假定正确回归模型为，若遗漏了解释变量X2，且X1、X2线性相关则的普通最小二乘法估计量

A.β1将无法估计

B.可决系数将提高

C.对β1的估计将更精确

D.可决系数将降低

若真实模型是解释变量为X1的一元线性回归模型，但在建模时将与X1无关的变量X2包含在模型中，则斜率参数的最小二乘估计量( )。

A．仍具有无偏性、一致性和最小方差性

B．不具有无偏性、一致性和最小方差性

C．仍具有无偏性和一致性，但不具有最小方差性

D．不具有无偏性、一致性，但仍具有最小方差性

试证明：二元线性回归模型Y_i=β₀+β₁X_1i+β₂X_2i+μ_i中变量X₁与X₂的参数的OLS估计可以写成

  

  

  其中，r为X₁与X₂的相关系数。讨论r等于或接近于1时，该模型的估计问题。

设Y和变量x₁、x₂有形为Y=β₁x₁+β₂x₂+ε，ε～N(0，σ²)的回归方程模型，试用最小二乘法求出β₁和β₂的估计．

在选定Y 为响应变量后, 选定了X1,X2,X3 为自变量,并且用最小二乘法建立了多元回归方程。在MINITAB软件输出的ANOVA 表中，看到P-Value=0.0021。在统计分析的输出中，找到了对各个回归系数是否为0 的显著性检验结果。由此可以得到的正确判断是：

A.3 个自变量回归系数检验中，应该至少有1 个以上的回归系数的检验结果是显著的(即至少有1 个以上的回归系数检验的 P-Value 小于0.05)，不可能出现3 个自变量回归系数检验的 P-Value 都大于0.05 的情况

B.有可能出现3 个自变量回归系数检验的 P-Value 都大于0.05 的情况，这说明数据本身有较多异常值，此时的结果已无意义，要对数据重新审核再来进行回归分析。

C.有可能出现3 个自变量回归系数检验的 P-Value 都大于0.05 的情况，这说明这3 个自变量间可能有相关关系，这种情况很正常。

D.ANOVA 表中的P-VALUE=0.0021 说明整个回归模型效果不显著，回归根本无意义。

在模型Y_i=B₁+B₂X_2i+B₃X_3i+u_i中，如果X₂和X₃负相关，且B₃＞0，则从模型中略去解释变量X₃将使b₁₂的值下偏(即，E(b₁₂)＜B₂)。其中，b₁₂是Y对X₂回归方程中的斜率系数。

A、X1≈bX2（b≠0）

B、X1=bX2（b≠0）

C、X1=k/X2（k≠0）

D、X1=a+bX2（a,b≠0）

设x为自变量，y为因变量，若σy是σx的1／2，而Sy又是σy的1／2，试求回归系数b。

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( )。

A．回归直线经过点(0，0)

B．回归直线经过点

C．回归直线经过点(1，a)

D．以上都不正确