Разлика между версии на „Методи за приблизителна оценка на линейната регресия“

Текуща версия към 15:56, 25 март 2014

Най-често използваните методи за приблизителна оценка на линейната регресия са няколко.

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 корелациите, или и двете присъстват сред грешките от гледна точка на модела. 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

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

@@ 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]].