2026年统计学多元统计分析期末考试题库及答案

2026年统计学多元统计分析期末考试题库及答案一、单项选择题（每题2分，共20分）1.主成分分析中，第k个主成分的方差等于（）A.第k个特征值的平方根B.第k个特征值C.第k个特征向量的模D.原始变量方差之和答案：B解析：主成分的方差等于对应特征值，特征值按从大到小排列，对应主成分的方差贡献依次递减。A项是奇异值，C项为常数1。2.因子分析中，因子载荷aiA.第i个变量与第j个公共因子的相关系数B.第i个变量与第j个公共因子的协方差C.第i个公共因子对第j个变量的方差贡献D.第i个变量的特殊方差答案：A解析：因子载荷是在标准化变量和正交公共因子假设下变量与公共因子的相关系数，反映变量依赖公共因子的强度。3.聚类分析中，类间距离定义为两类中最近样本之间距离的方法是（）A.最长距离法B.重心法C.最短距离法D.类平均法答案：C解析：最短距离法又称最近邻法，将两类间距离定义为两类中相距最近的两个样本的距离。4.判别分析中，马氏距离与欧氏距离相比，主要优点是（）A.计算简单B.考虑了变量之间的相关性和量纲影响C.不受样本量影响D.不依赖总体分布答案：B解析：马氏距离通过协方差矩阵逆矩阵对变量相关性进行校正，并消除量纲影响，因此比欧氏距离更适合多变量判别。5.典型相关分析中，第一对典型变量的相关系数（）A.是所有线性组合中相关系数最大的B.是所有线性组合中相关系数最小的C.一定等于1D.一定大于0.5答案：A解析：典型相关分析的目标是在两组变量中寻找线性组合，使两者相关系数最大，第一对典型变量即为相关系数最大的组合。6.对应分析中，惯量（inertia）的分解主要用于（）A.度量行、列分类之间的关联程度并降维B.计算样本距离C.估计均值向量D.检验正态性答案：A解析：惯量反映列联表中行、列分类的关联程度，对应分析通过分解总惯量来实现降维可视化。7.多维标度法（MDS）的目标是（）A.在低维空间中保持样本间的距离或相似性结构B.最大化组间差异C.提取公共因子D.建立判别函数答案：A解析：多维标度法从距离或相似性矩阵出发，在低维空间（通常2维或3维）中配置样本点，尽可能保留原始距离或相似性结构。8.主成分分析中，若所有变量都已标准化，则主成分的系数向量是原始变量协方差矩阵的（）A.特征向量B.相关矩阵的特征向量C.逆矩阵的特征向量D.奇异向量答案：B解析：标准化后数据的协方差矩阵即相关矩阵，主成分系数向量为相关矩阵的单位特征向量。9.Fisher判别法适用于（）A.两总体判别B.多总体判别C.两总体和多总体判别D.聚类分析答案：C解析：Fisher判别法最初针对两总体，但可推广到多总体判别，通过投影方向最大化组间离差与组内离差之比。10.在因子分析中，方差最大正交旋转（Varimax）的目的是（）A.使每个变量仅在一个公共因子上有较大载荷B.使每个公共因子上少数变量有较大载荷，其余变量载荷接近零C.最大化累计方差贡献率D.最小化特殊方差答案：B解析：Varimax旋转使每个公共因子上高载荷变量数尽量少，载荷向0或1分化，便于解释因子含义。二、判断题（每题2分，共10分）1.主成分分析得到的主成分之间一定互不相关。答案：正确解析：主成分是原始变量的正交线性变换，其协方差矩阵为对角矩阵，故主成分两两不相关。2.因子分析中，公共因子之间通常是允许相关的。答案：错误解析：在正交因子模型中公共因子被假设为互不相关。若允许相关，则需采用斜交旋转，但初始模型通常建立在正交假设上。3.聚类分析和判别分析都属于无监督学习方法。答案：错误解析：聚类分析属于无监督学习，不需要已知类别；判别分析需要已知分类的训练样本，属于有监督学习。4.典型相关分析中，典型变量的个数等于两组变量中变量个数的最小值。答案：正确解析：典型变量的对数为两组变量个数中的较小值，即min(5.K-means聚类结果不依赖于初始聚类中心的选择。答案：错误解析：K-means对初始聚类中心敏感，不同初始中心可能导致不同的局部最优聚类结果，通常需要多次运行选择较优解。三、简答题（每题5分，共20分）1.简述主成分分析的基本思想及主要步骤。答案：基本思想是通过正交变换将原始相关变量转换为少数几个互不相关的综合变量（主成分），尽可能保留原始数据的信息。主要步骤为：对数据进行标准化；计算相关矩阵或协方差矩阵；求特征值和特征向量；按方差贡献率选择前几个主成分；解释主成分含义并计算得分。解析：主成分分析本质上是一种降维技术，其关键在于用较少的主成分替代原始多变量，同时保持数据变异信息。2.简述判别分析与聚类分析的主要区别。答案：判别分析属于有监督学习，需要事先已知分类的训练样本，目标是建立判别规则并对新样本进行分类；聚类分析属于无监督学习，无需预先知道类别，直接根据样本间相似性或距离将样本分组。判别分析强调“判别”，聚类分析强调“聚集”。解析：区分两者的核心在于是否利用已知类别信息。判别分析依赖先验标记，聚类分析则完全依赖数据内部结构。3.简述系统聚类法中常用的类间距离定义（至少三种）。答案：常用的类间距离定义包括：最短距离法（两类中最近样本的距离）、最长距离法（两类中最远样本的距离）、类平均法（两类所有样本对距离的平均值）、重心法（两类重心之间的距离）、离差平方和法（Ward法，合并后使组内离差平方和增加最小）。解析：不同类间距离定义会影响聚类结果。最短距离法易产生链状聚类，最长距离法倾向于紧凑类，类平均法和Ward法通常较稳健。4.简述典型相关分析的基本思想及其应用场景。答案：典型相关分析研究两组变量之间的整体相关关系。其思想是在每组变量中各构造一个线性组合（典型变量），使这两个线性组合之间的相关系数达到最大，然后继续提取第二对与第一对不相关的典型变量，依次进行。应用场景如经济指标与环境指标的关系、学习能力与职业能力的关系等。解析：典型相关分析可视为两组变量间的“多重相关”推广，关注两组变量间的整体相关结构而非单个变量间相关。四、计算分析题（每题10分，共30分）1.设随机向量X=Σ（1）求主成分；（2）计算各主成分的方差贡献率，并讨论第一主成分是否足以代表原始变量的大部分信息。答案：（1）求解特征方程|Σ2得特征值λ1=3对于λ1=3，解(对于λ2=1故第一主成分为Y1=1（2）总方差为λ1+λ2=解析：主成分系数向量是标准化特征向量，必须满足单位长度且相互正交。贡献率用特征值占总特征值之和的比例衡量。2.对5个样品进行聚类分析，已知它们之间的欧氏距离矩阵如下（对称矩阵，下三角部分）：D行和列对应样品1、2、3、4、5。采用最短距离法进行系统聚类，请给出聚类过程（按合并顺序写出每次合并的类及距离）。答案：初始距离矩阵中最小非零距离为d12=1更新距离：ddd当前类间最小距离为d34=2更新距离：dd当前最小距离为3，合并C1与C2得最后合并C3与样品5，距离为d聚类顺序及合并距离：{1,2}（距离1）→{3解析：系统聚类的关键在于每次找到当前最小类间距离并合并，然后重新计算新类与其他类的距离。最短距离法下新类距离为两类中最近样本的距离，因此更新时取最小值。3.设两总体G1、G2均服从正态分布，且协方差矩阵相同。已知均值向量分别为μ1Σ现有一个新样本X=答案：先求逆矩阵：|Σ计算马氏距离平方：d其中X−(d对于G2，X(d由于dM2(X,解析：距离判别法将样本判给马氏距离较小的总体。计算时注意矩阵乘法的顺序和逆矩阵的系数，马氏距离公式中的Σ−五、综合分析题（20分）某研究机构收集了某地区20家企业的6项经济效益指标：总资产贡献率、资产负债率、流动资产周转率、成本费用利润率、全员劳动生产率、产品销售率。现希望对这些企业进行综合评价和分类。请结合多元统计方法，设计一个完整的分析方案，说明每一步的方法选择及理由。答案：分析方案如下：（1）数据预处理：对6项指标进行标准化处理，消除量纲和数量级差异。若某些指标为逆指标（如资产负债率通常越高风险越大，可根据经济含义作正向化处理）。（2）综合评价：采用主成分分析。计算标准化后数据的相关矩阵，求特征值和特征向量，按累计方差贡献率（如达到80%以上）选取前k个主成分。利用各主成分的方差贡献率作为权重，计算各企业的综合得分F=i=（3）分类分析：在综合得分的基础上，或直接利用原始标准化数据，采用系统聚类法（如类平均法或Ward法）进行聚类，结合聚类树形图确定合适的分类数目，将企业分为若干类型（如高效益型、低效益型等）。（4）结果解释：结合主成分的实际含义（如第