База ответов ИНТУИТ

Статистические методы анализа данных

<<- Назад к вопросам

Какой (какие) из нижеперечисленных фактов свидетельствует о наличии мультиколлинеарности в линейной регрессионной модели?

(Ответ считается верным, если отмечены все правильные варианты ответов.)

Варианты ответа
в корреляционной матрице входных (объясняющих) переменных есть значения, модуль которых близок к единице(Верный ответ)
корреляционная матрица входных (объясняющих) переменных является диагональной
матрица $X^TX$ ($X$ - матрица плана) имеет высокий показатель обусловленности $\eta=\lambda_{max}/\lambda_{min}$, \lambda - собственные значения матрицы $X^TX$(Верный ответ)
коэффициент детерминации близок к единице
Похожие вопросы
Проблема мультиколлинеарности в линейной регрессионной модели обусловлена следующим обстоятельством
К каким последствиям может привести наличие мультиколлинеарности в линейной регрессионной модели?
МНК-оценка параметра $\theta$ линейной регрессионной модели является
МНК-оценка параметра $\theta$ линейной регрессионной модели совпадает с оценкой максимального правдоподобия параметра $\theta$
Погрешности наблюдений в модели однофакторного дисперсионного анализа должны удовлетворять следующим условиям:
Рассматривается модель линейной регрессии $Y_i=\phi(X_i,\theta_1,...,\theta_p)+\varepsilon_i$, $i=1,…,n$, где $\varepsilon_i$ - ненаблюдаемые центрированные погрешности, имеющие плотность распределения $f(x)$. Для оценивания неизвестных параметров $\theta_1,...,\theta_p $ применен ранговый метод. Величины дисперсий $D\theta_1,...,D\theta_p $, полученных R-оценок, зависят от
Рассматривается модель линейной регрессии $Y_i=\phi(X_i,\theta_1,...,\theta_p)+\varepsilon_i$, $i=1,…,n$, где $\varepsilon_i$ - ненаблюдаемые центрированные погрешности, имеющие плотность распределения $f(x)$. Для оценивания неизвестных параметров $\theta_1,...,\theta_p $ применен метод наименьших модулей (МНМ). Величины дисперсий $D\theta_1,...,D\theta_p $, полученных МНМ-оценок, зависят от
Рассматривается модель линейной регрессии $Y_i=\phi(X_i,\theta_1,...,\theta_p)+\varepsilon_i$, $i=1,…,n$, где $\varepsilon_i$ - ненаблюдаемые центрированные погрешности, имеющие плотность распределения $f(x)$. Для оценивания неизвестных параметров $\theta_1,...,\theta_p $ применен метод наименьших квадратов (МНК). Величины дисперсий $D\theta_1,...,D\theta_p $, полученных МНК-оценок, зависят от
Для номинального признака А, имеющего 4 градаций, и номинального признака В, имеющего 6 градации, составлена таблица сопряженности и вычислено значение статистики хи-квадрат. Значение статистики оказалось равным 26.07. Согласно таблицам квантили распределения хи-квадрат $\chi^2_{15,0.95}=24.996$, $\chi^2_{15,0.99}=30.578$.Какой (какие) выводы можно сделать, опираясь на полученный результат?
Для номинального признака А, имеющего 5 градаций, и номинального признака В, имеющего 4 градации, составлена таблица сопряженности и вычислено значение статистики хи-квадрат. Значение статистики оказалось равным 23.13. Согласно таблицам, квантили распределения хи-квадрат $\chi^2_{12,0.95}=21.026$, $\chi^2_{12,0.99}=26.217$.Какой (какие) выводы можно сделать, опираясь на полученный результат?