Qu'est-ce que l'analyse de régression
Dans la modélisation statistique, l'analyse de régression est un ensemble de processus statistiques permettant d'estimer les relations entre une variable dépendante et une ou plusieurs variables indépendantes. La forme la plus courante d'analyse de régression est la régression linéaire, dans laquelle on trouve la droite qui correspond le mieux aux données selon un critère mathématique spécifique. Par exemple, la méthode des moindres carrés ordinaires calcule la ligne unique qui minimise la somme des carrés des différences entre les données réelles et cette ligne. Pour des raisons mathématiques spécifiques, cela permet au chercheur d'estimer l'espérance conditionnelle de la variable dépendante lorsque les variables indépendantes prennent un ensemble de valeurs donné. Les formes de régression moins courantes utilisent des procédures légèrement différentes pour estimer des paramètres de localisation alternatifs ou estimer l'espérance conditionnelle sur une collection plus large de modèles non linéaires.
Comment vous en bénéficierez
(I) Informations et validations sur les sujets suivants :
Chapitre 1 : Analyse de régression
Chapitre 2 : Moindres carrés
Chapitre 3 : Théorème de Gauss-Markov
Chapitre 4 : Régression non linéaire
Chapitre 5 : Coefficient de détermination
Chapitre 6 : Estimation des variables instrumentales
Chapitre 7 : Biais des variables omises
Chapitre 8 : Moindres carrés ordinaires
Chapitre 9 : Somme des carrés résiduelle
Chapitre 10 : Régression linéaire simple
Chapitre 11 : Moindres carrés généralisés
Chapitre 12 : Erreurs types cohérentes avec l'hétéroscédasticité
Chapitre 13 : Facteur d'inflation de variance
Chapitre 14 : Non linéaire Moindres carrés
Chapitre 15 : Régression en composantes principales
Chapitre 16 : Somme des carrés sans ajustement
Chapitre 17 : Effet de levier (statistiques)
Chapitre 18 : Régression polynomiale
Chapitre 19 : Modèles d'erreurs dans les variables
Chapitre 20 : Moindres carrés linéaires
Chapitre 21 : Régression linéaire
(II) Répondre aux principales questions du public sur l'analyse de régression.
(III) Exemples concrets d'utilisation de l'analyse de régression dans de nombreux domaines.
À qui s'adresse ce livre
Les professionnels, les étudiants de premier cycle et des cycles supérieurs, les passionnés, les amateurs et ceux qui souhaitent aller au-delà des connaissances ou des informations de base pour tout type d'analyse de régression.
Qu'est-ce que l'analyse de régression
Dans la modélisation statistique, l'analyse de régression est un ensemble de processus statistiques permettant d'estimer les relations entre une variable dépendante et une ou plusieurs variables indépendantes. La forme la plus courante d'analyse de régression est la régression linéaire, dans laquelle on trouve la droite qui correspond le mieux aux données selon un critère mathématique spécifique. Par exemple, la méthode des moindres carrés ordinaires calcule la ligne unique qui minimise la somme des carrés des différences entre les données réelles et cette ligne. Pour des raisons mathématiques spécifiques, cela permet au chercheur d'estimer l'espérance conditionnelle de la variable dépendante lorsque les variables indépendantes prennent un ensemble de valeurs donné. Les formes de régression moins courantes utilisent des procédures légèrement différentes pour estimer des paramètres de localisation alternatifs ou estimer l'espérance conditionnelle sur une collection plus large de modèles non linéaires.
Comment vous en bénéficierez
(I) Informations et validations sur les sujets suivants :
Chapitre 1 : Analyse de régression
Chapitre 2 : Moindres carrés
Chapitre 3 : Théorème de Gauss-Markov
Chapitre 4 : Régression non linéaire
Chapitre 5 : Coefficient de détermination
Chapitre 6 : Estimation des variables instrumentales
Chapitre 7 : Biais des variables omises
Chapitre 8 : Moindres carrés ordinaires
Chapitre 9 : Somme des carrés résiduelle
Chapitre 10 : Régression linéaire simple
Chapitre 11 : Moindres carrés généralisés
Chapitre 12 : Erreurs types cohérentes avec l'hétéroscédasticité
Chapitre 13 : Facteur d'inflation de variance
Chapitre 14 : Non linéaire Moindres carrés
Chapitre 15 : Régression en composantes principales
Chapitre 16 : Somme des carrés sans ajustement
Chapitre 17 : Effet de levier (statistiques)
Chapitre 18 : Régression polynomiale
Chapitre 19 : Modèles d'erreurs dans les variables
Chapitre 20 : Moindres carrés linéaires
Chapitre 21 : Régression linéaire
(II) Répondre aux principales questions du public sur l'analyse de régression.
(III) Exemples concrets d'utilisation de l'analyse de régression dans de nombreux domaines.
À qui s'adresse ce livre
Les professionnels, les étudiants de premier cycle et des cycles supérieurs, les passionnés, les amateurs et ceux qui souhaitent aller au-delà des connaissances ou des informations de base pour tout type d'analyse de régression.
Analyse de régression: Maîtriser l'art de l'analyse de régression, prédire, analyser, décider
378
Analyse de régression: Maîtriser l'art de l'analyse de régression, prédire, analyser, décider
378
Product Details
| BN ID: | 2940168055819 |
|---|---|
| Publisher: | Un Milliard De Personnes Informées [French] |
| Publication date: | 02/04/2024 |
| Series: | Sciences Économiques [French] , #454 |
| Sold by: | PUBLISHDRIVE KFT |
| Format: | eBook |
| Pages: | 378 |
| File size: | 5 MB |
| Language: | French |