在线性回归问题中,我们用R方来衡量拟合的好坏。在线性回归模型中增加特征值并再训练同一模型。下列()是正确的。
A.如果R方上升,则该变量是显著的
B.如果R方下降,则该变量不显著
C.单单R方不能反映变量重要性,不能就此得出正确结论
D.以上答案都不正确
A.如果R方上升,则该变量是显著的
B.如果R方下降,则该变量不显著
C.单单R方不能反映变量重要性,不能就此得出正确结论
D.以上答案都不正确
A.如果R-Squared增加,则这个特征有意义
B.如果R-Squared减小,则这个特征没有意义
C.仅看R-Squared单一变量,无法确定这个特征是否有意义。
D.以上说法都不对
A.线性度的衡量实际是通过线性误差来体现的
B.线性误差是实际曲线与拟合直线之间的偏差
C.拟合直线常用最小二乘法获得
D.实际输出-输入曲线是在动态标准条件下校准的
利用BARIUM.RAW中的数据。
(i)用前119次观测(即不包含1988年的最后12个月观测),估计线性趋势模型。这个回归的标准误是什么?
(ii)同样用除了最后12个月以外的所有数据,估计chnimp的一个AR(1)模型。把这个回归的标准误与第(i)部分中的标准误相比较。哪一个模型提供了更好的样本内拟合?
(iii)用第(i)和第(ii)部分中的模型计算1988年12个月的提前一期预测误差。(每个方法都应该得到12个预测误差。)计算并比较这两种方法的RMSE和MAE。就样本外提前一期预测而言,哪种方法效果更好?
(iv)在第(i)部分的回归中添加月度虚拟变量。它们是联合显著的吗?(当我们检验联合显著性时,不必担心误差中轻度的序列相关。)
A.支持向量回归是将支持向量的方法应用到回归问题中
B.支持向量回归同样可以应用核函数求解线性不可分的问题
C.同分类算法不同的是,支持向量回归要最小化一个凹函数
D.支持向量回归的解是稀疏的
(i)用虚拟变量demwins来代替教材(10.23)中的demvote,并用通常的格式报告结果。哪些因素影响获胜概率?请用截至1992年的数据。
(ii)有多少个拟合值小于0?有多少个拟合值大于1?
(iii)采用下面的预测规则:如果demwins>0.5,你就可以预测民主党会获胜;否则,共和党将获胜。那么,在这20次选举中,这个模型有多少次正确地预测了实际结果?
(iv)代入1996年的解释变量值。预测克林顿赢得这次选举的可能性有多大。事实上,克林顿获胜了,你的预测结果是否与事实相符?
(v)对误差中的AR(1)序列相关,做异方差-稳健:检验。你有何发现?
(vi)求出第(i)部分中估计值的异方差-稳健标准误。!统计量有什么明显的变化吗?