У вас 100 наблюдений, где почти нет связи между x и y, но есть одна точка с очень большим x и y. После добавления этой точки Pearson r стал 0.8. Что это чаще всего означает?
AСвязь между
x и y стала причинной, и теперь по росту x можно надёжно предсказывать рост y в исходной выборке.B
Pearson r чувствителен к выбросам, и одна экстремальная точка (x_i, y_i) могла исказить оценку силы связи переменных.CЛинейная регрессия
y ~ x теперь точно описывает процесс, и её прогнозы можно использовать для всей выборки (x, y).DДанные
x и y стали бинарными по структуре 0/1, поэтому коэффициент корреляции автоматически вырос до значения, близкого к единице.Правильный ответ. Один выброс может сильно изменить
Pearson r.Разбор
Pearson r зависит от ковариации и может резко вырасти из-за одной экстремальной точки. Поэтому полезно смотреть диаграмму рассеяния и проверять устойчивость результата без выбросов. Типичная ловушка — принять выброс за закономерность и сделать сильный вывод про связь между переменными.
Проверь себя · 1/3разбор после ответа
В простой линейной регрессии с одним признаком
x квадрат коэффициента корреляции Пирсона (то есть r^2) чаще всего интерпретируют как…Ещё вопросы по теме «Корреляция и регрессия»
- В отчёте нашли положительную корреляцию между числом пушей на пользователя и выручкой. Какой вывод наиболее корректен?
- В данных по товарам коэффициент корреляции Пирсона между ценой и конверсией равен -0.7. Как это интерпретировать?
- Конверсия растёт со скидкой до порога, а затем почти не меняется. При этом `Pearson r` между скидкой и конверсией близок к 0. Какой вывод корректен?
- Вы видите положительную корреляцию между продажами мороженого и количеством утоплений по дням. Это типичный пример ложной связи. Что наиболее вероятно объясняет наблюдение?
- Вы нашли корреляцию между количеством показов рекламы и выручкой. Но вы знаете, что в праздники и показы, и выручка растут. Как лучше описать риск интерпретации?
- Все вопросы по «Корреляция и регрессия» →