在下面利用给定的样本数据得到的散点图中，X、Y分别为解释变量和被解释变量。问：各图中随机误差项的

A.JDA特征转化时，降维方法中的数据重构选择PCA来进行

B.通过PCA得到k 维特征表示后，为了减小边缘分布差异，引入最大均值差异MMD，旨在k维嵌入中计算源域数据和目标域数据样本均值之间的距离

C.JDA中，目标域中没有标签数据，不能直接建模，需利用类条件分布来近似，因此可以利用在源域数据上训练得到的基分类器应用到目标域数据，得到目标域数据的伪标签

D.在JDA中，我们的目标是同时最小化域间边缘分布和条件分布的差异

A.创建一个结点t，与结点t关联的数据集记为Dt#B.如果当前结点t所关联的数据集Dt中样本个数小于给定阈值或者Dt中样本的目标属性取值的标准差小于给定阈值,则将该结点标记为叶子节点#C.在选择分类属性时，应选择时SDR值最小的属性#D.SDR代表误差的期望减少

A.创建一个结点t，与结点t关联的数据集记为Dt#B.如果当前结点t所关联的数据集Dt中样本个数小于给定阈值或者Dt中样本的目标属性取值的标准差小于给定阈值,则将该结点标记为叶子节点#C.在选择分类属性时，应选择时SDR值最小的属性#D.SDR代表误差的期望减少

A.简单散点图

B.局部平均

C.函数拟合

D.Pearson简单相关系数

A.①②③④

B.①②④③

C.②①③④

D.②①④③

使用PNTSPRD.RAW中的数据。

(i)变量sprdcvr是一个二值变量，若在大学篮球比赛中实际分数差距超过拉斯维加斯让分，则此变量取值1。sprdcvr的期望值(比方说u)表示在一场随机抽取的比赛中分差超过让分的概率。在10%的显著性水平上相对于H₁:μ≠0.5检验H₀:μ=0.5，并讨论你的结果。(提示：将sprdcvr只对一个截距项进行回归便得到一个r统计量，利用这个统计量很容易完成。)

(ii)553个样本中有多少场比赛是在中立场地进行的？

(iii)估计线性概率模型

并以通常的形式报告结论。(报告通常的标准误和异方差-稳健的标准误。)哪个变量在实际上和统计上都是最显著的？

(iv)解释为什么在原假设下，模型中不存在异方差性。

(v)利用通常的F统计量检验第(iv)部分的原假设，你得到了什么结论？

(vi)给定上述分析，你会不会认为，利用赛前可利用的信息，有可能系统地预测拉斯维加斯让分能否实现？