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 данныхBПри росте
emails на 1 значение revenue для каждого пользователя гарантированно вырастет на 80% от его текущего значенияCКоэффициент
b представляет коэффициент корреляции между переменными emails и revenue в той же шкале, что и обе переменныеDКоэффициент
b равен ожидаемому значению revenue при emails = 0, то есть значению зависимой переменной без воздействия предиктораПравильный 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?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?
- 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 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?
- Все вопросы по «Корреляция и регрессия» →