Линейная регрессия — бесплатный тест онлайн

Вопрос 1 из 25

Ситуация: Команда хотела оценить разные наклоны по группам, но формула случайно исключила главные эффекты. Какое утверждение лучше всего объясняет показанный фрагмент?

df <- data.frame(y=1:6, x=rep(1:3,2), g=factor(rep(c('A','B'),each=3)))
result <- model.matrix(y ~ x * g, df)
result

Формула y ~ x1 + x2 задаёт отклик и предикторы, а символы *, :, I() и -1 управляют взаимодействиями и структурой модели Линейная модель требует осмысленной спецификации, диагностики остатков, контроля утечки и оценки на данных вне обучения Коэффициент числового предиктора описывает изменение условного среднего отклика при увеличении предиктора на единицу при фиксированных остальных переменных predict.lm с interval='confidence' даёт интервал среднего отклика, а interval='prediction' — более широкий интервал отдельного будущего наблюдения Остатки отражают расхождение наблюдений и подогнанных значений; их структура помогает обнаружить нелинейность, неодинаковую дисперсию и выбросы

Вопрос 2 из 25

Ситуация: Команда хотела оценить разные наклоны по группам, но формула случайно исключила главные эффекты. Какое скрытое допущение здесь опаснее остальных?

df <- data.frame(y=1:6, x=rep(1:3,2), g=factor(rep(c('A','B'),each=3)))
result <- model.matrix(y ~ x * g, df)
result

Использование доверительного интервала среднего как гарантии для отдельного объекта недооценивает неопределённость Красивые коэффициенты на той же выборке не доказывают прогнозную пригодность и могут быть следствием одной влиятельной точки Коэффициент в модели с взаимодействием нельзя трактовать как общий эффект для всех групп Высокий R² не исключает систематический рисунок остатков и неверную функциональную форму x1 * x2 включает главные эффекты и взаимодействие, тогда как x1:x2 включает только взаимодействие

Вопрос 3 из 25

Ситуация: Команда хотела оценить разные наклоны по группам, но формула случайно исключила главные эффекты. Что нужно сделать, чтобы ошибка не вернулась на следующем наборе данных?

Интерпретируйте коэффициенты относительно базовых уровней, единиц и взаимодействий, при необходимости вычисляя предельные эффекты Разделяйте объяснительную и прогнозную цели, проводите диагностику и внешнюю либо перекрёстную проверку Записывайте формулу в соответствии с предметной гипотезой и проверяйте model.matrix() перед интерпретацией Выберите тип интервала по задаче и не экстраполируйте далеко за диапазон обучающих данных без обоснования Анализируйте остатки против fitted, QQ-график, влияние наблюдений и предметную структуру

Вопрос 4 из 25

Ситуация: Команда хотела оценить разные наклоны по группам, но формула случайно исключила главные эффекты. Какая проверка непосредственно подтверждает, что дефект устранён?

Сверьте имена столбцов матрицы дизайна, ранг и базовые уровни факторов Проверьте contrast coding, центрирование переменных и предсказания для конкретных сочетаний Сравните новые x с обучающим диапазоном и ширину confidence и prediction intervals Сверьте остатки, влияние, коллинеарность, ошибки на holdout и стабильность коэффициентов Проверьте heteroskedasticity, leverage, Cook's distance и нелинейные остаточные паттерны

Вопрос 5 из 25

Ситуация: Команда хотела оценить разные наклоны по группам, но формула случайно исключила главные эффекты. Что стоит написать в технической рецензии к этому фрагменту?

df <- data.frame(y=1:6, x=rep(1:3,2), g=factor(rep(c('A','B'),each=3)))
result <- model.matrix(y ~ x * g, df)
result

Формула y ~ x1 + x2 задаёт отклик и предикторы, а символы *, :, I() и -1 управляют взаимодействиями и структурой модели; поэтому повторный запуск в той же сессии заменяет проверку граничных случаев Формула y ~ x1 + x2 задаёт отклик и предикторы, а символы *, :, I() и -1 управляют взаимодействиями и структурой модели; при этом главный риск состоит в том, что x1 * x2 включает главные эффекты и взаимодействие, тогда как x1:x2 включает только взаимодействие Коэффициент числового предиктора описывает изменение условного среднего отклика при увеличении предиктора на единицу при фиксированных остальных переменных; при этом главный риск состоит в том, что x1 * x2 включает главные эффекты и взаимодействие, тогда как x1:x2 включает только взаимодействие Формула y ~ x1 + x2 задаёт отклик и предикторы, а символы *, :, I() и -1 управляют взаимодействиями и структурой модели; при этом главный риск состоит в том, что коэффициент в модели с взаимодействием нельзя трактовать как общий эффект для всех групп Линейная модель требует осмысленной спецификации, диагностики остатков, контроля утечки и оценки на данных вне обучения; при этом главный риск состоит в том, что красивые коэффициенты на той же выборке не доказывают прогнозную пригодность и могут быть следствием одной влиятельной точки

Вопрос 6 из 25

Ситуация: В модели есть взаимодействие цены и региона, но коэффициент цены представляют как одинаковый эффект во всех регионах. Что является главным техническим основанием для разбора?

df <- data.frame(y=c(2,4,3,8), x=c(1,2,1,2), g=factor(c('A','A','B','B')))
result <- coef(lm(y ~ x*g, df))
result

predict.lm с interval='confidence' даёт интервал среднего отклика, а interval='prediction' — более широкий интервал отдельного будущего наблюдения Формула y ~ x1 + x2 задаёт отклик и предикторы, а символы *, :, I() и -1 управляют взаимодействиями и структурой модели Линейная модель требует осмысленной спецификации, диагностики остатков, контроля утечки и оценки на данных вне обучения Коэффициент числового предиктора описывает изменение условного среднего отклика при увеличении предиктора на единицу при фиксированных остальных переменных Остатки отражают расхождение наблюдений и подогнанных значений; их структура помогает обнаружить нелинейность, неодинаковую дисперсию и выбросы

Вопрос 7 из 25

Ситуация: В модели есть взаимодействие цены и региона, но коэффициент цены представляют как одинаковый эффект во всех регионах. Что именно может сломаться при новых данных?

df <- data.frame(y=c(2,4,3,8), x=c(1,2,1,2), g=factor(c('A','A','B','B')))
result <- coef(lm(y ~ x*g, df))
result

Коэффициент в модели с взаимодействием нельзя трактовать как общий эффект для всех групп Красивые коэффициенты на той же выборке не доказывают прогнозную пригодность и могут быть следствием одной влиятельной точки x1 * x2 включает главные эффекты и взаимодействие, тогда как x1:x2 включает только взаимодействие Использование доверительного интервала среднего как гарантии для отдельного объекта недооценивает неопределённость Высокий R² не исключает систематический рисунок остатков и неверную функциональную форму

Вопрос 8 из 25

Ситуация: В модели есть взаимодействие цены и региона, но коэффициент цены представляют как одинаковый эффект во всех регионах. Какое изменение устраняет именно причину проблемы?

Интерпретируйте коэффициенты относительно базовых уровней, единиц и взаимодействий, при необходимости вычисляя предельные эффекты Разделяйте объяснительную и прогнозную цели, проводите диагностику и внешнюю либо перекрёстную проверку Анализируйте остатки против fitted, QQ-график, влияние наблюдений и предметную структуру Записывайте формулу в соответствии с предметной гипотезой и проверяйте model.matrix() перед интерпретацией Выберите тип интервала по задаче и не экстраполируйте далеко за диапазон обучающих данных без обоснования

Вопрос 9 из 25

Ситуация: В модели есть взаимодействие цены и региона, но коэффициент цены представляют как одинаковый эффект во всех регионах. Какой контроль отличит исправление от случайно удачного результата?

Проверьте contrast coding, центрирование переменных и предсказания для конкретных сочетаний Сверьте остатки, влияние, коллинеарность, ошибки на holdout и стабильность коэффициентов Сравните новые x с обучающим диапазоном и ширину confidence и prediction intervals Проверьте heteroskedasticity, leverage, Cook's distance и нелинейные остаточные паттерны Сверьте имена столбцов матрицы дизайна, ранг и базовые уровни факторов

Вопрос 10 из 25

Ситуация: В модели есть взаимодействие цены и региона, но коэффициент цены представляют как одинаковый эффект во всех регионах. Какое заключение останется верным и на новых данных?

df <- data.frame(y=c(2,4,3,8), x=c(1,2,1,2), g=factor(c('A','A','B','B')))
result <- coef(lm(y ~ x*g, df))
result

Формула y ~ x1 + x2 задаёт отклик и предикторы, а символы *, :, I() и -1 управляют взаимодействиями и структурой модели; при этом главный риск состоит в том, что коэффициент в модели с взаимодействием нельзя трактовать как общий эффект для всех групп Коэффициент числового предиктора описывает изменение условного среднего отклика при увеличении предиктора на единицу при фиксированных остальных переменных; при этом главный риск состоит в том, что коэффициент в модели с взаимодействием нельзя трактовать как общий эффект для всех групп Коэффициент числового предиктора описывает изменение условного среднего отклика при увеличении предиктора на единицу при фиксированных остальных переменных; следовательно, предупреждения можно не учитывать, если итог выглядит ожидаемо predict.lm с interval='confidence' даёт интервал среднего отклика, а interval='prediction' — более широкий интервал отдельного будущего наблюдения; при этом главный риск состоит в том, что использование доверительного интервала среднего как гарантии для отдельного объекта недооценивает неопределённость Коэффициент числового предиктора описывает изменение условного среднего отклика при увеличении предиктора на единицу при фиксированных остальных переменных; при этом главный риск состоит в том, что x1 * x2 включает главные эффекты и взаимодействие, тогда как x1:x2 включает только взаимодействие

Вопрос 11 из 25

Ситуация: Модель объясняет большую долю разброса, но остатки образуют отчётливую дугу. Какой принцип непосредственно относится к этому коду?

set.seed(4)
x <- 1:50; y <- x^2 + rnorm(50,0,20)
fit <- lm(y ~ x)
result <- residuals(fit)
result

Коэффициент числового предиктора описывает изменение условного среднего отклика при увеличении предиктора на единицу при фиксированных остальных переменных predict.lm с interval='confidence' даёт интервал среднего отклика, а interval='prediction' — более широкий интервал отдельного будущего наблюдения Формула y ~ x1 + x2 задаёт отклик и предикторы, а символы *, :, I() и -1 управляют взаимодействиями и структурой модели Остатки отражают расхождение наблюдений и подогнанных значений; их структура помогает обнаружить нелинейность, неодинаковую дисперсию и выбросы Линейная модель требует осмысленной спецификации, диагностики остатков, контроля утечки и оценки на данных вне обучения

Вопрос 12 из 25

Ситуация: Модель объясняет большую долю разброса, но остатки образуют отчётливую дугу. Какой риск здесь остаётся главным, даже если результат выглядит правдоподобно?

set.seed(4)
x <- 1:50; y <- x^2 + rnorm(50,0,20)
fit <- lm(y ~ x)
result <- residuals(fit)
result

x1 * x2 включает главные эффекты и взаимодействие, тогда как x1:x2 включает только взаимодействие Использование доверительного интервала среднего как гарантии для отдельного объекта недооценивает неопределённость Коэффициент в модели с взаимодействием нельзя трактовать как общий эффект для всех групп Высокий R² не исключает систематический рисунок остатков и неверную функциональную форму Красивые коэффициенты на той же выборке не доказывают прогнозную пригодность и могут быть следствием одной влиятельной точки

Вопрос 13 из 25

Ситуация: Модель объясняет большую долю разброса, но остатки образуют отчётливую дугу. Какая правка делает решение устойчивым, а не просто удобным на текущем примере?

Анализируйте остатки против fitted, QQ-график, влияние наблюдений и предметную структуру Разделяйте объяснительную и прогнозную цели, проводите диагностику и внешнюю либо перекрёстную проверку Интерпретируйте коэффициенты относительно базовых уровней, единиц и взаимодействий, при необходимости вычисляя предельные эффекты Записывайте формулу в соответствии с предметной гипотезой и проверяйте model.matrix() перед интерпретацией Выберите тип интервала по задаче и не экстраполируйте далеко за диапазон обучающих данных без обоснования

Вопрос 14 из 25

Ситуация: Модель объясняет большую долю разброса, но остатки образуют отчётливую дугу. Что нужно проверить после правки?

Проверьте heteroskedasticity, leverage, Cook's distance и нелинейные остаточные паттерны Сверьте остатки, влияние, коллинеарность, ошибки на holdout и стабильность коэффициентов Сверьте имена столбцов матрицы дизайна, ранг и базовые уровни факторов Сравните новые x с обучающим диапазоном и ширину confidence и prediction intervals Проверьте contrast coding, центрирование переменных и предсказания для конкретных сочетаний

Вопрос 15 из 25

Ситуация: Модель объясняет большую долю разброса, но остатки образуют отчётливую дугу. Какой итог разбора не смешивает правило языка с впечатлением от результата?

set.seed(4)
x <- 1:50; y <- x^2 + rnorm(50,0,20)
fit <- lm(y ~ x)
result <- residuals(fit)
result

Коэффициент числового предиктора описывает изменение условного среднего отклика при увеличении предиктора на единицу при фиксированных остальных переменных; при этом главный риск состоит в том, что коэффициент в модели с взаимодействием нельзя трактовать как общий эффект для всех групп Линейная модель требует осмысленной спецификации, диагностики остатков, контроля утечки и оценки на данных вне обучения; при этом главный риск состоит в том, что высокий R² не исключает систематический рисунок остатков и неверную функциональную форму Остатки отражают расхождение наблюдений и подогнанных значений; их структура помогает обнаружить нелинейность, неодинаковую дисперсию и выбросы; поэтому внешний вид напечатанного объекта важнее происхождения и структуры данных Остатки отражают расхождение наблюдений и подогнанных значений; их структура помогает обнаружить нелинейность, неодинаковую дисперсию и выбросы; при этом главный риск состоит в том, что красивые коэффициенты на той же выборке не доказывают прогнозную пригодность и могут быть следствием одной влиятельной точки Остатки отражают расхождение наблюдений и подогнанных значений; их структура помогает обнаружить нелинейность, неодинаковую дисперсию и выбросы; при этом главный риск состоит в том, что высокий R² не исключает систематический рисунок остатков и неверную функциональную форму

Вопрос 16 из 25

Ситуация: Сервис должен предсказать расход конкретного автомобиля, но показывает узкий интервал для среднего по автомобилям такого веса. Какое правило нужно применить к этому фрагменту прежде всего?

fit <- lm(mpg ~ wt, data=mtcars)
result <- predict(fit, newdata=data.frame(wt=3), interval='prediction')
result

Формула y ~ x1 + x2 задаёт отклик и предикторы, а символы *, :, I() и -1 управляют взаимодействиями и структурой модели Линейная модель требует осмысленной спецификации, диагностики остатков, контроля утечки и оценки на данных вне обучения Коэффициент числового предиктора описывает изменение условного среднего отклика при увеличении предиктора на единицу при фиксированных остальных переменных Остатки отражают расхождение наблюдений и подогнанных значений; их структура помогает обнаружить нелинейность, неодинаковую дисперсию и выбросы predict.lm с interval='confidence' даёт интервал среднего отклика, а interval='prediction' — более широкий интервал отдельного будущего наблюдения

Вопрос 17 из 25

Ситуация: Сервис должен предсказать расход конкретного автомобиля, но показывает узкий интервал для среднего по автомобилям такого веса. Что в этой ситуации способно исказить вывод без явной синтаксической ошибки?

fit <- lm(mpg ~ wt, data=mtcars)
result <- predict(fit, newdata=data.frame(wt=3), interval='prediction')
result

Использование доверительного интервала среднего как гарантии для отдельного объекта недооценивает неопределённость Коэффициент в модели с взаимодействием нельзя трактовать как общий эффект для всех групп Красивые коэффициенты на той же выборке не доказывают прогнозную пригодность и могут быть следствием одной влиятельной точки x1 * x2 включает главные эффекты и взаимодействие, тогда как x1:x2 включает только взаимодействие Высокий R² не исключает систематический рисунок остатков и неверную функциональную форму

Вопрос 18 из 25

Ситуация: Сервис должен предсказать расход конкретного автомобиля, но показывает узкий интервал для среднего по автомобилям такого веса. Что следует изменить в коде или процессе?

Выберите тип интервала по задаче и не экстраполируйте далеко за диапазон обучающих данных без обоснования Записывайте формулу в соответствии с предметной гипотезой и проверяйте model.matrix() перед интерпретацией Разделяйте объяснительную и прогнозную цели, проводите диагностику и внешнюю либо перекрёстную проверку Интерпретируйте коэффициенты относительно базовых уровней, единиц и взаимодействий, при необходимости вычисляя предельные эффекты Анализируйте остатки против fitted, QQ-график, влияние наблюдений и предметную структуру

Вопрос 19 из 25

Ситуация: Сервис должен предсказать расход конкретного автомобиля, но показывает узкий интервал для среднего по автомобилям такого веса. Какой тест лучше всего ловит повтор этой ошибки?

Сверьте имена столбцов матрицы дизайна, ранг и базовые уровни факторов Проверьте contrast coding, центрирование переменных и предсказания для конкретных сочетаний Сверьте остатки, влияние, коллинеарность, ошибки на holdout и стабильность коэффициентов Проверьте heteroskedasticity, leverage, Cook's distance и нелинейные остаточные паттерны Сравните новые x с обучающим диапазоном и ширину confidence и prediction intervals

Вопрос 20 из 25

Ситуация: Сервис должен предсказать расход конкретного автомобиля, но показывает узкий интервал для среднего по автомобилям такого веса. Как сформулировать вывод без лишних обобщений?

fit <- lm(mpg ~ wt, data=mtcars)
result <- predict(fit, newdata=data.frame(wt=3), interval='prediction')
result

Линейная модель требует осмысленной спецификации, диагностики остатков, контроля утечки и оценки на данных вне обучения; при этом главный риск состоит в том, что красивые коэффициенты на той же выборке не доказывают прогнозную пригодность и могут быть следствием одной влиятельной точки predict.lm с interval='confidence' даёт интервал среднего отклика, а interval='prediction' — более широкий интервал отдельного будущего наблюдения; при этом главный риск состоит в том, что использование доверительного интервала среднего как гарантии для отдельного объекта недооценивает неопределённость predict.lm с interval='confidence' даёт интервал среднего отклика, а interval='prediction' — более широкий интервал отдельного будущего наблюдения; при этом главный риск состоит в том, что коэффициент в модели с взаимодействием нельзя трактовать как общий эффект для всех групп predict.lm с interval='confidence' даёт интервал среднего отклика, а interval='prediction' — более широкий интервал отдельного будущего наблюдения; поэтому отсутствие сообщения об ошибке уже подтверждает корректность результата Коэффициент числового предиктора описывает изменение условного среднего отклика при увеличении предиктора на единицу при фиксированных остальных переменных; при этом главный риск состоит в том, что использование доверительного интервала среднего как гарантии для отдельного объекта недооценивает неопределённость

Вопрос 21 из 25

Ситуация: Модель принята по высокому R², хотя её не проверяли на новых данных и не изучали влиятельные наблюдения. Какой механизм точнее всего объясняет связь кода с ситуацией?

fit <- lm(mpg ~ wt + hp, data=mtcars)
result <- list(summary=summary(fit), cook=cooks.distance(fit))
result

Коэффициент числового предиктора описывает изменение условного среднего отклика при увеличении предиктора на единицу при фиксированных остальных переменных Формула y ~ x1 + x2 задаёт отклик и предикторы, а символы *, :, I() и -1 управляют взаимодействиями и структурой модели Линейная модель требует осмысленной спецификации, диагностики остатков, контроля утечки и оценки на данных вне обучения Остатки отражают расхождение наблюдений и подогнанных значений; их структура помогает обнаружить нелинейность, неодинаковую дисперсию и выбросы predict.lm с interval='confidence' даёт интервал среднего отклика, а interval='prediction' — более широкий интервал отдельного будущего наблюдения

Вопрос 22 из 25

Ситуация: Модель принята по высокому R², хотя её не проверяли на новых данных и не изучали влиятельные наблюдения. Какой дефект нужно искать в первую очередь?

fit <- lm(mpg ~ wt + hp, data=mtcars)
result <- list(summary=summary(fit), cook=cooks.distance(fit))
result

Красивые коэффициенты на той же выборке не доказывают прогнозную пригодность и могут быть следствием одной влиятельной точки Коэффициент в модели с взаимодействием нельзя трактовать как общий эффект для всех групп Использование доверительного интервала среднего как гарантии для отдельного объекта недооценивает неопределённость x1 * x2 включает главные эффекты и взаимодействие, тогда как x1:x2 включает только взаимодействие Высокий R² не исключает систематический рисунок остатков и неверную функциональную форму

Вопрос 23 из 25

Ситуация: Модель принята по высокому R², хотя её не проверяли на новых данных и не изучали влиятельные наблюдения. Какой вариант исправления сохраняет смысл анализа?

Анализируйте остатки против fitted, QQ-график, влияние наблюдений и предметную структуру Интерпретируйте коэффициенты относительно базовых уровней, единиц и взаимодействий, при необходимости вычисляя предельные эффекты Записывайте формулу в соответствии с предметной гипотезой и проверяйте model.matrix() перед интерпретацией Разделяйте объяснительную и прогнозную цели, проводите диагностику и внешнюю либо перекрёстную проверку Выберите тип интервала по задаче и не экстраполируйте далеко за диапазон обучающих данных без обоснования

Вопрос 24 из 25

Ситуация: Модель принята по высокому R², хотя её не проверяли на новых данных и не изучали влиятельные наблюдения. Какая проверка относится к исходному риску, а не к внешнему виду результата?

Проверьте heteroskedasticity, leverage, Cook's distance и нелинейные остаточные паттерны Сравните новые x с обучающим диапазоном и ширину confidence и prediction intervals Сверьте остатки, влияние, коллинеарность, ошибки на holdout и стабильность коэффициентов Сверьте имена столбцов матрицы дизайна, ранг и базовые уровни факторов Проверьте contrast coding, центрирование переменных и предсказания для конкретных сочетаний

Вопрос 25 из 25

Ситуация: Модель принята по высокому R², хотя её не проверяли на новых данных и не изучали влиятельные наблюдения. Какое заключение лучше всего выдерживает проверку?

fit <- lm(mpg ~ wt + hp, data=mtcars)
result <- list(summary=summary(fit), cook=cooks.distance(fit))
result

Коэффициент числового предиктора описывает изменение условного среднего отклика при увеличении предиктора на единицу при фиксированных остальных переменных; при этом главный риск состоит в том, что коэффициент в модели с взаимодействием нельзя трактовать как общий эффект для всех групп Остатки отражают расхождение наблюдений и подогнанных значений; их структура помогает обнаружить нелинейность, неодинаковую дисперсию и выбросы; при этом главный риск состоит в том, что красивые коэффициенты на той же выборке не доказывают прогнозную пригодность и могут быть следствием одной влиятельной точки Линейная модель требует осмысленной спецификации, диагностики остатков, контроля утечки и оценки на данных вне обучения; поэтому достаточно один раз проверить класс объекта на текущем наборе данных Линейная модель требует осмысленной спецификации, диагностики остатков, контроля утечки и оценки на данных вне обучения; при этом главный риск состоит в том, что красивые коэффициенты на той же выборке не доказывают прогнозную пригодность и могут быть следствием одной влиятельной точки Линейная модель требует осмысленной спецификации, диагностики остатков, контроля утечки и оценки на данных вне обучения; при этом главный риск состоит в том, что высокий R² не исключает систематический рисунок остатков и неверную функциональную форму