Допускания при регресионния модел - Редакционна история

Detelina Staneva: /* Същност */

2014-03-25T12:56:07Z

Същност

Detelina Staneva: /* Вижте още */

2014-03-25T12:55:40Z

Вижте още

Detelina Staneva в 12:55, 25 март 2014

2014-03-25T12:55:31Z

Detelina Staneva: Нова страница: ===Допускания=== Регресионният модел се извежда на базата на няколко допускания. Някои от тях...

2014-03-25T12:54:56Z

Нова страница: ===Допускания=== Регресионният модел се извежда на базата на няколко допускания. Някои от тях...

Нова страница

===Допускания===

Регресионният модел се извежда на базата на няколко допускания. Някои от тях се изпълняват в действителност, докато други не. Съществува зависимост, че колкото повече от допусканията са изпълненини, толкова повече можем да се доверим на резултатите от анализа. Наричаме един регресионен модел ''адекватен'', ако няма [[алтернативен]], описващ действителността по-добре. При регресионния модел се прилага принципът на Окам, според който най-простото обяснение е и най-вярно, докато не се намери някое по-сложно, което го опровергава. Едни от по-важните допускания са:

* ''х'' и ''y'' са непрекъснати случайни величини, представляващи силните скали;
* Корелационната зависимост между ''x'' и ''y'' е линейна;
* Грешките ''s'' са некорелирани нормално разпределени величини, които имат случаен характер, с нулево математическо очакване и еднакви [[дисперсии]] за всяко ''x''.

==Вижте още==
*[[Допускания при регресионния модел]]
* [[Дърво на решенията]]
* [[Метод на най-малките квадрати]]
* [[Регресионен анализ]]
* [[Екстраполация]]
*[[Интерполация]]
*[[Методи за приблизителна оценка на линейната регресия]]
*[[Математически модел на формата на зависимостта]]

==Източници==

* Берк, Ричард А.:. регресионен анализ конструктивна критика. Sage. DOI : 10.1177/0734016807304871
* Kaw, Autar; Калу, Egwu (2008 г.). "Числени методи с приложения", Глава 6 се занимава с линейна и нелинейна регресия.
* Дрейпър, НП "и Смит, Х. Приложни Анализ Уайли Серия регресия в Вероятности и статистика (1998 г.)
* Pedhazur, Elazar J (1982). Множествена регресия в поведението изследвания Обяснение и прогнозиране (2-ро изд.). Ню Йорк: Холт, Rinehart и Уинстън. ISBN 0-03-041760-0

==Външни препратки==

* [http://www.gnu.org/software/gsl/ GSL е за изпълнение на най-слабо Обикновени регресия площади алгоритъм (C / C + +). Онлайн уроци и симулатори]
* [http://www.dtreg.com/linreg.htm съдържа информация за т-статистика и изходна линейна регресия]
* [http://www.curvefit.com/linear_regression.htm има примери свързани с линейната регресия, както и допълнителни изчисления извършвани след намиране на линейната регресия]
* [http://www.jerrydallal.com/LHSP/slr.htmвъведение в простата линейна регресия]
* [http://www.e-dnrs.org/wp-content/uploads/2008/10/uor_2008_8_9.pdf Дърво на решенията]
* [http://en.wikipedia.org/wiki/Nonlinear_regression Нелинейна регресия]
* [http://rosoft.org/MitakaLectures/Statistica/SPSSlecture9999.pdf Регресионен анализ]
* [http://en.wikipedia.org/wiki/Segmented_regression Сегментирана линейна регресия]

[[category:Статистика]][[category:Моделиране и прогнозиране в управлението]]

@@ Ред 1: / Ред 1: @@
 '''Регресионният модел се извежда на базата на няколко допускания.'''
 ==Същност==
-Някои от допусканията се изпълняват в действителност, докато други не. Съществува зависимост, че колкото повече от допусканията са изпълненини, толкова повече можем да се доверим на резултатите от анализа. Наричаме един регресионен модел ''адекватен'', ако няма [[алтернативен]], описващ действителността по-добре. При регресионния модел се прилага принципът на Окам, според който най-простото обяснение е и най-вярно, докато не се намери някое по-сложно, което го опровергава. Едни от по-важните допускания са:
+Някои от допусканията се изпълняват в действителност, докато други не. Съществува зависимост, че колкото повече от допусканията са изпълненини, толкова повече можем да се доверим на резултатите от анализа. Наричаме един регресионен модел ''адекватен'', ако няма [[алтернатива|алтернативен]], описващ действителността по-добре. При регресионния модел се прилага принципът на Окам, според който най-простото обяснение е и най-вярно, докато не се намери някое по-сложно, което го опровергава. Едни от по-важните допускания са:
 * ''х'' и ''y'' са непрекъснати случайни величини, представляващи силните скали;
 * Корелационната зависимост между ''x'' и ''y'' е линейна;
-* Грешките ''s'' са некорелирани нормално разпределени величини, които имат случаен характер, с нулево математическо очакване и еднакви [[дисперсии]] за всяко ''x''.
+* Грешките ''s'' са некорелирани нормално разпределени величини, които имат случаен характер, с нулево математическо очакване и еднакви [[дисперсия|дисперсии]] за всяко ''x''.
 ==Вижте още==

@@ Ред 1: / Ред 1: @@
-===Допускания===
+'''Регресионният модел се извежда на базата на няколко допускания.'''
+==Същност==
-Регресионният модел се извежда на базата на няколко допускания. Някои от тях се изпълняват в действителност, докато други не. Съществува зависимост, че колкото повече от допусканията са изпълненини, толкова повече можем да се доверим на резултатите от анализа. Наричаме един регресионен модел ''адекватен'', ако няма [[алтернативен]], описващ действителността по-добре. При регресионния модел се прилага принципът на Окам, според който най-простото обяснение е и най-вярно, докато не се намери някое по-сложно, което го опровергава. Едни от по-важните допускания са:
+Някои от допусканията се изпълняват в действителност, докато други не. Съществува зависимост, че колкото повече от допусканията са изпълненини, толкова повече можем да се доверим на резултатите от анализа. Наричаме един регресионен модел ''адекватен'', ако няма [[алтернативен]], описващ действителността по-добре. При регресионния модел се прилага принципът на Окам, според който най-простото обяснение е и най-вярно, докато не се намери някое по-сложно, което го опровергава. Едни от по-важните допускания са:
 * ''х'' и ''y'' са непрекъснати случайни величини, представляващи силните скали;

@@ Ред 8: / Ред 8: @@
 ==Вижте още==
-*[[Допускания при регресионния модел]]
 * [[Дърво на решенията]]
 * [[Метод на най-малките квадрати]]