Pytania i odpowiedzi
Wanat Egzaminy I
1.
. Statystyka 𝐶𝑝 Mallowsa wykorzystywana jest:
w celu wyboru modelu o dobrych własnościach predykcyjnych
2.
W modelu regresji liniowej
reszty muszą mieć rozkład normalny o średniej zero i takiej samej wariancji
3.
Wartość odchylenia rzeczywistych realizacji zmiennej prognozowanej od prognoz jest to:
ocena ex ante błędu prognoz
4.
Narzędzia wykrycia zależności pomiędzy
interesującą nas zmienną objaśnianą (kilkoma zmiennymi
objaśnianymi) opisującą badane obiekty (jednostki) a
zbiorem innych zmiennych objaśniających (niezależnych,
predyktorów) też opisujących te obiekty
uczenie z nadzorem
5.
. Odkrywania nietrywialnych zależności, schematów, wzorców, reguł w zbiorach danych to
uczenie bez nadzoru
6.
Zapoznanie się z istniejącą teorią dotyczącą modelowanego zjawisk oraz z poświęconymi mu dotychczasowymi badaniami to czynności realizowane
na następującym etapie budowy modelu predykcyjnego:
określenie kontekstu modelowania
7.
Reszty w poprawnie oszacowanego modelu liniowego
powinny:
mieć rozkład normalny być jednorodne i niezależne.
8.
Uogólnione modele liniowe (ang. generalized linear models
– GLMs) są rozszerzeniem zwykłych modeli regresji
Zmienna objaśniana może mieć rozkład należący do wykładniczej rodziny rozkładów (np. normalny, gamma, Poissona, dwumianowy, Tweedie), Zmienna objaśniana może być połączona z liniową kombinacją zmiennych objaśniających za pomocą funkcji nieliniowych (funkcji wiążących)., Wariancja zmiennej zależnej może być funkcją jej średniej (nie musi być stała).
9.
⦁ Krzywą ROC można wykorzystać:
do ceny i porównywania między sobą modeli klasyfikacyjnych, do ustalenia optymalnego punkt odcięcia
10.
⦁ W uogólnionym modelu liniowym (GLM) funkcja wiążąca łączy:
predyktor liniowy z średnią zmiennej zależne
11.
⦁ Dodanie do uogólnionego modelu liniowego (GLM) kolejnej zmiennej zależnej (regresora) skutkuje:
zmniejszeniem lub zwiększeniem dewiancji (w zależności od tego, czy dodajemy zmienną jakościową, czy ilościową
12.
⦁ Istotność parametrów modelu liniowego (każdego z osobna) sprawdzamy testem:
Studenta
13.
⦁ Sumę kwadratów reszt (RSS) nazywamy:
zmiennością niewyjaśnioną przez model
14.
⦁ Element diagonalny macierzy daszkowej nazywamy:
wskaźnikiem wpływu (dźwignią
15.
⦁ Średni błąd predykcji ex post (root mean square error, RMSE):
mierzy, o ile średnio odchylają się rzeczywiste realizacje zmiennej prognozowanej od obliczonych prognoz
16.
⦁ Wartość odchylenia rzeczywistych realizacji zmiennej prognozowanej od obliczonych prognoz jest to:
miernik ex post błędu prognoz
17.
⦁ Określenie wymagania co do dopuszczalności i horyzontu prognozy zaliczamy do następującego etapu budowy modelu predykcyjnego:
sformułowania zadania prognostycznego
18.
⦁ Uogólniony model liniowy o liczbie parametrów równej liczbie obserwacji nazywamy:
modelem nasyconym
19.
k-krotna walidacja krzyżowa służy do:
określenia jakości modelu w trakcie jego uczenia
20.
Iloraz prawdopodobieństwa wystąpienia zdarzenia do prawdopodobieństwa jego niewystąpienia nazywamy
szansą wystąpienia A ()
21.
⦁ Do elementów konstrukcyjnych uogólnionego modelu liniowego zaliczamy:
wykładniczą rodzinę rozkładów, funkcję wiążącą, liniowy predyktor
22.
⦁ Modelem logitowym (regresją logistyczną) nazywamy uogólniony model liniowy (GLM), w którym zmienna objaśniana ma rozkład:
Bernoulliego
23.
⦁ Do mierników pomocnych w wyborze zmiennych objaśniających (predyktorów) zaliczamy:
moc informacyjną zmiennej IV
24.
Jednorodność wariancji modelu liniowego sprawdzamy testem:
Breuscha-Pagana
25.
Sumę kwadratów reszt (RSS) nazywamy:
zmiennością niewyjaśnioną przez model
26.
Średni błąd predykcji ex post (root mean square error, RMSE):
mierzy, o ile średnio odchylają się rzeczywiste realizacje zmiennej prognozowanej od obliczonych prognoz
27.
Określenie wymagania co do dopuszczalności i horyzontu prognozy zaliczamy do następującego etapu budowy modelu predykcyjnego:
sformułowania zadania prognostycznego
28.
Modelem logitowym (regresją logistyczną) nazywamy uogólniony model liniowy (GLM), w którym zmienna objaśniana ma rozkład:
Bernoulliego
29.
W ubezpieczeniach uogólnione modele liniowe można wykorzystać w modelowaniu:
liczby szkód
30.
k-krotna walidacja krzyżowa służy do:
określenia jakości modelu w trakcie jego uczenia
31.
Krzywą ROC można wykorzystać:
do ustalenia optymalnego punkt odcięcia
32.
Logarytm stosunku prawdopodobieństwa wystąpienia zdarzenia do prawdopodobieństwa jego niewystąpienia.
logit
33.
Iloraz prawdopodobieństwa wystąpienia zdarzenia do prawdopodobieństwa jego niewystąpienia nazywamy
szansą wystąpienia A ()
34.
Wskaźnik ten określa siłę związku między zmienną niezależną a zmienną zależną poprzez obliczenie logarytmu stosunku prawdopodobieństw (iloraz szans) dla każdej kategorii zmiennej niezależnej w odniesieniu do bazowej kategorii.
Wskaznik WoE
35.
Za pomocą tego miernika można dokonać rankingu zmiennych
objaśniających.
moc informacyjną zmiennej IV
36.
Uogólniony model liniowy o liczbie parametrów równej liczbie obserwacji nazywamy:
modelem nasyconym
37.
Element diagonalny macierzy daszkowej nazywamy:
wskaźnikiem wpływu (dźwignią)
38.
Przykładowe testy normalności:
Shapiro-Wilka, Jarque–Bera
39.
Niezależności reszt modelu liniowego sprawdzamy testem:
Durbina-Watsona
40.
Jednorodność wariancji modelu liniowego sprawdzamy testem:
Breuscha-Pagana, Harrisona-McCabe, Goldfelda-Quandta
41.
Sumę kwadratów reszt (RSS) nazywamy:
zmiennością niewyjaśnioną przez model
42.
Średni błąd predykcji ex post (root mean square error, RMSE):
mierzy, o ile średnio odchylają się rzeczywiste realizacje zmiennej prognozowanej od obliczonych prognoz
43.
Liniowy modelu regresji może być estymowany za pomocą:
metoda najmniejszych kwadratów
44.
Dokonując wstępnego wyboru narzędzi modelowania predykcyjnego należy uwzględnić (między innymi) następujące czynniki:
specyfikę zadania predykcyjnego
45.
Narzędzia wykrycia zależności pomiędzy zmiennymi opisującymi badane obiekty a prawdopodobieństwem zaistnienia lub poziomem pewnej zmiennej służą do:
modelowania predykcyjnego
46.
Określenie wymagania co do dopuszczalności i horyzontu prognozy zaliczamy do następującego etapu budowy modelu predykcyjnego:
sformułowania zadania prognostycznego
47.
Dodanie do uogólnionego modelu liniowego (GLM) kolejnej zmiennej zależnej (regresora) skutkuje:
zmniejszeniem lub zwiększeniem dewiancji (w zależności od tego, czy dodajemy zmienną jakościową, czy ilościową)
48.
. Krzywą ROC można wykorzystać:
do ustalenia optymalnego punkt odcięcia, do ceny i porównywania między sobą modeli klasyfikacyjnych
Wyjaśnienie
Na podstawie krzywej ROC można ustalić optymalny
punkt odcięcia. Przyjmując równe koszty błędnych
klasyfikacji, optymalnym punktem odcięcia jest punkt na
krzywej ROC znajdujący się najbliżej punktu o
współrzędnych (0.1).
Krzywą ROC wykorzystuje się także do oceny i
porównywania między sobą modeli klasyfikacyjnych. Jako
miarę dobroci i trafności danego modelu przyjmuje się
pole pod wykresem krzywej ROC, oznaczane jako AUC.
Miernik AUC przyjmuje wartości z przedziału 0, 1 . Im
wartość tego miernika jest większy, tym model jest lepszy.
49.
W uogólnionym modelu liniowym (GLM) funkcja wiążąca łączy:
predyktor liniowy z średnią zmiennej zależnej
50.
Modelem zerowym nazywamy uogólniony model liniowy (GLM),
w którym nie uwzględnia się zmiennych objaśniających (regresorów)
51.
W uogólnionym modelu liniowym (GLM)
wariancja zmiennej zależnej może być funkcją jej średniej
52.
Sumę kwadratów reszt (RSS) nazywamy:
zmiennością niewyjaśnioną przez model
53.
Jakościowa zmienna objaśniająca przyjmująca wartości ze zbioru pięciu kategorii w liniowym modelu regresji jest kodowana za pomocą:
czterech zmiennych zero-jedynkowych
54.
⦁ Dokonując wstępnego wyboru narzędzi modelowania predykcyjnego należy uwzględnić (między innymi) następujące czynniki:
rodzaj i zakres dostępnych danych statystycznych, właściwości różnych narzędzi modelowania predykcyjnego, specyfikę zadania predykcyjnego
Wyjaśnienie
Wybór klasy modelu. Na podstawie wiedzy zebranej
we wcześniejszych etapach analityk musi wybrać
odpowiednią klasę modelu, która jest w stanie rozwiązać
postawiony problem. Wybór zależy m.in. od:
specyfiki zadania predykcyjnego,
charakteru modelowanej zmiennej,
właściwości różnych narzędzi modelowania predykcyjnego,
rodzaju i zakresu dostępnych danych statystycznych,
kosztów zastosowania określonych metod,
rodzaju konstruowanych prognoz