2026年回归曲线图测试题及答案

2026年回归曲线图测试题及答案

一、单项选择题（总共10题，每题2分）1.以下关于线性回归模型的描述，正确的是：A.模型必须包含截距项B.因变量与自变量的关系一定是严格线性的C.最小二乘法估计的参数是无偏的，当且仅当误差项均值为0D.决定系数R²越大，模型预测效果一定越好2.在简单线性回归中，若回归方程为ŷ=3+2x，当x增加1单位时，ŷ的平均变化为：A.3B.2C.5D.无法确定3.决定系数R²的取值范围是：A.(-∞,1]B.[0,1]C.[-1,1]D.[0,+∞)4.残差分析的主要目的是：A.验证自变量的显著性B.检验误差项是否满足模型假设C.计算回归系数的标准误D.确定模型的最优自变量数量5.多重共线性会导致：A.回归系数的标准误减小B.模型预测精度下降C.系数估计无偏但方差增大D.决定系数R²显著降低6.若自变量包含一个分类型变量（如性别：男、女、其他），则在回归模型中应设置的虚拟变量数量为：A.1个B.2个C.3个D.4个7.以下哪种方法可用于检验异方差性？A.Durbin-Watson检验B.Breusch-Pagan检验C.t检验D.F检验8.误差项存在自相关时，最可能的后果是：A.系数估计有偏B.回归模型预测失效C.标准误估计不准确，导致t检验失效D.决定系数R²显著降低9.岭回归的主要作用是：A.解决异方差问题B.处理自相关C.缓解多重共线性D.检验模型线性假设10.若回归模型包含交互项x₁x₂，则系数β₃（交互项系数）表示：A.x₁对因变量的单独影响B.x₂对因变量的单独影响C.x₁和x₂对因变量的联合影响超过各自单独影响的部分D.x₁和x₂对因变量的总影响二、填空题（总共10题，每题2分）1.简单线性回归模型的一般形式为__________。2.最小二乘法的目标是最小化__________的平方和。3.决定系数R²等于回归平方和与__________的比值。4.残差是观测值与__________的差值。5.方差膨胀因子（VIF）大于__________通常表示存在严重多重共线性。6.虚拟变量的取值通常为__________。7.异方差是指误差项的__________随自变量变化而变化。8.Durbin-Watson统计量的取值范围是__________。9.岭回归通过在目标函数中加入__________来约束系数估计。10.交互项的引入需要考虑自变量的__________，避免多重共线性加剧。三、判断题（总共10题，每题2分）1.线性回归模型中的“线性”仅指因变量与自变量的关系是线性的。（）2.决定系数R²=0.85表示自变量能解释85%的因变量变异。（）3.残差的正态性是线性回归的必要假设，否则模型不可用。（）4.多重共线性会导致回归系数的符号与实际经济意义相反。（）5.对于分类型自变量，虚拟变量的数量应等于类别数。（）6.异方差不影响回归系数的无偏性，但会影响有效性。（）7.误差项存在自相关时，普通最小二乘法（OLS）估计的系数仍无偏。（）8.岭回归估计的系数是有偏的，但方差比OLS更小。（）9.交互项的系数显著意味着两个自变量对因变量的影响相互独立。（）10.残差图呈现随机分布（无明显模式）说明模型拟合良好。（）四、简答题（总共4题，每题5分）1.简述最小二乘法（OLS）的基本原理。2.决定系数R²与调整R²的主要区别是什么？3.残差分析通常包括哪些内容？4.多重共线性的主要后果及解决方法有哪些？五、讨论题（总共4题，每题5分）1.比较简单线性回归与多元线性回归在建模流程上的主要差异。2.分析异方差对回归结果的影响，并说明常用的处理方法。3.结合教育研究场景，举例说明虚拟变量的应用及注意事项。4.假设你拟合了一个回归模型，残差图显示“漏斗形”分布，可能意味着什么问题？应如何进一步诊断和处理？答案及解析一、单项选择题1.C2.B3.B4.B5.C6.B7.B8.C9.C10.C二、填空题1.ŷ=β₀+β₁x+ε2.残差3.总平方和4.预测值5.106.0或17.方差8.0-49.正则化项（或L2惩罚项）10.中心化（或标准化）三、判断题1.×（“线性”也可指对参数线性）2.√3.×（非必要，但影响检验）4.√5.×（类别数减1）6.√7.√8.√9.×（表示影响不独立）10.√四、简答题1.最小二乘法通过最小化实际观测值与模型预测值的残差平方和，求解回归系数的估计值。其核心是找到使Σ(yi-ŷi)²最小的β₀和β₁（或多元模型中的β向量），从而得到最优线性无偏估计（BLUE）。2.决定系数R²衡量自变量对因变量变异的解释比例，但会随自变量数量增加而虚高；调整R²通过引入自变量个数的惩罚项（自由度校正），避免因变量无意义增加导致的R²虚高，更适合比较不同自变量数量的模型。3.残差分析包括：（1）残差的随机性（观察残差图是否无明显模式）；（2）残差的正态性（通过Q-Q图或正态检验）；（3）残差的方差齐性（检验是否存在异方差）；（4）残差的独立性（检验自相关，如Durbin-Watson检验）。4.后果：系数估计方差增大，显著性检验失效，系数符号可能异常；解决方法：剔除高度相关的自变量，增加样本量，使用岭回归或主成分回归，对自变量进行中心化或标准化处理。五、讨论题1.简单线性回归仅包含1个自变量，建模流程侧重拟合直线、检验斜率显著性及模型整体显著性；多元线性回归包含多个自变量，需额外考虑变量筛选（如逐步回归）、多重共线性诊断（VIF）、交互项或非线性项的引入，以及调整R²的使用，以更全面评估模型拟合效果。2.异方差会导致系数的标准误估计不准确（通常被低估或高估），使t检验和F检验失效，但不影响系数的无偏性。处理方法包括：（1）对因变量或自变量进行变换（如取对数）；（2）使用加权最小二乘法（WLS），根据异方差结构赋予不同权重；（3）采用稳健标准误（如White标准误）修正推断结果。3.例如研究性别对学生成绩的影响，可设置虚拟变量D（男=1，女=0），若回归系数显著，则表示性别对成绩有差异。注意事项：（1）类别数为k时，仅需k-1个虚拟变量（避免完全共线性）；（2）基准类别的选择需合理（如常用多数群体）；（3）需考虑虚拟变量与其他自变量的交互作用（如性别×家庭收入）。4.“