《应用回归分析第九章部分答案》由会员分享，可在线阅读，更多相关《应用回归分析第九章部分答案（17页珍藏版）》请在金锄头文库上搜索。
1、第9章 非线性回归9.1 在非线性回归线性化时，对因变量作变换应注意什么问题？答：在对非线性回归模型线性化时，对因变量作变换时不仅要注意回归函数的形式， 还要注意误差项的形式。如：(1) 乘性误差项，模型形式为，(2) 加性误差项，模型形式为。对乘法误差项模型（1）可通过两边取对数转化成线性模型，（2）不能线性化。一般总是假定非线性模型误差项的形式就是能够使回归模型线性化的形式，为了方便通常省去误差项，仅考虑回归函数的形式。9.2为了研究生产率与废料率之间的关系，记录了如表9.14所示的数据，请画出散点图，根据散点图的趋势拟合适当的回归模型。表9.14生产率x（单位/周） 1000200030
2、003500400045005000废品率y（%）5.26.56.88.110.210.313.0解：先画出散点图如下图：从散点图大致可以判断出x和y之间呈抛物线或指数曲线，由此采用二次方程式和指数函数进行曲线回归。（1）二次曲线SPSS输出结果如下：从上表可以得到回归方程为：由x的系数检验P值大于0.05，得到x的系数未通过显著性检验。由x2的系数检验P值小于0.05，得到x2的系数通过了显著性检验。（2）指数曲线从上表可以得到回归方程为：由参数检验P值00.05，得到回归方程的参数都非常显著。从R2值，的估计值和模型检验统计量F值、t值及拟合图综合考虑，指数拟合效果更好一些。9.3 已知变
3、量x与y的样本数据如表9.15，画出散点图，试用e/x来拟合回归模型，假设：(1) 乘性误差项，模型形式为y=e/xe(2) 加性误差项，模型形式为y=e/x+。表9.15序号xy序号xy序号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： 散点图：(1) 乘性误差项，模型形式为y=e/xe线性化：lny=ln+/x + 令y
4、1=lny, a=ln,x1=1/x .做y1与x1的线性回归，SPSS输出结果如下：从以上结果可以得到回归方程为：y1=-3.856+6.08x1 F检验和t检验的P值00,0b10.994，得到回归效果比线性拟合要好，且：，回归方程为：。最后看拟合效果，由sequence画图：得到回归效果很好，而且较优于线性回归。9.5表9.17（书上233页，此处略）数据中GDP和投资额K都是用定基居民消费价格指数（CPI）缩减后的，以1978年的价格指数为100。（1） 用线性化乘性误差项模型拟合C-D生产函数；（2） 用非线性最小二乘拟合加性误差项模型的C-D生产函数；（3） 对线性化检验自相关，如
5、果存在自相关则用自回归方法改进；（4） 对线性化检验多重共线性，如果存在多重共线性则用岭回归方法改进；解：（1）对乘法误差项模型可通过两边取对数转化成线性模型。lny=lnA+ a lnK+ b lnL令y=lny,0=lnA,x1=lnK,x2=lnL,则转化为线性回归方程：y=0+ a x1+ b x2+ eSPSS输出结果如下：模型综述表从模型综述表中可以看到，调整后的为0.993，说明C-D生产函数拟合效果很好，也说明GDP的增长是一个指数模型。方差分析表从方差分析表中可以看到，F值很大，P值为零，说明模型通过了检验，这与上述分析结果一致。系数表根据系数表显示，回归方程为：尽管模型通过
6、了检验，但是也可以看到，常数项没有通过检验，但在这个模型里，当lnK和lnL都为零时，lnY为-1.785，即当K和L都为1时，GDP为0.168，也就是说当投入资本和劳动力都为1个单位时，GDP将增加0.168个单位，这种解释在我们的承受范围内，可以认为模型可以用。最终方程结果为：y=0.618K0.801 L0.404（2） 用非线性最小二乘法拟合加性误差项模型的C-D生产函数；上述假设误差是乘性的，现假设误差是加性的情况下使用非线性最小二乘法估计。初值采用（1）中参数的结果，SPSS输出结果如下：参数估计表SPSS经过多步迭代，最终得到的稳定参数值为P=0.407，a=0.868，b=0
7、.270y=0.407K0.868 L0.270为了比较这两个方程，我们观察下面两个图线性回归估计拟合曲线图非线性最小二乘估计拟合曲线图我们知道，乘性误差相当于是异方差的，做了对数变换后，乘性误差转为加性误差，这种情况下认为方差是相等的，那么第一种情况（对数变换线性化）就大大低估了GDP数值大的项，因此，它对GDP前期拟合的很好，而在后期偏差就变大了，同时也会受到自变量之间的自相关和多重共线性的综合影响；非线性最小二乘法完全依赖数据，如果自变量之间存在比较严重的异方差、自相关以及多重共线性，将对拟合结果造成很大的影响。因此，不排除异方差、自相关以及多重共线性的存在。（3） 对线性化回归模型采用
8、DW检验自相关，结果如下：模型综述表DW=0.7151.45，认为消除了自相关；方差分析表中可以看到F值很大，P值为零，说明模型通过了检验。从系数表可得回归方程：再迭代回去，最终得方程为：LnytLnyt-1.8590.755(LnKtLnKt) 0.465(LnLtLnLt)（4） 对线性化回归方程通过VIF检验多重共线性：方差分析表系数表多重共线性诊断表直观法：从模型综述表上可以看到，F值很大，而t值很小，这是多重共线性造成的影响；VIF检验法：从系数表上可以看到，VIF=1310，也说明多重共线性的存在；条件数：从诊断表上可以看到，最大的条件数是429，远远大于了100，所以自变量之间存
9、在较为严重的多重共线性。利用岭回归改进： 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 .513383 .395623.25000 .97379 .492922 .395526.30000 .96869 .475918 .39288
10、2.35000 .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从岭迹图观察，当k=0.2时，变量基本趋于稳定取k=0.2进行岭回归， SPSS输出结果为：=0.479，=1.127从岭回归给出的结果来看，说明劳动力L较资金K对GDP的影响较大，而我国属于人口大国，就业人数对GDP的贡献不一定有显著的影响，相反，资金对GDP的影响按常理来说是非常显著的，这点普通最小二乘法给出了合理的解释，但是，岭回归在理论上很可信的。总之，影响统计的因素有很多，例如统计员的失误、国家政策等，造成函数系数的不稳定。
