根据回归方程的不同形态可将回归预测方程分为线性回归方程和非线性回归方程。（)

A.非线性回归方程

B.线性回归方程

C.一元回归

D.多元回归

A.参数回归法

B.因素分析法

C.回归分析法

D.方程分析法

B、多元线性回归分析预测法的关键是找到适宜的回归方程

C、偏回归系数是假设在其他所有自变量保持不变的情况下，某一个自变量的变化引起因变量变化的比重

D、它的参数可以用最小二乘法进行估计

A.拟合程度越低

B.拟合程度越高

C.拟合程度有可能高有可能低

D.用回归方程进行预测越不准确

建立变量X、Y间的直线回归方程，回归系数的绝对值︱b︱越大，说明

A、回归方程的误差越小

B、回归方程的预测效果越好

C、回归直线的斜率越大

D、X、Y间的相关性越密切

E、越有理由认为X、Y间有因果关系

下面是20个城市写字楼出租率和每平米月租金价格的回归分析结果，月租金为自变量，出租率为因变量： 回归统计： MultipleR RSquare AdjustedRSquare 标准误差 0.7951 0.6322 0.6117 2.6858 方差分析 Df SS MS F SignificanceF 回归 1 223.1403 223.1403 30.9332 2.798E-05 残差 18 129.8452 7.213.6 总计 19 352.9855 系数估计和检验 Coefficient 标准误差 T Stat P-Value Lower95% Upper95% Intercept 49.3177 3.8050 12.9612 0.0000 41.3236 57.3117 XVariable 0.2492 0.0448 5.5618 0.0000 0.1551 0.3434 根据回归分析结果，下列判断正确的是（）。

A、出租率与月租金价格之间的线性关系为：=49.3177+0.2492x

B、回归系数=0.2492，表示：月出租率增加1%，月租金平均增加0.2492%

C、=63.22%，表明在出租率的变差中被出租率与月租金之间的线性关系所解释的比例为63.22%，回归方程的拟合程度一般

D、估计标准误差Se=2.6858，表示，当用月租金来预测出租率时，平均的预测误差为2.6858%，表明预测误差不大

E、方差分析中SignificanceF=2.798E-05＜0.05,说明两者线性关系显著＜br＞

F、回归系数检验的P-Value=0.0000＜0.05，说明回归系数通过显著检验＜br＞

A.据同一资料，相关系数只能计算一个

B.据同一资料，相关系数可以计算两个

C.据同一资料，回归方程只能配合一个

D.据同一资料，回归方程随自变量与因变量的确定不同，可能配合两个

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？

A.自变量是可控量，因变量是随机的

B.两个变量不是对等的关系

C.对于没有明显因果关系的两个变量可求得两个回归方程

D.根据回归系数可判定相关的方向