注意：此页面搜索的是所有试题
国家开放大学大数据分析与挖掘技术
非线性形式的变量关系转化为线性关系可以通过的方式是（ ）。
【A.】变量代换或转换
【B.】变量剔除
【C.】变量筛选
【D.】增加变量
如果在存在非线性关系的情况下使用线性回归拟合曲线，则会丢失数据之间的大量有用信息，甚至会得出错误的结论。
【A.】√
【B.】×
非线性形式的变量关系一般可以通过变量代换或转换的方式转化为线性关系。
【A.】√
【B.】×
如果在存在非线性关系的情况下使用线性回归拟合曲线也是可以的，不会影响结论。
【A.】√
【B.】×
有些时候变量间的曲线关系比较明显，但是难将其线性化，这个时候可以考虑直接使用非线性最小二乘估计法来估计模型参数。
【A.】√
【B.】×
多项式回归类似于可线性化的非线性模型，可通过变量代换的方式使用普通最小二乘对参数进行估计。
【A.】√
【B.】×
一般的多项式回归模型很少应用到三阶以上。
【A.】√
【B.】×
多项式回归模型常常会应用到三阶以上。
【A.】√
【B.】×
多项式回归当阶数过高时，待估参数过多，但这并不影响对于结果的判断。
【A.】√
【B.】×
多项式回归当阶数过高时，待估参数过多，在样本量不大的情况下会比较困难，这是多项式回归的一大缺陷。
【A.】√
【B.】×
当数据具有尖峰厚尾的分布特征或有离群点（即异常值）时，模型的稳健性（ ）。
【A.】没有影响
【B.】较好
【C.】较差
【D.】无法判断
当数据具有尖峰厚尾的分布特征或有离群点（即异常值）时，模型稳健性较差。
【A.】√
【B.】×
分位数回归是对以古典条件均值模型为基础的延伸，它用几个分位函数来估计整体模型。
【A.】√
【B.】×
当数据具有尖峰厚尾的分布特征或有离群点（即异常值）时，模型稳健性较好。
【A.】√
【B.】×
与一般的回归分析过程一样，分位数回归模型进行参数估计之后，也需要对模型进行评价以及进行显著性检验。
【A.】√
【B.】×
【A.】变量代换或转换
【B.】变量剔除
【C.】变量筛选
【D.】增加变量
如果在存在非线性关系的情况下使用线性回归拟合曲线，则会丢失数据之间的大量有用信息，甚至会得出错误的结论。
【A.】√
【B.】×
非线性形式的变量关系一般可以通过变量代换或转换的方式转化为线性关系。
【A.】√
【B.】×
如果在存在非线性关系的情况下使用线性回归拟合曲线也是可以的，不会影响结论。
【A.】√
【B.】×
有些时候变量间的曲线关系比较明显，但是难将其线性化，这个时候可以考虑直接使用非线性最小二乘估计法来估计模型参数。
【A.】√
【B.】×
多项式回归类似于可线性化的非线性模型，可通过变量代换的方式使用普通最小二乘对参数进行估计。
【A.】√
【B.】×
一般的多项式回归模型很少应用到三阶以上。
【A.】√
【B.】×
多项式回归模型常常会应用到三阶以上。
【A.】√
【B.】×
多项式回归当阶数过高时，待估参数过多，但这并不影响对于结果的判断。
【A.】√
【B.】×
多项式回归当阶数过高时，待估参数过多，在样本量不大的情况下会比较困难，这是多项式回归的一大缺陷。
【A.】√
【B.】×
当数据具有尖峰厚尾的分布特征或有离群点（即异常值）时，模型的稳健性（ ）。
【A.】没有影响
【B.】较好
【C.】较差
【D.】无法判断
当数据具有尖峰厚尾的分布特征或有离群点（即异常值）时，模型稳健性较差。
【A.】√
【B.】×
分位数回归是对以古典条件均值模型为基础的延伸，它用几个分位函数来估计整体模型。
【A.】√
【B.】×
当数据具有尖峰厚尾的分布特征或有离群点（即异常值）时，模型稳健性较好。
【A.】√
【B.】×
与一般的回归分析过程一样，分位数回归模型进行参数估计之后，也需要对模型进行评价以及进行显著性检验。
【A.】√
【B.】×