Podsumowanie: Regresja logistyczna

Pytanie 1

Interakcje w modelach regresji logistycznej to:

wszystkie odpowiedzi są poprawne

zmiana wpływu zmiennej objaśnianej na zmienną objaśniającą w zależności od poziomu zmiennej objaśnianej.

zmiana wpływu zmiennej objaśniającej na zmienną objaśnianą w zależności od poziomu innej zmiennej objaśniającej.

zmiana wpływu zmiennej objaśniającej na inną zmienną objaśniającą w zależności od poziomu zmiennej objaśnianej.

Pytanie 2

Moderator to:

zmienna niezależna, która ma wpływ na siłę i/lub kierunek zależności pomiędzy inną zmienną niezależną, a zmienną zależną

zmienna niezależna, która ma wpływ na kierunek zależności pomiędzy inną zmienną niezależną, a zmienną zależną

zmienna niezależna, która ma wpływ na siłę zależności pomiędzy inną zmienną niezależną, a zmienną zależną.

żadna z powyższych odpowiedzi nie jest poprawna

Pytanie 3

Do podstawowych sposobów oceny istotności interakcji należy:

Wszystkie powyższe odpowiedzi są poprawne.

Wartość statystyki Gamma dla modelów ze zmienną interakcyjną oraz bez niej.

Test Boxa-Tidwella dla szacowanego współczynnika regresji przy zmiennej interakcyjnej

Test Walda dla szacowanego współczynnika regresji przy zmiennej interakcyjnej.

Pytanie 4

Umowną minimalną liczbą obserwacji dla zwykłej regresji logistycznej w komórce tabeli kontyngencji jest

3

10

1

5

Pytanie 5

Narzędziem, którym możemy się posłużyć do zbadania zależności między zmiennymi, gdy dysponujemy małą próbą jest:

Dokładna regresja logistyczna i dokładny Test Fishera

Test Walda

Dokładny Test Fishera

Dokładna regresja logistyczna

Pytanie 6

Problem współliniowości może powodować

niezgodne z intuicją znaki przy oszacowanych parametrach

skutek małej zmiany w zbiorze danych (na przykład usunięcie niewielkiej liczby obserwacji) może spowodować odwrócenie znaków parametrów β

zbyt niskie wartości błędów standardowych

nieoszacowanie parametrów β

Pytanie 7

Narzędziem, które nie może być wykorzystywane do wykrywania współliniowości jest:

statystyka c

tablica korelacji

VIF

współczynnik Pearsona

Pytanie 8

W oprogramowaniu SAS procedura, dzięki której możemy wnioskować o współliniowości lub jej braku to:

proc means

proc factor

proc freq

proc reg

Pytanie 9

Duże zmiany oszacowania parametrów β przy niewielkim zmienianiu wielkości zbioru na którym budowany jest model mogą być spowodowane

wystąpieniem zjawiska overdispersion

występowaniem interakcji

brakiem liniowości w modelu

współlniniowością

Pytanie 10

Oszacowanie modelu na podzbiorach nie pozwala na:

na stwierdzenie występowania współlinowości w modelu, w przypadku stwierdzenia różnic w oszacowaniach parametrów

Sprawdzenia mocy predykcyjnej modelu

W przypadku podziału podzbiorów wg czasu wystąpienia zdarzenia (tj. zbiór w którym znajdują się zdarzenia starsze oraz zbiór w którym znajdą zdarzenia nowsze np. zdarzenia default w przypadku credit scoringu) na zbadanie stabilności modelu w czasie

usunięcie zjawiska współliniowości w modelu

Pytanie 11

Najczęstszą praktyką stosowaną w celu pozbycia się niechcianej współlinniowości jest:

dodanie obserwacji do zbioru

metody czynnikowe

usunięcie jednej ze zmiennych podejrzanych o współlinniowość

zostawienie wszystkich zmiennych

Pytanie 12

Do poradzenia sobie ze współliniowością w pewnych przypadkach stosuje się metody czynnikowe, takie jak metody głównych składowych. Jedną z wad tej metody jest:

korelacja między składowymi

zawyżenie R-kwadrat

brak interpretowalności

wystąpieniem zjawiska overdispersion

Pytanie 13

Do metod graficznych oceny nieliniowości nie należy:

przekształcenie Boxa-Coxa

funkcja sklejana

regresja lokalna

logit empiryczny

Pytanie 14

Wielokrotna transformacja Boxa-Tidwella może prowadzić do:

łatwiejszej interpretowalności parametru przy zmiennej

utraty własności liniowości względem logitu

obciążoności oszacowań parametru

przeuczenia

Pytanie 15

Jedno z założeń modelu regresji logistycznej mówi o tym, że:

Zmienna obaśniająca w modelu musi być liniowa względem logitu zmiennej objaśnianej.

Żadne z pozostałych

Zmienna objaśniająca w modelu musi być liniowa względem zmiennej objaśnianej

Zmienne objaśniające muszą być liniowe względem siebie.

Pytanie 16

Przyczyną braku liniowości w modelu regresji logistycznej są

Niesymetryczne rozkłady zmiennych

Niespełnienie założenia o normalności rozkładu reszt.

Występowanie zmiennych jakościowych.

Współliniowość zmiennych

Pytanie 17

Do statystycznej weryfikacji spełnienia założenia o liniowości służy:

Wykres logitu emirycznego.

Test Boxa-Coxa.

Test Boxa-Tidwella.

Analiza istotności współczynnika korelacji.

Pytanie 18

Istotność wprowadzonej do modelu transformacji logarytmicznej zmiennej objaśnianej w metodzie iteracyjnej Boxa-Tidwella wskazuje na:

redukcję VIF modelu

Wykryciu nieliniowości zmiennej transponowanej względem logitu

Spełnienie założenia o liniowości.

Konieczności prowadzenia dalszych iteracji w celu zweryfikowania założenia o liniowości

Pytanie 19

Para, w której obiekt, dla którego zdarzenie nie wystąpiło (zakodowane jako 0) ma przypisane wyższe prawdopodobieństwo wystąpienia zdarzenia niż obiekt, w przypadku którego zdarzenie wystąpiło (zakodowane jako 1), określana jest jako

zgodna

D Somersa

niezgodna

Gamma

Pytanie 20

Wartość pola powierzchni pod krzywą ROC określa:

statystyka c

wartość dewiancji

R2 Coxa i Snella

iloczyn par zgodnych i niezgodnych

Pytanie 21

W modelu regresji logistycznej binarnej możemy interpretować statystyk zgodności dewiancji i Pearsona tylko wtedy, gdy spełniony jest warunek

Liczba unikalnych subpopulacji minus liczba estymowanych parametrów jest większa od 0 oraz wszystkie zmienne objaśniające są zmiennymi jakościowymi,

Wszystkie zmienne objaśniające są zmiennymi jakościowymi,

Model jest modelem nasyconym,

Liczba unikalnych subpopulacji minus liczba estymowanych parametrów jest większa od 0,

Pytanie 22

W jakim przypadku można podejrzewać, że model jest przeuczony?

gdy wskaźnik czułości (sensitivity) przekracza 80%

gdy wskaźnik specyficzności (specificity) przekracza 80%

gdy wskaźnik błędnej klasyfikacji przekracza 80%

gdy wskaźnik trafności (hit rate) przekracza 80%

Pytanie 23

Krzywa ROC:

charakteryzująca dobry model predykcyjny leży blisko prawego i dolnego brzegu wykresu

jest wykresem zależności sensitivity od (1-specificity) dla wszystkich możliwych wartości cut-off

charakteryzująca dobry model predykcyjny pokrywa się z przekątną y=x

jest wykresem zależności sensitivity od (1-specificity) dla ustalonej wartości cut-off

Pytanie 24

Test Hosmera-Lemeshowa:

wskazuje na dobre dopasowanie modelu, gdy wartość p-value jest niska

testuje hipotezę zerową mówiącą o występowaniu statystycznie istotnej różnicy pomiędzy wartościami obserwowanymi a prognozowanymi danej zmiennej

służy do weryfikacji jak silnie wartości obserwowane i przewidywane pasują do siebie w całym przedziale zmienności oraz testuje hipotezę zerową mówiącą o występowaniu statystycznie istotnej różnicy pomiędzy wartościami obserwowanymi a prognozowanymi danej zmiennej

służy do weryfikacji jak silnie wartości obserwowane i przewidywane pasują do siebie w całym przedziale zmienności

Pytanie 25

Zjawisko nadmiernego overdispersion sprawia, że występuje:

wybór zbyt prostego modelu

niedoszacowanie błędów standardowych

przeszacowanie błędów standardowych

wybór modelu z małą liczbą zmiennych objaśniających

Pytanie 26

Overdispersion występuje w przypadku, kiedy:

iloczyn statystyki chi-kwadrat lub dewiancji i liczby stopni swobody jest większy niż 2

iloczyn statystyki chi-kwadrat lub dewiancji i liczby stopni swobody jest mniejszy niż 2

iloraz statystyki chi-kwadrat lub dewiancji i liczby stopni swobody jest większy niż 2

iloraz statystyki chi-kwadrat lub dewiancji i liczby stopni swobody jest mniejszy niż 1

Pytanie 27

Zjawisko nadmiernego rozrzutu dotyczy modeli o rozkładach:

Wszystkie odpowiedzi są prawidłowe

dwumianowym

wielomianowym

Poissona

Pytanie 28

Które zdanie jest prawdziwe:

Zjawisko overdispersion powoduje, że zmienność wariancji będzie zbyt duża, prowadząc do wyboru nazbyt złożonego modelu

Zjawisko nadmiernego rozproszenia występuje bardzo często w praktyce

Zjawisko underdispersion występuje bardzo często w praktyce.

W regresji liniowej również możemy spotkać się z problemem nadmiernego rozproszenia.

Pytanie 29

Efekt interakcji w modelu regresji w modelu regresji logistycznej występuje gdy:

wpływ zmiennej niezależnej na zmienną zależną w modelu zmienia się w zależności od wartości innej zmiennej niezależnej, będącej moderatorem

wpływ zmiennej niezależnej na zmienną zależną w modelu zmienia się w zależności od wartości innej zmiennej niezależnej, będącej moderatorem oraz wprowadzenie do modelu iloczynu zmiennych, między którymi występuje interakcja poprawia jakość modelu

łączny efekt dwóch zmiennych daje się przewidzieć na podstawie efektów tych zmiennych działających osobno

wprowadzenie do modelu iloczynu zmiennych, między którymi występuje interakcja poprawia jakość modelu

Pytanie 30

W sytuacji gdy nie dysponujemy wystarczająco dużą próbą, w celu zbadania zależności między zmiennymi powinniśmy stosować:

test Mantela-Haenszela

dokładny test Fishera

test chi-kwadrat Pearsona

test ilorazu wiarygodności

Pytanie 31

Testu niezależności chi-kwadrat Pearsona nie powinno się przeprowadzać, jeśli w tablicy kontyngencji liczebności teoretyczne poszczególnych komórek są:

wyższe od 5

niższe od 5

większe od 10

mniejsze od 10

Pytanie 32

Do oceny współliniowości zmiennych objaśniających nie można wykorzystać:

testu korelacji Pearsona

współczynnika VIF

współczynnika tolerancji wariancji (TOL)

testu Box’a-Tidwell’a

Pytanie 33

Procedury SAS, którymi mierzy się siłę współliniowości, to:

PROC LOGISTIC

PROC REG

PROC CORR

PROC CORR oraz PROC REG

Pytanie 34

Interakcje

wynikają ze słabej jakości danych, niejasności w danych

zwiększają znajomość mechanizmu przyczynowego

mają charakter naturalny (coś z natury różni się między klasami)

zwiększają znajomość mechanizmu przyczynowego oraz mają charakter naturalny

Pytanie 35

Założenia dotyczące liniowości w modelach regresji logistycznej dotyczą:

liniowego związku szans i wektora zmiennych objaśniających

liniowego związku prawdopodobieństwa i wektora zmiennych objaśniających

liniowego związku logitu i wektora zmiennych objaśniających

liniowego związku ilorazu szans i wektora zmiennych objaśniających

Pytanie 36

Do metod pozwalających rozwiązać problem z nieliniowością w regresji logistycznej zaliczyć można:

zastosowanie wyższej potęgi ciągłej zmiennej objaśniającej oraz podział zmiennej ciągłej na kategorie

zmiana sposobu kodowania zmiennej objaśniające

podział zmiennej ciągłej na kategorie

zastosowanie wyższej potęgi ciągłej zmiennej objaśniającej

Pytanie 37

Test Boxa-Tidwella badający liniowość w modelach regresji logistycznej polega na:

dodaniu do modelu interakcji zmiennej ciągłej i jej logarytmu naturalnego

kategoryzacji zmiennej ciągłej

usunięciu z modelu zmiennej ciągłej i ponownym oszacowaniu parametrów

dodaniu do modelu interakcji zmiennej ciągłej i jej kwadratu

Pytanie 38

Nieliniowość w modelu może powstać podczas:

kodowania zmiennej z natury ciągłej

dyskretyzacji zmiennych

selekcji danych do modelu

wszystkie odpowiedzi są niepoprawne

Pytanie 39

Krzywa ROC powstaje poprzez zaznaczenie na wykresie wartości wskaźników:

False Positive Rate i False Negative Rate

Sensitivity i Specificity

True Positive Rate i True Negative Rate

True Positive Rate i False Positive Rate

Pytanie 40

Statystyki D Somersa, Gamma oraz Tau-a testują:

ograniczenie dużego zbioru potencjalnych zmiennych objaśniających (spośród grona modeli adekwatnie opisujących dane zjawisko, najlepszym modelem jest model najprostszy

różnice pomiędzy przewidywaną a obserwowaną liczbą obserwacji w danych grupach.

hipoteze zerową, że model jest dobrze dopasowany do danych

niezależność zmiennych objaśnianej i objaśniających, na podstawie tablic kontyngencji.

Pytanie 41

Która miara dopasowania podana jest w wydruku SAS-a jako “Maksymalnie przeskalowane R-kwadrat”:

R-kwadrat Cragga-Uhlera

pseudo-R-kwadrat McFaddena

R-kwadrat Coxa-Snella

R-kwadrat Nagelkerke

Pytanie 42

Do wystąpienia zjawiska overdispersion przyczynić się może:

agregacja zmiennych

występowanie w zbiorze danych zjawisk rzadkich

wykorzystanie cluster sampling

wszystkie odpowiedzi są prawidłowe

Pytanie 43

Występowanie zjawiska overdispersion skutkuje:

otrzymaniem niezgodnych estymatorów

niedoszacowaniem błędów standardowych

otrzymaniem oszacowań parametrów znacząco różnych od ich prawdziwych wartości

wyborem zbyt prostej postaci modelu

Pytanie 44

Ze zjawiskiem overdispersion mamy do czynienia kiedy

średnie odchylenie jest bliskie wartości 1

odchylenie resztowe jest w przybliżeniu równe liczbie stopni swobody

wariancja wynikająca z danych jest większa niż ta wynikająca z modelu

wariancja wynikająca z modelu jest większa niż ta wynikająca z danych

Twój wynik: Regresja logistyczna

Analiza