Границы регрессии
Зачем это нужно
Регрессия — сильный инструмент, но с теми же ловушками, что и корреляция. Большой коэффициент ≠ причинность, а хорошая модель на прошлых данных ≠ хороший прогноз на любых.
Как это работает
Три границы. (1) Причинность не доказывается автоматически: коэффициент фиксирует связь в модели, но третий фактор и скрытые различия групп никуда не делись. (2) Качество прогноза меряют ошибками — MAE/MSE (идея: средняя величина промаха модели). (3) Экстраполяция опасна: модель, обученная на 0–10 уроках, ничего не знает о студентах с 50 уроками.
Пример
has_gift получил большой коэффициент к удержанию. Причинность? Вспоминаем урок о скрытых различиях: подарки давали самым лояльным. Модель честно нашла связь — но связь не равна влиянию.
🧠 Как думает аналитик
К каждому коэффициенту аналитик задаёт тот же вопрос, что и к корреляции: «а не третий ли это фактор?» Для причинности — эксперимент (A/B), регрессия лишь указывает, где искать.
🎯 Быстрый вопрос
У фактора большой коэффициент в регрессии. Что можно утверждать?