计量经济学判断题-海文库
全站搜索：
您现在的位置：&>&&>&经济学
计量经济学判断题
1. 总离差平方和可分解为回归平方和与残差平方和。（
）2. 整个多元回归模型在统计上是显著的意味着模型中任何一个单独的解释变量均是统计显著的。（
）3. 多重共线性只有在多元线性回归中才可能发生。（
）4. 通过作解释变量对时间的散点图可大致判断是否存在自相关。（
）5. 在计量回归中，如果估计量的方差有偏，则可推断模型应该存在异方差（
）6. 存在异方差时，可以用广义差分法来进行补救。（
）7. 当经典假设不满足时，普通最小二乘估计一定不是最优线性无偏估计量。（
）8. 判定系数检验中，回归平方和占的比重越大，判定系数也越大。（
）9. 可以作残差对某个解释变量的散点图来大致判断是否存在自相关。（
）做残差的当期值与其滞后期的值的散点图来判断是否存在自相关10. 遗漏变量会导致计量估计结果有偏。（
）只影响有效性1. 正态分布是以均值为中心的对称分布。（
）2. 当经典假设满足时，普通最小二乘估计量具有最优线性无偏特征。（
）5. 在对数线性模型中，解释变量的系数表示被解释变量对解释变量的弹性。（
）6. 虚拟变量用来表示某些具有若干属性的变量。（
）8. 存在异方差时，可以用加权最小二乘法来进行补救。（ √
）10．戈雷瑟检验是用来检验异方差的（
）1、在经济计量分析中，模型参数一旦被估计出来，就可将估计模型直接运用于实际的计量经济分析。错，参数一经估计，建立了样本回归模型，还需要对模型进行检验，包括经济意义检验、统计检验、计量经济专门检验等。2、假定个人服装支出同收入水平和性别有关，由于性别是具有两种属性（男、女）的定性因素，因此，用虚拟变量回归方法分析性别对服装支出的影响时，需要引入两个虚拟变量。错，是否引入两个虚拟变量，应取决于模型中是否有截距项。如果有截距项则引入一个虚拟变量；如果模型中无截距项，则可引入两个虚拟变量。3、双变量模型中，对样本回归函数整体的显著性检验与斜率系数的显著性检验是一致的。正确，一元线性回归仅有一个解释变量，因此对斜率系数的T检验等价于对方程的整体性检验。4、随机扰动项的方差与随机扰动项方差的无偏估计没有区别。错，随机扰动项的方差反映总体的波动情况，对一个特定的总体而言，是一个确定的值。在最小二乘估计中，由于总体方差在大多数情况下并不知道，所以用样本数据去估计?：?222?2??ei2/(n?k)。其中?是?线性无偏估计，为一个随机变量。 n为样本数，k为待估参数的个数。?5、经典线性回归模型（CLRM）中的干扰项不服从正态分布的，OLS估计量将有偏的。错，，即使经典线性回归模型（CLRM）中的干扰项不服从正态分布的，OLS估计量仍然是无偏的。?2)?E(?2?因为E(??K?)??ii22，该表达式成立与否与正态性无关。 1、在简单线性回归中可决系数R与斜率系数的t检验的没有关系。错误，在简单线性回归中，由于解释变量只有一个，当t检验显示解释变量的影响显著时，必然会有该回归模型的可决系数大，拟合优度高。2、异方差性、自相关性都是随机误差现象，但两者是有区别的。正确，异方差的出现总是与模型中某个解释变量的变化有关。自相关性是各回归模型的随机误差项之间具有相关关系。3、通过虚拟变量将属性因素引入计量经济模型，引入虚拟变量的个数与模型有无截距项无关。错误，模型有截距项时，如果被考察的定性因素有m个相互排斥属性，则模型中引入m－1个虚拟变量，否则会陷入“虚拟变量陷阱”；模型无截距项时，若被考察的定性因素有m个相互排斥属性，可以引入m个虚拟变量，这时不会出现多重共线性。4、满足阶条件的方程一定可以识别。错误，阶条件只是一个必要条件，即满足阶条件的的方程也可能是不可识别的。5、库依克模型、自适应预期模型与局部调整模型的最终形式是不同的。错误，库依克模型、自适应预期模型与局部调整模型的最终形式是相同的，其最终形式都是一阶自回归模型。2、多重共线性问题是随机扰动项违背古典假定引起的。错误，应该是解释变量之间高度相关引起的.3、在模型Yt??1??2X2t??3X3t?ut的回归分析结果报告中，有XF?，F的p值?0.000000，则表明解释变量2t 对Yt的影响是显著的。错误，解释变量X2t和X3t对Yt的联合影响是显著的4、结构型模型中的每一个方程都称为结构式方程，结构方程中，解释变量只可以是前定变量.错误，结构方程中，解释变量可以是前定变量，也可以是内生变量。1.在实际中，一元回归没什么用，因为因变量的行为不可能仅由一个解释变量来解释。错，在实际中，一元回归是很多经济现象的近似，能够较好的反映回归的核心思想，是很有的。3、在异方差性的情况下，常用的OLS法必定高估了估计量的标准误。错，有可能高估也有可能低估。5、设估计模型为???171.2PDIPCEttt?(?7.4809)R2?0.1)DW?0.5316错，由于R2?0.9940，表明模型有很好的拟合优度，则模型不存在伪（虚假）回归。存在虚假回归可能，因为判定系数高于DW值。(1) 随机误差项ui与残差项ei是一回事。（错）(2) 总体回归函数给出了对应于每一个自变量的因变量的值。（错）(3) 线性回归模型意味着因变量是自变量的线性函数。（错）(4) 在线性回归模型中，解释变量是原因，被解释变量是结果。（对）1、 虚拟变量的取值只能取0或1
（对）2、 通过引入虚拟变量，可以对模型的参数变化进行检验
（对）1、简单线性回归模型与多元线性回归模型的基本假定是相同的。错在多元线性回归模型里除了对随机误差项提出假定外，还对解释变量之间提出无多重共线性的假定。2、在模型中引入解释变量的多个滞后项容易产生多重共线性。对在分布滞后模型里多引进解释变量的滞后项，由于变量的经济意义一样，只是时间不一致，所以很容易引起多重共线性。3、DW 检验中的DW值在 0 到 4 之间，数值越小说明模型随机误差项的自相关度越小，数值越大说明模型随机误差项的自相关度越大。错DW 值在 0 到 4 之间， DW 落在最左边 0 & DW & d L ）最右边( 4 ? d L & DW& 4 )时，分别为正自相关、负自相关;中间( dU & DW & 4 ? dU )为不存在自相关区域;其次为两个不能判定区域。3、通过虚拟变量将属性因素引入计量经济模型，引入虚拟变量的个数与样本容量大小有关。错,引入虚拟变量的个数样本容量大小无关，与变量属性，模型有无截距项有关。5、如果联立方程模型中某个结构方程包含了所有的变量, 则这个方程不可识别。正确 没有唯一的统计形式3、在异方差性的情况下，若采用 Eviews 软件中常用的 OLS 法，必定高估了估计量的标准误。错,有可能高估也有可能低估。4、拟合优度检验和 F 检验是没有区别的。错5、联立方程组模型根本不能直接用 OLS 方法估计参数。错递归方程可以用 OLS 方法估计参数，而其它的联立方程组模型不能直接用 OLS 方法估计参数。1、在对参数进行最小二乘估计之前，没有必要对模型提出古典假定。错误在古典假定条件下，OLS 估计得到的参数估计量是该参数的最佳线性无偏估计（具有线性、无偏性、有效性）。总之，提出古典假定是为了使所作出的估计量具有较好的统计性质和方便地进行统计推断。2、当异方差出现时，常用的 t 和 F 检验失效；正确由于异方差类似于 t 比值的统计量所遵从的分布未知；即使遵从 t-分布，由于方差不在具有最小性。这时往往会夸大 t-检验，使得 t 检验失效；由于 F-分布为两个独立的 χ 2 变量之比，故依然存在类似于 t-分布中的问题。3、解释变量与随机误差项相关，是产生多重共线性的主要原因。错误产生多重共线性的主要原因是：经济本变量大多存在共同变化趋势；模型中大量采用滞后变量；认识上的局限使得选择变量不当5、由间接最小二乘法与两阶段最小二乘法得到的估计量都是无偏估计。错误间接最小二乘法适用于恰好识别方程的估计，其估计量为无偏估计；而两阶段最小二乘法不仅适用于恰好识别方程，也适用于过度识别方程。两阶段最小二乘法得到的估计量为有偏、一致估计。5、秩条件是充要条件，因此，单独利用秩条件就可以完成联立方程识别状态的确定。错误。虽然秩条件是充要条件，但其前提是，只有在通过了阶条件的条件下。在对联立方程进行识别时，还应该结合阶条件判断是过度识别，还是恰好识别。1、半对数模型 Y = β 0 + β 1 ln X + μ 中，参数 β 1 的含义是 X 的绝对量变化，引起 Y 的绝对量变化。错误半对数模型的参数 β1 的含义是当 X 的相对变化时，绝对量发生变化，引起因变量 Y 的平均值绝对量的变动。2、对已经估计出参数的模型不需要进行检验。错误有必要进行检验。我们所建立的模型，所用的方法，所用的统计数据，还可能违反计量经济的基本假定，这是也会导致错误的结论。4、在有 M 个方程的完备联立方程组中，当识别的阶条件为 H ? N i（H 为联立方程组中5内生变量和前定变量的总数， i 为第 i 个方程中内生变量和前定变量的总数）N时，则表示第 i 个方程不可识别。错误 。表示第 i 个方程过度识别 。1．在研究经济变量之间的非确定性关系时，回归分析是唯一可用的分析方法。（X
）2．最小二乘法进行参数估计的基本原理是使残差平方和最小。（
Y）3．无论回归模型中包括多少个解释变量，总离差平方和的自由度总为（n-1）。（Y
）4．当我们说估计的回归系数在统计上是显著的，意思是说它显著地异于0。（ Y ）5．总离差平方和（TSS）可分解为残差平方和（ESS）与回归平方和（RSS）之和，其中残差平方和（ESS）表示总离差平方和中可由样本回归直线解释的部分。（X
）6．多元线性回归模型的F检验和t检验是一致的。（X
）7．当存在严重的多重共线性时，普通最小二乘估计往往会低估参数估计量的方差。（ X）8．如果随机误差项的方差随解释变量变化而变化，则线性回归模型存在随机误差项的自相关。（ X
）9．在存在异方差的情况下，会对回归模型的正确建立和统计推断带来严重后果。（Y
）10．D.W.检验只能检验一阶自相关。（Y
）1．残差（剩余）项ei的均值=(?e)i（
Y ） =0。2．所谓OLS估计量的无偏性，是指参数估计量的数学期望等于各自的真值。（ Y
）3．样本可决系数高的回归方程一定比样本可决系数低的回归方程更能说明解释变量对被解释变量的解释能力。（ X
）4．多元线性回归模型中解释变量个数为k，则对回归参数进行显著性检验的t统计量的自由度一定是n?k?1。（ Y ）5．对应于自变量的每一个观察值，利用样本回归函数可以求出因变量的真实值。（ X
）6．若回归模型存在异方差问题，可以使用加权最小二乘法进行修正。（ Y
）7．根据最小二乘估计，我们可以得到总体回归方程。（X
）8．当用于检验回归方程显著性的F统计量与检验单个系数显著性的t统计量结果矛盾时，可以认为出现了严重的多重共线性（
Y ）9．线性回归模型中的“线性”主要是指回归模型中的参数是线性的，而变量则不一定是线性的。（
Y ）10．一般情况下，用线性回归模型进行预测时，单个值预测与均值预测相等，且置信区间也相同。（X
）1、在研究经济变量之间的非确定性关系时，回归分析是惟一可用的分析方法。（ X ）2、对应于自变量的每一个观察值，利用样本回归函数可以求出因变量的真实值。 （ Y ）3、OLS回归方法的基本准则是使残差平方和最小。（ X ）4、在存在异方差的情况下，OLS法总是高估了估计量的标准差。（
Y）5、无论回归模型中包括多少个解释变量，总离差平方和的自由度总为（n-1）。
（ Y ）6、线性回归分析中的“线性”主要是指回归模型中的参数是线性的，而变量则不一定是线性的。（Y
）7、当我们说估计的回归系数在统计上是显著的，意思是说它显著异于0。 （ X ）8、总离差平方和（TSS）可分解为残差平方（ESS）和与回归平方和（RSS），其中残差平方（ESS）表示总离差平方和可由样本回归直线解释的部分。（ X ）9、所谓OLS估计量的无偏性，是指回归参数的估计值与真实值相等。（X
）10、当模型中解释变量均为确定性变量时，则可以用DW统计量来检验模型的随机误差项所有形式的自相关性。（X
）1、一般情况下，在用线性回归模型进行预测时，个值预测与均值预测结果相等，且它们的置信区间也相同。（Y
）2、对于模型Yi=β0+β1X1i+β2X2i+??+βkXki+μi，i=1,2, ??,n；如果X2=X5 +X6，
则模型必然存在解释变量的多重共线性问题。（ X ）3、OLS回归方法的基本准则是使残差项之和最小。（ Y ）4、在随机误差项存在正自相关的情况下，OLS法总是低估了估计量的标准差。 （Y
）5、无论回归模型中包括多少个解释变量，总离差平方和的自由度总为（n-1）。
（ Y ）6、一元线性回归模型的F检验和t检验是一致的。（ X ）7、如果随机误差项的方差随解释变量变化而变化，则线性回归模型存在随机误差项的序列相关。（ Y ）8、在近似多重共线性下，只要模型满足OLS的基本假定，则回归系数的最小二乘估计量仍然是一BLUE估计量。（
X）9、所谓参数估计量的线性性，是指参数估计量是解释变量的线性组合。22（ Y ）10、拟合优度的测量指标是可决系数R或调整过的可决系数，R越大，说明回归方程对样本的拟合程度越高。（Y
）1、最小二乘法进行参数估计的基本原理是使残差平方和最小。（X
）2、一般情况下，用线性回归模型进行预测时，个值预测与均值预测相等，且置信区间也相同。（ X ）3、如果随机误差项的方差随解释变量变化而变化，则线性回归模型存在随机误差项的序列相关。（ Y ）4、若回归模型存在异方差问题，应使用加权最小二乘法进行修正。（ X ）5、多元线性回归模型的F检验和t检验是一致的。（Y
）6、DW检验只能检验随机误差项是否存在一阶自相关。（ X ）7、总离差平方和（TSS）可分解为残差平方（RSS）和与回归平方和（ESS），其中残差平方（RSS）表示总离差平方和可由样本回归直线解释的部分。（Y
）8、拟合优度用于检验回归方程对样本数据的拟合程度，其测量指标是可决系数或调整后的可决系数。（ Y ）9、对于模型Yi??0??1X1i?...??nXni?ui
i?1,2,...,n；如果X2?X3?X1，则模型必然存在解释变量的多重共线性问题。（ Y ）10、所谓OLS估计量的无偏性，是指参数估计量的数学期望等于各自真值。
上一篇： 下一篇：
All rights reserved Powered by
copyright &copyright 。文档资料库内容来自网络，如有侵犯请联系客服。ArcGIS Help 10.1 - 解释 OLS 结果
“OLS 回归”工具生成的输出包括以下内容：
输出要素类OLS 残差图 统计结果的消息窗口报表OLS 统计报表可选 PDF 报表文件 可选解释变量系数表OLS 模型结果系数表 可选回归诊断表OLS 模型诊断表
下文将引用一系列运行 OLS 回归和解释 OLS 结果的步骤对上述的每项输出进行说明。
(A) 要运行 工具，需提供一个带有唯一 ID 字段的输入要素类、建模/解释/预测时使用的因变量以及一组解释变量。您还需提供输出要素类的路径，同时也可选择提供输出报表文件、系数输出表和诊断输出表的路径。
普通最小二乘法工具对话框
运行 OLS 后，您首先要检查的是写入结果 窗口的 OLS 汇总报表。右键单击结果 窗口中的并选择查看，将在消息对话框中显示汇总信息。如果在执行此工具，那么汇总信息也会显示在进度对话框中。
(B) 按照下面所述的带编号的步骤检查汇总报表：
OLS 统计报表的组成部分
分解统计报表评估模型性能。的值都可用于测量模型的性能。值的可能范围从 0.0 到 1.0。由于“校正可决系数”的值与数据本身相关因而更能准确地衡量模型的性能，从而反映模型的复杂性（变量数），因此“校正可决系数”值通常要比“多重可决系数”值略小。为模型添加一个额外解释变量可能会增大“R 平方的倍数”值，但也可能会减小“校正的 R 平方”值。假设正在创建一个入室盗窃数据（即每个人口普查区块的入室盗窃数量为，y）的回归模型。如果“校正可决系数”的值为 0.39，则表示您的模型（使用线性回归建模）可解释因变量中大约 39% 的变化。换句话说，该模型表达了大约 39% 的入室盗窃案件。使用 R 平方值量化模型性能 评估模型中的每一个解释变量：系数、概率、稳健概率和方差膨胀因子 (VIF)。每个解释变量的既反映它与因变量之间的关系强度，也反映它与因变量之间的关系类型。当与系数关联的符号为负时，该系数与因变量为负向关系。例如，距离城镇中心的距离越大，入室盗窃的数量就越少。当与系数关联的符号为正时，该系数与因变量为正向关系。例如，人口越多，入室盗窃的数量就越多。系数的单位与其关联的解释变量的单位相同。例如，与某一表示人口数的解释变量关联的系数为 0.005，则该系数可解释为 0.005 个人。系数反映了所有其他解释变量保持不变时，关联的解释变量的每单位变化导致其因变量发生的预期变化量。例如，保持其他解释变量不变的情况下，人口普查区块每增加1人，入室盗窃系数就会增加 0.005。T 检验是用来评估某个解释变量是否具有统计显著性。零假设是指所有的意图和目的的系数值为零，因此零假设对于模型没有帮助。当概率或稳健概率（）很小时，系数实际为零的几率也会很小。如果 Koenker 检验（见下图）具有统计显著性，则应使用稳健概率来评估解释变量的统计显著性。对于具有统计显著性的概率，其旁边会带有一个星号 (*)。如果理论/常识已表明某解释变量（与统计学上显著的系数相关联）与因变量之间具有有效关系，关系模型主要为线性模型，而且该变量对模型中所有其他解释变量而言不是冗余变量，则该变量对回归模型而言是很重要的。VIF 用于测量解释变量中的冗余。一般来说，与大于 7.5 的 VIF 值关联的解释变量应逐一从回归模型中移除。例如，如果某回归模型中同时含有人口变量（人数）和就业变量（就业人数），那么，您会发现，这些变量很大可能与较大的 VIF 值关联，从而表明这些变量讲述的是同一个故事，因此，您应将人口变量或就业变量从该模型中移除。评估哪一个变量具有统计显著性评估模型是否具有显著性。联合 F 统计量和联合卡方统计量均用于检验整个模型的统计显著性。只有在 Koenker (BP) 统计量（见下图）不具有统计显著性时，“联合 F 统计量”才可信。如果 Koenker (BP) 统计量具有显著性，应参考“联合卡方统计量”来确定整个模型的显著性。这两种检验的零假设均为模型中的解释变量不起作用。对于大小为 95% 的置信度，p 值（概率）小于 0.05 表示模型具有统计显著性。评估回归模型的整体统计显著性。评估稳态。Koenker (BP) 统计量（Koenker 的标准化 Breusch-Pagan 统计量）是一种检验方法，用于确定模型的解释变量是否在地理空间和数据空间中都与因变量具有一致的关系。如果模型在地理空间中一致，由解释变量表示的空间进程在研究区（进程稳态）各位置处的行为也将一致。如果模型在数据空间中一致，则预测值与每个解释变量之间关系的变化不会随解释变量值的变化而变化（模型不存在异方差性）。假设要对犯罪情况进行预测，其中一个解释变量为收入。如果对收入的中位数较小的位置的预测比对收入的中位数较大的位置的预测更准确，则说明模型的异方差性就会出现问题。该检验的零假设为所检验的模型是稳态的。对于大小为 95% 的置信度，p 值（概率）小于 0.05 表示模型具有统计学上的显著异方差性和/或非稳态。如果该检验的结果具有统计显著性，则需参考稳健系数标准差和概率来评估每个解释变量的效果。具有统计显著性非稳态的回归模型通常很适合进行 (GWR) 分析。评估稳态：如果 Koenker 检验具有统计显著性 (*)，则应参考稳健概率来确定解释变量系数是否具有显著性。评估模型偏差。Jarque-Bera统计量用于指示（已观测/已知的因变量值减去预测/估计值）是否呈正态分布。该检验的零假设为残差呈正态分布，因此，如果为这些残差建立直方图，这些残差的分布将与典型钟形曲线或高斯分布相似。当该检验的 p 值（概率）较小（例如，对于大小为 95% 的置信度，其值小于 0.05）时，回归不会呈正态分布，并指示您的模型有偏差。如果残差还存在统计学上显著的空间自相关（请参阅下文），则偏差可能是（该模型的某个关键变量缺失）的结果。从错误指定的 OLS 模型得到的结果是不可信的。如果尝试构建非线性关系模型、数据的某些异常值存在影响或者存在（请参阅上文），也可进行统计学上显著的 Jarque-Bera 检验。评估模型偏差。评估残差空间自相关。始终对回归残差运行 工具可确保回归残差在空间上随机分布。高残差和/或低残差（模型偏高预计值和偏低预计值）的统计显著性聚集表明模型（指定错误）中的某个关键变量缺失了。当模型错误设定时，OLS 结果不可信。使用“空间自相关”工具可以确保不对模型残差执行空间自相关。最后，请查看文档中标题为部分，以便检查 OLS 回归模型是否正确指定。如果查找正确指定的回归模型很困难，则可借助工具。OLS 汇总报表结尾部分的解释注意事项，可帮助您记住每个统计检验的作用，而且当您的模型未通过一个或多个诊断检验时，它将引导您找到一个解释。OLS 报告中包含的“注意事项”可帮助您解释诊断输出。(C) 如果为可选输出报表文件提供了路径，则会创建一个 PDF，其中包含摘要报表中的所有信息以及附加图表，可帮助您对模型进行评估。此报表的第一页提供与每个解释变量相关的信息。与汇总报表的第一部分（查看上述编号 2）相似，您可使用该页中的信息来确定每个解释变量的系数是否具有统计显著性并带有预期符号 (+/-)。如果 Koenker 检验具有统计显著性（请参阅上述编号 4），则仅可采用稳健概率来确定变量是否对您的模型有帮助。对于具有统计显著性的系数，其概率和/或稳健概率列的 p 值旁将带有星号。您也可以从此报表该页上的信息了解是否存在任何冗余的解释变量（表示有问题的）。除非理论另有说明，否则应逐个删除具有较高方差膨胀因子 (VIF) 值的解释变量，直到剩下的所有解释变量的 VIF 值均小于 7.5。输出报表文件中的下一部分列出 OLS 诊断的检查结果。该页还包括说明每项检查的重要性原因的解释注意事项。如果您的模型未通过其中一项诊断，可参考概述每个问题严重性并提供可能补救方法的表。此报表其他页上的图表还可以帮助您识别和修复模型存在的问题。输出报表文件的第 3 部分包含显示模型中每个变量的分布的直方图以及显示因变量与每个解释变量之间关系的散点图。如果模型存在偏差（通过具有统计显著性的 Jarque-Bera p 值指示），可查找直方图之间的偏分布，并尝试变换这些变量，以查看这是否可以消除偏差并改善模型性能。散点图将显示哪些变量是最好的预测因子。这些散点图还可用于检查变量之间的。在某些情况下，变换一个或多个变量将修复非线性关系并消除模型偏差。数据中的也可导致模型偏差。可查看直方图和散点图了解这些数据值和/或数据关系。尝试运行具有和不具有异常值的模型，了解它对结果的影响程度。您可能会发现异常值为无效数据（错误输入或记录的数据）并可从您的数据集中删除相关要素。如果异常值反映的是有效数据并在很大程度上影响您的分析结果，则您可以决定报告具有异常值的结果以及不具有异常值的结果。当您具有正确指定的模型时，偏高预计值和偏低预计值将反映随机噪声。如果您要创建随机噪声的直方图，此图将呈正态分布（如钟形曲线）。输出报表文件的第 4 部分显示模型偏高和偏低预计值的直方图。直方图的条块显示实际分布，如果您的残差实际上呈正态分布，则叠加在直方图顶部的蓝色线将显示直方图呈现的形状。完美是不太可能的，因此您需要检查 Jarque-Bera 检验以确定正态分布的偏差是否具有统计学上的显著性。Koenker 诊断会告诉您正在建模的关系在整个研究区域内是否发生变化（）或者是否随您正尝试预测的变量值而变化（）。将解决不稳定性问题；输出报表文件的第 5 部分的图表将向您显示是否存在问题。此散点图（如下所示）描述了模型残差与预测值之间的关系。假设您正在对犯罪率进行建模。如果图表呈，其尖端位于左侧且最远会离散到图表右侧，则表示您的模型可以很好地预测犯罪率较低的地点，但不能很好地预测犯罪率较高的地点。报表的最后一页记录创建报表时使用的所有参数设置。(D) 检查输出要素类中找到的模型。正确指定的回归模型的偏高预计值和偏低预计值将会随机分布。偏高预计值和/或偏低预计值的聚类表明至少丢失了一个关键解释变量。检查模型残差的分布格局可了解是否可从这些分布格局中确定可能丢失的那些变量。有时，对回归残差执行可帮助您确定分布更广的格局。用于处理未正确指定的模型的策略在中进行了概括介绍。OLS 输出：映射的残差(E) 查看系数和诊断表。创建系数和诊断表为可选操作。当您正寻找有效模型时，可能会选择不创建这些表格。模型构建过程会循环进行，在确定一些较好的模型之前，您可能会尝试构建众多不同的模型（不同的解释变量）。您可以使用 OLS 统计报告中的修正的 Akaike 信息准则 (AICc) 来比较不同的模型。AICc 值越小，模型就越好（换句话说，考虑到模型的复杂程度，具有越小 AICc 值的模型会更符合已观测的数据）。可使用 AICc 值来比较各个回归模型。为最终 OLS 模型创建系数和诊断表，可以获得该 OLS 报表的重要元素。系数表中包含模型所用的一系列解释变量以及这些变量的系数、标准化系数、标准误差和概率。通过系数可以估算关联的解释变量每变化一单位时因变量的变化量。系数单位与解释变量相匹配。例如，如果是总人口数的解释变量，则该变量的系数单位是人口个数；如果另一解释变量是离火车站的距离（米），则系数单位是米。如果将系数转换为标准差，则将它们称为标准化系数。可以使用标准化系数比较不同解释变量对因变量的影响。去掉 +/- 号（取绝对值）后标准化系数最大的解释变量对因变量的影响最大。但是，只能根据标准误差来解释系数。标准误差表示可以对数据重新采样并无数次重新校准模型时得到相同系数的可能性。如果系数的标准误差较大，则重采样过程会产生多个可能系数值；如果标准误差较小，则表示系数相当一致。
系数表中包含计算的系数、标准差和变量概率。诊断表中包含每个诊断检验的结果以及如何解释这些结果的准则。诊断报表中包含用于解释模型诊断检验结果的注意事项。
其他资源您可以通过许多优质资源来了解上的 OLS 回归的相关详细信息。可从阅读文档和/或观看一小时的免费
Web 研讨会开始。然后，通读。将回归分析应用于您自己的数据，请参考以及文章了解有关其他策略的信息。如果查找正确指定的回归模型很困难，则可借助工具。