Gids-gekoppelde quiz · Middelmatig Niveau

Multicollineariteit en variantie inflatiefactorquiz

Oefen met het lezen van VIF als een diagnose van voorspellende overlap, het interpreteren van de rekenkunde ervan en het kiezen van remedies die passen bij het modelleringsdoel.

Vraag 1 van 8

In an auxiliary regression for a predictor, R-squared equals 0.8. What VIF follows from 1 divided by (1 minus R-squared)?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. In an auxiliary regression for a predictor, R-squared equals 0.8. What VIF follows from 1 divided by (1 minus R-squared)?
    • 1.25
    • 4
    • 5
    • 0.2
  2. Two predictors are exact unit conversions of the same measurement. What issue does this create in an ordinary design matrix?
    • Perfect linear dependence
    • Near dependence that leaves coefficients estimable but unstable
    • A large but imperfect correlation between the two columns
    • Different measurement units for the same predictor
  3. A model predicts well, but the signs of two correlated predictors' coefficients change across samples. Which interpretation fits?
    • Prediction quality proves the coefficients are stable
    • Overlapping predictor information can destabilize individual effects
    • The response must have been measured in the wrong unit
    • The VIF measures only residual normality
  4. A VIF is large. What conclusion is justified by that value alone?
    • De voorspeller moet worden verwijderd
    • Het model is voor elk doel onbruikbaar
    • De voorspeller heeft een sterke lineaire overlap met andere opgenomen voorspellers
    • Het model heeft een slechte uithoudingsnauwkeurigheid
  5. Met welke factor wordt voor een VIF van 5 de standaardfout van de coëfficiënt opgeblazen onder de aangegeven vergelijking?
    • 5
    • De vierkantswortel van 5
    • 25
    • 0.2
  6. Waarom kan het laten vallen van een functie met hoge VIF een slechte automatische reactie zijn?
    • Het kan de onderzoeksvraag veranderen of een bias voor weggelaten variabelen creëren
    • De VIF van elke resterende voorspeller moet na verwijdering ongewijzigd blijven
    • Het verwijderen van een voorspeller garandeert dat alle resterende coëfficiënten onbevooroordeeld zijn
    • Een grote VIF bewijst direct dat volgehouden voorspellingen slecht zullen zijn
  7. Waar kan centrering bij helpen bij een polynomiale regressie?
    • Niet-essentiële correlatie tussen een ruwe voorspeller en zijn bevoegdheden
    • Elke vorm van inhoudelijke voorspellers overlapt
    • Afhankelijkheid tussen opeenvolgende tijdwaarnemingen
    • Onjuiste uitkomstmetingen
  8. Als het doel voorspelling is en gecorreleerde voorspellers nuttig zijn, welke remedie kan dan worden overwogen?
    • Ridge-regularisatie met evaluatie op basis van geschikte gegevens
    • Gebruik lasso en verwacht dat alle gecorreleerde kenmerken bij elkaar blijven
    • Gebruik niet-geregulariseerde coëfficiënten en interpreteer ze allemaal als stabiel
    • Vervang voorspellers door hoofdcomponenten met behoud van hun oorspronkelijke coëfficiëntbetekenissen