与回归分析相比，相关分析（ ）。

A．更容易从一个变量的变化来推测另一变量变化的情况

B．不能指出变量之间的方向相关关系

C．不能指出变量问相互关系的具体形式

D．不能反应变量之间的相关程度

与回归分析相比，相关分析（ ）。

A．更容易从一个变量的变化来推测另一变量变化的情况

B．不能指出变量之间的方向相关关系

C．不能指出变量问相互关系的具体形式

D．不能反应变量之间的相关程度

对于响应曲面方法的正确叙述是:

A.响应曲面方法是试验设计方法中的一种

B.响应曲面方法是在最优区域内建立响应变量与各自变量的二次回归方程

C.响应曲面方法可以找寻到响应变量最优区域

D.响应曲面方法可以判明各因子显著或不显著

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:1 2 y = 2.2 + 30000x + 0.0003x由此方程可以得到结论是:

A.X1对Y 的影响比X2对Y 的影响要显著得多

B.X1对Y 的影响比X2对Y 的影响相同

C.X2对Y 的影响比X1对Y 的影响要显著得多

D.仅由此方程不能对X1及X2对Y 影响大小作出判定

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=5.010000x10.0007x2,由此方程可以得到结论是:

A.X1对Y的影响比X2对Y的影响要显着得多

B.X1对Y的影响比X2对Y的影响相同

C.X2对Y的影响比X1对Y的影响要显着得多

D.仅由此方程不能对X1及X2对Y影响大小作出判定

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()

A: X1对Y 的影响比X2对Y 的影响要显著得多

B: X1对Y 的影响比X2对Y 的影响相同

C: X2对Y 的影响比X1对Y 的影响要显著得多

D: 仅由此方程不能对X1及X2对Y 影响大小作出判定

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。

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+30,000X1+0.0003X2由此方程可以得到结论是：

A.X1对Y的影响比X2对Y的影响要显着得多

B.X1对Y的影响与X2对Y的影响相同

C.X2对Y的影响比X1对Y的影响要显着得多

D.仅由此方程不能对X1及X2对Y影响大小做出判定

六西格玛团队分析了过往车间产量(Y)与温度(X1)及反应时间(X2)的记录。建立了Y对于X1及X2的线性回归方程，并进行了ANOVA、回归系数显着性检验、相关系数计算等，证明选择的模型是有意义的，各项回归系数也都是显着的。下面应该进行：

A.结束回归分析，将选定的回归方程用于预报等

B.进行残差分析，以确认数据与模型拟合得是否很好，看能否进一步改进模型

C.进行响应曲面设计，选择使产量达到最大的温度及反应时间

D.进行因子试验设计，看是否还有其他变量也对产量有影响，扩大因子选择的范围

六西格玛团队分析了历史上本车间产量(Y)与温度(X1)及反应时间(X2)的记录。建立了Y对于X1及X2的线性回归方程，并进行了ANOVA、回归系数显著性检验、相关系数计算等，证明我们选择的模型是有意义的，各项回归系数也都是显著的。下面应该进行：()

A.结束回归分析，将选定的回归方程用于预报等

B.进行残差分析，以确认数据与模型拟合得是否很好，看能否进一步改进模型

C.进行响应曲面设计，选择使产量达到最大的温度及反应时间

D.进行因子试验设计，看是否还有其它变量也对产量有影响，扩大因子选择的范围