Podsumowanie: Regresja logistyczna

Pytanie 1

Interakcje w modelach regresji logistycznej to:

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.

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

wszystkie odpowiedzi są poprawne

Pytanie 2

Moderator to:

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

żadna z powyższych odpowiedzi nie jest poprawna

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.

Pytanie 3

Do podstawowych sposobów oceny istotności interakcji należy:

Wszystkie powyższe odpowiedzi są poprawne.

Test Boxa-Tidwella dla szacowanego współczynnika regresji przy zmiennej interakcyjnej

Test Walda dla szacowanego współczynnika regresji przy zmiennej interakcyjnej.

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

Pytanie 4

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

5

10

3

1

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

Dokładna regresja logistyczna

Dokładny Test Fishera

Pytanie 6

Problem współliniowości może powodować

niezgodne z intuicją znaki przy oszacowanych parametrach

zbyt niskie wartości błędów standardowych

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

nieoszacowanie parametrów β

Pytanie 7

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

tablica korelacji

statystyka c

VIF

współczynnik Pearsona

Pytanie 8

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

proc factor

proc freq

proc reg

proc means

Pytanie 9

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

brakiem liniowości w modelu

wystąpieniem zjawiska overdispersion

występowaniem interakcji

współlniniowością

Pytanie 10

Oszacowanie modelu na podzbiorach nie pozwala na:

usunięcie zjawiska współliniowości w modelu

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

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

Pytanie 11

Najczęstszą praktyką stosowaną w celu pozbycia się niechcianej współlinniowości jest:

usunięcie jednej ze zmiennych podejrzanych o współlinniowość

metody czynnikowe

dodanie obserwacji do zbioru

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

brak interpretowalności

zawyżenie R-kwadrat

wystąpieniem zjawiska overdispersion

Pytanie 13

Do metod graficznych oceny nieliniowości nie należy:

logit empiryczny

funkcja sklejana

przekształcenie Boxa-Coxa

regresja lokalna

Pytanie 14

Wielokrotna transformacja Boxa-Tidwella może prowadzić do:

obciążoności oszacowań parametru

utraty własności liniowości względem logitu

przeuczenia

łatwiejszej interpretowalności parametru przy zmiennej

Pytanie 15

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

Żadne z pozostałych

Zmienne objaśniające muszą być liniowe względem siebie.

Zmienna objaśniająca w modelu musi być liniowa względem zmiennej objaśnianej

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

Pytanie 16

Przyczyną braku liniowości w modelu regresji logistycznej są

Występowanie zmiennych jakościowych.

Niesymetryczne rozkłady zmiennych

Współliniowość zmiennych

Niespełnienie założenia o normalności rozkładu reszt.

Pytanie 17

Do statystycznej weryfikacji spełnienia założenia o liniowości służy:

Analiza istotności współczynnika korelacji.

Test Boxa-Coxa.

Test Boxa-Tidwella.

Wykres logitu emirycznego.

Pytanie 18

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

Wykryciu nieliniowości zmiennej transponowanej względem logitu

Spełnienie założenia o liniowości.

Konieczności prowadzenia dalszych iteracji w celu zweryfikowania założenia o liniowości

redukcję VIF modelu

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

Gamma

D Somersa

zgodna

niezgodna

Pytanie 20

Wartość pola powierzchni pod krzywą ROC określa:

R2 Coxa i Snella

iloczyn par zgodnych i niezgodnych

wartość dewiancji

statystyka c

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,

Model jest modelem nasyconym,

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

Wszystkie zmienne objaśniające są zmiennymi jakościowymi,

Pytanie 22

W jakim przypadku można podejrzewać, że model jest przeuczony?

gdy wskaźnik trafności (hit rate) przekracza 80%

gdy wskaźnik czułości (sensitivity) przekracza 80%

gdy wskaźnik błędnej klasyfikacji przekracza 80%

gdy wskaźnik specyficzności (specificity) 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

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

charakteryzująca dobry model predykcyjny pokrywa się z przekątną y=x

Pytanie 24

Test Hosmera-Lemeshowa:

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

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

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

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

Pytanie 25

Zjawisko nadmiernego overdispersion sprawia, że występuje:

przeszacowanie błędów standardowych

wybór modelu z małą liczbą zmiennych objaśniających

wybór zbyt prostego modelu

niedoszacowanie błędów standardowych

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 mniejszy niż 1

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

Pytanie 27

Zjawisko nadmiernego rozrzutu dotyczy modeli o rozkładach:

Poissona

dwumianowym

wielomianowym

Wszystkie odpowiedzi są prawidłowe

Pytanie 28

Które zdanie jest prawdziwe:

Zjawisko underdispersion występuje bardzo często w praktyce.

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

Zjawisko nadmiernego rozproszenia występuje bardzo często w praktyce

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

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:

dokładny test Fishera

test Mantela-Haenszela

test ilorazu wiarygodności

test chi-kwadrat Pearsona

Pytanie 31

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

wyższe od 5

większe od 10

mniejsze od 10

niższe od 5

Pytanie 32

Do oceny współliniowości zmiennych objaśniających nie można wykorzystać:

testu korelacji Pearsona

testu Box’a-Tidwell’a

współczynnika VIF

współczynnika tolerancji wariancji (TOL)

Pytanie 33

Procedury SAS, którymi mierzy się siłę współliniowości, to:

PROC CORR oraz PROC REG

PROC CORR

PROC LOGISTIC

PROC REG

Pytanie 34

Interakcje

zwiększają znajomość mechanizmu przyczynowego

zwiększają znajomość mechanizmu przyczynowego oraz mają charakter naturalny

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

wynikają ze słabej jakości danych, niejasności w danych

Pytanie 35

Założenia dotyczące liniowości w modelach regresji logistycznej dotyczą:

liniowego związku logitu i wektora zmiennych objaśniających

liniowego związku prawdopodobieństwa i wektora zmiennych objaśniających

liniowego związku szans 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:

zmiana sposobu kodowania zmiennej objaśniające

podział zmiennej ciągłej na kategorie

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

zastosowanie wyższej potęgi ciągłej zmiennej objaśniającej

Pytanie 37

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

usunięciu z modelu zmiennej ciągłej i ponownym oszacowaniu parametrów

dodaniu do modelu interakcji zmiennej ciągłej i jej kwadratu

kategoryzacji zmiennej ciągłej

dodaniu do modelu interakcji zmiennej ciągłej i jej logarytmu naturalnego

Pytanie 38

Nieliniowość w modelu może powstać podczas:

selekcji danych do modelu

dyskretyzacji zmiennych

kodowania zmiennej z natury ciągłej

wszystkie odpowiedzi są niepoprawne

Pytanie 39

Krzywa ROC powstaje poprzez zaznaczenie na wykresie wartości wskaźników:

True Positive Rate i False Positive Rate

Sensitivity i Specificity

False Positive Rate i False Negative Rate

True Positive Rate i True Negative 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

hipoteze zerową, że model jest dobrze dopasowany do danych

różnice pomiędzy przewidywaną a obserwowaną liczbą obserwacji w danych grupach.

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

R-kwadrat Nagelkerke

pseudo-R-kwadrat McFaddena

R-kwadrat Coxa-Snella

Pytanie 42

Do wystąpienia zjawiska overdispersion przyczynić się może:

wykorzystanie cluster sampling

agregacja zmiennych

wszystkie odpowiedzi są prawidłowe

występowanie w zbiorze danych zjawisk rzadkich

Pytanie 43

Występowanie zjawiska overdispersion skutkuje:

otrzymaniem oszacowań parametrów znacząco różnych od ich prawdziwych wartości

otrzymaniem niezgodnych estymatorów

wyborem zbyt prostej postaci modelu

niedoszacowaniem błędów standardowych

Pytanie 44

Ze zjawiskiem overdispersion mamy do czynienia kiedy

wariancja wynikająca z modelu jest większa niż ta wynikająca z danych

średnie odchylenie jest bliskie wartości 1

wariancja wynikająca z danych jest większa niż ta wynikająca z modelu

odchylenie resztowe jest w przybliżeniu równe liczbie stopni swobody

Twój wynik: Regresja logistyczna

Twój wynik