ÔN TẬP TRẮC NGHIỆM KIỂM ĐỊNH HỒI QUY PART 3

Câu 1. Hồi quy tuyến tính còn được gọi là:

• Logistic Regression

• Ordinary Least Squares (OLS)

• Bayesian Regression

• Principal Component Analysis

Câu 2. Hồi quy tuyến tính đơn giản thường được dùng để:

• So sánh trung bình giữa hai nhóm

• Phân loại dữ liệu nhị phân

• Ước lượng mối quan hệ giữa hai biến định lượng

• Dự đoán xác suất

Câu 3. Mục tiêu của phương pháp bình phương tối thiểu (OLS) là:

• Tối đa hóa xác suất xảy ra

• Giảm thiểu tổng bình phương sai số (SSE)

• Loại bỏ outliers

• Làm cho dữ liệu phân phối chuẩn

Câu 4. Điều kiện bắt buộc để dùng hồi quy tuyến tính là:

• Biến phụ thuộc phải là nhị phân

• Biến phụ thuộc là liên tục (định lượng)

• Tất cả biến đều định tính

• Không có biến độc lập

Câu 5. Ưu điểm của mô hình hồi quy tuyến tính là:

• Phức tạp, phù hợp với dữ liệu phi tuyến

• Chỉ dùng được cho dữ liệu phân loại

• Dễ sử dụng, phổ biến, dễ diễn giải

• Không cần kiểm tra giả định

Câu 6. Mô hình hồi quy tuyến tính là loại hồi quy:

• Mới xuất hiện gần đây

• Cổ điển và lâu đời nhất trong thống kê

• Dùng cho dữ liệu văn bản

• Chỉ dùng trong học máy

Câu 7. Ưu điểm nổi bật của mô hình tuyến tính là:

• Dự đoán chính xác dữ liệu nhị phân

• Không bị ảnh hưởng bởi outlier

• Có thể thực hiện bằng tay, đơn giản, dễ hiểu

• Chỉ dùng khi có big data

Câu 8. Một điểm yếu của OLS là:

• Không thể vẽ biểu đồ

• Rất nhạy cảm với giá trị ngoại lai (outliers)

• Không có sai số

• Không dùng cho dữ liệu định lượng

Câu 9. Khi các biến độc lập trong mô hình có tương quan cao với nhau, điều gì có thể xảy ra?

• Mô hình hoạt động tốt hơn

• Không ảnh hưởng gì

• Gây ra hiện tượng đa cộng tuyến → sai lệch hệ số

• Làm tăng đáng kể R²

Câu 10. Overfitting (quá khớp) trong hồi quy tuyến tính là gì?

• Khi R² bằng 0

• Khi thiếu biến độc lập

• Khi mô hình học “quá kỹ” dữ liệu → không dự đoán tốt cho dữ liệu mới

• Khi sai số chuẩn lớn hơn 1