线性回归模式的假设之一是,误差项ei是()随机变量,其均值为零,均方差为一常数。
如果模型中出现随机解释变量并且与随机误差项相关时,最常用的估计方法是()。
在下面利用给定的样本数据得到的散点图中,X、Y分别为解释变量和被解释变量。问:各图中随机误差项的方差与解释变量之间呈什么样的变化关系?https://assets.asklib.com/psource/2014120316451877637.jpg
随机解释变量最主要的解决方法是:()。
回归模型中随机误差项产生的原因是什么?
设随机变量 X ~ U (0 , 1) ,则 X 的分布函数为 F ( x ) =
设随机变量X和Y独立同分布,记U=X-Y,V=X+Y,则随机变量U与V必然( )。
2、设随机变量X与Y独立同分布,记U = X - Y,V = X + Y,则随机变量U与V必然().
假设随机变量X服从二项分布B(10,0.1),则随机变量X的均值为(),方差为(),
随机变量x服从均匀分布U(-1,3),则随机变量x的均值和方差分别是()。 A.1和2.33 B.2和1.3
设随机变量X~U(-1, 6),则P(1< X ≤ 4)= (结果用分数表示)
设随机变量X与Y相互独立,且均服从标准正态分布,对于函数U=2X与V=X+Y,下列必然成立的是( )。
设随机变量X和Y相互独立,且都等可能地取1, 2, 3为值,求随机变量U=max{X, Y}和V=min{X, Y}的联合分布。
设随机变量X~U(1,6),求方程y2+Xy+1=0有实根的概率.
设随机变量X与Y相互独立,且均服从U(-1,1),求函数Z=XY的概率密度fZ(z).
设X,Y是相互独立且服从同一分布的两个随机变量,已知X的分布律为P(X=i}=1/3,i=1,2,3,又设U=max(X,Y),V=min(X,Y),写出二维随机变量(U,V)的分布律。
设随机变量X服从均匀分布U(0,5),则二次方程t²+Xt+1=0有实根的概率为().
11、随机误差项的总体均值为0以及随机误差项与解释变量不相关保证了参数估计量的无偏性。
解释概念a.总体回归函数(PRF)b.样本回归函数(SRF)c.随机总体回归函数d.线性回归模型e.随机误差项(u<sub>i</sub>)f.残差项(e<sub>i</sub>)g.条件期望h.非条件期望i.回归系数或回归参数j.回归系数的估计量
设随机变量X服从参数为2的指数分布。随机变量Y服从二项分布B(2, 0.5).计算E(X-3Y-1).
由Y0^=X0β^可以得到被解释变量的估计值,由于模型中参数估计量的不确定性及随机误差项的影响,可知Y0^是()。
产生随机解释变量的原因是什么?
33、回归方程中,被解释变量等于其估计值与随机误差项之和。
设随机变量X~U(a,b),求E(2X); E(e<sup>-2X</sup>)。