Logistic回归模型适用于因变量为()。
A.分类值的资料
B.连续型的计量资料
C.正态分布资料
D.偏态分布资料
A.分类值的资料
B.连续型的计量资料
C.正态分布资料
D.偏态分布资料
第2题
A.两者都是监督学习的方法
B.多项逻辑斯蒂回归模型也被称为softmax函数
C.两者都可被用来完成多类分类任务
D.逻辑斯帝回归是监督学习,多项逻辑斯蒂回归模型是非监督学习
第3题
A.y=0.04+5.12x,r=0.88A
B.y=-0.04+5.12x,r=0.88
C.y=0.04-5.12x,r=-0.88
D.y=-0.04-5.12x,r=0.88
第5题
A.异方差
B.完全多重共线
C.遗漏变量偏差
D.虚拟变量陷阱
第6题
使用VOTE1.RAW中的数据。
(i)估计一个以voteA为因变量并以prystrA、deocA、log(expendA)和log(expendB)为自变量的模型。得到OLS残差,并将这些残差对所有的自变量进行回归。解释你为什么得到R2=0。
(ii)现在计算异方差性的布罗施-帕甘检验。使用F统计量的形式并报告P值。
(iii)同样利用F统计量形式计算异方差性的特殊怀特检验。现在异方差性的证据有多强?
第7题
关于Logistic回归和Softmax回归,以下说法正确是()。
A.Softmax回归可以处理多元分类问题,Logistic回归只能处理二元分类问题
B.Logistic回归和Softmax回归都只能处理二元分类问题
第9题
利用JTRAIN3.RAW中的数据。
(i)估计简单回归模型re78=β0+β1train+u,并用常用格式报告结论。基于这个回归,1976年和1977年的工作培训看上去对1978年的真实劳动工资有正的影响吗?
(ii)现在使用真实劳动工资的变化cre=re78-re75作为因变量。(由于我们假定1975年之前没有工作培训,所以我们没有必要对train进行差分。也就是说,如果我们定义ctrain=train78-train75,那么,由于train75=0,所以ctrain=train78.)现在,培训的估计影响有多大?讨论它与第(i)部分估计值的比较。
(iii)利用通常的OLS标准误和异方差-稳健标准误求培训效应的95%置信区间,并描述你的结论。