1 第1 1 章 一元线性回归分析 11.1（1）散点图（略），产量与生产费用之间正的线性相关关系。 （2）920232.0r （3） 检验统计量2281.24222.142 tt，拒绝原假设，相关系数显著。 1 1 .2 （1）散点图（略）。 （2） 8621.0r 11.3 （1）0ˆ 表示当0x时 y 的期望值。 （2）1ˆ 表示 x 每变动一个单位 y 平均下降 0.5 个单位。 （3） 7)(yE 11.4 （1）%902 R （2）1es 11.5 一家物流公司的管理人员想研究货物的运输距离和运输时间的关系，为此，他抽出了公司最近 10个卡车运货记录的随机样本，得到运送距离(单位：km)和运送时间(单位：天)的数据如下： 运送距离 x 825 215 1070 550 480 920 1350 325 670 1215 运送时间y 3.5 1.0 4.0 2.0 1.0 3.0 4.5 1.5 3.0 5.0 要求： (1)绘制运送距离和运送时间的散点图，判断二者之间的关系形态： (2)计算线性相关系数，说明两个变量之间的关系强度。 (3)利用最小二乘法求出估计的回归方程，并解释回归系数的实际意义。 解：（1） x运送距离（km）12501000750500250y运送时间（天）54321 可能存在线性关系。 （2） 相关性 x 运送距离（km） y 运送时间（天） x 运送距离（km） Pearson 相关性 1 .949(**) 显著性（双侧） 0.000 N 10 10 y 运送时间（天） Pearson 相关性 .949(**) 1 显著性（双侧） 0.000 N 10 10 **. 在 .01 水平（双侧）上显著相关。 有很强的线性关系。 （3） 系数(a ) 模型 非标准化系数 标准化系数 t 显著性 B 标准误 Beta 2 1 （常量） 0.118 0.355 0.333 0.748 x 运送距离（km） 0.004 0.000 0.949 8.509 0.000 a. 因变量: y 运送时间（天） 回归系数的含义：每公里增加0.004 天。 11.6 下面是 7 个地区 2000 年的人均国内生产总值（GDP）和人均消费水平的统计数据： 地区 人均 GDP(元) 人均消费水平(元) 北京 辽宁 上海 江西 河南 贵州 陕西 22 460 11 226 34 547 4 851 5 444 2 662 4 549 7 326 4 490 11 546 2 396 2 208 1 608 2 035 要求： (1)人均 GDP 作自变量，人均消费水平作因变量，绘制散点图，并说明二者之间的关系形态。 (2)计算两个变量之间的线性相关系数，说明两个变量之间的关系强度。 (3)利用最小二乘法求出估计的回归方程，并解释回归系数的实际意义...
