Quiz zur Linearen Regression

Welche der folgenden ist keine Voraussetzung für eine lineare Regression?

• Linearität zwischen abhängiger und unabhängiger Variable

• Normalverteilung der Fehler

• Heteroskedastizität der Residuen

• Keine Multikollinearität

Warum ist Linearität eine wichtige Voraussetzung für die lineare Regression?

• Weil sie die Stabilität der Regressionsgleichung gewährleistet

• Weil sie die korrekte Interpretation der Koeffizienten ermöglicht

• Weil sie die Normalverteilung der Fehler sicherstellt

• Weil sie die Varianz der Residuen konstant hält

Welcher Test wird nicht zur Überprüfung der Normalverteilung der Fehler verwendet?

• Histogramm-Analyse

• Shapiro-Wilk-Test

• T-Test

• Kolmogorov-Smirnov-Test

Welche Methode wird immer weniger zur Überprüfung der Normalverteilung der Fehler verwendet?

• Grafische Analyse

• Analytische Tests

• Coco-Plot

• Histogramm-Analyse

Was bedeutet Homoskedastizität in der linearen Regression?

• Die unabhängigen Variablen sind nicht korreliert

• Die Residuen sind normal verteilt

• Die Residuen haben eine konstante Varianz über den gesamten Wertebereich

• Die abhängige Variable ist linear

Was passiert, wenn die Residuen keine konstante Varianz haben?

• Das Modell ist instabil

• Die Koeffizienten sind nicht interpretierbar

• Die Vorhersagen sind ungenau

• Die Normalverteilung der Fehler ist verletzt

Welche Auswirkung hat Multikollinearität auf ein Regressionsmodell?

• Es erhöht die Varianz der Residuen

• Es verhindert die korrekte Interpretation der Koeffizienten

• Es macht die Vorhersagen ungenau

• Es führt zu einer nicht-linearen Beziehung

Wie kann man Multikollinearität in einem Regressionsmodell diagnostizieren?

• Durch Verwendung eines Histogramms

• Durch Berechnung der Standardabweichung

• Durch Analyse der Residuen

• Durch Überprüfung der Toleranz und des VIF-Werts

Was zeigt ein VIF-Wert größer als 10 an?

• Normalverteilung der Fehler

• Multikollinearität

• Homoskedastizität

• Linearität

Welche der folgenden Aussagen ist korrekt bezüglich der Verwendung von Dummy-Variablen?

• Sie verbessern die Linearität des Modells

• Sie sind notwendig für kategorische Variablen mit mehr als zwei Ausprägungen

• Sie werden für kontinuierliche Variablen verwendet

• Sie reduzieren die Multikollinearität