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

Остатки отражают расхождение наблюдений и подогнанных значений; их структура помогает обнаружить нелинейность, неодинаковую дисперсию и выбросы Формула y ~ x1 + x2 задаёт отклик и предикторы, а символы *, :, I() и -1 управляют взаимодействиями и структурой модели predict.lm с interval='confidence' даёт интервал среднего отклика, а interval='prediction' — более широкий интервал отдельного будущего наблюдения 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

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

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 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 Использование доверительного интервала среднего как гарантии для отдельного объекта недооценивает неопределённость

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?

Выберите тип интервала по задаче и не экстраполируйте далеко за диапазон обучающих данных без обоснования 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 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 Сверьте остатки, влияние, коллинеарность, ошибки на holdout и стабильность коэффициентов Сравните новые x с обучающим диапазоном и ширину confidence и prediction intervals Проверьте contrast coding, центрирование переменных и предсказания для конкретных сочетаний 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; при этом главный риск состоит в том, что x1 * x2 включает главные эффекты и взаимодействие, тогда как x1:x2 включает только взаимодействие 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 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; 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 коэффициент в модели с взаимодействием нельзя трактовать как общий эффект для всех групп

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

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 predict.lm с interval='confidence' даёт интервал среднего отклика, а interval='prediction' — более широкий интервал отдельного будущего наблюдения Коэффициент числового предиктора описывает изменение условного среднего отклика при увеличении предиктора на единицу при фиксированных остальных переменных Линейная модель требует осмысленной спецификации, диагностики остатков, контроля утечки и оценки на данных вне обучения

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

Использование доверительного интервала среднего как гарантии для отдельного объекта недооценивает неопределённость Высокий R² не исключает систематический рисунок остатков и неверную функциональную форму 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

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?

Выберите тип интервала по задаче и не экстраполируйте далеко за диапазон обучающих данных без обоснования 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 Анализируйте остатки против fitted, QQ-график, влияние наблюдений и предметную структуру

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?

Сравните новые x с обучающим диапазоном и ширину confidence и prediction intervals 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 Проверьте contrast coding, центрирование переменных и предсказания для конкретных сочетаний

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

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 коэффициент в модели с взаимодействием нельзя трактовать как общий эффект для всех групп 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; следовательно, предупреждения можно не учитывать, если итог выглядит ожидаемо 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

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 Коэффициент числового предиктора описывает изменение условного среднего отклика при увеличении предиктора на единицу при фиксированных остальных переменных Линейная модель требует осмысленной спецификации, диагностики остатков, контроля утечки и оценки на данных вне обучения predict.lm с interval='confidence' даёт интервал среднего отклика, а interval='prediction' — более широкий интервал отдельного будущего наблюдения

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

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 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?

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 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 Анализируйте остатки против fitted, QQ-график, влияние наблюдений и предметную структуру

Вопрос 14 из 25

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

Сверьте имена столбцов матрицы дизайна, ранг и базовые уровни факторов Проверьте contrast coding, центрирование переменных и предсказания для конкретных сочетаний 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

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

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 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; 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 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

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

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 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 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

Красивые коэффициенты на той же выборке не доказывают прогнозную пригодность и могут быть следствием одной влиятельной точки 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 Коэффициент в модели с взаимодействием нельзя трактовать как общий эффект для всех групп

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?

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 Интерпретируйте коэффициенты относительно базовых уровней, единиц и взаимодействий, при необходимости вычисляя предельные эффекты

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?

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

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

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 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 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 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 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

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

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 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

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 Высокий R² не исключает систематический рисунок остатков и неверную функциональную форму 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 Коэффициент в модели с взаимодействием нельзя трактовать как общий эффект для всех групп

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?

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 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

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 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

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

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; при этом главный риск состоит в том, что высокий R² не исключает систематический рисунок остатков и неверную функциональную форму 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; 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