В модели линейная регрессия вида revenue = a + b*emails коэффициент b равен 0.8. Как правильно интерпретировать b?
AПри увеличении
emails на 1 revenue увеличится ровно на 80% для каждого пользователяB
b — это correlation между emails и revenueC
b — это ожидаемое значение revenue при emails = 0DВ среднем при увеличении
emails на 1 ожидаемый revenue изменится на 0.8 единицы (в пределах модели)Правильный ответ. Коэффициент в
линейная регрессия — это наклон: изменение y при изменении x на 1.Разбор
В простейшей регрессии b показывает, на сколько в среднем меняется прогноз y, если x увеличить на 1. Это описание внутри модели и данных, а не гарантия для каждого пользователя. Типичная ошибка — путать b с correlation или трактовать его как неизбежную причинность.
Проверь себя · 1/3разбор после ответа
Когда использование
Pearson r наиболее уместно?Ещё вопросы по теме «Корреляция и регрессия»
- В отчете нашли положительную `correlation` между числом пушей на пользователя и выручкой. Какой вывод наиболее корректен?
- В данных по товарам `Pearson r` между ценой и конверсией равен -0.7. Как это интерпретировать?
- 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?
- Конверсия растет 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 `correlation` между продажами мороженого и количеством утоплений по дням. Это типичный пример спуриозной (`spurious`) связи. Что наиболее вероятно объясняет наблюдение?
- Все вопросы по «Корреляция и регрессия» →