线性回归通常可使用最小二乘法、极大似然估计等方法得到最优参数。（)

A.普通最小二乘法

B.极大似然估计法

C.混合最小二乘法

D.偏最小二乘法

A.偏最小二乘

B.极大似然估计

C.普通最小二乘法

D.以上说法都不对

A.α-β剪枝技术

B.A*算法

C.最小二乘法

D.线性回归

A.主成分分析法

B.线性判别分析

C.拉普拉斯特征映射

D.极大似然估计法

A.估计量具有唯一性

B.估计量可以有不同的表达式

C.矩估计和极大似然估计得到的估计量一定是不同的

D.矩估计得到的估计量总是优于极大似然估计

E.在已知总体分布信息的情况下矩估计一般不如极大似然估计好

使用SMOKE.RAW中的数据。

(i)变量cigs是平均每天抽烟的数量。样本中有多少人根本就不抽烟？有多大比例的人声称每天抽20支？你为什么认为抽20支香烟的人会有所堆积？

(ii)给定你对第(i)部分的回答，cigs看起来具有条件泊松分布吗？

(iii)用log(cigpric)、log(income)、white、educ、age和age²作为解释变量，估计cigs的一个泊松回归模型。估计的价格和收入弹性是多少？

(iv)利用极大似然标准误，价格和收入变量在5%的水平上统计显著吗？

(v)求方程(17.35)后面介绍的σ²估计值。σ是多少？你应该如何调整第(iv)部分中的标准误？

(vi)利用第(v)部分中调整后的标准误，价格和收入弹性现在统计显著异于零吗？请解释。

(vii)利用更稳健的标准误，教育和年龄变量显著吗？你如何解释educ的系数？

(viii)求泊松回归模型的拟合值yi。找出最大值和最小值，并讨论指数模型对瘾君子的预测表现。

(ix)利用第(viii)部分的拟合值，求yi和yi之相关系数的平方。

(x)使用第(iii)部分中的解释变量(及相同的函数形式)，用OLS估计cigs的一个线性模型。线性模型和指数模型哪个拟合得更好？两者的R都很大吗？

利用CHARITY.RAW中的数据回答如下问题

(i)用普通最小二乘法估计如下模型：

按照通常的方式报告估计方程，包括样本容量和R²。其R²与不使用giftlast和propresp的简单回归所得到的R²相比如何？

(ii)解释mailsyear的系数，它比对应的简单回归系数更大还是更小？

(iii)解释propresp的系数，千万要注意propresp的度量单位。

(iv)现在，在这个方程中增加变量avggif。这将对mailsyear的估计效应造成什么样的影响？

(v)在第(iv)部分的方程中，giftlast的系数有何变化？你认为这是怎么回事？

A.便于似然函数求导

B.将求极大值问题转化为求极小值问题

C.提高似然函数灵敏度

D.便于似然函数求和

在例9.1中，我们narr86在的一个线性模型中增加二次项pcrv2、ptime86²和inc 862。

(i)利用CRIME L RAW中的数据， 在例17.3的泊松回归中同样增加这些项。

(ii)根据估计 。数据存在过度散布的证据吗？该如何调整泊松极大似然估计标准误？

(iii)利用第(i)部分和第(ii)部分的结论及教材表17.3，计算这三个平方项联合显著性的准似然比统计量。你得到什么结论？