建議先看完對應教學影片再作答，效果加倍。 👉 YouTube 教學頻道
第 1 題
某房地產公司使用 OLS 多元線性迴歸預測房價，資深統計師要求工程師解釋 OLS 的估計邏輯，以及在大數據場景最常被違反的核心假設。下列何者最能正確描述？
(A) OLS 透過最小化殘差平方和（RSS）估計係數；大數據房價場景中「同方差性（Homoscedasticity）」最常被違反——高價豪宅的預測誤差遠大於平價住宅，呈現異方差
(B) OLS 透過最小化殘差絕對值總和（MAE）估計係數，對離群值不敏感；大數據場景最常違反的是「特徵必須服從常態分布」假設
(C) OLS 用梯度下降迭代更新係數，與神經網路的反向傳播機制相同；大數據場景最常違反的是「樣本量必須超過特徵數十倍」的假設
(D) OLS 透過最大化預測值與實際值的相關係數估計係數；大數據場景最常違反的是「所有特徵值必須落在相同量級」假設
答案：A
深度導讀解析
正確答案：A
核心技術點：OLS 的殘差平方和最小化機制與同方差假設
中級理論拆解：OLS 目標函數是最小化 RSS = Σ(yi - ŷi)²，有閉合解析解 β = (XᵀX)⁻¹Xᵀy，不需要迭代。異方差（喇叭口殘差圖）在大數據場景最常見，讓係數標準誤差失準，t 檢定和信賴區間不可靠。
選項坑洞掃描：B 說 OLS 最小化 MAE，MAE 是 LAD 迴歸，OLS 最小化的是殘差「平方」和。C 說 OLS 用梯度下降，OLS 有解析解不需迭代。D 說最大化相關係數，R² 是評估指標不是估計目標。
破題反射字：OLS → 最小化 RSS ／ 解析解 → 不需迭代 ／ 異方差 → 標準誤差失準
第 2 題
某金融機構訓練了三個信用評分模型（5 個、12 個、25 個特徵），需用 AIC 與 BIC 選出最適模型。統計師指出兩者對「模型複雜度的懲罰力度」有根本差異。下列何者最能正確描述這個差異？
(A) AIC 和 BIC 公式完全相同，差異只在應用場景：AIC 適合迴歸，BIC 適合分類，信用評分應只用 BIC
(B) AIC = -2LL + 2k，BIC = -2LL + k × ln(n)；當樣本數 n > 7 時 ln(n) > 2，BIC 懲罰更重，大樣本下傾向選擇更簡約的模型，兩者值越小越好
(C) AIC 值越大越好，BIC 值越小越好；兩者給出相反結果時優先採用 AIC，因其理論基礎更嚴謹
(D) AIC 和 BIC 都只考慮訓練集誤差，不懲罰複雜度，兩者都傾向選擇特徵最多的模型
答案：B
深度導讀解析
正確答案：B
核心技術點：AIC 與 BIC 的懲罰項差異及大樣本下的選模傾向
中級理論拆解：AIC 懲罰係數固定為 2，BIC 懲罰係數為 ln(n)。金融信用評分通常樣本量大，ln(n) 遠大於 2，BIC 對 25 個特徵的複雜模型施加更重懲罰，更傾向選擇簡約模型。
選項坑洞掃描：A 說兩者公式相同，懲罰項根本不同。C 說 AIC 越大越好，兩者都是越小越好。D 說兩者不懲罰複雜度，2k 和 k×ln(n) 就是對複雜度的明確懲罰。
破題反射字：AIC → -2LL + 2k ／ BIC → -2LL + k×ln(n) ／ 大樣本 → BIC 懲罰更重
第 3 題
某零售集團 OLS 迴歸的「殘差 vs. 預測值」散佈圖呈現喇叭口形狀。統計顧問診斷為異方差，要求提出改善策略。下列何者最能正確描述異方差對 OLS 的影響與改善方向？
(A) 異方差讓係數估計產生偏誤（Biased），應增加樣本量直到殘差分布趨近均勻
(B) 異方差代表模型過擬合，應加入 Dropout 正則化降低複雜度
(C) 異方差不影響係數無偏性，但讓標準誤差失準導致推論不可靠；改善策略包含對目標變數做對數轉換，或使用加權最小平方法（WLS）
(D) 大數據的大樣本量能自動修正異方差，中心極限定理保證大樣本下推論不受影響
答案：C
深度導讀解析
正確答案：C
核心技術點：異方差影響範圍——係數無偏但推論失準
中級理論拆解：Gauss-Markov 定理保證 OLS 係數無偏，但異方差讓標準誤差計算公式失效，t 統計量和信賴區間錯誤。對數轉換壓縮高值殘差，WLS 對高方差觀測值給予較小權重。
選項坑洞掃描：A 說係數有偏誤，異方差不影響無偏性。B 說是過擬合，異方差是資料分布特性，與過擬合無關。D 說大樣本自動修正，中心極限定理不能消除異方差。
破題反射字：異方差 → 係數無偏但標準誤差失準 ／ 喇叭口殘差圖 → 異方差診斷 ／ WLS → 改善策略
第 4 題
某電商公司 OLS 迴歸結果顯示整體 F 統計量顯著（p < 0.001），但「廣告曝光」與「促銷參與」兩個特徵的 t 檢定 p-value 分別為 0.42 和 0.38，VIF 均超過 13。下列何者最能正確解釋此現象？
(A) F 統計量因共線性被放大產生虛假顯著，應以 t 檢定結果為準拒絕整個模型
(B) 個別係數不顯著代表這兩個特徵真的無預測力，應直接刪除
(C) 樣本量不足導致統計檢定力不夠，應增加樣本量十倍後重新計算，VIF 與此無關
(D) 兩個高度相關特徵合在一起對目標有強預測力（F 顯著），但各自的獨立貢獻因高度重疊難以分離，導致標準誤差膨脹、t 值縮小；VIF > 10 確認嚴重共線性，應合併特徵或選一保留
答案：D
深度導讀解析
正確答案：D
核心技術點：共線性讓係數標準誤差膨脹，造成「整體顯著但個別不顯著」的矛盾
中級理論拆解：VIF = 1/(1-R²_j)，VIF = 13 代表係數方差膨脹 13 倍，標準誤差膨脹約 3.6 倍，t 值縮小，p-value 升高。兩特徵聯合貢獻由 F 統計量捕捉，各自貢獻被共線性掩蓋。
選項坑洞掃描：A 說 F 被放大，共線性縮小的是 t 值而非放大 F 值。B 說特徵無預測力，VIF > 10 說明問題是共線性而非無貢獻。C 說增加樣本量，樣本量無法降低兩個高相關特徵的 VIF。
破題反射字：VIF > 10 → 嚴重共線性 ／ t 值縮小 → 標準誤差膨脹 ／ F 顯著但 t 不顯著 → 共線性典型症狀
第 5 題
某保險公司迴歸模型在加入第 18 個特徵後 R² 從 0.80 提升至 0.81，但統計師指出 R² 本身不適合比較不同特徵數的模型。下列何者最能正確描述 R² 的限制與調整後 R² 的改善邏輯？
(A) R² 只能衡量線性關係，非線性模型無法計算；調整後 R² 透過非線性轉換修正此限制
(B) R² 對異常值極度敏感，單一離群值就能讓 R² 大幅下降；調整後 R² 排除離群值後計算，更加穩健
(C) R² 只能用於訓練集，無法反映泛化能力；調整後 R² 透過交叉驗證估計在未見資料上的表現
(D) R² 會隨特徵數增加而單調遞增，即使無關特徵也不會讓 R² 下降；調整後 R² 引入自由度懲罰，若新特徵貢獻不足以抵消自由度損失，調整後 R² 反而下降
答案：D
中級理論拆解：調整後 R² = 1 - (SS_res/(n-k-1)) / (SS_tot/(n-1))，k 增加時 (n-k-1) 縮小，懲罰加重。若新特徵對 SS_res 的改善幅度小於自由度損失，調整後 R² 下降。
選項坑洞掃描：A 說只能衡量線性，限制在特徵數單調問題而非模型類型。B 說排除離群值，調整後 R² 不涉及排除任何觀測值。C 說用交叉驗證計算，調整後 R² 仍在訓練集計算，只加入自由度懲罰。
破題反射字：R² 單調遞增 → 無關特徵也能提升 ／ 調整後 R² → 自由度懲罰 ／ k 增加但貢獻不足 → 調整後 R² 下降
還在用零散筆記備考？
這份《iPAS 中級白話備考筆記》把三科考綱重點全部用人話整理好，考點速記、實戰場景、常見陷阱一次收錄。適合非本科、時間有限、想快速抓住考試方向的自學者。
👉 立即取得備考筆記
