應用回歸分析,第8章課后習題參考答案

1、第8章 非線性回歸思考與練習參考答案8.1 在非線性回歸線性化時，對因變量作變換應注意什么問題？答：在對非線性回歸模型線性化時，對因變量作變換時不僅要注意回歸函數的形式， 還要注意誤差項的形式。如：(1) 乘性誤差項，模型形式為，(2) 加性誤差項，模型形式為。對乘法誤差項模型（1）可通過兩邊取對數轉化成線性模型，（2）不能線性化。一般總是假定非線性模型誤差項的形式就是能夠使回歸模型線性化的形式，為了方便通常省去誤差項，僅考慮回歸函數的形式。8.2為了研究生產率與廢料率之間的關系，記錄了如表8.15所示的數據，請畫出散點圖，根據散點圖的趨勢擬合適當的回歸模型。表8.15生產率x（單位/周） 1

2、000200030003500400045005000廢品率y（%）5.26.56.88.110.210.313.0解：先畫出散點圖如下圖：從散點圖大致可以判斷出x和y之間呈拋物線或指數曲線，由此采用二次方程式和指數函數進行曲線回歸。（1）二次曲線SPSS輸出結果如下：從上表可以得到回歸方程為：由x的系數檢驗P值大于0.05，得到x的系數未通過顯著性檢驗。由x2的系數檢驗P值小于0.05，得到x2的系數通過了顯著性檢驗。（2）指數曲線從上表可以得到回歸方程為：由參數檢驗P值0<0.05，得到回歸方程的參數都非常顯著。從R2值，的估計值和模型檢驗統(tǒng)計量F值、t值及擬合圖綜合考慮，指數擬合效

3、果更好一些。8.3 已知變量x與y的樣本數據如表8.16，畫出散點圖，試用e/x來擬合回歸模型，假設：(1) 乘性誤差項，模型形式為y=e/xe(2) 加性誤差項，模型形式為y=e/x+。表8.16序號xy序號xy序號xy14.200.08663.200.150112.200.35024.060.09073.000.170122.000.44033.800.10082.800.190131.800.62043.600.12092.600.220141.600.94053.400.130102.400.240151.401.620解： 散點圖：(1) 乘性誤差項，模型形式為y=e/xe線性化：l

4、ny=ln+/x + 令y1=lny, a=ln,x1=1/x .做y1與x1的線性回歸，SPSS輸出結果如下：從以上結果可以得到回歸方程為：y1=-3.856+6.08x1 F檢驗和t檢驗的P值0<0.05，得到回歸方程及其參數都非常顯著?；卮鸀樵匠虨椋簓=0.021e6.08/x （2）加性誤差項，模型形式為y=e/x+不能線性化，直接非線性擬合。給初值=0.021，=6.08（線性化結果），NLS結果如下：從以上結果可以得到回歸方程為： y=0.021e6.061/x根據R21，參數的區(qū)間估計不包括零點且較短，可知回歸方程擬合非常好，且其參數都顯著。8.4 Logistic函數常

5、用于擬合某種消費品的擁有率，表8.17（書上239頁，此處略）是北京市每百戶家庭平均擁有的照相機數，試針對以下兩種情況擬合Logistic回歸函數。（1）已知，用線性化方法擬合，（2）u未知，用非線性最小二乘法擬合。解：（1），時，的線性擬合。對函數線性化得到：，令，作關于的線性回歸分析，SPSS輸出結果如下：由表Model Summary得到，趨于1，回歸方程的擬合優(yōu)度好，由表ANOVA得到回歸方程顯著，由Coefficients表得到，回歸系數都是顯著的，得到方程：，進一步計算得到：，（）回代變量得到最終方程形式為： 最后看擬合效果，通過sequence畫圖：由圖可知回歸效果比較令人滿意。

6、（2）非線性最小二乘擬合,取初值,：一共循環(huán)迭代8次，得到回歸分析結果為：>0.994，得到回歸效果比線性擬合要好，且：，回歸方程為：。最后看擬合效果，由sequence畫圖：得到回歸效果很好，而且較優(yōu)于線性回歸。8.5表8.18（書上240頁，此處略）數據中GDP和投資額K都是用定基居民消費價格指數（CPI）縮減后的，以1978年的價格指數為100。（1） 用線性化乘性誤差項模型擬合C-D生產函數；（2） 用非線性最小二乘擬合加性誤差項模型的C-D生產函數；（3） 對線性化檢驗自相關，如果存在自相關則用自回歸方法改進；（4） 對線性化檢驗多重共線性，如果存在多重共線性則用嶺回歸方法改進

7、；（5） 用線性化的乘法誤差項模型擬合C-D生產函數；解：（1）對乘法誤差項模型可通過兩邊取對數轉化成線性模型。lny=lnA+ a lnK+ b lnL令y=lny,0=lnA,x1=lnK,x2=lnL,則轉化為線性回歸方程：y=0+ a x1+ b x2+ eSPSS輸出結果如下：模型綜述表從模型綜述表中可以看到，調整后的為0.993，說明C-D生產函數擬合效果很好，也說明GDP的增長是一個指數模型。方差分析表從方差分析表中可以看到，F值很大，P值為零，說明模型通過了檢驗，這與上述分析結果一致。系數表根據系數表顯示，回歸方程為：盡管模型通過了檢驗，但是也可以看到，常數項沒有通過檢驗，但在

8、這個模型里，當lnK和lnL都為零時，lnY為-1.785，即當K和L都為1時，GDP為0.168，也就是說當投入資本和勞動力都為1個單位時，GDP將增加0.168個單位，這種解釋在我們的承受范圍內，可以認為模型可以用。最終方程結果為：y=0.618K0.801 L0.404（2） 用非線性最小二乘法擬合加性誤差項模型的C-D生產函數；上述假設誤差是乘性的，現假設誤差是加性的情況下使用非線性最小二乘法估計。初值采用（1）中參數的結果，SPSS輸出結果如下：參數估計表SPSS經過多步迭代，最終得到的穩(wěn)定參數值為P=0.407，a=0.868，b=0.270y=0.407K0.868 L0.270

9、為了比較這兩個方程，我們觀察下面兩個圖線性回歸估計擬合曲線圖非線性最小二乘估計擬合曲線圖我們知道，乘性誤差相當于是異方差的，做了對數變換后，乘性誤差轉為加性誤差，這種情況下認為方差是相等的，那么第一種情況（對數變換線性化）就大大低估了GDP數值大的項，因此，它對GDP前期擬合的很好，而在后期偏差就變大了，同時也會受到自變量之間的自相關和多重共線性的綜合影響；非線性最小二乘法完全依賴數據，如果自變量之間存在比較嚴重的異方差、自相關以及多重共線性，將對擬合結果造成很大的影響。因此，不排除異方差、自相關以及多重共線性的存在。（3） 對線性化回歸模型采用DW檢驗自相關，結果如下：模型綜述表DW=0.7

10、15<1.27，落在自相關的區(qū)間，所以采用迭代法改進將得到的數據再取對數，而后用普通最小二乘法估計，保留DW值模型綜述表方差分析表系數表從模型綜述表中可以看到，DW=1.618>1.45，認為消除了自相關；方差分析表中可以看到F值很大，P值為零，說明模型通過了檢驗。從系數表可得回歸方程：再迭代回去，最終得方程為：LnytLnyt-1.8590.755(LnKtLnKt) 0.465(LnLtLnLt)（4） 對線性化回歸方程通過VIF檢驗多重共線性：方差分析表系數表多重共線性診斷表直觀法：從模型綜述表上可以看到，F值很大，而t值很小，這是多重共線性造成的影響；VIF檢驗法：從系數表

11、上可以看到，VIF=13>10，也說明多重共線性的存在；條件數：從診斷表上可以看到，最大的條件數是429，遠遠大于了100，所以自變量之間存在較為嚴重的多重共線性。利用嶺回歸改進： R-SQUARE AND BETA COEFFICIENTS FOR ESTIMATED VALUES OF K K RSQ LNK LNL_ _ _ _.00000 .99394 .860706 .141014.05000 .99015 .646381 .330432.10000 .98639 .577758 .375355.15000 .98260 .539715 .390822.20000 .97843

12、 .513383 .395623.25000 .97379 .492922 .395526.30000 .96869 .475918 .392882.35000 .96318 .461184 .388818.40000 .95730 .448063 .383937.45000 .95109 .436158 .378587.50000 .94462 .425211 .372979.55000 .93791 .415047 .367248.60000 .93101 .405541 .361481.65000 .92395 .396598 .355735.70000 .91677 .388147 .350049從嶺跡圖觀察，當k=0.2時，變量基本趨于穩(wěn)定取k=0.