Regresja logistyczna

niedoszacowanie błędów standardowych

wybór modelu z małą liczbą zmiennych objaśniających

wybór zbyt prostego modelu

przeszacowanie błędów standardowych

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

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

dwumianowym

Wszystkie odpowiedzi są prawidłowe

Poissona

wielomianowym

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

Zjawisko underdispersion występuje bardzo często w praktyce.

Zjawisko nadmiernego rozproszenia występuje bardzo często w praktyce

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

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

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

dokładny test Fishera

test ilorazu wiarygodności

test Mantela-Haenszela

test chi-kwadrat Pearsona

mniejsze od 10

niższe od 5

większe od 10

wyższe od 5

współczynnika tolerancji wariancji (TOL)

testu Box’a-Tidwell’a

testu korelacji Pearsona

współczynnika VIF