Cuestionario Regresión y pronóstico

¿Cuál de las siguientes afirmaciones es correcta sobre .get_dummies()?

• Genera nuevas variables numéricas con más de dos opciones.

• Al no usar el drop_first=True se comporta como la codificación One Hot enconder.

• La función .get_dummies() sólo puede trabajar con variables categóricas de dos niveles.

• La función .get_dummies() de pandas puede convertir variables numéricas en variables categóricas.

¿Qué es una variable de confusión?

• Variable mal nombrada y por ello causa controversia en su entendimiento.

• Variable que no es significativa y por ello debe ser removida del modelo.

• Variable que es necesaria incluir en nuestro modelo para que no sesgue nuestras conclusiones.

¿Qué es la multicolinealidad?

• Alta correlación entre las variables independientes.

• Alta correlación entre las variables independientes y la variable dependiente.

• Dependencia no lineal entre las variables independientes.

• Dependencia no lineal entre las variables independientes y la variable dependiente.

¿Cuál de las siguientes afirmaciones sobre la extrapolación en regresión es incorrecta?

• Hacer uso del modelo de regresión entrenado sobre valores con los cuales el modelo no fue entrenado.

• El valor arrojado luego de aplicar la extrapolación es coherente con la información suministrada.

• Si extrapolamos, estamos haciendo una apuesta poco fiable de que la relación lineal aproximada será válida.

¿Qué estrategia es comúnmente recomendada para manejar variables de tipo factor con muchos niveles en un conjunto de datos?

• Consolidar los niveles de la variable factor en categorías más amplias para reducir la complejidad.

• Aumentar el tamaño de la muestra para garantizar una representación adecuada de todos los niveles.

• Convertir la variable en numérica.

• Aplicar interpolación para valores faltantes.

¿Cuándo se necesita un término de interacción entre dos variables en un modelo estadístico?

• Cuando las variables predictoras tienen un efecto lineal sobre la respuesta.

• Cuando la relación entre las variables predictoras y la respuesta es interdependiente.

• Cuando las variables predictoras están altamente correlacionadas entre sí.

• Cuando las interacciones entre variables son poco relevantes para el modelo.