5）解释方程显著性（选择合适图片粘贴并解释）（6）解释系数显著性（选择合适图片粘贴并解释）（7）解释斜率系数（选择合适图片粘贴并解释）（8）进行预测（如有必要，选择合适图片粘贴并解释）

答案:（1）变量类型、变量关系，及数据预处理。（20分）变量类型：职业、种族为品质变量，年龄、工作经验为数值变量。变量关系：职业的影响因素分析，职业为因变量，种族、年龄、工作经验为自变量。因变量决定方法，职业为多分类定类变量，使用名义logistic回归模型。数据预处理：因变量有5个分类（单变量计数），自变量中种族为品质变量，需要转化为指示变量。（2）构造回归模型（此步略）

对于多分类定类因变量，本例选择“仆人”作为参考事件，来解释基本结果（任何一个选择均可）。由于因变量有5个分类，会一次构建4个模型。

同时，对于品质自变量，选择“黑人”作为对照组，“白人”作为实验组。

具体的4个模型略。（3）估计回归方程（仅粘贴回归方程估计图片）（10分）（4）解释拟合优度（选择合适图片粘贴并解释）（10分）按照Pearson拟合优度检验，模型没有拟合数据。（5）解释方程显著性（选择合适图片粘贴并解释）（10分）根据G统计量的P值，方程是显著的。（6）解释系数显著性（选择合适图片粘贴并解释）（20分）方程1：专家/仆人

以显著性水平0.05为界，常量显著、受教育年限显著、工作经验显著、种族_白人显著。方程2：手艺人/仆人

以显著性水平0.05为界，常量、受教育年限、工作经验、种族_白人均不显著。方程3：蓝领/仆人

以显著性水平0.05为界，常量、受教育年限、工作难验、种族_白人均不显著。方程4：白领/仆人

以显著性水平0.05为界，常量、受教育年限显著，工作经验、种族_白人不显著。（7）解释斜率系数（选择合适图片粘贴并解释）（30分）方程1：专家/仆人

第一，受教育年限显著，受教育年限每增加1年，职业为专家的优势是职业为仆人优势的2.18倍，即受教育年限越长，当专家的概率越大；

第二，工作经验显著，工作经验每增加1年，职业为专家的优势是职业为仆人优势的1.04倍，即工作经验越丰富，当专家的概率越大；

第三，种族_白人显著，白人相较于黑人，职业为专家的优势是职业为仆人优势的5.9倍，即白人当专家的概率更大；方程2：手艺人/仆人

第一，受教育年限不显著，受教育年限对职业为手艺人还是仆人无影响；

第二，工作经验不显著，工作经验对职业为手艺人还是仆人无影响；

第三，种族_白人不显著，白人相较于黑人而言，职业为手艺人还是仆人是无差异的；方程3：蓝领/仆人

第一，受教育年限不显著，受教育年限对职业为蓝领还是仆人无影响；

第二，工作经验不显著，工作经验对职业为蓝领还是仆人无影响；

第三，种族_白人不显著，白人相较于黑人而言，职业为蓝领还是仆人是无差异的；方程4：白领/仆人

以显著性水平0.05为界，常量、受教育年限显著，工作经验、种族_白人不显著。

第一，受教育年限显著，受教育年限每增加1年，职业为白领的优势是职业为仆人优势的1.42倍，即受教育年限越长，