题目内容
（请给出正确答案）
本题利用NBASAL.RAW中的数据。
(i)估计一个线性回归模型，将单场得分与联赛中打球经历和位置(后卫、前锋或中锋)联系起来。包括打球经历的二次项形式，并将中锋作为基组。以通常的形式报告结果。
(ii)在第(i)部分中，你为什么不将所有三个位置虚拟变量包括进来？
(iii)保持经历不变，一个后卫的得分比一个中锋多吗？多多少？这个差异统计显著吗？
(iv)现在，将婚姻状况加入方程。保持位置和经历不变，已婚球员是否更高效(就单场得分来说)？
(v)加入婚姻状况和两个经历变量的交互项。在这个扩展的模型中，是否存在有力的证据表明婚姻状况影响单场得分？
(vi)使用单场助攻次数作为因变量估计(iv)中的模型。与(iv)的结果有明显的差异吗？请讨论。
如果结果不匹配，请 联系老师 获取答案
更多“本题利用NBASAL.RAW中的数据。(i)估计一个线性回归…”相关的问题
本题利用SLEEP75.RAW中的数据。我们要分析的方程为：
(i)分别针对男性和女性单独估计这个方程，并按照通常形式报告结论。这两个估计方程有什么明显差异吗？
(ii)对男性和女性睡眠方程中的参数是否相等计算邹至庄检验。使用增加male和交互项male totwrk，.male的检验形式，并使用全部观测。该检验相关的df等于多少？在5%的显著性水平上，你应该拒绝这个虚拟假设吗？
(iii)现在，容许男性与女性存在不同截距，判定所有涉及male的交互项是不是联合显著的？
(iV)给定第(ii)部分和第(iii)部分中的结论，你最后将使用什么样的模型？
数据集NBASAL.RAW包含了美国篮球协会(NBA)269位运动员的薪水信息和职业统计。
(i)估计一个将每场得分(points)与加入联盟年数(exper)、年龄(age)、大学期间打球年数(coll)相联系的模型。包含一个exper的二次项，其他变量都应该以水平值形式加入模型。按照通常的格式报告结果。
(ii)保持大学打球年数和年龄不变，从加入联盟的第几个年份开始，在NBA打球的经历实际上将降低每场得分？这讲得通吗？
(iii)你为什么认为coll具有负系数，而且统计显著？(提示：NBA运动员在读完大学之前被选拔出，甚至直接从高中选出。)
(iv)有必要在方程中增加age的二次项吗？一旦控制了exper和coll之后，这对年龄效应意味着什么？
(v)现在将log(wage)对points，exper，exper2，age和coll回归。以通常的格式报告结论。
(vi)在第(v)部分的回归中检验age和coll是否联合显著。一旦控制了得分和资历，这对考察年龄和受教育程度是否对工资具有单独影响这个问题有何含义？
薪水信息和职业统计。
(i)估计一个将每场得分(points)与加入联盟年数(exper)、年龄(age)、大学期间打球年数(coll)相联系的模型。包含一个exper的二次项，其他变量都应该以水平值形式加入模型。按照通常的格式报告结果。
(ii)保持大学打球年数和年龄不变，从加入联盟的第几个年份开始，在NBA打球的经历实际上将降低每场得分？这讲得通吗？
(iii)你为什么认为coll具有负系数，而且统计显著？(提示：NBA运动员在读完大学之前被选拔出，甚至直接从高中选出。)
(iv)有必要在方程中增加age的二次项吗？一旦控制了exper和coll之后，这对年龄效应意味着什么？
(v)现在将log(wage)对points，exper，exper2，age和coll回归。以通常的格式报告结论。
(vi)在第(v)部分的回归中检验age和coll是否联合显著。一旦控制了生产力和资历，这对考察年龄和受教育程度是否对工资具有单独影响这个问题有何含义？
利用DISCRIM.RAW中的数据回答本题。(也可参见第3章计算机习题c 3.8.)
(i)利用OLS估计模型
以常用形式报告结果。在5%的显著性水平上，相对一个双侧对立假设，β统计显著异于零吗？在1%的显著性水平上呢？
(ii)log(income)和prppov的相关系数是多少？每个变量都是统计显著的吗？报告双侧P值。
(iii)在第(i)部分的回归中增加变量log(hseval)。解释其系数并报告H0：βlog(hseval)=0的双侧p值。
(iv) 在第(ii) 部分的回归中， log(income) 和prppov的个别统计显著性有何变化？这些变量联合显著吗？(计算一个p值。)你如何解释你的答案？
(v)给定前面的回归结果，在确定一个邮区的种族构成是否影响当地快餐价格时，你会报告哪一个结果才最为可靠？
本题利用BEAUTY.RAW中的数据集，它包含了哈默梅什和比德尔(HamermeshandBiddle，1994)报告变量的一个子集(但比其报告回归中的观测更加有用)。
(i)分别求男女相貌在一般水平之上的比例。相貌在一般水平之上和之下的人哪个更多？
(ii)检验假设：男女相貌在一般水平之上的总体比例相同。报告女人比例更高的单侧P值。(提示：估计一个简单的线性概率模型最容易。)
(iii)现在针对男女分别估计模型
并以通常方式报告结果。在两种情形中，都解释belavg的系数。用语言解释假设H0:β1=0相对H1:β1＜0的含义，并分别求出P值。
(iv)有一般相貌之上的女人比相貌一般的女人工资更高的充分证据吗？请解释。
(v)对男人和女人，都增加解释变量educ，exper，experz，uion，goodhlth，black，married，south，bigcity，smllcity和service。“相貌”变量的影响有重要变化吗？
(i)将lavgsal对bs进行简单回归。斜率估计值在统计上显著异于0吗？它在统计上显著地异于-1吗？
(ii)在第(i)部分的回归中增加变量lenrol和istaff。bs的系数有何变化？这种情形与教材表4-1中的情形相比如何？
(iii)第(ii)部分中bs系数的标准误为何比第(i)部分中的标准误更小？(提示：当增加变量lenrol和Istaff后，对误差方差和多重共线性会造成什么样的影响？)
(iv)Istaff的系数为何为负？它的绝对值算大吗？
(v)在回归中再添加变量lunch。保持其他条件不变，教师会因教育那些家庭条件不好的学生而得到补偿吗？请解释你的结论。
(vi)总之，你利用ELEM94_95.RAW得到的结论，与教材4-1在形式上一致吗？
A.8×106B/s
B.16×106B/s
C.16×108B/s
D.32×106B/s
（24）
A. 33 MB/s
B. 64MB/s
C. 132 MB/s
D. 164 MB/s
试利用循环队列编写求k阶菲波那契序列中前n+1项的算法，要求满足：其中max为某个约定的常数。(注意：fn≤max而fn+1＞max，本题所用循环队列的容量仅为k，则在算法执行结束时，留在循环队列中的元素应是所求k阶菲波那契序列中的最后k项)
ax，其中max为某个约定的常数。(注意：本题所用循环队列的容世仅为k，则在算法执行结束时，留在循环队列中的元素应是所求k阶斐波那奥序列中的最后k项
。
本题使用ATTEND.RAW中的数据。
(i)求出变量atndrte，pricGPA和ACT的最小值、最大值和平均值。
(ii)估计模型atndrte=β0+β1pricGPA+β2ACT+u，并以方程的形式写出结论。对截距做出解释。它是否有一个有用的含义。
(iii)讨论估计的斜率系数。有没有什么令人吃惊之处？
(iv)如果priGPA=3.65和ACT=20，预计atndrte是多少？你对这个结论做何解释？样本中有没有一些学生具有这些解释变量的值？
(v)如果学生A具有priGPA=3.1和ACT=21，而学生B具有priGPA=2.1和ACT=26，他们在出勤率上的预期差异是多少？
