Ответы к тестам НМО: «Применение линейной регрессии в медицинских исследованиях»

1. Валидация модели проводится

1) только на проверенных данных;
2) на всех полученных моделях в ходе анализа;
3) на обучающей выборке с целью ее обучения;
4) с целью проверки ее работоспособности на тестовой выборке. +

2. Графический анализ остатков предполагает применение

1) QQ-графика; +
2) диаграммы рассеяния для оценки гомоскедатичности остатков; +
3) гистограммы остатков с аппроксимацией на нормальное распределение; +
4) графика остатков Шонфельда;
5) бокс-плота («ящика с усами»).

3. Для коэффициентов регрессии справедливы следующие высказывания

1) значение коэффициента показывает, насколько изменяется среднее значение зависимой переменной при сдвиге независимой переменной на одну единицу;
2) для проверки статистической значимости коэффициентов используется критерий Стьюдента; +
3) определяются по методу наименьших квадратов и определяют вес каждого предиктора в модели; +
4) знак коэффициента регрессии не влияет на взаимосвязь между зависимой и независимыми переменными;
5) размерность предикторов в модели нивелируется за счет коэффициента регрессионного уравнения. +

4. Значение р регрессионного коэффициента помогает определить

1) какие предикторы стоит включать в модель; +
2) какие предикторы в модели являются статистически значимыми; +
3) достаточно ли данных в выборке, чтобы отвергнуть нулевую гипотезу о наличии ненулевой корреляции, в случае p >0,05;
4) существуют ли взаимосвязи, наблюдаемые в выборке, также и в генеральной совокупности; +
5) является ли вся модель статистически значимой.

5. История термина регрессия буквально означает

1) движение в обратном направлении; +
2) уменьшение зависимой переменной при условии роста независимого предиктора;
3) движение назад в направлении к среднему; +
4) отклонение от среднего значения в любом направлении.

6. К обучающей и тестовой выборкам можно применить следующие характеристики

1) кросс-валидация используется, чтобы избежать переобучения; +
2) обучающая и тестовая выборки делятся в соотношении 70:30; +
3) обучающая и тестовая выборки делятся в соотношении 50:50;
4) тестовая выборка может существенно отличаться от обучающей;
5) обучающая и тестовая выборки делятся в соотношении 80:20. +

7. К переменным регрессионной линейной модели относятся

1) независимые переменные количественные; +
2) переменные любого типа, от которых зависит прогноз;
3) зависимая переменная количественная; +
4) независимая переменная бинарная;
5) зависимая переменная качественная.

8. К характеристикам метрик качества регрессионной модели относят

1) среднеквадратичную ошибку (MSE); +
2) максимальные их значения, что свидетельствует о хорошей прогностической способности модели;
3) минимальные их значения, что свидетельствует о хорошей прогностической способности модели; +
4) среднюю абсолютную ошибку (MAE). +

9. Какие показатели и тесты применяются для проверки качества линейной регрессионной модели?

1) коэффициент множественной корреляции; +
2) анализ нормальности распределения остатков модели; +
3) анализ остатков Шонфельда;
4) метрики качества линейной модели; +
5) коэффициент детерминации. +

10. Корректная интерпретация фактора инфляции дисперсии (VIF) выражается в следующем утверждении

1) VIF > 5 указывает на значительную мультиколлинеарность; +
2) VIF от 1 до 5 предполагает умеренную корреляцию; +
3) VIF =1 указывает на отсутствие корреляции между независимыми переменными; +
4) VIF=0 указывает на отсутствие мультиколлинеарности.

11. Корреляция необходима для

1) моделирования зависимости одной переменной от других;
2) установления причинно-следственных связей между зависимой и независимыми предикторами;
3) измерения силы и направления связи между переменными; +
4) прогнозирования значения зависимой переменной.

12. Коэффициент детерминации R2 — это

1) показатель, который зависит от предиктора, имеющий коэффициент с минимальным значением р;
2) показатель соответствия модели линейной регрессии; +
3) оценка силы связи между моделью и зависимой переменной по шкале от 0 до 100% — это процент изменения зависимой переменной, который объясняется моделью; +
4) доля дисперсии зависимой переменной, объясняемая рассматриваемой моделью (то есть переменными-предикторами). +

13. Критерий Фишера в линейной регрессионной модели позволяет проверить

1) нулевую гипотезу о том, что уравнение в целом статистически незначимо; +
2) насколько хорошо модель объясняет общую дисперсию зависимой переменной; +
3) оценить значимость уравнения регрессии по каждому предиктору;
4) целесообразность включения или исключения независимых переменных в регрессионную модель. +

14. Линейная зависимость характеризуется

1) вытянутой овальной формой на графике диаграммы рассеяния; +
2) возможностью описать направление взаимосвязей между данными любых типов;
3) зависимостью между признаками, которая имеет некую направленность; +
4) наличием линейного тренда. +

15. Линейная регрессия применяется для

1) прогнозирования значения зависимой переменной; +
2) установления причинно-следственных связей между зависимой переменной и независимыми предикторами; +
3) измерения силы и направления связи между переменными;
4) моделирования зависимости одной переменной от других. +

16. Метод наименьших квадратов

1) позволяет расположить предсказанные значения зависимой переменной на одной прямой; +
2) оценивает и отображает остатки регрессии;
3) минимизирует расстояние от каждого измеренного фактического значения до предсказанного по модели; +
4) рассчитывает сумму квадратов отклонений наблюдаемых значений от предсказанных уравнением регрессии. +

17. Множественная линейная регрессия

1) описывается уравнением со множеством предикторов любого типа;
2) описывается уравнением, содержащим более одного количественного предиктора; +
3) позволяет решать вопросы прогнозирования множества параметров в рамках одного уравнения;
4) использует любые типы данных, включая исходные коды категориальных данных.

18. Мультиколлинеарность – это

1) включение одинаковых признаков в модели;
2) явление избыточности, несущее одинаковую информацию; +
3) обнаружение парных корреляций между предикторами более 0,7; +
4) статистическое явление, при котором две или более переменные в линейной модели сильно коррелируют между собой. +

19. Основные части регрессионной модели

1) зависимая переменная = (константа + независимые переменные) + погрешность; +
2) зависимая переменная, один предиктор и остаточный член;
3) зависимая переменная и несколько предикторов;
4) зависимая переменная = детерминированный + стохастический компоненты. +

20. Остатки демонстрируют положительную автокорреляцию, если

1) согласно тесту Дарбина-Уотсона, значение теста близко к 4;
2) согласно тесту Дарбина-Уотсона, значение теста близко к 2;
3) согласно тесту Дарбина-Уотсона, значение теста близко к 0; +
4) остатки демонстрируют гомоскедатичность;
5) остатки демонстрируют гетероскедатичность.

21. Остатки регрессионной модели — это

1) переменная в тестовой выборке, оставшаяся без проведения анализа;
2) данные пациентов, не включенные в анализ из-за большого количества выбросов;
3) разница между фактическими значениями зависимой переменной и предсказанными по модели; +
4) потенциальные предикторы, не включенные в модель.

22. Показатель множественной корреляции – это

1) фактор, характеризующий тесноту связи совместного влияния факторов на результат; +
2) то же самое, что и коэффициент детерминации;
3) квадратный корень из коэффициента детерминации; +
4) показатель, находящийся в диапазоне 0-1 — при этом значение 1 означает, что прогнозы по модели абсолютно точны. +

23. При планировании регрессионного анализа необходимо, чтобы

1) при построении модели линейной регрессии использовались бы только количественные данные; +
2) при построении модели линейной регрессии использовались бы только качественные и бинарные данные;
3) связь между независимыми Х и зависимой Y была бы линейной; +
4) в уравнении модели были бы учтены выбросы;
5) независимые переменные не коррелировали бы между собой. +

24. Признаками удачной регрессионной модели являются

1) нормальность распределения остатков; +
2) среднее значение остатков = 0; +
3) гетероскедатичность остатков;
4) независимость остатков от переменной прогноза. +

25. Простые (одномерные) линейные модели

1) содержат два или более количественных предиктора;
2) содержат всего один предиктор; +
3) решают простые вопросы прогноза для хорошо известных параметров;
4) содержат два или более предикторов, которые относятся к простым числам.

26. Регрессионная прямая может быть описана следующими характеристиками

1) для ее расчета используется метод наименьших квадратов (МНК); +
2) описывается уравнением сигмоидного типа;
3) существует в единственном варианте на диаграмме рассеяния; +
4) направление связи описывается прямой. +

27. Скорректированный коэффициент детерминации R2

1) позволяет определить оптимальное количество предикторов в модели; +
2) корректирует долю дисперсии зависимой переменной;
3) увеличивается только в том случае, если новая переменная улучшает модель больше, чем можно было бы ожидать; +
4) уменьшается, если новая переменная не улучшает соответствие модели в достаточной степени. +

28. Устранение нелинейности между зависимой и независимой переменными возможно, если применить

1) удаление из модели одного значимого предиктора;
2) логарифмирование к независимой и/или зависимой переменной; +
3) любое приемлемое нелинейное преобразование; +
4) возведение независимой и/или зависимой переменной в квадрат; +
5) добавление в модель еще одной независимой переменной. +

29. Фактор инфляции дисперсии (VIF) — это

1) показатель, используемый в регрессионных нелинейных моделях;
2) статистический показатель, используемый для оценки степени мультиколлинеарности предикторов; +
3) фактор, показывающий причину мультиколлинеарности;
4) показатель, измеряющий насколько дисперсия оценки коэффициента регрессии увеличивается из-за корреляции данного предиктора с другими предикторами. +

30. Целями линейной регрессии являются

1) предсказание значение зависимой переменной на основе значений независимых переменных (предикторов); +
2) вероятность появления конечного события;
3) предсказание разницы между фактическими и рассчитанными значениями;
4) моделирование взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными. +