C

[解析] 期望收益率=无风险收益率+β×(市场期望收益率-无风险收益率)=0.06+1.2×(0.12-0.06)=0.132。

A

[解析] 根据CAPM模型R_i=R_F+β_i(R_M-R_F)，可整理为：R_i=R_F(1-β_i)+β_iR_M；如果β_i＞1，R_F的降低反而增加R_i。

A

[解析] 预期效用理论又称期望效用函数理论，是在公理化假设的基础上，运用逻辑和数字工具，建立的不确定条件下对理性人选择进行分析的框架。

B

[解析] 作差分是把非平稳过程转换成平稳过程常用的方法。非平稳时间序列模型的特点：不具有特定的长期均值；方差和自协方差不具有时间不变性；理论上，序列自相关函数不随滞后阶数的增加而衰减。

D

[解析] 如果一个随机变量X的对数形式Y=ln(X)是正态分布，则称这一变量服从对数正态分布。所以，如果X服从正态分布，则e^X服从对数正态分布。

C

[解析] 由于X为连续型随机变量，所以P(X=a)=0，已知P(X＞a)=P(X＜a)，可得P(X＜a)=P(X＞a)=0.5，即a处在正态分布的中心位置，根据题干中的条件可知该分布关于μ=3轴对称，所以a=3。

A

[解析] 对一元线性回归方程y_i=α+βx_i+μ_i两边同时求期望，则有E(y_i)=α+βx_i。表明点(x_i，E(y_i))在E(y_i)=α+βx_i对应的直线上，这条直线即为总体回归直线(或理论回归直线)。

C

[解析] 离散型随机变量期望值为。根据，得：，。所以，。

D

[解析] 估计标准误差是说明实际值与其估计值之间相对偏离程度的指标，所以，回归估计的标准误差越小，表明投资组合的样本回归线的离差程度越小。

A

[解析] R²表示总离差平方和中线性回归解释的部分所占的比例，其取值范围为：0≤R²≤1，R²越接近于1，线性回归模型的解释力越强。当利用R²来度量不同多元线性回归模型的拟合优度时，存在一个严重的缺点：R²的值随着解释变量的增多而增大，即便引入一个无关紧要的解释变量，也会使得R²变大。为了克服这个缺点，一般采用调整后的R²来测度多元线性回归模型的解释能力。

B

[解析] 记X为动物活的岁数。现年25岁的这种动物活到30岁以上的条件概率为：
   

D

[解析] 设X～N(μ，σ²)，则。由ζ的概率密度为(-∞＜x＜+∞)，可知：ζ的数学期望μ=3，方差σ²=2，则。

B

[解析] 随机变量X和Y的相关系数为：。

A

[解析] 根据中心极限定理，设从均值为μ、方差为σ²(有限)的任意一个总体中抽取样本量为n的样本，当n充分大时，样本均值的抽样分布近似服从均值为μ，方差为σ²/n的正态分布。由此可知的期望值为μ=200，标准差为。

C

[解析] 采用t检验法进行双边检验时，因为，所以在显著性水平α下，接受域为|t|＜t_α/2(99)。

B

[解析] 自相关是指模型的误差项间存在相关性。一旦发生自相关，则意味着数据中存在自变量所没有解释的某种形态，说明模型还不够完善。

A

[解析] 如果解释变量之间存在严格或者近似的线性关系，就产生了多重共线性问题，其本质为解释变量之间高度相关。可以通过简单相关系数检验法对多重共线性进行检验，即通过求出解释变量之间的简单相关系数r来作出判断，通常情况下，|r|越接近1，则可以认为多重共线性的程度越高。

B

[解析] 最小二乘准则认为，和的选择应使得残差平方和最小，即：
   
   上式达到最小即为最小二乘准则(原理)。这种估计回归参数的方法称为普通最小二乘法(OLS)。

D

[解析] 一元线性回归模型中，用于检验回归系数β₁的统计量t为：，该统计量服从自由度为n-2的t分布。

D

[解析] 由题干中给出的回归方程可知，当产量X(台)增加1台时，单位产品成本Y(元/台)平均减少1.5元。

C

[解析] A项为总离差平方和，记为TSS；B项为残差平方和，记为RSS；C项为回归平方和，记为ESS。三者之间的关系为：TSS=RSS+ESS。

B

[解析] 反映回归直线与样本观察值拟合程度的量是拟合优度，又称样本“可决系数”，常用R²表示。其计算公式为：
   

B

[解析] 由，即，解得：RSS=40。

B

[解析] 回归系数的显著性检验就是检验回归系数β₁是否为零。常用的检验方法是在正态分布下的t检验方法。原假设和备择假设分别是：H₀:β₁=0；H₁:β₁≠0。

B

[解析] 根据决策准则，如果|t|＞t_α/2(n-2)，则拒绝H₀:β=0的原假设，接受备择假设H₁:β≠0，表明回归模型中自变量x对因变量y产生显著的影响；否则，不拒绝H₀:β=0的原假设，回归模型中自变量x对因变量y的影响不显著。

B

B

[解析] 拟合优度R²为回归平方和(ESS)占总离差平方和(TSS)的比例，其计算公式为：
   
   F统计量的计算公式为：
   
   当R²=0时，ESS=0，所以有F=0。

D

[解析] 多元线性回归模型的F检验，又称回归方程的显著性检验或回归模型的整体性检验，反映的是多元线性回归模型中被解释变量与所有解释变量之间线性关系在总体上是否显著。

D

[解析] 如果解释变量之间存在严格或者近似的线性关系，这就产生了多重共线性问题。产生多重共线性的原因包括：①经济变量之间有相同或者相反的变化趋势；②模型中包含有滞后变量；③从总体中取样受到限制等。

D

[解析] 逐步回归法是指以Y为被解释变量，逐个引入解释变量，构成回归模型，进行模型估计。根据拟合优度的变化以及结合F检验和t检验的显著性决定是否保留新引入的变量。如果新引入了变量后使得F检验和t检验均显著，并且增加了拟合优度，则说明新引入的变量是一个独立解释变量，可考虑在模型中保留该变量；如果新引入的变量未能明显改进拟合优度值，或者F检验和t检验出现了不显著现象，则说明新引入的变量与其他变量之间存在共线性。

A

[解析] 设总生产成本对产量的一元线性回归方程为y_c=α+βx，其中，x表示产量，y_c表示总成本。依题意，x=0时，y_c=6000；x=1000时，y_c=30000，解得α=6000，β=24。因此，总生产成本对产量的一元线性回归方程为：y_c=6000+24x。

D

[解析] 由表可以看出，，β₁的标准误差为0.066877，对应的t统计量为14.12166。系数P值=0.0000，非常小，在这种情况下，当原假设为真时所得到的样本观察结果或更极端结果出现的概率很小，所以拒绝原假设。

C

[解析] 根据公式，可得：。当|r|≥0.8时，可视为高度相关；0.5≤|r|＜0.8时，可视为中度相关；0.3≤|r|＜0.5，视为低度相关；|r|＜0.3时，说明两个变量之间的相关程度极弱，可视为不相关。因此，本题中X和Y为中度相关。

C

[解析] 一般地，一元线性回归模型定义为：y=β₀+β₁x+ε。线性部分β₀+β₁x反映了由于x的变化而引起的y的主要变化；ε被称为随机误差项，反映了除x和y之间的线性关系之外的随机因素对y的影响，包括次要变量、随机行为、模型的不完善、经济变量的合并误差、测量误差等。在一元回归中把除x之外的影响y的因素都归入ε中。

C

[解析] 回归系数的显著性检验就是检验回归系数β₁是否为零。常用的检验方法是在正态分布下的t检验方法。

B

[解析] 区间预测就是在给定显著性水平α的条件下，找到一个区间(T₁，T₂)，使对应于特定x₀的y₀包含在这个区间(T₁，T₂)的概率为1-α。用式子表示为：P(T₁＜y₀＜T₂)=1-α。

C

[解析] DW检验用于检验随机误差项具有一阶自回归形式的序列相关问题，即自相关检验。

A

[解析] 一般回归系数β_i在1-α的置信水平下的置信区间为：，所以当临界值t_α/2变大时，回归系数的置信区间将变大。

C

[解析] 在线性方程中，一元线性方程的斜率不变。当方程中有两个变量时，与简单的回归相同，可用直线描述线性方程。一般地，多元线性回归模型的表达式如下：
   Y=β₀+β₁X₁+β₂X₂+…+β_kX_k+μ

B

[解析] 除了对回归系数进行检验外，还可以求出各回归系数的置信区间。一般回归系数β_i在1-α的置信水平下的置信区间为：
   
   其中，为回归系数估计值，n为样本数，k为自变量个数。