题目内容
（请给出正确答案）
[单选题]
对两个包含的解释变量个数不同的回归模型进行拟合优度比较时，应比较它们的（)。
A.判定系数
B.调整后判定系数
C.标准误差
D.估计标准误差
查看答案
如果结果不匹配，请 联系老师 获取答案
题目内容
（请给出正确答案）
如果结果不匹配，请 联系老师 获取答案
题目内容
（请给出正确答案）
A.判定系数
B.调整后判定系数
C.标准误差
D.估计标准误差
如果结果不匹配，请 联系老师 获取答案
更多“对两个包含的解释变量个数不同的回归模型进行拟合优度比较时，应…”相关的问题
一个二元线性回归模型的回归结果如下表所示：
方差来源 平方和 自由度
来自残差 17058 32
来自回归 26783 2
来自总离差 43841 34
(1)求样本容量n;(2)求可决系数;
(3)根据以上信息，在给定显著性水平下，可否检验两个解释变量对被解释变量的联合影响是否显著，为什么？
利用401KSUBS.RAW中的数据。
(i)计算样本中netta的平均值、标准差、最小值和最大值。
(ii)检验假设：平均netta不会因为401(k)资格状况而有所不同，使用双侧备择假设。估计差异的美元数量是多少？
(iii)根据第7章的计算机练习C7的第(ii)部分，e401k在一个简单回归模型中显然不是外生的，起码它随着收入和年龄而变化。以收入、年龄和e401k作为解释变量估计nettfa的一个多元线性回归模型。收入和年龄应该以二次函数形式出现。现在，估计401(k)资格的美元效应是多少？
(iv)在第(ii)部分估计的模型中，增加交互项e401k(age-41)和e401k-(age-41)2。注意样本中的平均年龄约为41岁，所以在新模型中，e401k的系数是401(k)资格在平均年龄处的估计效应。哪个交互项显著？
(v)比较第(iii)和(iv)部分的估计值，401(k)资格在41岁处的估计效应差别大吗？请解释。
(vi)现在，从模型中去掉交互项，但定义5个家庭规模虚拟变量：fsizel，fsize2，fsize3，fsize4和fsize5。对有5个或5个以上成员的家庭，fsize5等于1。在第(ii)部分估计的模型中，增加家庭规模虚拟变量，记得选择一个基组。这些家庭虚拟变量在1%的显著性水平上显著吗？
(vii)现在，针对模型
在容许截距不同的情况下，做5个家庭规模类别的邹至庄检验。约束残差平方和SSR，从第(iv)部分得到，因为那里回归假定了相同斜率。无约束残差平方和
其中SSRf是从仅用家庭规模f估计的方程中得到的残差平方和。你应该明白，无约束模型中有30个参数(5个截距和25个斜率)，而约束模型中有10个参数(5个截距和5个斜率)。因此，带检验的约束个数是q=20，而且无约束模型的df为9275-30=9245。
A.一元线性回归预测是回归预测的基础，预测对象只受一个主要因素影响
B.判定一个线性回归方程的拟合程度的优劣称为模型的显著性检验，通常用的检验法是相关系数检验法
C.相关系数等于回归平方和在总平方和中所占的比率，即回归方程所能解释的因变量变异性的百分比，是一元回归模型中用来衡量两个变量之间相关程度的判定指标
D.如果相关系数r=0，表示所有的观测值全部落在回归直线上;如果r=1，则表示自变量与因变量无线性关系
其中，因为滞后支出变量，第一个可用年份(基年)是1993年。
(i)用混合OLS估计模型，并报告通常的标准误。为使得ai的期望值可以非零，你应该与年度虚拟变量一起包含一个截距项。支出变量的估计效应是什么？求OLS残差
。
(ii)lunchit系数的符号在意料之中吗？解释系数的大小。你认为学区的贫穷率对考试通过率有很大的影响吗？
(iii)利用
的回归计算AR(1)序列相关的一个检验。你应该在回归中使用1994-1998年的数据。验证存在很强的正序列相关，并讨论为什么。
(iv)现在用固定效应法估计方程。滞后的支出变量仍显著吗？
(v)你为什么认为在固定效应估计中，注册学生人数和午餐项目变量不是联合显著的？
(vi)定义支出的总(或长期)效应为
的标准误。
(i)考虑静态非观测效应模型
其中，enrolit表示学区总注册学生人数，lunchit表示学区中学生有资格享受学校午餐计划的百分数。(因此lunchit是学区贫穷率的一个相当好的度量指标。)证明：若平均每个学生的真实支出提高10%，则math4it约改变β1/10个百分点。
(ii)利用一阶差分估计第(i)部分中的模型。最简单的方法就是在一阶差分方程中包含一个截距项和1994~1998年度虚拟变量。解释支出变量的系数。
(iii)现在，在模型中添加支出变量的一阶滞后，并用一阶差分重新估计。注意你又失去了一年的数据，所以你只能用始于1994年的变化。讨论即期和滞后支出变量的系数和显著性。
(iv)求第(iii)部分中一阶差分回归的异方差-稳健标准误。支出变量的这些标准误与第(iii)部分相比如何？
(v)现在，求对异方差性和序列相关都保持稳健的标准误。这对滞后支出变量的显著性有何影响？
(vi)通过进行一个AR(1)序列相关检验，验证差分误差rit=Δuit含有负序列相关。
(vii)基于充分稳健的联合检验，模型中有必要包含学生注册人数和午餐项目变量吗？
2部门中平均工资的月增长率(对数的变化)，gemp232是232部门中的就业增长率，gmwage是联邦最低工资的增长率，gcpi是(城市)消费者价格指数的增长率。
(i)求gwage232中的一阶自相关。这个序列看起来是弱相关的吗？
(ii)用OLS估计动态模型
保持上个月的工资增长率和CPI增长率不变，联邦最低工资的提高导致了gwage232t的同期提高吗？请解释。
(iii)在第(ii)部分的方程中添加就业增长率的一阶滞后gemp232t它是统计显著的吗？
(iv)与不包含gwage232t-1和gemp232t-1的模型相比，增加这两个滞后变量显著改变了最低工资变量的估计效应了吗？
(v)做gnwaget对gwage232t-1和gep232t-1的回归，并报告R2。评论这个R值如何有助于你对第(iv)部分的回答。
利用BWGHT2.RAW中的数据。
(i)估计模型
并按照通常的方式报告估计方程，包括样本容量和R²。斜率系数的符号与你的预期一致吗？请加以解释。
(ii)如果npvis增加一个样本标准差，对出生重量(bwght)有什么影响？
(iii)现在做log(bwght)对cigs的简单回归，并将斜率系数与第(i)部分中得到的估计值进行比较。估计出来吸烟的效应是否和第(i)部分的有明显差别？
(iv)找出cigs和npvis之间的系数，并用它来解释简单回归和多元回归下β1估计值的相似性。
(v)向第(i)部分的回归方程中加入变量mage，meduc，fage和feduc。出生体重[更确切地说是log(bwght)]是一个容易解释的变量吗？
使用SMOKE.RAW中的数据。
(i)变量cigs是平均每天抽烟的数量。样本中有多少人根本就不抽烟？有多大比例的人声称每天抽20支？你为什么认为抽20支香烟的人会有所堆积？
(ii)给定你对第(i)部分的回答，cigs看起来具有条件泊松分布吗？
(iii)用log(cigpric)、log(income)、white、educ、age和age2作为解释变量，估计cigs的一个泊松回归模型。估计的价格和收入弹性是多少？
(iv)利用极大似然标准误，价格和收入变量在5%的水平上统计显著吗？
(v)求方程(17.35)后面介绍的σ2估计值。σ是多少？你应该如何调整第(iv)部分中的标准误？
(vi)利用第(v)部分中调整后的标准误，价格和收入弹性现在统计显著异于零吗？请解释。
(vii)利用更稳健的标准误，教育和年龄变量显著吗？你如何解释educ的系数？
(viii)求泊松回归模型的拟合值yi。找出最大值和最小值，并讨论指数模型对瘾君子的预测表现。
(ix)利用第(viii)部分的拟合值，求yi和yi之相关系数的平方。
(x)使用第(iii)部分中的解释变量(及相同的函数形式)，用OLS估计cigs的一个线性模型。线性模型和指数模型哪个拟合得更好？两者的R都很大吗？
(i)u中包含什么样的因素？它们可能与受教育程度相关吗？
(ii)简单回归分析能够揭示教育对生育率在其他条件不变下的影响吗？请解释。
：年龄x1，体重x2(单位：kg)，1500m跑用的时间x3(单位：min)，静止时心率x4(单位：次/mim)，跑步后心率x5(单位：次/min)。对24名38至57岁的志愿者进行了测试，结果如下表。试建立耗氧能力y与诸因素之间的回归模型。
(1)若x1~x5中只许选择1个变量，最好的模型是什么？
(2)若x1~x5中只许选择2个变量，最好的模型是什么？
(3)若不限制变量个数，最好的模型是什么？你选择哪个作为最终模型，为什么？
(4)对最终模型观察残差，有无异常点？若有，剔除后如何？
(i)变量train是工作培训指标变量。样本中有多少人参与了工作培训项目？一个男人实际参加工作培训最多达几个月？
(ii)将train对unem74,unem75,age,educ,black,hisp和married等几个人口统计和培训前变量做一个线性回归。这些变量在5%的显著性水平上联合显著吗？
(iii)估计第(ii)部分中线性模型的一个概率单位形式。计算所有变量联合显著性的似然比检验。你得到什么结论？
(iv)基于第(ii)部分和第(iii)部分的答案，为解释1978年的失业状况，参与工作培训可视为外生变量吗？请解释。
(v)做unem78对train的简单回归，并以方程形式报告结果。估计参与工作培训项目对1978年失业的概率有何影响？它统计显著吗？
(vi)做unem78对train的概率单位模型。将train的概率单位系数与第(v)部分线性模型中得到的系数相比较有意义吗？
(vii)求出第(v)部分与第(vi)部分的拟合概率。解释它们为什么相同。为了度量工作培训项目的效果和统计显著性，你将采用哪个方法？
(viii)在第(v)部分与第(vi)部分模型中将第(ii)部分中的所有变量作为额外控制变量。现在拟合概率还相同吗？它们之间有何关系？
