(2025年)完整版《应用回归分析》课后题答案

(2025年)完整版《应用回归分析》课后题答案问题1：简单线性回归模型估计与检验某城市统计部门收集了20个社区的居民月收入（X，单位：千元）与月消费支出（Y，单位：千元）的横截面数据，部分统计量如下：∑Xi=300，∑Yi=220，∑XiYi=3500，∑Xi²=5000，∑Yi²=3000。要求：（1）建立Y关于X的简单线性回归方程；（2）检验回归方程的整体显著性（α=0.05）；（3）当居民月收入为15千元时，计算消费支出的95%置信区间。解答：（1）回归方程形式为Y=β0+β1X+ε。根据最小二乘法，参数估计公式为：β1=(n∑XiYi-∑Xi∑Yi)/(n∑Xi²-(∑Xi)²)β0=Ȳ-β1X̄其中n=20，X̄=∑Xi/n=15，Ȳ=∑Yi/n=11。代入数据：分子=20×3500-300×220=70000-66000=4000分母=20×5000-300²=100000-90000=10000故β1=4000/10000=0.4β0=11-0.4×15=11-6=5因此，回归方程为Ŷ=5+0.4X。（2）整体显著性检验采用F检验，原假设H0:β1=0。总平方和SST=∑(Yi-Ȳ)²=∑Yi²-(∑Yi)²/n=3000-220²/20=3000-2420=580回归平方和SSR=β1²×[∑Xi²-(∑Xi)²/n]=0.4²×10000=1600？此处计算错误，正确SSR=β1×(∑XiYi-∑Xi∑Yi/n)=0.4×(3500-300×220/20)=0.4×(3500-3300)=0.4×200=80残差平方和SSE=SST-SSR=580-80=500均方回归MSR=SSR/1=80，均方误差MSE=SSE/(n-2)=500/18≈27.78F统计量=F=MSR/MSE=80/27.78≈2.88自由度df1=1，df2=18，查F分布表（α=0.05）得临界值F0.05(1,18)=4.41。由于2.88<4.41，不拒绝H0，说明回归方程整体不显著。（3）当X0=15时，Ŷ0=5+0.4×15=11（千元）。预测的标准误Se=√[MSE×(1/n+(X0-X̄)²/∑(Xi-X̄)²)]其中∑(Xi-X̄)²=∑Xi²-(∑Xi)²/n=5000-300²/20=5000-4500=500代入得Se=√[27.78×(1/20+(15-15)²/500)]=√(27.78×0.05)=√1.389≈1.178自由度为n-2=18，t临界值t0.025(18)=2.101置信区间为Ŷ0±tα/2×Se=11±2.101×1.178≈11±2.476，即(8.524,13.476)千元。问题2：多元线性回归系数解释与显著性检验某研究收集了30家制造企业的年利润（Y，百万元）、员工人数（X1，百人）、研发投入（X2，百万元）、行业类别（X3，0=传统行业，1=高新技术行业）的截面数据，建立多元回归模型：Y=β0+β1X1+β2X2+β3X3+ε。回归结果如下（括号内为标准误）：Ŷ=2.5+0.8X1+1.2X2+3.5X3(1.2)(0.3)(0.4)(1.5)R²=0.82，调整R²=0.80，F=35.2（p=0.000）。要求：（1）解释各回归系数的经济意义；（2）检验X2的显著性（α=0.05）；（3）分析模型是否存在多重共线性（假设VIF(X1)=2.1，VIF(X2)=1.8，VIF(X3)=1.2）。解答：（1）系数解释：β1=0.8：在研发投入和行业类别不变时，员工人数每增加1百人（即100人），企业年利润平均增加0.8百万元（80万元）。β2=1.2：在员工人数和行业类别不变时，研发投入每增加1百万元，企业年利润平均增加1.2百万元（120万元）。β3=3.5：在员工人数和研发投入不变时，高新技术行业企业的年利润比传统行业平均高3.5百万元（350万元）。（2）X2的显著性检验采用t检验，原假设H0:β2=0。t统计量=β2/SE(β2)=1.2/0.4=3.0自由度为n-k-1=30-3-1=26（k为解释变量个数，此处k=3），查t分布表得t0.025(26)=2.056。由于|t|=3.0>2.056，拒绝H0，说明研发投入（X2）对利润有显著影响（p<0.05）。（3）多重共线性诊断：方差膨胀因子（VIF）衡量变量间的共线性程度，一般认为VIF>10时存在严重共线性。题目中VIF(X1)=2.1，VIF(X2)=1.8，VIF(X3)=1.2，均远小于10，因此模型不存在显著的多重共线性。问题3：异方差检验（White检验）基于问题2的制造企业数据，假设已估计多元回归模型，得到残差et。现需检验模型是否存在异方差（使用White检验，α=0.05）。解答：White检验步骤如下：（1）估计原模型，得到残差et，计算残差平方et²作为被解释变量。（2）建立辅助回归模型：et²=γ0+γ1X1+γ2X2+γ3X3+γ4X1²+γ5X2²+γ6X3²+γ7X1X2+γ8X1X3+γ9X2X3+vt（3）计算辅助回归的可决系数R²_white。（4）构造统计量nR²_white，在H0（同方差）成立时，nR²_white渐近服从χ²(m)，其中m为辅助回归中解释变量的个数（包括常数项）。假设辅助回归结果为n=30，R²_white=0.15，m=9（含交叉项和平方项）。则统计量=30×0.15=4.5。查χ²分布表（α=0.05，自由度=9），临界值χ²0.05(9)=16.92。由于4.5<16.92，不拒绝H0，认为模型不存在异方差。问题4：自相关检验与修正（Durbin-Watson检验与Cochrane-Orcutt方法）某地区2000-2020年（n=21）年度GDP增长率（Yt）与固定资产投资增长率（Xt）的时间序列数据，建立模型Yt=β0+β1Xt+εt。回归结果中Durbin-Watson统计量DW=1.2，α=0.05。要求：（1）检验是否存在一阶自相关；（2）若存在，用Cochrane-Orcutt方法修正。解答：（1）Durbin-Watson检验：n=21，k=1（解释变量个数），查DW临界值表（α=0.05）得dL=1.22，dU=1.42。DW=1.2<dL=1.22，根据判别规则，拒绝H0（无自相关），认为存在正一阶自相关。（2）Cochrane-Orcutt修正步骤：①估计自相关系数ρ≈1-DW/2=1-1.2/2=0.4。②对原变量进行广义差分变换：Yt=Yt-ρYt-1，Xt=Xt-ρXt-1（t=2,3,…,21）③用变换后的数据（共20个样本）重新估计模型Yt=β0(1-ρ)+β1Xt+εt④迭代估计：若新模型的DW值仍未通过检验，重复①-③直至ρ收敛。假设迭代后得到ρ=0.5，重新估计模型的DW=1.8（dL=1.20，dU=1.41），此时dU<DW<4-dU（1.41<1.8<2.59），自相关消除。修正后的模型为Yt=0.3+0.6Xt，即Yt=0.3/(1-0.5)+0.6Xt+0.5Yt-1-0.6×0.5Xt-1=0.6+0.6Xt+0.5Yt-1-0.3Xt-1。问题5：非线性回归模型转换某行业研究发现，企业产量（Y，万吨）与设备使用年限（X，年）的关系符合指数模型Y=αeβXε，其中ε为随机误差项（lnε~N(0,σ²)）。现有25组数据，经对数变换后得到线性模型lnY=lnα+βX+u（u=lnε），回归结果为lnŶ=3.2+0.15X，Se=0.2，R²=0.85。要求：（1）写出原指数模型的估计式；（2）计算X=5时Y的点预测值。解答：（1）原模型Y=αeβXε，取自然对数得lnY=lnα+βX+lnε。令α̂=e^(lnα̂)，则lnα̂=3.2，故α̂=e^3.2≈24.53。β̂=