Wyszukaj
Zaloguj / zarejestruj się
Jeśli masz już konto, możesz się zalogować.
Jeśli nie masz konta, zarejestruj nowe podając nazwę użytkownika, adres email i hasło.
Formularz kontaktowy
Memorizer+
Wykup dostęp
Ta funkcja jest dostępna dla użytkowników, którzy wykupili plan Memorizer+
Fiszki
Wanat Egzaminy I
Test w formie fiszek Modelowanie II
Ilość pytań: 54 Rozwiązywany: 929 razy
⦁ Do elementów konstrukcyjnych uogólnionego modelu liniowego zaliczamy:
wykładniczą rodzinę rozkładów
liniowy predyktor
funkcję wiążącą
⦁ Modelem logitowym (regresją logistyczną) nazywamy uogólniony model liniowy (GLM), w którym zmienna objaśniana ma rozkład:
normalny
Poissona
Bernoulliego
⦁ Do mierników pomocnych w wyborze zmiennych objaśniających (predyktorów) zaliczamy:
moc informacyjną zmiennej IV
wskaźnik wpływu
wskaźnik WoE
Jednorodność wariancji modelu liniowego sprawdzamy testem:
Studenta
Breuscha-Pagana
Durbina-Watsona
Sumę kwadratów reszt (RSS) nazywamy:
całkowitą zmiennością
zmiennością niewyjaśnioną przez model
zmiennością wyjaśnioną przez model
Średni błąd predykcji ex post (root mean square error, RMSE):
mierzy, w jakim stopniu model wyjaśnia zmiany zmiennej prognozowanej w czasie
mierzy, o ile średnio odchylają się rzeczywiste realizacje zmiennej prognozowanej od obliczonych prognoz
wskazuje, o ile przeciętnie wzrasta wartość zmiennej prognozowanej w porównaniu z "ostatnią" wartością rzeczywistą
Określenie wymagania co do dopuszczalności i horyzontu prognozy zaliczamy do następującego etapu budowy modelu predykcyjnego:
określenia kontekstu modelowania
analitycznego przygotowania danych
sformułowania zadania prognostycznego
Modelem logitowym (regresją logistyczną) nazywamy uogólniony model liniowy (GLM), w którym zmienna objaśniana ma rozkład:
Bernoulliego
normalny
Poissona
W ubezpieczeniach uogólnione modele liniowe można wykorzystać w modelowaniu:
wysokości pojedynczej szkody
liczby szkód
w taryfikacji
k-krotna walidacja krzyżowa służy do:
badania normalności reszt modelu
wyboru zmiennych objaśniających
określenia jakości modelu w trakcie jego uczenia
Krzywą ROC można wykorzystać:
do ustalenia optymalnego punkt odcięcia
do oceny współliniowości zmiennych objaśniających
o ceny i porównywania między sobą modeli klasyfikacyjnych
Logarytm stosunku prawdopodobieństwa wystąpienia zdarzenia do prawdopodobieństwa jego niewystąpienia.
szansą wystąpienia A ()
modelem logitowym
logit
Iloraz prawdopodobieństwa wystąpienia zdarzenia do prawdopodobieństwa jego niewystąpienia nazywamy
szansą wystąpienia A ()
logitem
modelem logitowym
Wskaźnik ten określa siłę związku między zmienną niezależną a zmienną zależną poprzez obliczenie logarytmu stosunku prawdopodobieństw (iloraz szans) dla każdej kategorii zmiennej niezależnej w odniesieniu do bazowej kategorii.
wskaźnik wpływu
Wskaznik WoE
moc informacyjną zmiennej IV
Za pomocą tego miernika można dokonać rankingu zmiennych objaśniających.
Wskaznik WoE
moc informacyjną zmiennej IV
wskaźnik wpływu
Uogólniony model liniowy o liczbie parametrów równej liczbie obserwacji nazywamy:
modelem zerowym
modelem Poissona
modelem nasyconym
Element diagonalny macierzy daszkowej nazywamy:
wskaźnikiem wpływu (dźwignią)
standaryzowaną resztą modelu
miarą Cooka
Przykładowe testy normalności:
Shapiro-Wilka
Breuscha-Godfreya
Jarque–Bera
Niezależności reszt modelu liniowego sprawdzamy testem:
Durbina-Watsona
Harrisona-McCabe
Breuscha-Godfreya
Jednorodność wariancji modelu liniowego sprawdzamy testem:
Goldfelda-Quandta
Harrisona-McCabe
Breuscha-Pagana
studenta
Cześć!
Wykryliśmy, że blokujesz reklamy na naszej stronie.
Reklamy, jak zapewne wiesz, pozwalają na utrzymanie i rozwój serwisu. W związku z tym prosimy Cię o ich odblokowanie by móc kontynuować naukę.