Fiszki
Wanat Prezentacje
Test w formie fiszek .
Ilość pytań: 36
Rozwiązywany: 255 razy
Co charakteryzuje model logitowy (regresję logistyczną) w kontekście uogólnionych modeli liniowych (GLMs)?
Zmienna objaśniana ma rozkład normalny.
Zmienna objaśniana ma rozkład dwumianowy.
Zmienna objaśniana ma rozkład jednostajny.
Zmienna objaśniana ma rozkład Bernoulliego.
Zmienna objaśniana ma rozkład Bernoulliego.
Czym jest model nasycony (saturated model) 𝑆 w kontekście uogólnionych modeli liniowych (GLMs)?
Modelem, który nie uwzględnia żadnych zmiennych objaśniających
Modelem, który ma liczność parametrów równą liczbie obserwacji.
Modelem, który jest idealnie dopasowany do danych, gdzie funkcja logarytmu wiarygodności osiąga maksymalną wartość.
Modelem, który jest niedopasowany do danych.
Modelem, który jest idealnie dopasowany do danych, gdzie funkcja logarytmu wiarygodności osiąga maksymalną wartość.
Czym jest model zerowy (null model) 𝑀0 w kontekście uogólnionych modeli liniowych (GLMs)?
Modelem, w którym nie uwzględnia się zmiennych objaśniających, a jedynie estymuje się wyraz wolny.
Modelem, w którym uwzględnia się wszystkie zmienne objaśniające.
Modelem, który nie uwzględnia zmiennej zależnej.
Modelem, który nie uwzględnia żadnych zmiennych ani wyrazu wolnego.
Modelem, w którym nie uwzględnia się zmiennych objaśniających, a jedynie estymuje się wyraz wolny.
Jaką naturę może mieć zmienna zależna w uogólnionym modelu liniowym?
Dyskretna, ciągła lub mieszana.
ciągła
mieszana
Dyskretna
Dyskretna, ciągła lub mieszana.
Na jakich trzech elementach konstrukcyjnych opierają się uogólnione modele liniowe?
Komponent deterministyczny, komponent stochastyczny, funkcja transformacji.
Komponent liniowy, komponent nieliniowy, funkcja regresji
Komponent zmienny, komponent losowy, funkcja predykcyjna.
Komponent losowy, komponent systematyczny, funkcja wiążąca
Komponent zmienny, komponent losowy, funkcja predykcyjna.
Które założenia odnoszące się do próby i zmiennych w Uogólnionych Modelach Liniowych (GLMs) są poprawne?
Analizowana próba powinna być losowa
Analizowana próba powinna być dobrze zdefiniowana.
Zmienna zależna zawiera obserwacje niezależne od siebie i pochodzące z takiego samego rozkładu prawdopodobieństwa
Obserwacje w próbie powinny być statystycznie niezależne.
Analizowana próba powinna być losowa
Zmienna zależna zawiera obserwacje niezależne od siebie i pochodzące z takiego samego rozkładu prawdopodobieństwa
Obserwacje w próbie powinny być statystycznie niezależne.
Czy wariancja zmiennej zależnej w modelach uogólnionych liniowych (GLMs) może być funkcją jej średniej?
Tylko w przypadku modeli regresji liniowej.
Tylko w przypadku modeli regresji logistycznej.
Tak, wariancja może być funkcją jej średniej.
Nie, wariancja zawsze musi być stała.
Tak, wariancja może być funkcją jej średniej.
Jak można połączyć zmienną objaśnianą z liniową kombinacją zmiennych objaśniających w modelach uogólnionych liniowych (GLMs)?
Za pomocą funkcji kwadratowych.
Za pomocą funkcji stałych.
Za pomocą funkcji liniowych.
Za pomocą funkcji nieliniowych (funkcji wiążących).
Za pomocą funkcji nieliniowych (funkcji wiążących).
Zmienna objaśniana może mieć rozkład należący do
wykładniczej rodziny rozkładów
. normalny,
Tweedie
dwumianowy,
gamma, Poissona
. normalny,
Tweedie
dwumianowy,
gamma, Poissona
Jakie modele są rozszerzeniem zwykłych modeli regresji?
K-means clustering.
Decision trees.
Generalized linear models (GLMs).
Support vector machines.
Generalized linear models (GLMs).
Jakie są kryteria oceny modelu w kontekście liniowego modelu regresji?
Mierniki dokładności prognoz ex ante, BIC, współczynnik determinacji i skorygowany współczynnik determinacji.
Mierniki dokładności prognoz ex post, AIC, Kryterium Schwartza BIC i współczynnik determinacji.
Mierniki dokładności prognoz ex post, AIC, współczynnik determinacji i skorygowany współczynnik determinacji.
Mierniki dokładności prognoz ex post, AIC, Kryterium Schwartza BIC, współczynnik determinacji i skorygowany współczynnik determinacji.
Mierniki dokładności prognoz ex post, AIC, Kryterium Schwartza BIC, współczynnik determinacji i skorygowany współczynnik determinacji.
Dlaczego dokonuje się wyboru optymalnego modelu w kontekście liniowego modelu regresji?
Wszystkie powyższe.
W celu poprawy procesu estymacji parametrów.
W celu uzyskania najlepszego opisu zależności między zmienną zależną a zmiennymi objaśniającymi.
W celu uzyskania najlepszych prognoz.
Wszystkie powyższe.
Co zrobić w przypadku złego dopasowania w liniowym modelu regresji?
Przeprowadzić analizę czynnikową w celu redukcji liczby zmiennych objaśniających.
Przekształcić zmienną niezależną za pomocą transformacji logarytmicznej lub innej z rodziny Boxa-Coxa.
Przekształcić zmienną objaśnianą za pomocą transformacji logarytmicznej lub innej z rodziny Boxa-Coxa.
Dodatkowo przekształcić zmienną objaśniającą za pomocą transformacji logarytmicznej lub innej z rodziny Boxa-Coxa.
Przekształcić zmienną objaśnianą za pomocą transformacji logarytmicznej lub innej z rodziny Boxa-Coxa.
Jaki jest cel testu Breuscha-Godfreya w kontekście liniowego modelu regresji?
Testuje jednorodność wariancji.
Testuje liniowość modelu.
Testuje normalność reszt.
Testuje istotność współczynników autokorelacji.
Testuje istotność współczynników autokorelacji.
Jakie testy diagnostyczne można stosować do sprawdzenia liniowości modelu w kontekście liniowego modelu regresji?
Testy Harveya-Colliera, Rainbow i Ramseya RESET.
Testy homoskedastyczności, autokorelacji i heteroskedastycznośc
Testy normalności reszt, jednorodności wariancji i niezależności reszt.
Testy Durbina-Watsona, Breuscha-Godfreya i Breuscha-Pagana.
Testy Harveya-Colliera, Rainbow i Ramseya RESET.
Jakie warunki powinny spełniać reszty w poprawnie oszacowanym liniowym modelu regresji?
Nie mieć rozkładu określonego, być zależne i niezależne.
Mieć rozkład jednostajny, być niezależne i zależne od siebie.
Mieć rozkład normalny, być jednorodne i niezależne.
Być skoncentrowane wokół średniej, mieć rozkład jednorodny i być zależne.
Mieć rozkład normalny, być jednorodne i niezależne.
Jakie są dwie możliwe metody estymacji w liniowym modelu regresji?
Metoda najmniejszych kwadratów (MNK) i metoda największej wiarygodności (ML).
Metoda średniej arytmetycznej (MSA) i metoda mediany (MM).
Metoda maksymalnej precyzji (MMP) i metoda minimalnej wariancji (MMW).
Metoda bezwzględna (MB) i metoda względna (MW).
Metoda najmniejszych kwadratów (MNK) i metoda największej wiarygodności (ML).
Jakie są dwa rodzaje mierników dokładności prognoz?
Mierniki dokładności retrospektywnych i mierniki dokładności
Mierniki dokładności ex ante i mierniki dokładności ex post.
Mierniki dokładności przyszłych i mierniki dokładności obecnych.
Mierniki dokładności a priori i mierniki dokładności a posteriori.
Mierniki dokładności ex ante i mierniki dokładności ex post.
Na podstawie podanego tekstu, jakie umiejętności są istotne w modelowaniu predykcyjnym?
Tylko matematyka i statystyka
Tylko informatyka.
Wiedza dziedzinowa na temat aktualnego problemu biznesowego oraz krytyczne myślenie.
Matematyka, statystyka i informatyka.
Wiedza dziedzinowa na temat aktualnego problemu biznesowego oraz krytyczne myślenie.
Dlaczego dobre umiejętności komunikacyjne są istotne w prezentacji uzyskanych wyników modelowania predykcyjnego?
Ponieważ modele predykcyjne są łatwe do zrozumienia, dlatego ważne jest przekazanie jak największej ilości szczegółów.
Ponieważ modele predykcyjne są zawsze skomplikowane i wymagają szczegółowych wyjaśnień.
Ponieważ modele predykcyjne nie mają żadnych ograniczeń, więc ważne jest wyjaśnienie wszystkich aspektów.
Ponieważ interesariusze muszą zrozumieć modele predykcyjne, aby zaufać im i właściwie je wykorzystać.
Ponieważ interesariusze muszą zrozumieć modele predykcyjne, aby zaufać im i właściwie je wykorzystać.