A hamis nullhipotézist 10%-s tévedési valószínűséggel elvetjük.

Hamis munkahipotézist 10%-s valószínűséggel elfogadjuk

A hamis munkahipotézist 10%-s tévedési valószínűséggel elvetjük

Az igaz nullhipotézist 10%-s valószínűséggel elfogadjuk.

1 körüli érték

0 körüli érték

5 felett.

2 felett

nem sztochasztikus változók.

sztochasztikus változó

ordinális változók.

nominális változók

Csak akkor, ha mindkét változó skála típusú

Nominális típusú adatok összefüggés vizsgálatakor

Amikor legalább az egyik változó ordinális típusú

Csak akkor, ha mindkét változó ordinális típusú

A regressziós egyenes tengelymetszetét.

A regressziós egyenes konfidencia intervallumát.

A regressziós egyenes hibáját.

A regressziós egyenes meredekségét.

Semmit, mert ez azt jelenti, hogy a magyarázó változó jól magyarázza a függő változó

Törlöm a modellből és készen vagyok az illesztésse

Semmit, közlöm az analízis eredményét.

Törlöm a modellből, és újból elvégzem az illesztést.

a mért és becsült értékek különbségének négyzetösszegét minimalizálja

becsült értékek négyzetösszegét minimalizálja

a becsült értékek szórását minimalizálja

a becsült értékek varianciáját minimalizálja

akkor a vizsgált paraméter nagyobb, mint a tengelymetszet értéke

akkor szignifikánsan eltér nullától.

akkor nullával egyenlő.

akkor a magyarázó változó egységnyi növekedése egy egységgel növeli a függő változó érték

A maradékok szórása.

A maradékok varianciája

A maradékok terjedelme

A becsült értékek szórása

Cook-távolságg

Mahalanobis-féle távolsággal.

Shapiro-Wilk tesztt

Gauss-távolsággal.

Amikor a magyarázó változó terjedelmén kívül becsülünk.

Amikor a magyarázó változó egy szórásnyi távolságán belül becsülünk.

Amikor a magyarázó változó terjedelmén belül becsülünk.

Amikor a magyarázó változó 95%-os konfidencia intervallumán belül becsülünk

Amelyiknek nagyobb az R-négyze

Amelyiknek kisebb a korrigált R-négyzete

Amelyiknek kisebb a standard hibája

Amelyiknek nagyobb az AIC értéke

Az illesztett modell maradékaitól és eloszlásától, valamint a paramétereinek számától.

A regresszió maradékaitól.

A megfigyelések számátó

Az illesztett modell maradékaitól és a paramétereinek számától.

Nincs, mert a függő változó várható értéke nulla.

Nincs, mert nem állítjuk be a modellbe

Van, mert tengelymetszetnek mindig lennie kell

Van, mert a modell illesztése ezzel lesz a legpontosabb

A magyarázó változó nulla értékénél ennyi a függő változó értéke.

Ennyivel változik a függő változó értéke a magyarázó változó egységnyi növekedésével.

Ennyivel nő a függő változó értéke a magyarázó változó egységnyi növekedésével.

A magyarázó változó egy szórásnyi értékénél ennyi a függő változó értéke.

Nominális típusú adatok összefüggés vizsgálatakor.

Csak akkor, ha mindkét változó skála típusú

Amikor legalább az egyik változó ordinális típusú

Csak akkor, ha mindkét változó ordinális típusú.

Khi-négyzet próbával

t-próbával.

F-próbával

Kolmogorov-Smirnov teszttel

A minta normális eloszlású.

A normális eloszlás és a minta közötti korreláció egy.

A minta nem normális eloszlású.

A minta nem tér el szignifikánsan a normális eloszlástól.

mindig szorosan vett ok és okozati kapcsolat van a két változó között.

legtöbbször csak a két változó azonosan ingadozik, nincs szorosan vett ok és okozati kapcsolat

közöttük.

egyáltalán nincs kapcsolat a két változó között

a két változó között nagyon szoros függvényszerű kapcsolat van

Az a maradék, amikor az adott megfigyelés nem vesz részt az egyenesbecslésében

Az a maradék, amikor az összes megfigyelést töröljük az egyenes becslésekor.

Az a maradék, amikor a megfigyelések 95%-a vesz részt az egyenes becslésében

Az a maradék, amikor a megfigyelések fele nem vesz részt az egyenes becslésében

Ez az intervallum tartalmazza a megfigyelések 50%-t.

Ez az intervallum tartalmazza a sokaság valódi regressziós egyenesét.

Ez az intervallum tartalmazza a megfigyelések 95%-t.

Az adatok elhelyezkedését adott valószínűség mellett.

akkor negatív autokorreláció van

ekkor nem lehet egyértelmű döntést hozni

akkor pozitív autokorreláció van

akkor nincs autokorreláció.

a független változó szerepel

a kiugró értékek szerepelnek.

akár a független, akár a függő változó is szerepelhet

a függő változó szerepel.

t-próbával.

Khi-négyzet próbával.

F-próbával

Korrelációs koefficienssel.

A Pearson-féle korrelációs együttható meghatározható a változók standardizált értékeinek

skaláris szorzatával is.

A Pearson-féle korrelációs együttható mértékegysége megegyezik a változók mértékegységének

szorzatával.

A Pearson-féle korrelációs együttható csak a kovarianciából határozható meg

A Pearson-féle korrelációs együttható meghatározható a változók standardizált értékeinek mátrix

szorzatával is

A teljes mintát k-számú véletlen mintára osztjuk. A k számú illesztett modell közül választjuk ki a

„legjobbat

Különböző adatokon végezzük el a regressziós modell illesztését és a validációt

A validációt többször is megismételjük

A mintát kétfelé osztjuk és két modellt alkotunk. Ezek közül a jobbikat választjuk ki.

A statisztikai próba ereje.

A statisztikai próba tévedése

Másodfajú hiba.

Elsőfajú hiba

A magyarázó változók transzformációját, ha nem teljesül a lineáris kapcsolat a regresszió-

analízisben

A független változó transzformációját, ha nem teljesül a regresszió-analízisben a normális

eloszlás feltétele.

A függő változó transzformációját, ha multikollinearitás lép fel

A függő változó transzformációját, ha nem teljesül a regresszió-analízisben a normális eloszlás

feltétele

A hiba varianciája függ a becsült értékektől

A hiba varianciája állandó a becsült értékek függvényében

A hiba varianciája állandó a független változók függvényében

A hiba varianciája állandó a függő változók függvényében

Amikor a magyarázó változók összes részhalmazaira regresszió-analízist készítünk

Az olyan regresszió, amiben a magyarázó változók hatványai szerepelnek.

A parabolikus regresszió-analízis.

Olyan nem lineáris regresszió, ahol a függő változók hatványai szerepelnek

Idősoroknál egy változó saját értékeivel vett lineáris összefüggése, amikor kiszűrjük a többi

változó befolyásoló hatását.

Idősoroknál egy változó saját késleltetett értékeivel vett lineáris összefüggése, amikor kiszűrjük a

többi változó befolyásoló hatását

Idősoroknál egy változó saját késleltetett értékeivel vett lineáris összefüggése, amikor kiszűrjük

az előző időpontok befolyásoló hatását

Idősoroknál egy változó saját értékeivel vett lineáris összefüggése, amikor kiszűrjük az előző

időpontok befolyásoló hatását

Amivel nem lehet regressziót számítani

A tengelymetszet előtti megfigyeléseket, amelyek kétfelé törik a regressziós egyenest

Amelyeknek a legkisebb a varianciájuk.

Aminek a maradéka szignifikánsan eltér a többi megfigyelés maradékától.

Amikor egy függő változót több magyarázó változóval írunk le.

Amikor egy függő változót egy magyarázó változóval írunk le

Amikor több függő változót egy magyarázó változóval írunk le.

Amikor több függő változót több magyarázó változóval írunk le.

Hamis munkahipotézis elfogadása.

A hamis nullhipotézis téves elvetése.

Az igaz nullhipotézis téves elvetése.

Igaz munkahipotézis téves elvetése

A független változók transzformációját, ha multikollinearitás lép fel

A függő változó transzformációját, ha nem teljesül a regresszió-analízisben a normális eloszlás

feltétele

A független változó transzformációját, ha nem teljesül a regresszió-analízisben a normális

eloszlás feltétele.

A függő változó transzformációját, ha multikollinearitás lép fel

Ha a magyarázó változók determinációs együtthatóinak összege kétszerese a többszörös

determinációs együttható értékének.

Ha a többszörös determinációs együttható értéke 0.

Ha a többszörös determinációs együttható értéke 1

Ha a magyarázó változók determinációs együtthatóinak összege megegyezik a többszörös

determinációs együttható értékével.

Nő az elsőfajú és csökken a másodfajú hiba elkövetésének valószínűsége.

Nő az elsőfajú és a másodfajú hiba elkövetésének valószínűsége.

Csökken az elsőfajú és nő a másodfajú hiba elkövetésének valószínűsége

Csökken az elsőfajú és a másodfajú hiba elkövetésének valószínűsége

A hibatagok függetlenek a becsült értéktől

A hibatagok autokorrelálnak.

 A hibatagok között nincs autokorreláció.

A hibatagok függetlenek a magyarázó változóktól.

1

2

4

0

Igen, a főátló elemei.

Igen, az inverz mátrix determinánsa.

Nem, mert csak a többszörös determinációs együtthatóból lehet meghatározni.

Nem, mert a korrelációs mátrix nem invertálható

Semmit, közlöm az analízis eredményét

Transzformálom a függő változót

Törlöm a függő változót

Transzformálom a független változókat

Amikor két korrelációs együttható hányadosára vagyunk kíváncsiak

Amikor a két változó közötti kapcsolat nem lineáris

Amikor a korrelációs koefficiens szignifikáns.

Amikor a két változó között nincs kapcsolat

A hibatagok függetlenek, nulla várható értékű normális eloszlású, homoszkedasztikus.

atagok függetlenek, nulla várható értékű normális eloszlású, homoszkedasztikus,

sorrendjük kötött.

A független változó értékei függetlenek, nulla várható értékű normális eloszlású,

homoszkedasztikus.

A függő változó értékei függetlenek, nulla várható értékű normális eloszlású, homoszkedasztikus

Igen, az AIC. Minél nagyobb az értéke, annál jobb a modell

Nem, mert a végső modell kiválasztása a becslési pontosság és az egyszerűség kompromisszuma.

Nem, mert nem lehet megalkotni a „legjobb” modellt

Igen, a korrigált R-négyzet. Minél kisebb az értéke, annál jobb a modell

A regresszió és a hiba varianciája megegyezik.

A mért adatok és a hiba varianciája megegyezik.

A regresszió és a hiba varianciájának hányadosa nulla.

A mért és becsült adatok varianciája megegyezik

Shapiro-Wilk teszttel.

Breusch-Pagan teszttel

Durbin-Watson teszttel.

Box-Cox teszttel

Wiliam Sealy Grosset

Student

Carl Friedrich Gauss

Fisher

A nullhipotézis esetén Student-féle, n-1 szabadságfokkal.

A nullhipotézis esetén Student-féle, n-2 szabadságfokkal.

A nullhipotézis esetén standard normális eloszlást, n-1 szabadságfokkal.

A nullhipotézis esetén standard normális eloszlást, n-2 szabadságfokkal

Nincs mértékegysége, mert ez egy standardizált paraméter.

A függő változó mértékegysége osztva a független változó mértékegységével.

Megegyezik a független változó mértékegységével.

Megegyezik a függő változó mértékegységével.

a magyarázó változók VIF értékei alacsonyak.

a magyarázó változók lineárisan nem függetlenek.

a magyarázó változók többszörös R-négyzete alacsony.

a magyarázó változók lineárisan függetlenek.

A vizsgált paraméter nagyobb, mint a tengelymetszet értéke.

Az együttható értéke szignifikánsan nem tér el nullától.

Az együttható értéke szignifikánsan eltér a nullától.

A paraméter létezik, alkalmas az előrejelzésre

10

3

100

30

A regresszió és az összesen eltérés-négyzetösszeg hányadosaként

A hiba és az összesen eltérés-négyzetösszeg összegeként.

A Pearson-féle korrelációs együttható korrigálásával.

A regresszió és a hiba eltérés-négyzetösszeg hányadosaként

A regressziós együtthatók standard hibái csökkenek.

Teljesül a regresszió-analízis alkalmazhatósági feltétele.

A regressziós együtthatók standard hibái megnőnek

A becslés torzítatlan lesz

ha az egyik változásából nem lehet következtetni a másik változására

amikor a két változó közötti kapcsolat nem lineáris

ha a korrelációs együttható abszolút értéke 1.

ha a kapcsolatot „véletlenszerű” események zavarják

Amikor az első lépésben csak egy magyarázó változót vonok be a modellbe, és lépésenként

próbálkozom a többivel.

Amikor az első lépésben a magyarázó változók felét vonom be a modellbe, és lépésenként

próbálkozom a többivel.

Amikor az első lépésben az összes magyarázó változót bevonom a modellbe, és lépésenként

kettesével hagyom ki őket, ha szükséges.

Amikor az első lépésben az összes magyarázó változót bevonom a modellbe, és lépésenként

hagyom ki őket, ha szükséges

Az összesen és a regresszió szabadságfokának hányadosával.

Az összesen és a maradék szabadságfokának hányadosával

Az maradék és a regresszió szabadságfokának hányadosával

Az összesen és a regresszió szabadságfokának összegével

A VIF minimális értékét az 1-et akkor veszi fel, amikor az adott magyarázó változó nem korrelál a

többivel.

A VIF másik neve toleranciamutató.

A VIF 5-nél nagyobb értéket akkor vesz fel, amikor az adott magyarázó változó nem korrelál a

többivel.

A VIF minimális értékét az 1-et akkor veszi fel, amikor az adott magyarázó változó lineárisan függ

a többitől

Az eredeti alapadatok különbségének négyzetéből.

A rangszámok különbségének négyzetéből

A rangszámok eltérés-négyzetösszegéből.

Az eredeti alapadatok eltérés-négyzetösszegéből

A magyarázó változók között lineáris függőség van.

A magyarázó változók lineárisan függetlenek

A függő változó és magyarázó változók között lineáris kapcsolat van.

A függő változót csak több magyarázó változóval tudjuk leírni.

-1 és 1 között lehet, amelynek a konfidencia intervalluma nullához közelítve egyre

aszimmetrikusabb.

0 és 1 között lehet, amelynek a konfidencia intervalluma 1-hez közelítve egyre szimmetrikusabb.

-1 és 1 között lehet, amelynek a konfidencia intervalluma abszolút értékben 1-hez közelítve

egyre szimmetrikusabb.

-1 és 1 között lehet, amelynek a konfidencia intervalluma abszolút értékben 1-hez közelítve

egyre aszimmetrikusabb

A hamis nullhipotézist 5%-s tévedési valószínűséggel elvetjük.

Az igaz nullhipotézist 5%-s valószínűséggel elfogadjuk.

Az igaz nullhipotézist 5%-s tévedési valószínűséggel elvetjük.

Az igaz munkahipotézist 5%-s tévedési valószínűséggel elvetjük.

A függő változó egyik értéke a középértékétől nagyon messze esik.

A független változó extrém nagy értékét.

A magyarázó változó egyik esete a középértékétől nagyon messze esik.

A tengelymetszet utáni megfigyeléseket.

A standardizált regressziós együtthatók

A determinációs koefficiensek

A korrelációs koefficiensek.

A regressziós együtthatók

Az összesen MS és az MSE hányadosaként.

A regresszió MS és az MSE hányadosaként.

A függő változó varianciáját osztom a független változó varianciájával

A regresszió MS és az összesen MS hányadosaként

A standardizált érték négyzete.

A terjedelem négyzete.

Megegyezik a standardizált értékkel

Az átlagtól vett eltérések négyzete

Durbin-Watson tesztet.

F-próbát.

Box-Cox tesztet

Breusch-Pagan tesztet.

Az igaz nullhipotézist 1%-s valószínűséggel elfogadjuk

A hamis nullhipotézist 1%-s tévedési valószínűséggel elvetjük.

A hamis munkahipotézist 1%-s tévedési valószínűséggel elvetjük.

A hamis munkahipotézist 1%-s valószínűséggel elfogadjuk.

A maradékok varianciája hányszorosa annak, ami a multikollinearitás hiányakor lenne.

A magyarázó változó becsült együtthatója hányszorosa annak, ami a multikollinearitás hiányakor

lenne.

A maradékok standard hibája hányszorosa annak, ami a multikollinearitás hiányakor lenne.

A magyarázó változó becsült együtthatójának varianciája hányszorosa annak, ami a

multikollinearitás hiányakor lenne.

a teljes mintát k-számú véletlen mintára osztjuk. A k számú alminták egy csoportja a validációt, a

maradék k-1 csoportok kombinációja a modell optimalizálását szolgálja.

a regressziós-modellt k-szor illesztjük.

a teljes mintát k-számú véletlen mintára osztjuk. A k számú alminták egy csoportja a modell

optimalizálását, a maradék k-1 csoportok kombinációja a validálást szolgálja.

a validációt k-szor ismételjük meg

a validációt k-szor ismételjük meg

A tengelymetszet előtti megfigyeléseket.

A függő változó extrém nagy értékét

A függő változó egyik értéke a középértékétől nagyon messze esik.

A magyarázó változó egyik esete a középértékétől nagyon messze esik

akkor nincs autokorreláció

ekkor nem lehet egyértelmű döntést hozni.

akkor negatív autokorreláció van.

akkor pozitív autokorreláció van.

Csökken az elsőfajú és a másodfajú hiba elkövetésének valószínűsége.

Csökken az elsőfajú hiba elkövetésének valószínűsége és a statisztikai próba ereje.

Nő az elsőfajú és csökken a másodfajú hiba elkövetésének valószínűsége.

Nő az elsőfajú és a másodfajú hiba elkövetésének valószínűsége

2-szer n, ahol n a halmaz elemeinek a száma.

n, ahol n a halmaz elemeinek a száma.

n a négyzeten, ahol n a halmaz elemeinek a száma.

2 az n-ediken, ahol n a halmaz elemeinek a száma

Az r-érték négyzetgyöke, százalékos formában kifejezve a meghatározottságot jellemzi.

Az r-érték reciproka, százalékos formában kifejezve a meghatározottságot jellemzi.

Az 1-r, százalékos formában kifejezve a meg nem határozottságot jellemzi.

Az r-érték négyzete, százalékos formában kifejezve a meghatározottságot jellemzi.

Minden kiugró érték.

Aminek a becsült értéke kétszer nagyobb, mint a mért érték.

A szélsőséges esethez tartozó kiugró érték.

Minden szélsőséges eset.

Magas mérési szintű változók, normális eloszlásúak, a változók között feltételezhető a lineáris

kapcsolat.

Magas mérési szintű változók, normális eloszlásúak, a változók között feltételezhető a kapcsolat.

Magas mérési szintű változók, bármilyen eloszlásúak, a változók között feltételezhető a lineáris

kapcsolat.

Alacsony mérési szintű változók, normális eloszlásúak, a változók között feltételezhető a lineáris

kapcsolat

ha az egyik változásából nem lehet következtetni a másik változására.

ha a korrelációs együttható abszolút értéke 1.

ha a kapcsolatot „véletlenszerű” események zavarják

ha az egyik változó egyértelműen meghatározza a másikat

Durbin-Watson

teszttel

Shapiro-Wilk teszttel.

tFreusch-Pagan teszttel.

Kolmogorov-Smirnov teszttel

A hiba varianciája függ a független változó értékétől.

A hiba varianciája függ a függő változó értékétől.

A hiba varianciája önmaga függvénye.

A hiba varianciája függ a becsült értékektől

Nincs, mert a számított érték abszolút értékét kell venni.

Van, mert legtöbbször negatív előjelű.

Nincs, mert csak a kapcsolat szorosságát méri.

Van, mert a kapcsolat szorosságát és irányát méri.

A hiba varianciája független a függő változó értékétől.

A hiba varianciája önmaga függvénye.

A hiba varianciája független a becsült értékektől.

A hiba varianciája független a független változó értékétől

Amikor két érték tökéletesen megegyezik, ezért a rangszámuk nulla lesz.

Amikor a változók sorrendje nem határozható meg egyértelműen.

Amikor a változók sorrendje egyértelműen meghatározható.

Amikor két érték tökéletesen megegyezik, ezért a rangszámuk azonos lesz

A hibatagok között nincs autokorreláció.

A hibatagok függetlenek a magyarázó változótól.

A hibatagok függetlenek a becsült értékektől

A hibatagok autokorrelálnak

Csökken az elsőfajú és a másodfajú hiba elkövetésének valószínűsége.

Nő az elsőfajú és a másodfajú hiba elkövetésének valószínűsége.

Csökken az elsőfajú és nő a másodfajú hiba elkövetésének valószínűsége.

Nő az elsőfajú hiba elkövetésének valószínűsége és a statisztikai próba ereje.

Törlöm a modellből és készen vagyok az illesztéssel.

Törlöm a modellből, és újból elvégzem az illesztést.

Semmit, közlöm az analízis eredményét.

 Semmit, mert ez azt jelenti, hogy a magyarázó változó jól magyarázza a függő változót