当因变量数据具有尖峰厚尾的分布特征或有离群点(即异常值)时,更合适的回归模型是()。
A.线性回归模型
B.Logistic回归模型
C.分位数回归
D.非线性回归
A.线性回归模型
B.Logistic回归模型
C.分位数回归
D.非线性回归
第1题
A.判断变量间是否存在线性关系
B.考察变量间是否存在数量上的依存关系
C.明确自变量和因变量
D.对数据进行标准化处理
E.检测数据集中是否存在异常值
第2题
A.回归模型因变量y与自变量x之间具有线性关系
B.在重复抽样中自变量x值是固定的,即假定x是非随机的
C.误差项ε的均值为零,方差为常数
D.误差项ε是独立随机变量且服从正态分布
第3题
A.均方误差MSE和均方根误差RMSE是检验模型拟合优度的评价依据
B.当有多个自变量可以同时影响因变量时,可以考虑建立多元线性回归模型
C.多元线性回归模型中的自变量和因变量都要求是连续型变量
D.多元线性回归模型的参数估计方法使用加权最小二乘法
第4题
A.当函数形式为未知参数的线性函数时,称为线性回归分析模型
B.当函数形式为未知参数的非线性函数时,称为非线性回归分析模型
C.当自变量的个数大于1时称为多元回归
D.当因变量个数大于1时称为多元回归
第5题
第7题
利用BARIUM.RAW中的数据。
(i)用前119次观测(即不包含1988年的最后12个月观测),估计线性趋势模型。这个回归的标准误是什么?
(ii)同样用除了最后12个月以外的所有数据,估计chnimp的一个AR(1)模型。把这个回归的标准误与第(i)部分中的标准误相比较。哪一个模型提供了更好的样本内拟合?
(iii)用第(i)和第(ii)部分中的模型计算1988年12个月的提前一期预测误差。(每个方法都应该得到12个预测误差。)计算并比较这两种方法的RMSE和MAE。就样本外提前一期预测而言,哪种方法效果更好?
(iv)在第(i)部分的回归中添加月度虚拟变量。它们是联合显著的吗?(当我们检验联合显著性时,不必担心误差中轻度的序列相关。)
第8题
A.1,2,3, 4
B.1,2,3
C.1,3,4
D.1,2
第9题
A.误差项ε是一个期望值为0的随机变量,即E(ε)=0
B.在重复抽样中,自变量x的取值是随机的
C.误差项ε是一个服从正态分布的随机变量,且相互独立
D.对于所有的x值,ε的方差σ2都相同
E.因变量y与自变量x之间具有线性关系
第10题
A.异方差
B.完全多重共线
C.遗漏变量偏差
D.虚拟变量陷阱