（单选题）
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（）.
A3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
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。
DANOVA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。
正确答案
答案解析
略
相似试题
（单选题）
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（）
（单选题）
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+30000x1+0.0003x2由此方程可以得到结论是（）.
（单选题）
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+30000x1+0.0003x2由此方程可以得到的结论是：（）
（单选题）
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（）.
（多选题）
某工程师完成一个两因子（X1和X2）的全因子试验，得到拟合方程为y=b0+b1X1+b2X2，后来其他工程师建议他最好再做几次中心点的试验，他完成了3个中心点的试验后，重新拟合模型得到一个新的方程，新的拟合方程与原方程相比，以下判断错误的有：（）
（单选题）
为了研究轧钢过程中的延伸量控制问题，在经过2水平的4个因子的全因子试验后，得到了回归方程。其中，因子A代表轧压长度，低水平是50cm，高水平为70cm。响应变量Y为延伸量（单位为cm）。在代码化后的回归方程中，A因子的回归系数是4。问，换算为原始变量（未代码化前）的方程时，此回归系数应该是多少？（）
（多选题）
响应变量与预测变量之间的拟合线图如下，回归方程为：y=8521-16.56x+0.009084x**2，下图给出了置信区间和预测区间。关于这两个区间的关系，正确的描述是：（）
（单选题）
在研究产量（Y）与反应罐压力（Pressure）和反应温度（Temp）时，进行了带有3个中心点的2因子2水平的全因子试验。得到数据后，进行了分析。最初，选定了含Pressure，Temp及Pressure*Temp这3项的全模型。其结果如下 究竟应该如何比较上述全模型及删减模型的结果：（）
（单选题）
在试验设计的最后阶段，已经确认了3个关键影响因素，且3个因素的影响可能非线性，我们想知道响应变量Y究竟如何依赖于3个关键影响因素，进而找到自变量的设置，使得响应变量能取得最佳值（望大或望小），选择哪种设计较好？（）
