在回归分析中确定自变量和因变量的依据主要有()。
A.市场现象客观上的经济联系
B.预测者的经验和判断分析能力
C.自变量、因变量的数据拥有程度
D.以上都对
A.市场现象客观上的经济联系
B.预测者的经验和判断分析能力
C.自变量、因变量的数据拥有程度
D.以上都对
A.直线回归分析的两相关变量可区分为自变量和依变量
B.直线相关分析研究的变量呈平行关系
C.两相关变量间的决定系数等于其相关系数的平方
D.相关系数可用回归系数表示,反之则不然
A.对同一组数据来说,回归系数和相关系数的假设检验是不等价的
B.直线回归分析的两相关变量可区分为自变量和依变量
C.两相关变量间的决定系数等于其相关系数的平方
D.相关系数可用回归系数表示,反之则不然
E.相关变量x与y的直线回归分析中,回归系数显著表明x与y一定呈直线关系
假设我们定义outlf在妇女不属于劳动力范围时等于1,否则等于0。
(i)如果我们将outlf对式(7.29)中所有自变量做回归,截距和斜率的估计值会怎么样?
(ii)截距和斜率的标准误会有什么变化?
(iii)R2会有什么变化?
在方程(7.29) 的例子中, 假设我们定义outlf在妇女不属于劳动力范围时等于1, 否则等于0。
(i) 如果我们将out lf对式(7.29) 中所有自变量做回归, 截距和斜率的估计值会怎么样?(提示:inlf=1-outlf。将它代入总体方程inlf=β0+β1nwifeinc+β2educ+…并重新整理。)
(ii)截距和斜率的标准误会有什么变化?
(iii)R2会有什么变化?
本题利用NBASAL.RAW中的数据。
(i)估计一个线性回归模型,将单场得分与联赛中打球经历和位置(后卫、前锋或中锋)联系起来。包括打球经历的二次项形式,并将中锋作为基组。以通常的形式报告结果。
(ii)在第(i)部分中,你为什么不将所有三个位置虚拟变量包括进来?
(iii)保持经历不变,一个后卫的得分比一个中锋多吗?多多少?这个差异统计显著吗?
(iv)现在,将婚姻状况加入方程。保持位置和经历不变,已婚球员是否更高效(就单场得分来说)?
(v)加入婚姻状况和两个经历变量的交互项。在这个扩展的模型中,是否存在有力的证据表明婚姻状况影响单场得分?
(vi)使用单场助攻次数作为因变量估计(iv)中的模型。与(iv)的结果有明显的差异吗?请讨论。