Методи за приблизителна оценка на линейната регресия - Редакционна история

Detelina Staneva в 12:56, 25 март 2014

2014-03-25T12:56:57Z

Detelina Staneva: Нова страница: ==Част от най-често използваните методи за приблизителна оценка на линейната регресия са:== =...

2014-03-25T12:42:34Z

Нова страница: ==Част от най-често използваните методи за приблизителна оценка на линейната регресия са:== =...

Нова страница

==Част от най-често използваните методи за приблизителна оценка на линейната регресия са:==

===Метод на обикновените малки квадрати (OLS)===

Методът на обикновените малки квадрати е най-простият. ''OLS'' оценките са най-често използвани за анализ на експерименталните и наблюдателни данни. Методът минимизира сумата от квадратите на остатъците и води до затворена форма на израза за прогнозната стойност на неизвестния параметър ''β''.

=== Методът на общите най-малки квадрати (GLS)===

''GLS'' е разширение на ''OLS'', който позволява ефективна оценка на ''β'', когато ''heteroscedasticity'' или [[корелация|корелациите]], или и двете присъстват сред грешките от гледна точка на [[модел]]а. За да се справи ''heteroscedasticity'', когато терминологичните грешки са несвързани помежду си, ''GLS'' намалява претегления аналог на сбора от квадратите на остатъците от регресията ''OSL.''

===Инструментална променлива регресия (IV)===

Този вид регресия може да се извърши, когато регресорите са взаимно свързани с грешките.

===Най-слабо абсолютно отклонение (LAD)===

Регресията е стабилна оценка на техниката, тъй като е по-малко чувствителна към присъствието на големи различия в стойностите на ''OSL'', но е по-малко ефективна в сравнение с него. Равна е на максималната вероятностна оценка по разпределението на [[Пиер Симон Лаплас]].

Към методите за оценка на линейната регресия спадат и още много други като:

* Квантилна регресия;
* Максимална вероятностна оценка;
* Адаптивна оценка;
* Смесени модели;
* Водеща компонентна регресия (''PCR'');
* Общи най-малки квадрати (''LPS'');
==Вижте още==

* [[Дърво на решенията]]
* [[Метод на най-малките квадрати]]
* [[Регресионен анализ]]
* [[Екстраполация]]
*[[Интерполация]]

==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: @@
-==Част от най-често използваните методи за приблизителна оценка на линейната регресия са:==
+'''Най-често използваните методи за приблизителна оценка на линейната регресия са няколко'''.
-===Метод на обикновените малки квадрати (OLS)===
+==Метод на обикновените малки квадрати (OLS)==
 Методът на обикновените малки квадрати е най-простият. ''OLS'' оценките са най-често използвани за анализ на експерименталните и наблюдателни данни. Методът минимизира сумата от квадратите на остатъците и води до затворена форма на израза за прогнозната стойност на неизвестния параметър ''β''.
-=== Методът на общите най-малки квадрати (GLS)===
+== Методът на общите най-малки квадрати (GLS)==
 ''GLS'' е разширение на ''OLS'', който позволява ефективна оценка на ''β'', когато ''heteroscedasticity'' или [[корелация|корелациите]], или и двете присъстват сред грешките от гледна точка на [[модел]]а. За да се справи ''heteroscedasticity'', когато терминологичните грешки са несвързани помежду си, ''GLS'' намалява претегления аналог на сбора от квадратите на остатъците от регресията ''OSL.''
-===Инструментална променлива регресия (IV)===
+==Инструментална променлива регресия (IV)==
 Този вид регресия може да се извърши, когато регресорите са взаимно свързани с грешките.
-===Най-слабо абсолютно отклонение (LAD)===
+==Най-слабо абсолютно отклонение (LAD)==
 Регресията е стабилна оценка на техниката, тъй като е по-малко чувствителна към присъствието на големи различия в стойностите на ''OSL'', но е по-малко ефективна в сравнение с него. Равна е на максималната вероятностна оценка по разпределението на [[Пиер Симон Лаплас]].