Корреляция и регрессия: вопросы для собеседования (часть 3)
Корреляция Пирсона, Спирмена, линейная регрессия, R-квадрат — инструменты для изучения связей между переменными. На собеседовании часто повторяют: «корреляция не означает причинность» — и просят привести пример. Также спрашивают про интерпретацию коэффициентов регрессии и предпосылки OLS.
Вопросы 11–15 из 20
11В простой линейной регрессии с одним признаком `x` квадрат коэффициента корреляции Пирсона (то есть `r^2`) чаще всего интерпретируют как…
AСреднее значение `y` в наблюдаемой выборке, посчитанное с учётом веса каждой точки
BВероятность того, что `x` причинно влияет на `y`, при условии линейности их связи
CЧисло испытаний до первого успеха в схеме независимых испытаний с одинаковой вероятностью
DДолю дисперсии `y`, которую объясняет линейная связь с `x` в этой простой модели
Ответ: `r^2` в простой регрессии связан с долей объяснённой вариативности зависимой переменной.
Если `r^2` равно 0.25, это означает, что линейная модель с `x` объясняет около четверти вариации `y` относительно среднего. Это не говорит о причинности и не гарантирует хороших предсказаний для каждого наблюдения. Частая ошибка — читать `r^2` как долю «причины» или как точность модели без проверки остатков. Корреляция Пирсона измеряет только линейную связь, поэтому при нелинейных зависимостях `r^2` может быть низким даже при сильной связи.
Подробный разбор → 12Конверсия растёт со скидкой до порога, а затем почти не меняется. При этом `Pearson r` между скидкой и конверсией близок к 0. Какой вывод корректен?
AЭто доказывает полное отсутствие любой связи: ни `Pearson`, ни ранговая зависимость не нашли структуры в данных
BНулевой `Pearson r` возможен и при сильной нелинейной связи: `Pearson r` измеряет именно линейность зависимости
CЭто значит, что данных слишком мало для анализа и нужно собрать существенно больше пар скидка/`Pearson`
DЭто значит, что `Pearson r` в принципе бесполезен для продуктовых метрик и его не стоит считать в анализах
Ответ: Нулевой `Pearson r` не исключает нелинейную связь — коэффициент чувствителен только к линейной составляющей.
`Pearson r` хорошо ловит именно линейные зависимости. Если связь насыщается или имеет порог, линейная мера может давать значение около нуля — даже когда зависимость очевидна по графику. В таких случаях стоит визуализировать данные, считать ранговую корреляцию (`Spearman`) или строить модели, которые учитывают форму зависимости, а не только линейность.
Подробный разбор → 13Вы посчитали корреляцию между количеством новых пользователей и количеством тикетов в саппорт и получили 0.9, потому что оба ряда росли каждый месяц. Какое действие лучше всего снижает риск ложного вывода?
AУчитывать тренд: сравнить изменения по месяцам или контролировать время, чтобы убрать общий рост и проверить совместные колебания
BЗаменить коэффициент `Pearson r` на распределение `Binomial(n,p)` и пересчитать связь между метриками для очистки от общего тренда
CСчитать корреляцию только по последнему месяцу выборки и игнорировать остальные периоды, чтобы исключить накопленный временной эффект
DИгнорировать форму временных рядов: значение 0.9 всегда означает прямую причинно-следственную связь между двумя растущими метриками
Ответ: Общий тренд может создавать ложные корреляции во временных рядах.
Если две метрики растут со временем по внешним причинам, они будут коррелировать даже без реальной связи. Убирая тренд или контролируя время, вы проверяете, остаются ли совместные колебания поверх общего роста. Частая ошибка — интерпретировать трендовую корреляцию как прямое влияние одной метрики на другую.
Подробный разбор → 14У 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.
Ответ: Один выброс может сильно изменить `Pearson r`.
`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.
Подробный разбор → 15Какое утверждение корректно сравнивает корреляцию и линейную регрессию?
AКорреляция симметрична по `x` и `y`, а линейная регрессия зависит от того, какую переменную вы предсказываете и какую берёте как предиктор
BКорреляция всегда больше по модулю, чем коэффициент регрессии, и отражает причинно-следственную связь между переменными по построению метода
CЛинейная регрессия симметрична: если поменять `x` и `y` местами, получите тот же набор коэффициентов и ту же самую модель предсказания между переменными
DКорреляция применима только к бинарным данным, а линейная регрессия используется только для количественных непрерывных переменных без выбросов
Ответ: Корреляция симметрична, а регрессия задаёт направление предсказания и зависит от выбора предиктора.
Корреляция не различает роли переменных: `corr(x,y) = corr(y,x)`. В линейной регрессии вы минимизируете ошибки предсказания `y` по `x`, поэтому при перестановке ролей получите другую модель. Это важно для корректной постановки задачи: предсказывать одну величину по другой или просто оценить силу связи. Варианты про «корреляция всегда больше», симметрию регрессии или ограничение бинарными данными — частые мифы и неверные обобщения.
Подробный разбор →