一只药用昆虫的产卵数\(y\)与一定范围内的温度\(x\)有关，现收集了该种药用昆虫的\(6\)组观测数据如表：

温度\(x/^{\circ}C\)	\(21\)	\(23\)	\(24\)	\(27\)	\(29\)	\(32\)
产卵数\(y/\)个	\(6\)	\(11\)	\(20\)	\(27\)	\(57\)	\(77\)

经计算得：\( \overline {x}= \dfrac {1}{6} \sum\limits_{i=1}^{6}x_{i}=26\)，\( \overline {y}= \dfrac {1}{6} \sum\limits_{i=1}^{6}y_{i}=33\)，\( \sum\limits_{i=1}^{6}(x_{i}- \overline {x})(y_{i}- \overline {y})=557\)，\( \sum\limits_{i=1}^{6}(x_{i}- \overline {x})^{2}=84\)，\( \sum\limits_{i=1}^{6}(y_{i}- \overline {y})^{2}=3930\)，线性回归模型的残差平方和\( \sum\limits_{i=1}^{6}(y_{i}- \overset{\hat{} }{y}_{i})^{2}=236.64\)，\(e^{8.0605}≈3167\)，其中\(x_{i}\)，\(y_{i}\)分别为观测数据中的温度和产卵数，\(i=1\)，\(2\)，\(3\)，\(4\)，\(5\)，\(6\)．
\((\)Ⅰ\()\)若用线性回归模型，求\(y\)关于\(x\)的回归方程\( \overset{\hat{} }{y}= \overset{\hat{} }{b}x+ \overset{\hat{} }{a}(\)精确到\(0.1)\)；
\((\)Ⅱ\()\)若用非线性回归模型求得\(y\)关于\(x\)的回归方程为\( \overset{\hat{} }{y}=0.06e^{0.2303x}\)，且相关指数\(R^{2}=0.9522\)．
\((\) \(i\) \()\)试与\((\)Ⅰ\()\)中的回归模型相比，用\(R^{2}\)说明哪种模型的拟合效果更好．
\((ii)\)用拟合效果好的模型预测温度为\(35^{\circ}C\)时该种药用昆虫的产卵数\((\)结果取整数\()\)．
附：一组数据\((x_{1},y_{1})\)，\((x_{2},y_{2})\)，\(…\)，\((x_{n},y_{n})\)，其回归直线\( \overset{\hat{} }{y}= \overset{\hat{} }{b}x+ \overset{\hat{} }{a}\)的斜率和截距的最小二乘估计为\( \overset{\hat{} }{b}= \dfrac { \sum\limits_{i=1}^{n}(x_{i}- \overline {x})(y_{i}- \overline {y})}{ \sum\limits_{i=1}^{n}(x_{i}- \overline {x})^{2}}\)，\( \overset{\hat{} }{a}= \overline {y}- \overset{\hat{} }{b} \overline {x}\)；相关指数\(R^{2}=1- \dfrac { \sum\limits_{i=1}^{n}(y_{i}- \overset{\hat{} }{y}_{i})^{2}}{ \sum\limits_{i=1}^{n}(y_{i}- \overline {y})^{2}}\)．

一只药用昆虫的产卵数\(y\)与一定范围内的温度\(x\)有关，现收集了该种药用昆虫的\(6\)组观测数据如表：

温度\(x/^{\circ}C\)		\(23\)	\(24\)	\(27\)	\(29\)	\(32\)
产卵数\(y/\)个	\(6\)	\(11\)	\(20\)	\(27\)	\(57\)	\(77\)

经计算得：\(\overset{˙}{x}= \dfrac{1}{6} \sum\nolimits_{i=1}^{6}{x}_{i}=26 \)，\(\overset{˙}{y}= \dfrac{1}{6} \sum\nolimits_{i=1}^{6}{y}_{i}=33 \)，\(\sum\nolimits_{i=1}^{6}({x}_{i}-x)({y}_{i}-y)=557 \)，\(\sum\nolimits_{i=1}^{6}({x}_{i}-x{)}^{2}=84 \)，\(\sum\nolimits_{i=1}^{6}({y}_{i}-y{)}^{2}=3930 \)，线性回归模型的残差平方和\(\sum\nolimits_{i=1}^{6}({y}_{i}-{\hat {y}}_{i}{)}^{2}=236.64 \)，\(e^{8.0605}≈3167\)，其中\(x_{i}\)，\(y_{i}\)分别为观测数据中的温度和产卵数，\(i=1\)，\(2\)，\(3\)，\(4\)，\(5\)，\(6\)．
\((\)Ⅰ\()\)若用线性回归模型，求\(y\)关于\(x\)的回归方程\(\hat {y} =\hat {b} x+\hat {a} (\)精确到\(0.1)\)；
\((\)Ⅱ\()\)若用非线性回归模型求得\(y\)关于\(x\)的回归方程为\(\hat {y} =0.06e^{0.2303x}\)，且相关指数\(R^{2}=0.9522\)．
\((\) \(i\) \()\)试与\((\)Ⅰ\()\)中的回归模型相比，用\(R^{2}\)说明哪种模型的拟合效果更好．
\((ii)\)用拟合效果好的模型预测温度为\(35^{\circ}C\)时该种药用昆虫的产卵数\((\)结果取整数\()\)．
附：一组数据\((x_{1},y_{1})\)，\((x_{2},y_{2})\)，\(…\)，\((x_{n},y_{n})\)，其回归直线\(\hat {y} =\hat {b} x+\hat {a} \)的斜率和截距的最小二乘估计为\(\hat {b}= \dfrac{ \sum\nolimits_{i=1}^{n}\left({x}^{i}-x\right)\left({y}_{i}-y\right)}{ \sum\nolimits_{i=1}^{n}({x}_{i}-x{)}^{2}} \)，\(\hat {a} =\overset{˙}{y} -\hat {b} \overset{˙}{x} \)；相关指数\(R^{2}=1- \dfrac{ \sum\nolimits_{i=1}^{n}({y}_{i}-{\hat {y}}_{i}{)}^{2}}{ \sum\nolimits_{i=1}^{n}({y}_{i}-y{)}^{2}} \)．

下列说法：
\(①\)残差可用来判断模型拟合的效果；
\(②\)设有一个回归方程：\(\hat{y}=3-5x\)，变量\(x\)增加一个单位时，\(y\)平均增加\(5\)个单位；
\(③\)线性回归直线：\(\hat{y}=\hat{b}x+\hat{a}\)必过点\(( \bar{x}, \bar{y}) \)；
\(④\)在一个\(2\times 2\)列联表中，由计算得\({{k}^{2}}=13.079\)，则有\(99{ }\!\!\%\!\!{ }\)的把握确认这两个变量间有关系\((\)其中\(P({{k}^{2}}\geqslant 10.828)=0.001)\)；
其中错误的个数是 

某工厂为了对新研发的一种产品进行合理定价，将该产品按事先拟定的价格进行试销，得到如下数据：

单价\(x(\)元\()\)	\(8\)	\(8.2\)	\(8.4\)	\(8.6\)	\(8.8\)	\(9\)
销量\(y(\)件\()\)	\(90\)	\(84\)	\(83\)	\(80\)	\(75\)	\(68\)

\((\)Ⅰ\()\)求回归直线方程\( \hat y=bx+a\)，其中\(b=-20\)，\(a= \hat y-b \overset{ .}{x}\)；
\((\)Ⅱ\()\)预计在今后的销售中，销量与单价仍然服从\((I)\)中的关系，且该产品的成本是\(4\)元\(/\)件，为使工厂获得最大利润，该产品的单价应定为多少元？\((\)利润\(=\)销售收入\(-\)成本\()\)

从某高中随机选取\(5\)名高三男生，其身高和体重的数据如下表所示：

身高\(x(cm)\)	\(160\)	\(165\)	\(170\)	\(175\)	\(180\)
体重\(y(kg)\)	\(63\)	\(66\)	\(70\)	\(72\)	\(74\)

根据上表可得回归直线方程\( \hat y=0.56x+ \hat a\)，据此模型预报身高为\(172cm\)的高三男生的体重为\((\)　　\()\)