某厂生产白水泥，对每一窑生产的水泥都需要测定其抗压强度，以确定水泥标号，一般是将水泥出窑后做成的试块养护28天所测得的数据为准。但是水泥不可能堆放28天后再出厂，所以考虑用7天的抗压强度x来预测28天的抗压强度y。现对26窑水泥分别测定7天的抗压强度xi和28天的抗压强度yi（i=1，2，…，26），并求得如下结果：x=20.0，y=30.0，Lxx=35.0，Lxy=35.0，Lyy=70.0上面获得回归方程可否预测15天和35天的抗压强度？（）
某地区2002～2013年统计某种产品消费量(Y)及同期相关产业产值(X)得出如下数据：∑xi2=28.68∑yi=80.4，=8.94∑xi=16.2，=1.62∑xiyi=154.33，用一元线性回归模型的回归系数是()。
某厂生产白水泥，对每一窑生产的水泥都需要测定其抗压强度，以确定水泥标号，一般是将水泥出窑后做成的试块养护28天所测得的数据为准。但是水泥不可能堆放28天后再出厂，所以考虑用7天的抗压强度x来预测28天的抗压强度y。现对26窑水泥分别测定7天的抗压强度xi和28天的抗压强度yi（i=1，2，…，26），并求得如下结果：x=20.0，y=30.0，Lxx=35.0，Lxy=35.0，Lyy=70.0可以通过（）判断x与y之间是有相关的关系。
为验证某产品的强度y与产品中碳的含量x是否有关，检验员收集了n组数据（xi，yi），i=1、2、...、n。检验员可以通过画（）分析数据的相关性。
一维数据插值的函数yi=interp1（x，y，xi，’linear’）表示（）。
在回归分析中，若n对数据（xi，yi）中某个x与其它数据相比，突出太大或太小，则（）
某厂生产白水泥，对每一窑生产的水泥都需要测定其抗压强度，以确定水泥标号，一般是将水泥出窑后做成的试块养护28天所测得的数据为准。但是水泥不可能堆放28天后再出厂，所以考虑用7天的抗压强度x来预测28天的抗压强度y。现对26窑水泥分别测定7天的抗压强度xi和28天的抗压强度yi（i=1，2，…，26），并求得如下结果：x=20.0，y=30.0，Lxx=35.0，Lxy=35.0，Lyy=70.0y关于x的一元线性回归方程=A+Bx中A与B应该是（）
一维数据插值的函数yi=interp1（x，y，xi，’nearest’）表示（）。
许多工作需要用曲线来拟合平面上一批离散的点，以便于直观了解趋势，也便于插值和预测。例如，对平面上给定的n个离散点{（Xi，Yi）i=1，…，n}，先依次将每4个点分成一组，并且前一组的尾就是后一组的首；再对每一组的4个点，确定一段多项式函数曲线使其通过这些点。一般来说，通过给定的4个点可以确定一条（）次多项式函数曲线恰好通过这4个点。
一维数据插值的函数yi=interp1（x，y，xi，’cubic’）表示（）。
若收集了n组数据（xi，yi），（i=1，2，……，n）求得两个变量间的相关系数为0，是下列说法（）是正确的。
定直线在第一象限，起点为坐标原点，终点坐标为I（Xe，Ye），动点坐标为I（Xi，Yi），用逐点比较法进行插补运算时，判别方程为：Fi=YiXe-XiYe，当Fi＞0时，表明（）。
某厂生产白水泥，对每一窑生产的水泥都需要测定其抗压强度，以确定水泥标号，一般是将水泥出窑后做成的试块养护28天所测得的数据为准。但是水泥不可能堆放28天后再出厂，所以考虑用7天的抗压强度x来预测28天的抗压强度y。现对26窑水泥分别测定7天的抗压强度xi和28天的抗压强度yi（i=1，2，…，26），并求得如下结果：x=20.0，y=30.0，Lxx=35.0，Lxy=35.0，Lyy=70.0如果求得7天的抗压强度为26，那么可以预测28天的抗压强度为（）。
由两个变量的10组数据(χi，yi)，i=1，2，…，10，计算得到。 https://assets.asklib.com/psource/2014082618132386161.png 为（）。
一维数据插值的函数yi=interp1（x，y，xi，’spline’）表示（）。
收集了行组数据(χi，yi)，i=1．2，……，n，为了解变量χ与y间是否有相关关系，可以画（）加以考查。
若收集了n组数据(Xi，Yi)(i=1，2，…，n)，求得两个变量间的相关系数为1，则下列说法正确的是（）。
逐点比较法直线插补的偏差判别式函数为：F=Xi2+Yi2-D2。
通过最小二乘估计，得到某地区某种钢板消费量(Y)与同期第二产业产值(X)的一元线性回归方程为y=-7.55+9.59x，经计算∑(yi-yi’)2=11.87，∑(xi-x)2=1.56，取α=0.05，对其进行t检验，结论是()。(已知t(0.05,8)=1.86;t(0.025,8)=2.36，n=10)
两个变量（x，y)，其观测值为（xi，yi)，i＝1，2，…，n。当相关系数的绝对值|r|大于某个临界值时，就认为它们
对模型yi＝β0＋β1χ1i＋β2χ2i＋μi的最小二乘回归结果显示，R2为0.92，总离差平方和为500，则残差平方和RSS为（）。
对于线性回归模型Yi=0+β1Xi+Ui，有关的β1方差的估计量的说法错误的是（)。
在“示范性”假设消费函数模型Ci=α0Yi+α1Yiˉ+μi（t=1,2,L,T)中，待估参数α0反映个人的边际消费倾
行业集中度的计算公式为：CRn＝∑xi（i＝1，2，…，n)/∑xi（i＝1，2，…，N)，公式中CRn表示产业中规模最大的前n
