Cuestionario sobre factores de inflación de varianza y multicolinealidad

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. En una regresión auxiliar para un predictor, R cuadrado es igual a 0,8. ¿Qué VIF se obtiene de 1 dividido por (1 menos R cuadrado)?
   • 1.25
   • 4
   • 5
   • 0,2
2. Dos predictores son conversiones exactas de unidades de la misma medida. ¿Qué problema crea esto en una matriz de diseño ordinaria?
   • Dependencia lineal perfecta
   • Casi dependencia que deja los coeficientes estimables pero inestables
   • Una correlación grande pero imperfecta entre las dos columnas.
   • Diferentes unidades de medida para el mismo predictor
3. Un modelo predice bien, pero los signos de los coeficientes de dos predictores correlacionados cambian entre muestras. ¿Qué interpretación encaja?
   • La calidad de la predicción demuestra que los coeficientes son estables
   • La superposición de información predictiva puede desestabilizar los efectos individuales
   • La respuesta debe haberse medido en la unidad incorrecta.
   • El VIF mide sólo la normalidad residual
4. Un VIF es grande. ¿Qué conclusión se justifica sólo por ese valor?
   • El predictor debe ser eliminado.
   • El modelo es inutilizable para todos los fines.
   • El predictor tiene una fuerte superposición lineal con otros predictores incluidos.
   • El modelo tiene poca precisión.
5. Para un VIF de 5, ¿en qué factor se infla el error estándar del coeficiente según la comparación indicada?
   • 5
   • La raíz cuadrada de 5
   • 25
   • 0,2
6. ¿Por qué eliminar una función de VIF alto podría ser una respuesta automática deficiente?
   • Puede cambiar la pregunta de investigación o crear un sesgo de variable omitida.
   • El VIF de cada predictor restante no debe modificarse después de la eliminación
   • Eliminar un predictor garantiza que todos los coeficientes restantes sean imparciales
   • Un VIF grande demuestra directamente que las predicciones que se han hecho serán malas
7. ¿En qué puede ayudar el centrado en una regresión polinómica?
   • Nonessential correlation between a raw predictor and its powers
   • Every form of substantive predictor overlap
   • Dependence between successive time observations
   • Incorrect outcome measurements
8. If the goal is prediction and correlated predictors are useful, which remedy can be considered?
   • Ridge regularization with evaluation on appropriate data
   • Use lasso and expect it to retain every correlated feature together
   • Use unregularized coefficients and interpret each as stable
   • Replace predictors with principal components while preserving their original coefficient meanings