对于Yi=β0+β1X1+e1,以Yi=β0+β1X1+e1表示估计标准误差,Yi=β0+β1X1+e1表示回归值,则__________。BA. Yi=β0+β1X1+e1 B. Yi=β0+β1X1+e1 C. Yi=β0+β1X1+e1 D. Yi=β0+β1X1+e1

本题考查一元线性回归模型的基本性质，特别是回归系数为零时的残差平方和特性，以及估计标准误差为零时的模型拟合情况。关键点在于理解：

1. 最小二乘法的核心是使残差平方和最小；
2. 回归系数为零意味着自变量对因变量无影响，此时模型退化为截距模型；
3. 估计标准误差为零表示模型完美拟合数据，残差为零。

选项分析

选项B

当$\hat{\beta}_1 = 0$时，回归模型退化为$Y_i = \hat{P}_0 + e_i$，即所有预测值$\hat{Y}_i = \hat{P}_0$。此时残差$e_i = Y_i - \hat{Y}_i = Y_i - \hat{P}_0$。若$\hat{\beta}_1 = 0$，说明数据点在$Y$轴上完全重合（即所有$Y_i = \hat{P}_0$），此时$\sum_{i=1}^{n}(Y_i - \hat{Y}_i)^2 = 0$。选项B正确。

选项E

估计标准误差$\hat{\sigma}$是残差标准差。当$\hat{\sigma} = 0$时，所有残差$e_i = 0$，即模型完美拟合数据，此时残差平方和$\sum_{i=1}^{n}(Y_i - \hat{Y}_i)^2 = 0$，显然为最小值。选项E正确。

其他选项

• 选项A：残差平方和为零的条件与选项B相同，但$\sum (r_i - r_i)^2$表达式本身无意义，选项A错误。
• 选项C：残差和$\sum (Y_i - \hat{Y}_i)$不为最小，最小二乘法最小化的是平方和而非一次方和，选项C错误。
• 选项D：残差平方和始终为最小是回归模型的性质，与$\hat{\beta}_1$是否为零无关，选项D错误。