下列哪些形式是正确的()。 1.Y=B+Bx 2.Y=B+BX+4 3.Y=序+房X+4 4户=序+月X+4 5户=成+BX 6.E(Y)=B+Bx 7.Y=成+x 8.Y=月+月X+e 9.f=月+成x+e 10.E(Y)=B+ 11.下列方程并判断模型( )属于变量呈线性，模型( )属于系数呈线性，模型( 既属于变量呈线性又属于系数呈线性，模型( )既不属于变量呈线性也不属于系数呈线性。 A￥=民+B,X+4 B.Y.=Bo+B,log,+ c.log.+B,log D.Y,=Bo+B.(B:X,)+H E.Y=B(B,X ) R.y-1+B0-X)+4 G.Y=B++: 12.在计量经济建模过程中，当采用的是一个自变量并且使用的样本量n≤30时，对参数的显菩性检验 要用正态分布检验。 13.一般情况下，广义最小二乘估计量比普通最小二乘估计更有效。 14.随机误差项与残差项是一回事。 15.线性回归模型意味若变量是线性的。 16.线性回归模型中，解释变量是原因，被解释变量是结果。 17.最小方差估计量不一定是无偏的 18.参数的估计量是随机变量，但参数本是非随机的或是固定的。 19参数的无偏估计量，总是等于参数本身，（比如说从，无偏估计量等于4，）。] 20.有效估计量的方差最小。 21.估计量是最优线性无偏估计量，仅当分布是正态分布是成立。 22接受区域与置信区间是一回事。 23.当拒绝可能为假的零假设时，才发生第一类错误。 24.当拒绝可能为真的零假设时，才发生第二类错误 25中心极限定理表明样本均值总是服从正态分布。 26.显著水平与D值是同一回事。 27.判别下列模型是否为线性回归模型： (a)y,=B+B,1/X,)(b)y=B,+B2nX,+4, (c)ny=B,+B2X,+4 (d)In Y,=B+B In,+H (e)Y,=B+B.B,+ 注：自然对数表示以e为底的常用对数 28.01S就是使残差平方和最小化的过程。 29.计算0S估计量无需古典线性回归模型的基本假定。 下列哪些形式是正确的（）。 1. Y =  0 + 1X 2. Y =  0 + 1X +  3. Y =  ˆ 0 +  ˆ 1X +  4. Y ˆ =  ˆ 0 +  ˆ 1X +  5. Y ˆ =  ˆ 0 +  ˆ 1X 6. E(Y) =  0 + 1X 7. Y =  ˆ 0 +  ˆ 1X 8. Y = + X + e 0 1  ˆ  ˆ 9. Y = + X + e 0 1 ˆ  ˆ  ˆ 10. E(Y) =  ˆ 0 +  ˆ 1X 11.下列方程并判断模型（ ）属于变量呈线性，模型（ ）属于系数呈线性，模型（ ） 既属于变量呈线性又属于系数呈线性，模型（ ）既不属于变量呈线性也不属于系数呈线性。 A. Yi =  +  i Xi +  i 3 0 B. Yi =  +  i Xi +  i 0 log C. Yi =  +  i Xi + i log 0 log D. Yi =  +   Xi +  i ( ) 0 1 2 E. Yi =   i Xi +  i /( ) 0 F. Yi  Xi  i  = 1+ (1− ) + 1 0 G. Yi =  0 + 1X1i +  2X2i + i 12.在计量经济建模过程中，当采用的是一个自变量并且使用的样本量 n  30 时，对参数的显著性检验 要用正态分布检验。 13.一般情况下，广义最小二乘估计量比普通最小二乘估计更有效。 14.随机误差项与残差项是一回事。 15.线性回归模型意味着变量是线性的。 16.线性回归模型中，解释变量是原因，被解释变量是结果。 17.最小方差估计量不一定是无偏的 18.参数的估计量是随机变量，但参数本是非随机的或是固定的。 19.参数的无偏估计量，总是等于参数本身，（比如说  x 无偏估计量等于  x ）。] 20.有效估计量的方差最小。 21.估计量是最优线性无偏估计量，仅当分布是正态分布是成立。 22.接受区域与置信区间是一回事。 23.当拒绝可能为假的零假设时，才发生第一类错误。 24.当拒绝可能为真的零假设时，才发生第二类错误。 25.中心极限定理表明样本均值总是服从正态分布。 26.显著水平与 p 值是同一回事。 27．判别下列模型是否为线性回归模型： （a） (1/ ) Yi = B1 + B2 Xi （b） Yi = B + B Xi + i 1 2 ln （c） Yi = B1 + B2Xi + i ln （d） Yi = B + B Xi + i ln 1 2 ln （e） Yi = B1 + B2B3Xi + i 注：自然对数表示以 e 为底的常用对数 28． OLS 就是使残差平方和最小化的过程。 29．计算 OLS 估计量无需古典线性回归模型的基本假定