⦁ Do elementów konstrukcyjnych uogólnionego modelu liniowego zaliczamy:
funkcję wiążącą
liniowy predyktor
wykładniczą rodzinę rozkładów
funkcję wiążącą
liniowy predyktor
wykładniczą rodzinę rozkładów
⦁ Do elementów konstrukcyjnych uogólnionego modelu liniowego zaliczamy:
funkcję wiążącą
liniowy predyktor
wykładniczą rodzinę rozkładów
funkcję wiążącą
liniowy predyktor
wykładniczą rodzinę rozkładów
⦁ Modelem logitowym (regresją logistyczną) nazywamy uogólniony model liniowy (GLM), w którym zmienna objaśniana ma rozkład:
Bernoulliego
normalny
Poissona
Bernoulliego
⦁ Modelem logitowym (regresją logistyczną) nazywamy uogólniony model liniowy (GLM), w którym zmienna objaśniana ma rozkład:
Bernoulliego
normalny
Poissona
Bernoulliego
⦁ Do mierników pomocnych w wyborze zmiennych objaśniających (predyktorów) zaliczamy:
wskaźnik wpływu
wskaźnik WoE
moc informacyjną zmiennej IV
moc informacyjną zmiennej IV
⦁ Do mierników pomocnych w wyborze zmiennych objaśniających (predyktorów) zaliczamy:
wskaźnik wpływu
wskaźnik WoE
moc informacyjną zmiennej IV
moc informacyjną zmiennej IV
Jednorodność wariancji modelu liniowego sprawdzamy testem:
Breuscha-Pagana
Durbina-Watsona
Studenta
Breuscha-Pagana
Jednorodność wariancji modelu liniowego sprawdzamy testem:
Breuscha-Pagana
Durbina-Watsona
Studenta
Breuscha-Pagana
Sumę kwadratów reszt (RSS) nazywamy:
całkowitą zmiennością
zmiennością wyjaśnioną przez model
zmiennością niewyjaśnioną przez model
zmiennością niewyjaśnioną przez model
Sumę kwadratów reszt (RSS) nazywamy:
całkowitą zmiennością
zmiennością wyjaśnioną przez model
zmiennością niewyjaśnioną przez model
zmiennością niewyjaśnioną 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
mierzy, o ile średnio odchylają się rzeczywiste realizacje zmiennej prognozowanej od obliczonych prognoz
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
mierzy, o ile średnio odchylają się rzeczywiste realizacje zmiennej prognozowanej od obliczonych prognoz
Określenie wymagania co do dopuszczalności i horyzontu prognozy zaliczamy do następującego etapu budowy modelu predykcyjnego:
analitycznego przygotowania danych
określenia kontekstu modelowania
sformułowania zadania prognostycznego
sformułowania zadania prognostycznego
Określenie wymagania co do dopuszczalności i horyzontu prognozy zaliczamy do następującego etapu budowy modelu predykcyjnego:
analitycznego przygotowania danych
określenia kontekstu modelowania
sformułowania zadania prognostycznego
sformułowania zadania prognostycznego
Modelem logitowym (regresją logistyczną) nazywamy uogólniony model liniowy (GLM), w którym zmienna objaśniana ma rozkład:
Bernoulliego
normalny
Poissona
Bernoulliego
Modelem logitowym (regresją logistyczną) nazywamy uogólniony model liniowy (GLM), w którym zmienna objaśniana ma rozkład:
Bernoulliego
normalny
Poissona
Bernoulliego
W ubezpieczeniach uogólnione modele liniowe można wykorzystać w modelowaniu:
w taryfikacji
liczby szkód
wysokości pojedynczej szkody
liczby szkód
W ubezpieczeniach uogólnione modele liniowe można wykorzystać w modelowaniu:
w taryfikacji
liczby szkód
wysokości pojedynczej szkody
liczby szkód
k-krotna walidacja krzyżowa służy do:
określenia jakości modelu w trakcie jego uczenia
wyboru zmiennych objaśniających
badania normalności reszt modelu
określenia jakości modelu w trakcie jego uczenia
k-krotna walidacja krzyżowa służy do:
określenia jakości modelu w trakcie jego uczenia
wyboru zmiennych objaśniających
badania normalności reszt modelu
określenia jakości modelu w trakcie jego uczenia
Krzywą ROC można wykorzystać:
do ustalenia optymalnego punkt odcięcia
o ceny i porównywania między sobą modeli klasyfikacyjnych
do oceny współliniowości zmiennych objaśniających
do ustalenia optymalnego punkt odcięcia
Krzywą ROC można wykorzystać:
do ustalenia optymalnego punkt odcięcia
o ceny i porównywania między sobą modeli klasyfikacyjnych
do oceny współliniowości zmiennych objaśniających
do ustalenia optymalnego punkt odcięcia
Logarytm stosunku prawdopodobieństwa wystąpienia zdarzenia do prawdopodobieństwa jego niewystąpienia.
modelem logitowym
szansą wystąpienia A ()
logit
logit
Logarytm stosunku prawdopodobieństwa wystąpienia zdarzenia do prawdopodobieństwa jego niewystąpienia.
modelem logitowym
szansą wystąpienia A ()
logit
logit
Iloraz prawdopodobieństwa wystąpienia zdarzenia do prawdopodobieństwa jego niewystąpienia nazywamy
modelem logitowym
szansą wystąpienia A ()
logitem
szansą wystąpienia A ()
Iloraz prawdopodobieństwa wystąpienia zdarzenia do prawdopodobieństwa jego niewystąpienia nazywamy
modelem logitowym
szansą wystąpienia A ()
logitem
szansą wystąpienia A ()
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.
moc informacyjną zmiennej IV
Wskaznik WoE
wskaźnik wpływu
Wskaznik WoE
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.
moc informacyjną zmiennej IV
Wskaznik WoE
wskaźnik wpływu
Wskaznik WoE
Za pomocą tego miernika można dokonać rankingu zmiennych objaśniających.
Wskaznik WoE
wskaźnik wpływu
moc informacyjną zmiennej IV
moc informacyjną zmiennej IV
Za pomocą tego miernika można dokonać rankingu zmiennych objaśniających.
Wskaznik WoE
wskaźnik wpływu
moc informacyjną zmiennej IV
moc informacyjną zmiennej IV
Uogólniony model liniowy o liczbie parametrów równej liczbie obserwacji nazywamy:
modelem Poissona
modelem zerowym
modelem nasyconym
modelem nasyconym
Uogólniony model liniowy o liczbie parametrów równej liczbie obserwacji nazywamy:
modelem Poissona
modelem zerowym
modelem nasyconym
modelem nasyconym
Element diagonalny macierzy daszkowej nazywamy:
miarą Cooka
wskaźnikiem wpływu (dźwignią)
standaryzowaną resztą modelu
wskaźnikiem wpływu (dźwignią)
Element diagonalny macierzy daszkowej nazywamy:
miarą Cooka
wskaźnikiem wpływu (dźwignią)
standaryzowaną resztą modelu
wskaźnikiem wpływu (dźwignią)
Przykładowe testy normalności:
Shapiro-Wilka
Jarque–Bera
Breuscha-Godfreya
Shapiro-Wilka
Jarque–Bera
Przykładowe testy normalności:
Shapiro-Wilka
Jarque–Bera
Breuscha-Godfreya
Shapiro-Wilka
Jarque–Bera
Niezależności reszt modelu liniowego sprawdzamy testem:
Durbina-Watsona
Breuscha-Godfreya
Harrisona-McCabe
Durbina-Watsona
Niezależności reszt modelu liniowego sprawdzamy testem:
Durbina-Watsona
Breuscha-Godfreya
Harrisona-McCabe
Durbina-Watsona
Jednorodność wariancji modelu liniowego sprawdzamy testem:
studenta
Harrisona-McCabe
Breuscha-Pagana
Goldfelda-Quandta
Harrisona-McCabe
Breuscha-Pagana
Goldfelda-Quandta
Jednorodność wariancji modelu liniowego sprawdzamy testem: