统计学中用来进行显著性检验的小概率叫（)。

A.小概率原理

B.方差分析原理

C.大数定理

D.中心极限定理

A.提高检验水准，减少样本含量

B.提高检验水准

C.减少样本含量

D.增加样本含量

A.一元线性回归预测是回归预测的基础，预测对象只受一个主要因素影响

B.判定一个线性回归方程的拟合程度的优劣称为模型的显著性检验，通常用的检验法是相关系数检验法

C.相关系数等于回归平方和在总平方和中所占的比率，即回归方程所能解释的因变量变异性的百分比，是一元回归模型中用来衡量两个变量之间相关程度的判定指标

D.如果相关系数r=0，表示所有的观测值全部落在回归直线上;如果r=1，则表示自变量与因变量无线性关系

(i)变量train是工作培训指标变量。样本中有多少人参与了工作培训项目？一个男人实际参加工作培训最多达几个月？

(ii)将train对unem74,unem75,age,educ,black,hisp和married等几个人口统计和培训前变量做一个线性回归。这些变量在5%的显著性水平上联合显著吗？

(iii)估计第(ii)部分中线性模型的一个概率单位形式。计算所有变量联合显著性的似然比检验。你得到什么结论？

(iv)基于第(ii)部分和第(iii)部分的答案，为解释1978年的失业状况，参与工作培训可视为外生变量吗？请解释。

(v)做unem78对train的简单回归，并以方程形式报告结果。估计参与工作培训项目对1978年失业的概率有何影响？它统计显著吗？

(vi)做unem78对train的概率单位模型。将train的概率单位系数与第(v)部分线性模型中得到的系数相比较有意义吗？

(vii)求出第(v)部分与第(vi)部分的拟合概率。解释它们为什么相同。为了度量工作培训项目的效果和统计显著性，你将采用哪个方法？

(viii)在第(v)部分与第(vi)部分模型中将第(ii)部分中的所有变量作为额外控制变量。现在拟合概率还相同吗？它们之间有何关系？

A.在0.10的显著性水平下必定也是显著的

B.在0.01的显著性水平下不一定具有显著性

C.原假设为真时拒绝原假设的概率为0.05

D.检验的p值大于0.05

利用PNTSPRD.RAW中的数据。

(i)变量favwin是一个二值变量，在拉斯维加斯所押的球队胜出了预定的分数差时取值1。估计所押球队获胜概率的线性概率模型为

如果分数差包括了所有相关的信息，那我们预期β₀=0.5。请解释。

(ii)用OLS估计第(i)部分的模型。相对于双侧备择假设检验H₀:β₀=0.5。同时使用通常的标准误和异方差一稳健的标准误。

(iii)spread在统计上显著吗？当spread=10时，被押球队获胜的估计概率是多少？

(iv)现在对P(favwin=Ilspread)估计一个概率单位模型。解释和检验截距项为0的虚拟假设。[提示：注意Φ(0)=0.5。]

(v)利用概率单位模型估计当spread=10时被押球队获胜的概率。并与第(iii)部分的LPM估计值相比较。

(vi)在概率单位模型中增加变量fuvhome、fav25和und25，并用似然比检验来检验这些变量的联合显著性。(x²分布中的自由度是多少？)解释这个结果，注意分数差是否包括了赛前可观测到的全部信息这个问题。

A.设计数据收集表格

B.编辑数据收集表格

C.对调查表中数据进行编码

D.对调查所得数据进行列表分析

E.对调查所得数据进行显著性检验