Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Poisson-regresszió a Count Data kvízhez

Tesztelje a Poisson log-link értelmezését, az expozíciós eltolásokat, a túldiszperziót és a különbséget a várt számok és a megfigyelt egészek között.

kérdés 1 -ból 8

A Poisson-modell átlagosan 2,4 incidenst jósol egy helyszíni hétre. Hogyan kell értelmezni ezt a jóslatot?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. A Poisson-modell átlagosan 2,4 incidenst jósol egy helyszíni hétre. Hogyan kell értelmezni ezt a jóslatot?
    • A hasonló webhely-hetek várható száma
    • Állításként, hogy 2,4 incidensnek kell bekövetkeznie
    • Pontosan 2,4 incidens valószínűségeként
    • Egész szám címkeként, amelyet kiértékelés előtt kerekíteni kell
  2. Log link esetén hogyan kapjuk meg a lineáris előrejelzőből a várható Poisson-számot?
    • Vegyük a prediktor logaritmusát a várt szám visszaállításához
    • Hatványozza a prediktort
    • Használja magát a lineáris előrejelzőt várt számként
    • Az inverz hivatkozás alkalmazása előtt kerekítse le a lineáris prediktort
  3. Egy oldal négyszer annyi órát működik, mint egy másik. Mit jelenthet a log-expozíció eltolása?
    • Becsüljön meg egy külön szabad együtthatót a log expozícióhoz
    • Az expozíciós órákat kezelje válaszként az eltolás helyett
    • Nagyobb lehetőség az események megfigyelésére
    • Ossza el az összes megfigyelt számot az expozícióval, és hagyja ki az expozíciót a modellből
  4. A prediktorokon végzett kondicionálás után a számvariancia sokkal nagyobb, mint az illesztett átlag. Milyen aggodalmat vet fel ez?
    • Inkább az átlagos link eltérés, mint a túlzott feltételes változékonyság
    • Bármely megfigyelt nulla által létrehozott szerkezeti nulla folyamat
    • Annak bizonyítéka, hogy a várt számot lefelé kell torzítani
    • Túldiszperzió az alap Poisson-feltevéshez képest
  5. Miért lehet a túlzott diszperzió figyelmen kívül hagyása félrevezetővé a szokásos Poisson-következtetést?
    • Az együtthatóbecsléseknek torzítottnak kell lenniük még akkor is, ha az átlag helyes
    • A standard hibák túl kicsik lehetnek
    • Az illesztett eszközök negatívvá válnak egy napló hivatkozás alatt
    • A számlálás eredménye megszűnik egész számnak lenni
  6. A log-link együttható log(1.2) a prediktor egy egységnyi növekedéséhez. Milyen multiplikatív összehasonlítást jelent?
    • A valószínűség 20 százalékponttal nő
    • A várható szám minden esetben pontosan 1,2 eseménnyel növekszik
    • A várható számot megszorozzuk 1,2-vel, a többi feltételek rögzítve maradnak
    • A szórást megszorozzuk nullával
  7. Mikor érdemes egy negatív-binomiális modellt összehasonlítani a Poisson-regresszióval?
    • Használjon negatív-binomiális modellt minden számlálási eredményhez
    • Használjon nulla felfújt modellt, ha bármilyen nulla van jelen
    • Az érvényesítéstől függetlenül részesítse előnyben a több paraméterrel rendelkező modellt
    • Amikor a túlzott diszperziót a diagnosztika és a kontextus támogatja
  8. Mi vezérelje a Poisson és egy összetettebb számolási modell közötti választást?
    • A számlálási folyamat, a diagnosztika és a tervezett értékelési felhasználás
    • Válassza azt a modellt, amelyiknek egyedül a legkisebb a képzési eltérése
    • Válassza ki azt a modellt, amelynek együtthatói a legkönnyebben megmagyarázhatóak, az illeszkedéstől függetlenül
    • Válassza ki azt a modellt, amely a legtöbb rendelkezésre álló előrejelzőt tartalmazza