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.
- 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
- 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
- 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.
- 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.
- Для VIF, равного 5, во сколько раз увеличивается стандартная ошибка коэффициента при указанном сравнении?
- 5
- Квадратный корень из 5
- 25
- 0,2
- 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
- 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
- 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.