VLRM Flashcards

1
Q

dodatne pretpostavke

A

nema multikolinearnosti, N>k+1 - velicina posmatranog uzorka mora biti bar za 1 veca od broja nezavisnih varijabli u modelu, prediktori nisu slucajne promenljive

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

nema multikolinearnosti znaci da

A

nema visoke korelisanosti izmedju nezavisnih varijabli prediktora, ne postoji savrsena korelacija izmedju nezavisnih promenljivih

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

kada bi se sve tacke nalazile u ravni (VRM sa 2 nez prom)?

A

kada bi izmedju nezavisnih i zavisne postojala potpuna funkcionalna linearna veza

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

gde se nalazi ocekivana vrednost zavisne promenljive

A

na ravni

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

da li sve tacke leze na ravni kod VLRM sa dve nez prom

A

ne, neke su ispod, a neke iznad

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

sta je beta 0

A

odsecak koji ravan odseca na y osi

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

sta je beta 1

A

prosecna promena zavisne promenljive y kada se nezavisna x1 poveca za jednu svoju jedinicu, pod uslovom da je x2 const

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

sta je beta 2

A

prosecna promena zavisne y kada se nezavisna x2 poveca za jednu svoju jedinicu, a x1 je const

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

sta je regresiona ravan

A

ona ravan cija jednacina najbolje reprezentuje empirijske podatke

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

pomocu cega se ocenjuju parametri u VLRM

A

MNK

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

sta je rezidual

A

razlika izmedju izmerene i ocenjene vrednosti

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

koje je ocekivanje b0, b1, b2

A

beta0, beta1, beta2

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

kakve treba da budu varijanse parametara regresionog modela

A

sto manje

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

za utvrdjivanje prilagodjenosti ocene regresione ravni empirijskim podacima koristimo

A

SGR, koeficijent visestruke determinacije i podeseni koeficijent determinacije

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

nedostaci KVD

A

zavisi od broja promenljivih u modelu i velicine uzorka i povecava se ukljucivanjem nove nezavisne promenljive u model bez obzira na stvarni uticaj

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

kada ce KVD biti blizu 1

A

ako je broj podataka u uzorku mali, a postoji veliki broj nezavisnih, iako one ne uticu mnogo pojedinacno na zavisnu promenljivu

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

sta nam govori PKD

A

koliki je procenat varijabiliteta zavisne objasnjen nezavisnim zajedno

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

da li su tackaste ocene parametara dovoljne

A

ne, jer nema garancija da ce se poklopiti sa pravim vrednostima parametara

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

zasto se uvode lazne promenljive

A

da bi se adekvatno opisale promene koje se javljaju kod promenljivih pod odredjenim uslovima, dodeluje im se proizvoljna vrednost (ugl 0 ili 1) tako da najbolje opisuje promene faktora koje se zele kvantitativno opisati

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

za sta se sve koriste lazne promenljive

A

kao zamena kvalitativnih faktora ili numerickih kada nemamo podatke za njih, za merenje funkcije modela tokom vremena (kada su drasticno promenjeni uslovi pod kojima je data funkcija(, kao zamena za zavisnu promenljivu - logicka regresija, za merenje promene parametara tokom vremena, kao zamena za sezonske fluktuacije kod vremenskih serija

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

lazne promenljive koje menjaju odsecak

A

citav LRM se pomeara za neku vrednost (odsecak na y osi) a celokupan model ostaje paralelan prvobitnoj verziji

22
Q

da li je KVD pouzdana mera kvaliteta modela

23
Q

zasto koristimo PKD

A

jer on nece neopravdano da se povecava sa rastom broja objasnjavajucih promenljivih

24
Q

da li je PKD manji od KVD

25
da li moze jedan koeficijent da bude statisticki znacajan, drugi ne, a ceo model opet da
da
26
multikolinearnost
pojava kada su prediktori (nezavisne) medjusobno zavisni (jak stepen korelacije), prisustvo linearne ili priblizno linearne zavisnosti izmedju nezavisnih
27
ako je koeficijent korelacije 1
ekstremna multikolinearnost
28
ako je koeficijent korelacije 0
promenljive nisu uopste korelisane (ortogonalne promenljive)
29
koeficijent korelacije izmedju x1 i x2 obelezava se
rx1x2
30
kada imamo dovoljnu kolicinu informacija da ocenimo parametre beta
kada nema visoke zavisnosti izmedju nezavisnih promenljivih
31
koje je resenje multikolinearnosti
izbacivanje jedne od visoko korelisanih varijabli
32
posledice multikolniearnosti
standardne greske ocena b1 i b2 ce biti prevelike, IP za predvidjanje ce biti veoma siroki, kod t testova cemo cesto dobijati da x ne utice na y, greske druge vrste ce biti velike, cak i male promene ce rezultovati u velikim promenama ocena b1 i b2 - smanjenje vrednosti statistike testa - neopravdano prihvatanje H0
33
kako odredjujemo multikolinearnost
preko faktora inflacije varijanse VIF
34
kada je vif 1
kada nema korelacije
35
kada je vif beskonacno
kada su x1 i x2 savrseno korelisane
36
kada nema multikolinearnosti u modelu
kada je vif manje jednako 5, odnosno tol vece jednako 0.2
37
kada ima multikolinearnosti u modelu
kada je vif vece od 5, odnosno tol manji od 0.2
38
sta se jos koristi osim vifa
tol - faktor tolerancije
39
kako odredjujemo autokorelaciju
autokorelacionom semom prvog reda i durbin-watson testom
40
kada su mali uzorci, kakva je oblast u kojoj ne moze da se odredi postojanje autokorelacije
siroka
41
posledice autokorelacije
ocene regresionih parametara su neefikasne iako su nepristrasne, tj vise nisu najbolje linearne nepristrasne ocene, pa se mogu doneti pogresni zakljucni, KVD ce vrv da pokazuje vecu vrednost u odnosu na stvarnu, ocena varijanse slucajne greske je pristrasna, rezultati t i f testa su pristrasni i nepouzdani, IP neprecizni, predvidjanje nepouzdano
42
kako se resava autokorelacija
GMNK - generalizovana metoda najmanjih kvadrata - jos pretpostavki ili modifikacija modela
43
sta je homoskedasticnost
pojava da je varijasna slucajnih odstupanja konstantna, raspodela slucajnih gresaka je ista za sve opservacije
44
sta je heteroskedasticnost
kada varijansa nije konstantna, nego se menja sa promenom vrednosti nezavisne, reziduali zavise od x, raspodela slucajnih gresaka se razlikuje za svaku ospervaciju
45
posledice heteroskedasticnosti
ocene regresionih parametara b1, b2...bk su i dalje nepristrasne, ali neefikasne, SGR ovih ocena ce biti netacne, rezultati t i F testa nepouzdani, statisticiki testovi se ne mogu primeniti, nisu pouzdani, predvidjanja imaju veliku varijansu
46
kako se resava HS
primenom MNK
47
koji je problem sa resenjem HS
ocene nece biti nepristrasne
48
kako ispitujemo HS
glejserovim i whiteovim testom
49
sta pretpostavlja glejserov test
da apsolutne vrednosti reziduala zavise od nekog oblika slucajne promenljive x
50
sta pretpostavlja whiteov test
da kvadratne vrednosti reziduala zavise od nezavsnih x1 i x2 u originalnim vrednostima i u njihovim kvadratima, kao i od njihovog proizvoda
51
tri najcesca problema VLRM
multikolinearnost, autokorelacija, heteroskedasticnost
52
kada postoji autokorelacija
kada su slucajne greske korelisane (cov nije nula)