¿Qué es la multicolinealidad en un modelo de regresión?

• Ausencia de correlación en el modelo

• Alta correlación entre variables independientes

• Correlación entre variable dependiente e independiente

• Baja correlación entre variables independientes

¿Qué indicador se utiliza para medir la magnitud de la multicolinealidad en un modelo?

• Intervalo de Confianza

• Error Estándar de la Estimación

• Coeficiente de Determinación (R²)

• Factor de Inflación de la Varianza (VIF)

¿Qué técnica penaliza los coeficientes de regresión grandes para reducir la multicolinealidad?

• Regresión Lasso

• Regresión Lineal

• Regresión Logística

• Regresión Ridge

¿Qué criterio se utiliza para seleccionar el grado adecuado en un modelo de regresión polinomial?

• P-valor

• Coeficiente de Determinación Ajustado (R² ajustado)

• Error Estándar de la Estimación

• Intervalo de Confianza

¿Qué problema puede surgir si un modelo polinomial es demasiado complejo?

• Sobreajuste

• Heterocedasticidad

• Subajuste

• Multicolinealidad

¿Qué técnica se puede utilizar para facilitar la interpretación de un modelo polinomial de alto grado?

• Análisis de Componentes Principales

• Descomposición de la varianza

• Análisis Discriminante

• Análisis de Cluster

¿Qué se busca en un modelo de regresión que no sea demasiado complejo?

• Buen poder explicativo y evitar sobreajuste

• Bajo poder explicativo y evitar subajuste

• Alta multicolinealidad y alta complejidad

• Alto sesgo y baja varianza

¿Qué es la regresión logística y en qué se diferencia de la regresión lineal?

• La regresión logística es un modelo para variables categóricas, mientras que la regresión lineal es para variables continuas.

• La regresión logística es un modelo para variables continuas, mientras que la regresión lineal es para variables categóricas.

• La regresión logística no se utiliza en estadística, mientras que la regresión lineal es ampliamente utilizada.

• La regresión logística es un modelo para variables continuas, mientras que la regresión lineal es para variables continuas.

¿Por qué es importante validar un modelo de regresión antes de su implementación?

• Para asegurar que el modelo sea perfecto y no requiera ajustes adicionales.

• Para garantizar que el modelo funcione en todos los casos posibles.

• Para verificar que el modelo sea válido y se ajuste bien a los datos.

• Para evitar el uso de modelos de regresión en cualquier análisis.

¿Cuál es el propósito principal de la regresión polinomial en comparación con la regresión lineal?

• La regresión polinomial es más fácil de interpretar que la regresión lineal.

• La regresión polinomial puede modelar relaciones no lineales, mientras que la regresión lineal solo modela relaciones lineales.

• La regresión polinomial es menos precisa que la regresión lineal.

• La regresión polinomial solo se utiliza en casos especiales, a diferencia de la regresión lineal.