Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Ordinális regressziós kvíz

Tekintse át a rendezett eredményeket, a látens küszöbértékeket, az arányos esélyeket és azt, hogy a numerikus kategóriakódok miért írhatnak elő olyan feltevéseket, amelyeket az ordinális modell elkerül.

Kapcsolódó útmutató utakOrdinális regresszió
kérdés 1 -ból 8

Az értékelések milyen tulajdonságát őrzi meg az ordinális regresszió?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Az értékelések milyen tulajdonságát őrzi meg az ordinális regresszió?
    • Rendezésük egyenlő hézagok megkövetelése nélkül
    • Pontos numerikus távolságuk
    • Függetlenségük a prediktoroktól
    • Azonos kategóriájú frekvenciáik
  2. Látens küszöbérték értelmezésben hogyan jönnek létre a megfigyelt minősítési kategóriák?
    • Illik a nem kapcsolódó kategóriájú modellekhez, és elveti a kategória sorrendjét
    • A küszöbök a látens tendenciát rendezett tartományokra osztják fel
    • A kódolt eredményeket egyenlő távolságú mérésekként kezeli
    • Minden kategóriához független numerikus regressziós meredekséget rendel
  3. Mit feltételez általában az arányos esély a prediktor hatásokról?
    • Minden küszöbérték azonos
    • Minden kategóriának egyenlő a valószínűsége
    • Ugyanez a meredekség érvényes a kumulatív kategóriafelosztásokra is
    • A prediktorok nincsenek hatással a helyezésekre
  4. Miért nem megfelelő az 1-es, 2-es, 3-as és 4-es kódok közönséges regressziója az elégedettségi szintekhez?
    • Nem tartalmazhat előrejelző változókat
    • A kategóriakódokat névleges címkeként kezeli, és figyelmen kívül hagyja a sorrendjüket
    • Becsli a kumulatív valószínűségeket, de soha nem használja a kategóriakódokat távolságként
    • A kódok közötti numerikus hézagokat feltételezi, és a kategóriakészleten kívüli értékeket tud előre jelezni
  5. A prediktor a látens elégedettséget felfelé tolja. Mi történhet egy középkategóriás valószínűséggel?
    • Minden kategória valószínűségének ugyanannyival kell növekednie
    • A közepes kategóriájú valószínűség emelkedhet vagy csökkenhet, amikor a tömeg átlépi a küszöbértékét
    • Csak a legalacsonyabb és legmagasabb kategóriák változtathatják meg a valószínűséget
    • A kategória valószínűsége egyenlő lesz a látens pontszámmal
  6. Miért kell a kategóriacímkéket a kívánt sorrendben kódolni?
    • Minden előrejelző együttható pozitívra kényszerítése
    • Hogy minden küszöb egyenlő távolságra legyen
    • Annak biztosítása érdekében, hogy a szoftver a szándékolt szemantikai kategória sorrendet használja
    • Az arányos esélyek garantálása érdekében a feltételezés teljesül
  7. Melyik modellkorlátozást kell értékelni egy közös rendezett logit specifikációban?
    • A vágási pontok egyenlő távolságra vannak-e
    • A kategóriák egyformán gyakran előfordulnak-e
    • Az egyes küszöbértékek definíció szerint eltérő meredekséggel rendelkeznek-e
    • Vajon valószínű-e egy közös előrejelző hatás a kumulatív felosztások között
  8. Az egy szinttel távolabbi rossz előrejelzésnek más a költsége, mint a három szinttel távolabbinak. Melyik értékelési választás a megfelelő?
    • Használjon megrendelés-tudatos mérőszámot vagy kifejezett költségeket, amelyek megkülönböztetik a közeli és távoli hibákat
    • Használjon szokásos pontosságot, mert rögzíti, hogy az egyes hibák hány szintre vannak egymástól
    • Használjon négyzetes hibát a kategóriakódoknál anélkül, hogy ellenőrizné, hogy az egyenlő távolságnak van-e értelme
    • Az érvényesítés figyelmen kívül hagyása, mert a kategória sorrendje már meghatározza a modell minőségét