Математика - - Выбор предикторов - 1 часть + конспект от YandexGPT

Математика - - Выбор предикторов - 1 часть конспект от YandexGPT 00:02 Введение • Обсуждение реализованных возможностей в программе SPSS и их применения в практических задачах. • Критика и предложение альтернативы - SPSS плюс написание кода самостоятельно. 02:52 Пример задачи • Создание CSV файла с данными для проведения множественной линейной регрессии. • Описательная статистика для переменных. 12:36 Построение модели • Выбор метода ввода переменных (шаговый). • Использование доверительных интервалов для коэффициентов регрессии. 17:37 Дисперсионный анализ • Тестирование нулевой гипотезы о том, что модель без предикторов так же хороша, как и модель с четырьмя предикторами. • Сравнение качества моделей без предикторов и с предикторами. 20:34 Обсуждение коэффициентов и доверительных интервалов • В видео обсуждаются коэффициенты и доверительные интервалы для коэффициентов при предикторах. • Упоминается, что коэффициенты могут быть значимыми или незначимыми, и что важно учитывать объем выборки при построении доверительных интервалов. 35:28 Гипотезы и выводы • В видео обсуждаются гипотезы о том, что коэффициенты при предикторах не значимы, и что коэффициенты при Т и Z не значимы. • Эти гипотезы отвергаются, и делается вывод, что Т и Z не влияют на отклик. 43:06 Обсуждение важности предикторов • Автор обсуждает важность предикторов в модели и их влияние на зависимую переменную. • Он подчеркивает, что константа в модели может быть незначимой, но это не означает, что она не влияет на результат. 45:50 Толеранс и уникальность предикторов • Автор объясняет, что толеранс - это доля дисперсии, которую предиктор объясняет в модели. • Он приводит пример верблюдов, которые являются уникальными и не могут быть заменены другими предикторами. 57:12 Метод пошагового отбора признаков • Автор обсуждает метод пошагового отбора признаков, который позволяет определить значимые предикторы и исключить не значимые. • Он также упоминает, что корреляционная матрица может быть полезна для определения зависимости между признаками. 01:03:46 Введение в мультиколлинеарность • В видео объясняется, что мультиколлинеарность возникает, когда две или более переменных коррелируют друг с другом. • Это может привести к ухудшению точности оценок и увеличению стандартных ошибок коэффициентов. 01:05:58 Влияние мультиколлинеарности на модель • В видео демонстрируется, как мультиколлинеарность влияет на модель, когда вводятся две переменные (X и Y) в модель. • Это приводит к уменьшению коэффициента детерминации и увеличению стандартных ошибок коэффициентов. 01:17:29 Обсуждение мультиколлинеарности и обратно пропорциональной зависимости • В видео обсуждаются ошибки, связанные с мультиколлинеарностью и обратно пропорциональной зависимостью. • Объясняется, что мультиколлинеарность может привести к обратно пропорциональной зависимости, но это не всегда так. • Линейная зависимость может превратиться в обратно пропорциональную зависимость только в одном случае - когда коэффициент равен нулю. Весь плейлист: