Викторина, связанная с руководством · Средний Уровень

Тест на мультиколлинеарность и дисперсию коэффициента инфляции

Потренируйтесь читать VIF как диагностику перекрытия предикторов, интерпретировать ее арифметику и выбирать средства, соответствующие цели моделирования.

Вопрос 1 из 8

Во вспомогательной регрессии для предиктора R-квадрат равен 0,8. Какой VIF следует из деления 1 на (1 минус R-квадрат)?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Во вспомогательной регрессии для предиктора R-квадрат равен 0,8. Какой VIF следует из деления 1 на (1 минус R-квадрат)?
    • 1,25
    • 4
    • 5
    • 0,2
  2. Два предиктора представляют собой точные преобразования единиц одного и того же измерения. Какую проблему это создает в обычной матрице дизайна?
    • Совершенная линейная зависимость
    • Близкая зависимость, при которой коэффициенты можно оценить, но нестабильно
    • Большая, но несовершенная корреляция между двумя столбцами
    • Разные единицы измерения для одного и того же предиктора
  3. Модель хорошо предсказывает, но знаки коэффициентов двух коррелирующих предикторов меняются в зависимости от выборки. Какая интерпретация подходит?
    • Качество прогнозирования доказывает стабильность коэффициентов
    • Перекрывающаяся предикторная информация может дестабилизировать отдельные эффекты.
    • Должно быть, ответ был измерен в неправильных единицах измерения.
    • VIF измеряет только остаточную нормальность.
  4. VIF большой. Какой вывод оправдан только этой ценностью?
    • Предиктор должен быть удален
    • Модель непригодна для любых целей.
    • Предиктор имеет сильное линейное перекрытие с другими включенными предикторами.
    • Модель имеет низкую выдерживаемую точность.
  5. Для VIF, равного 5, во сколько раз увеличивается стандартная ошибка коэффициента при указанном сравнении?
    • 5
    • Квадратный корень из 5
    • 25
    • 0,2
  6. Почему отключение функции с высоким VIF может быть плохой автоматической реакцией?
    • Это может изменить вопрос исследования или создать систематическую ошибку из-за пропущенных переменных.
    • VIF каждого оставшегося предиктора должен оставаться неизменным после удаления.
    • Удаление предиктора гарантирует, что все оставшиеся коэффициенты несмещены.
    • Большой VIF прямо доказывает, что сдержанные прогнозы будут плохими
  7. Чем может помочь центрирование в полиномиальной регрессии?
    • Несущественная корреляция между необработанным предиктором и его степенями
    • Любая форма существенного перекрытия предикторов
    • Зависимость между последовательными временными наблюдениями
    • Неправильные измерения результатов
  8. Если целью является прогнозирование и коррелированные предикторы полезны, какое средство можно рассмотреть?
    • Регуляризация хребта с оценкой по соответствующим данным
    • Используйте лассо и ожидайте, что оно сохранит все коррелирующие функции вместе.
    • Используйте нерегуляризованные коэффициенты и интерпретируйте каждый из них как стабильный.
    • Замените предикторы главными компонентами, сохранив при этом исходные значения коэффициентов.