首页
题目
TAGS
首页
/
题库
/
[单选题]响应变量Y与两个自变量（原始数据）X1及的答案
搜答案
响应变量Y与两个自变量（原始数据）X1及X2建立的回归方程为：Y=2.1X1+2.3X2，由此方程可以得到结论是（）
单选题
2022-07-01 10:46
A、A：X1对Y的影响比X2对Y的影响要显著得多
B、B：X1对Y的影响比X2对Y的影响相同
C、C：X2对Y的影响比X1对Y的影响要显著得多
D、D：仅由此方程不能对X1及X2对Y影响大小作出判定
查看答案
正确答案
D
试题解析
标签：
六西格玛管理
管理学
感兴趣题目
在回归分析中，自变量同因变量的地位不同，两变量x和y中，y对x回归和x对y回归（）
X和Y为两个逻辑变量，设X=10111001，Y=11110011，对两个逻辑变量进行逻辑与运算的结果是( )
若随机变量X1，X2，X3相互独立且服从于相同的0-1分布P{X=1}=0.7，P{X=0}=0.3，则随机变量P{X=0}=0.3.则随机变量Y=X1+X2+X3服从于参数为____的____分布，且E（Y）=____.D（Y）=____.
两个变量(x，y)，其观测值为，(x1，y1)(z2，Y2)，2，…，n，若回归方程为，y＝a+bx则下列表述正确的是( )。
响应变量Y与两个自变量（原始数据）X1及X2建立的回归方程为：Y=2.1X1+2.3X2，由此方程可以得到结论是（）
响应变量Y与两个自变量（原始数据）X1及X2建立的回归方程为：y=2.2+30000x1+0.0003x2由此方程可以得到结论是（）.
变量y关于x的一元线性经验回归方程可以表示为（）。
设r为变量X与Y的相关系数，6是Y对X的一元回归方程的回归系数，若获得的数据为：X23456Y9.27.85.43.11.3则（ ）。
一元线性回归模型是用于分析一个自变量X与一个因变量Y之间线性关系的数学方程。（）
在回归分析中，自变量同因变量的地位不同，两变量x和y中，y对石回归和x对y回归（）。
在回归分析中，自变量同因变量的地位不同，两变量x和y中，y对x回归和x对y回归()。
在回归分析中，自变量同因变量的地位不同，两变量x和y中，y对x回归和x对y回归（ ）。
相关题目
如果在关于x的线性回归方程y=a+bx中，b>0，那么对于x与两个变量间的相关系数r必有（）。
设有两个线性相关的指标变量X、Y，X与Y变量的协方差为0.48，X变量的标准差为0.80，Y变量的标准差为0.64，X、Y变量积矩相关系数为（ ）。
336. 回归方程y=123+1.5xi中的回归系数数值表明：当自变量每增加一个单位时，因变量（）
若随机变量Y=X1+X2,且X1,X2相互独立。XI-N(0,1)(i=1,2)
两个正态双变量资料，自变量记为X，真因变量记为Y，进行回归分析，回归系数为0.2，经统计学检验，P=0.05，则（）
在一个试验设计的分析问题中，建立响应变量与各因子及交互效应的回归方程可以有两种方法：一是对各因子的代码值（CodeUnits）建立回归方程；二是直接对各因子的原始值（UncodedUnits）建立回归方程。在判断各因子或交互作用是否影响显著时，要进行对各因子回归系数的显著性检验，可以使用这两种方法中的哪一种（）？
求得两变量X和Y的线性回归方程后，对回归系数作假设检验的目的是（）
两个正态双变量资料，自变量记为X，因变量记为Y，进行回归分析，回归系数为0.2，经统计学检验，P<0.05，则（）
回归方程y=a+bx中，回归系数b为负数，说明自变量与因变量为（）。
建立变量X、Y间的直线回归方程，回归系数的绝对值︱b︱越大，说明
建立变量x、y间的直线回归方程，回归系数的绝对值|b|越大，说明
当 y=x1+2x2，且x1与x2完全正相关，u（x1）=17mm，u（x2）=3mm ，则uc（y）为（）
求得两变量x和y的线性回归方程后，对回归系数作假设检验的目的是（）
或非门的输入变量为X1和X2，输出变量为Y，使输出变量Y为1的X1和X2的值是
如果在y关于x的线性回归方程y=a+bx中，灰0，那么对于x与y两个变量间的相关系数，，必有( )。
如果在y关于x的线性回归方程y=a+bx中，灰0，那么对于x与y两个变量间的相关系数，必有（）。
如果在关于x的线性回归方程y=a+bx中，b>0，那么对于x与两个变量间的相关系数r必有( )。
如果在y关于x的线性回归方程y=a+bx中，b>0，那么对于x与y两个变量间的相关系数r，必有（）。
如果在y关于x的线性回归方程y=a+bx中，b>0，那么对于x与y两个变量间的相关系数r，必有( )。
如果在y关于x的线性回归方程y=a+bx中，b<0，那么对于x与y两个变量间的相关系数r必有( )。
广告位招租WX:84302438
题库考试答案搜索网
免费的网站请分享给朋友吧
