人民大学《统计学》题库及答案.docx

1中国人民大学接受同等学历人员申请硕士学位考试试题招生专业：统计学考试科目：统计思想综述课程代码：123201 考题卷号：1（20分） 随机抽取20块手机电池，测得其使用寿命数据如下（单位：小时）：10089939981007101110021013999100899598399510009771015101099810051011996列出描述上述数据所适用的统计图形，并说明这些图形的用途。直方图：直观的展示一组数据（电池使用寿命）的分布情况。箱线图：直观反映原始数据（电池寿命）的数据分布的特征，如偏态，是否有离群点。（20分）方差分析中有哪些基本假定？这些假定中对哪个假定的要求比较严格？1、方差分析有3个基本假定： （1）正态性：每个总体都应服从正态分布，即对于因子的每一个水平，其观测值是来自正态分布总体的简单随机样本；（2）方差齐性：各个总体的方差必须相同；（3）独立性：每个样本数据是来自因子各水平的独立样本2、对独立性要求比较严格，独立性得不到满足会对方差分析结果有较大影响，对正态性和方差齐性的要求相对比较宽松。（20分）某种食品每袋的标准重量是100克，从该批食品中抽取一个随机样本，检验假设，。如果拒绝，你的结论是什么？，如果不拒绝，你的结论是什么？能否得到一个样本能够证明该食品的平均重量是100克？请说明理由。如果由该样本得到的检验的，你的结论是什么？0.03这个值是犯第Ⅰ类错误的概率，是实际算出来的显著性水平，你怎样解释这个值？（1）拒绝：该种食品每袋的平均重量不是100g 不拒绝：提供的样本不能证明该种食品每袋的平均重量不是100g（2）不能，样本得出的结论只能是拒绝或不拒绝原假设，并不能直接确定原假设为真（3）结论：若给定显著性水平为0.05，则可以拒绝原假设，认为该食品每袋的平均重量不是100克；但若给定显著性水平为0.01，则不能拒绝原假设 P值： 如果该种食品每袋的平均重量是100g，样本结果会像实际观测那样极端或更极端的概率仅为0.03（20分）在建立多元线性回归模型时，通常需要对自变量进行筛选。请谈谈你对变量筛选的必要性的看法。列出变量筛选的方法，请简要说明这些方法的特点。（1）若将所有的自变量都引入回归模型，往往会导致所建立的模型不能进行有效的解释，也可能会导致多重共线性，增加自变量还会导致判定系数增大，从而高估模型拟合优度。（2）变量筛选有向前选择、向后剔除、逐步回归等方法。特点如下：向前选择：从没有自变量开始，不停向模型中增加自变量，直到增加不能导致SSE显著增加为止。向后剔除：从所有自变量开始，不停从模型中剔除自变量，直到剔除不能导致SSE显著减小为止。逐步回归：结合向前选择和向后剔除，从没有自变量开始，不停向模型中增加自变量，每增加一个自变量就对所有现有的自变量进行考察，若某个自变量对模型的贡献变得不显著就剔除。如此反复，直到增加变量不能导致SSE显著减少为止。（20分）如果一个时间序列包含趋势、季节成分、随机波动，适用的预测方法有哪些？对这些方法做检验说明。可以使用Winter指数平滑模型、引入季节哑变量的多元回归和分解法等进行预测。（1）Winter指数平滑模型包含三个平滑参数，即（取值均在0~1），以及平滑值、趋势项更新、季节项更新、未来第k期的预测值。L为季节周期的长度，对于季度数据，L=4，对于月份数据，L=12；I为季节调节因子。平滑值消除季节变动，趋势项更新是对趋势值得修正，季节项更新是t期的季节调整因子，是用于预测的模型。使用Winter 模型进行预测，要求数据至少是按季度或月份收集的，而且需要有四个以上的季节周期（4年以上的数据）。使用Winter 模型进行预测，要求数据至少是按季度或月份收集的，而且需要有四个以上的季节周期（4年以上的数据）。（2）引入季节哑变量的多元回归对于以季度记录的数据，引入3个哑变量，其中=1(第1季度)或0(其他季度)，以此类推，则季节性多元回归模型表示为：其中b0是常数项，b1是趋势成分的系数，表示趋势给时间序列带来的影响，b2、b3、b4表示每一季度与参照的第1季度的平均差值。（3）分解预测第1步，确定并分离季节成分。计算季节指数，然后将季节成分从时间序列中分离出去，即用每一个时间序列观测值除以相应的季节指数以消除季节性。第2步，建立预测模型并进行预测。对消除了季节成分的时间序列建立适当的预测模型，并根据这一模型进行预测。第3步，计算出最后的预测值。用预测值乘以相应的季节指数，得到最终的预测值。2中国人民大学接受同等学历人员申请硕士学位考试试题招生专业：统计学考试科目：统计思想综述课程代码：123201 考题卷号：2（20分）在某小学