В модели линейной регрессии revenue = a + b*emails коэффициент b равен 0.8. Как правильно интерпретировать b?

AВ среднем при росте emails на 1 ожидаемое значение revenue меняется на 0.8 единицы в пределах модели и наблюдённых данных
BПри росте emails на 1 значение revenue для каждого пользователя гарантированно вырастет на 80% от его текущего значения
CКоэффициент b представляет коэффициент корреляции между переменными emails и revenue в той же шкале, что и обе переменные
DКоэффициент b равен ожидаемому значению revenue при emails = 0, то есть значению зависимой переменной без воздействия предиктора
Правильный ответ. Коэффициент в линейной регрессии — это наклон: изменение зависимой переменной при изменении предиктора на 1.

Разбор

В простейшей регрессии b показывает, на сколько в среднем меняется прогноз зависимой переменной, если предиктор увеличить на 1. Это описание внутри модели и данных, а не гарантия для каждого пользователя и не процент. Корреляция и коэффициент регрессии — разные величины, у них разные шкалы и единицы. Значение при нуле предиктора — это уже свободный член a, а не наклон b.

Проверь себя · 1/3разбор после ответа
Вы построили линейную регрессию churn = a + b*notifications и получили b > 0. Менеджер говорит: уведомления увеличивают отток, выключаем. Какое уточнение по допущениям самое важное перед причинным выводом?
Тренировать статистику в Telegram

Ещё вопросы по теме «Корреляция и регрессия»