1. Поскольку в расчете индекса ковариации используется соотношение факторной и общей суммы квадратов отклонений, то R2 имеет тот же смысл, что и коэффициент детерминации.

2. Поскольку в расчете индекса корреляции не используется соотношение факторной и общей суммы квадратов отклонений, то R2 имеет тот же смысл, что и коэффициент детерминации.

3. Поскольку в расчете индекса корреляции используется соотношение факторной и общей суммы квадратов отклонений, то r2 имеет тот же смысл, что и коэффициент детерминации.

4. Поскольку в расчете индекса корреляции используется соотношение факторной и общей разности квадратов отклонений, то R2 имеет тот же смысл, что и коэффициент детерминации.

5. Поскольку в расчете индекса корреляции используется соотношение факторной и общей суммы квадратов отклонений, то R2 не имеет того же смысла, что и коэффициент детерминации.

299.Найдите правильный ответ из предложенных утверждений.

1. В специальных исследованиях величину R2 для линейных связей называют индексом детерминации. Оценка статистической значимости индекса корреляции проводится так же, как и оценка значимости коэффициента корреляции.

2. В специальных исследованиях величину R2 для нелинейных связей не называют индексом детерминации. Оценка статистической значимости индекса корреляции проводится так же, как и оценка значимости коэффициента корреляции.

3. В специальных исследованиях величину R2 для нелинейных связей называют индексом детерминации. Оценка статистической значимости индекса корреляции проводится так же, как и оценка значимости коэффициента корреляции.

4. В специальных исследованиях величину R2 для нелинейных связей называют индексом корреляции. Оценка статистической значимости индекса корреляции проводится так же, как и оценка значимости коэффициента корреляции.

5. В специальных исследованиях величину R2 для нелинейных связей называют индексом детерминации. Оценка статистической незначимости индекса корреляции проводится так же, как и оценка значимости коэффициента корреляции.

300. Найдите правильный ответ из предложенных утверждений.

1. Индекс детерминации нельзя сравнивать с коэффициентом детерминации для обоснования возможности применения линейной функции. Чем больше кривизна линии регрессии, тем величина коэффициента детерминации меньше индекса детерминаци. Близость этих показателей означает, что нет необходимости усложнять форму уравнения регрессии и можно использовать линейную функцию.

2. Индекс детерминации можно сравнивать с коэффициентом корреляции для обоснования возможности применения линейной функции. Чем больше кривизна линии регрессии, тем величина коэффициента детерминации меньше индекса детерминаци. Близость этих показателей означает, что нет необходимости усложнять форму уравнения регрессии и можно использовать линейную функцию.

3. Индекс детерминации можно сравнивать с коэффициентом детерминации, но не для обоснования возможности применения линейной функции. Чем больше кривизна линии регрессии, тем величина коэффициента детерминации меньше индекса детерминаци. Близость этих показателей означает, что нет необходимости усложнять форму уравнения регрессии и можно использовать линейную функцию.

4. Индекс детерминации можно сравнивать с коэффициентом детерминации для обоснования возможности применения криволинейной функции. Чем больше кривизна линии регрессии, тем величина коэффициента детерминации меньше индекса детерминаци. Близость этих показателей означает, что нет необходимости усложнять форму уравнения регрессии и можно использовать линейную функцию.

5. Индекс детерминации можно сравнивать с коэффициентом детерминации для обоснования возможности применения линейной функции. Чем больше кривизна линии регрессии, тем величина коэффициента детерминации меньше индекса детерминаци. Близость этих показателей означает, что нет необходимости усложнять форму уравнения регрессии и можно использовать линейную функцию.

301.Найдите правильный ответ из предложенных утверждений.

1. Нелинейная регрессия по включенным переменным не имеет никаких сложностей для оценки ее параметров. Они определяются, как и в линейной регрессии, методом наименьших квадратов (МНК), т.к. эти функции линейны по параметрам.

2. Линейная регрессия по включенным переменным не имеет никаких сложностей для оценки ее параметров. Они определяются, как и в линейной регрессии, методом наименьших квадратов (МНК), т.к. эти функции линейны по параметрам.

3. Нелинейная регрессия по не включенным переменным не имеет никаких сложностей для оценки ее параметров. Они определяются, как и в линейной регрессии, методом наименьших квадратов (МНК), т.к. эти функции линейны по параметрам.

4. Нелинейная регрессия по включенным переменным имеет сложности для оценки ее параметров. Они определяются, как и в линейной регрессии, методом наименьших квадратов (МНК), т.к. эти функции линейны по параметрам.

5. Нелинейная регрессия по включенным переменным не имеет никаких сложностей для оценки ее параметров. Они не определяются, как и в линейной регрессии, методом наименьших квадратов (МНК), т.к. эти функции линейны по параметрам.

302.Найдите правильный ответ из предложенных утверждений

1. Нелинейная регрессия по включенным переменным не имеет никаких сложностей для оценки ее параметров. Они определяются, как и в линейной регрессии, методом наименьших квадратов (МНК), т.к. эти функции линейны по параметрам.

2. Линейная регрессия по включенным переменным не имеет никаких сложностей для оценки ее параметров. Они определяются, как и в линейной регрессии, методом наименьших квадратов (МНК), т.к. эти функции линейны по параметрам.

3. Нелинейная регрессия по не включенным переменным не имеет никаких сложностей для оценки ее параметров. Они определяются, как и в линейной регрессии, методом наименьших квадратов (МНК), т.к. эти функции линейны по параметрам.

4. Нелинейная регрессия по включенным переменным имеет сложности для оценки ее параметров. Они определяются, как и в линейной регрессии, методом наименьших квадратов (МНК), т.к. эти функции линейны по параметрам.

5. Нелинейная регрессия по включенным переменным не имеет никаких сложностей для оценки ее параметров. Они не определяются, как и в линейной регрессии, методом наименьших квадратов (МНК), т.к. эти функции линейны по параметрам.

303.Найдите правильный ответ из предложенных утверждений.