3,99 €
inkl. MwSt.
Sofort per Download lieferbar
2 °P sammeln
Andere Kunden interessierten sich auch für
Che cos'è l'analisi di regressione
Nella modellazione statistica, l'analisi di regressione è un insieme di processi statistici per stimare le relazioni tra una variabile dipendente e una o più variabili indipendenti. La forma più comune di analisi di regressione è la regressione lineare, in cui si trova la linea che più si adatta ai dati secondo uno specifico criterio matematico. Ad esempio, il metodo dei minimi quadrati ordinari calcola la linea unica che minimizza la somma delle differenze al quadrato tra i dati reali e quella linea. Per specifiche ragioni matematiche, ciò consente al ricercatore di stimare l'aspettativa condizionale della variabile dipendente quando le variabili indipendenti assumono un dato insieme di valori. Forme di regressione meno comuni utilizzano procedure leggermente diverse per stimare parametri di posizione alternativi o stimare l'aspettativa condizionale in una raccolta più ampia di modelli non lineari.
Come trarrai vantaggio
(I) Approfondimenti e convalide sui seguenti argomenti:
Capitolo 1: Analisi di regressione
Capitolo 2: Minimi quadrati
Capitolo 3: Teorema di Gauss-Markov
Capitolo 4: Regressione non lineare
Capitolo 5: Coefficiente di determinazione
Capitolo 6: Stima delle variabili strumentali
Capitolo 7: Distorsione da variabili omesse
Capitolo 8: Minimi quadrati ordinari
Capitolo 9: Somma residua dei quadrati
Capitolo 10: Regressione lineare semplice
Capitolo 11: Minimi quadrati generalizzati
Capitolo 12: Errori standard coerenti con l'eteroschedasticità
Capitolo 13: Fattore di inflazione della varianza
Capitolo 14: Non lineare minimi quadrati
Capitolo 15: Regressione delle componenti principali
Capitolo 16: Somma dei quadrati di adattamento
Capitolo 17: Leva finanziaria (statistiche)
Capitolo 18: Regressione polinomiale
Capitolo 19: Modelli di errori nelle variabili
Capitolo 20: Minimi quadrati lineari
Capitolo 21: Regressione lineare
(II) Rispondere alle principali domande del pubblico sull'analisi di regressione.
(III) Esempi reali dell'utilizzo dell'analisi di regressione in molti campi.
A chi è rivolto questo libro
Professionisti, studenti universitari e laureati, appassionati, hobbisti e coloro che desiderano andare oltre le conoscenze o le informazioni di base per qualsiasi tipo di analisi di regressione.
Nella modellazione statistica, l'analisi di regressione è un insieme di processi statistici per stimare le relazioni tra una variabile dipendente e una o più variabili indipendenti. La forma più comune di analisi di regressione è la regressione lineare, in cui si trova la linea che più si adatta ai dati secondo uno specifico criterio matematico. Ad esempio, il metodo dei minimi quadrati ordinari calcola la linea unica che minimizza la somma delle differenze al quadrato tra i dati reali e quella linea. Per specifiche ragioni matematiche, ciò consente al ricercatore di stimare l'aspettativa condizionale della variabile dipendente quando le variabili indipendenti assumono un dato insieme di valori. Forme di regressione meno comuni utilizzano procedure leggermente diverse per stimare parametri di posizione alternativi o stimare l'aspettativa condizionale in una raccolta più ampia di modelli non lineari.
Come trarrai vantaggio
(I) Approfondimenti e convalide sui seguenti argomenti:
Capitolo 1: Analisi di regressione
Capitolo 2: Minimi quadrati
Capitolo 3: Teorema di Gauss-Markov
Capitolo 4: Regressione non lineare
Capitolo 5: Coefficiente di determinazione
Capitolo 6: Stima delle variabili strumentali
Capitolo 7: Distorsione da variabili omesse
Capitolo 8: Minimi quadrati ordinari
Capitolo 9: Somma residua dei quadrati
Capitolo 10: Regressione lineare semplice
Capitolo 11: Minimi quadrati generalizzati
Capitolo 12: Errori standard coerenti con l'eteroschedasticità
Capitolo 13: Fattore di inflazione della varianza
Capitolo 14: Non lineare minimi quadrati
Capitolo 15: Regressione delle componenti principali
Capitolo 16: Somma dei quadrati di adattamento
Capitolo 17: Leva finanziaria (statistiche)
Capitolo 18: Regressione polinomiale
Capitolo 19: Modelli di errori nelle variabili
Capitolo 20: Minimi quadrati lineari
Capitolo 21: Regressione lineare
(II) Rispondere alle principali domande del pubblico sull'analisi di regressione.
(III) Esempi reali dell'utilizzo dell'analisi di regressione in molti campi.
A chi è rivolto questo libro
Professionisti, studenti universitari e laureati, appassionati, hobbisti e coloro che desiderano andare oltre le conoscenze o le informazioni di base per qualsiasi tipo di analisi di regressione.