Regresja Poissona dla quizu dotyczącego zliczania danych

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Model Poissona przewiduje średnio 2,4 incydentów w ciągu tygodnia. Jak należy odczytać tę prognozę?
   • Zgodnie z oczekiwaniami liczba tygodni w porównywalnych lokalizacjach
   • Jako twierdzenie, że musi nastąpić 2,4 incydentów
   • Jako prawdopodobieństwo dokładnie 2,4 zdarzeń
   • Jako etykieta całkowita, którą należy zaokrąglić przed oceną
2. W jaki sposób, korzystając z łącza dziennika, uzyskuje się oczekiwaną liczbę Poissona z predyktora liniowego?
   • Weź logarytm predyktora, aby odzyskać oczekiwaną liczbę
   • Potęguj predyktor
   • Użyj samego predyktora liniowego jako oczekiwanej liczby
   • Zaokrąglij predyktor liniowy przed zastosowaniem połączenia odwrotnego
3. Jedna witryna działa cztery razy dłużej niż inna. Co może reprezentować przesunięcie log-ekspozycji?
   • Oszacuj oddzielny wolny współczynnik dla ekspozycji logarytmicznej
   • Traktuj godziny ekspozycji jako odpowiedź, a nie przesunięcie
   • Większa możliwość obserwacji wydarzeń
   • Podziel każdą zaobserwowaną liczbę przez ekspozycję i pomiń ekspozycję w modelu
4. Po warunkowaniu na predyktorach wariancja zliczeń jest znacznie większa niż dopasowana średnia. Jakie obawy to budzi?
   • Raczej niedopasowanie średniego łącza niż nadmierna zmienność warunkowa
   • Proces zera strukturalnego ustalony przez dowolne obserwowane zero
   • Dowód, że oczekiwana liczba musi być odchylona w dół
   • Nadmierna dyspersja w stosunku do podstawowego założenia Poissona
5. Dlaczego ignorowanie nadmiernej dyspersji może sprawić, że standardowe wnioskowanie Poissona będzie mylące?
   • Oszacowania współczynników muszą być obciążone, nawet jeśli średnia jest prawidłowa
   • Błędy standardowe mogą być zbyt małe
   • Dopasowane środki stają się ujemne pod linkiem dziennika
   • Wyniki liczenia przestają być liczbami całkowitymi
6. Współczynnik log-link wynosi log(1,2) dla jednostkowego wzrostu predyktora. Jakie multiplikatywne porównanie to oznacza?
   • Prawdopodobieństwo wzrasta o 20 punktów procentowych
   • Oczekiwana liczba wzrasta w każdym przypadku o dokładnie 1,2 zdarzenia
   • Oczekiwaną liczbę mnoży się przez 1,2, pozostawiając inne warunki stałe
   • Wariancję mnoży się przez zero
7. Kiedy warto porównać model ujemnej dwumianu z regresją Poissona?
   • Dla każdego wyniku zliczania użyj modelu ujemnego dwumianu
   • Jeśli występuje jakiekolwiek zero, użyj modelu zawyżonego zerem
   • Preferuj model z większą liczbą parametrów niezależnie od walidacji
   • Kiedy nadmierna dyspersja jest poparta diagnostyką i kontekstem
8. Co powinno kierować wyborem między Poissonem a bardziej złożonym modelem zliczania?
   • Proces zliczania, diagnostyka i zamierzone zastosowanie oceny
   • Wybierz ten model, który ma najmniejsze odchylenie treningowe
   • Wybierz model ze współczynnikami, które są najłatwiejsze do wyjaśnienia, niezależnie od dopasowania
   • Wybierz model z największą liczbą dostępnych predyktorów