██ [Electricidad:. 131 Fu Fu 0.6667 0.1418] [Wei Q :. 9788 Fu 0.9181] Perfil ██ Myanmar Galaxy Internacional
Una visión general análisis de regresión
1. La relación entre las variables
fenómeno determinista (función), por ejemplo, un perímetro rectangular
Los fenómenos no deterministas (correlación estadística), por ejemplo, altura y peso
2. correlación y análisis de regresión
Correlación: Correlación y relevancia de dos (o más) variables de (expresado mediante el coeficiente de correlación)
El análisis de regresión: ya tener relaciones con, la solución de la causalidad, la condición de desigualdad variable (resultado de un Estado), de acuerdo a los cambios en las variables independientes pueden predecir la ley del movimiento.
Para el castaño:
más alto de baloncesto (1) de juego.
No, la realidad es que las personas más altas eligieron para jugar al baloncesto, pertenece a la causalidad inversa.
(2) un alto estatus social de las personas que viven más tiempo.
No, un alto estatus social mediante una mejor atención de la salud, lo que lleva a una mejor salud y una larga vida de algunos.
Consejos : la causalidad premisa: cronológico.
3, el análisis de correlación lineal o no lineal (Nota: si la correlación de formación de correlación será 0)
La correlación lineal:
Dos variables: covarianza, coeficiente de correlación
Una pluralidad de variables: el cálculo de coeficientes de correlación parcial, coeficiente de correlación múltiple
En segundo lugar, la función de regresión de la población (PRF)
En las condiciones dadas las variables explicativas X, Y es la trayectoria dependiente variable deseada generalmente llamado curva de regresión, la función correspondiente
E (Y | X) = f (X)
forma F más simple es una función lineal. Qué origen y la pendiente de los coeficientes de regresión lineal, como se muestra en la siguiente expresión, donde beta] 0 representante del consumo espontáneo, beta] . 1 Representante tendencia del consumo marginal.
E (Y | X) = b 0 + b 1 X
Identificando: la variable dependiente y es la variable dependiente, la variable se predijo, sub regresión, variable de respuesta, variable independiente X es las variables explicativas de predicción de variables, regresores, la variable de control.
En tercer lugar, el término de error aleatorio
Y será un real menos su media, la desviación:
μ=Y-E(Y|X)
entonces
Y=E(Y|X)+μ
las variables Interpreta consta de dos partes, después de determinar la porción de un X dado, ya que otra parte de los factores aleatorios que participan en, y la reacción de fluctuación en sí.
El error aleatorio término que significa:
1, factores desconocidos
2, los datos incompletos
3, una serie de factores pequeños
4, el error de datos de observación
5, el error de regulación modelo
6, la aleatoriedad inherente
En cuarto lugar, la función de regresión de la muestra
Primero debemos entender un hecho básico: en general siempre es desconocida . valores de los parámetros de población, varianza, etc., no son informados de la finalidad de la metrología es: la inferencia total de la muestra .
Scatter de los puntos de muestra se ajusta una línea recta, la línea de regresión se utiliza para aproximar la general reemplazado.
Por ejemplo, una regresión lineal:
Nota estimaciones de símbolos (recuerde que debe usar un sombrero)
distinción clave:
** La función de regresión PRF general:
E (y) = b 0 + b 1 X i (i = 1,2 ,,,, n)
PRF forma aleatoria:
E (Y) = b 0 + b 1 X i + m i
** Función de regresión SRF:
forma aleatoria SRF:
Los datos agregados es una regresión, un post-normalización en base a los datos de la muestra, los resultados de regresión más su error aleatorio, el valor verdadero se pueden obtener.
En quinto lugar, el modelo asume
Supongamos que un: Errores en el modelo de ningún ajuste (variable correcta, la forma funcional correcta).
Hipótesis 2: X es una variable (variables no aleatorias) deterministas.
Supongamos tres: X toma por lo menos dos o más valores diferentes, la varianza de la muestra y convergentes (Si X es un valor constante, la importancia del problema cambiaría) (como aumenta el tamaño de la muestra, la convergencia de la varianza, que es una serie de tiempo a fin de evitar el problema de regresión espuria)
Hipótesis 4 : término de error "con media cero y varianza covarianza cero." (En general, esperamos que el error medio total es 0) (igual varianza de la población, garantizar el mismo grado de variación en cada punto) (para dos puntos diferentes de la muestra, la covarianza es cero, el coeficiente de correlación es 0, enviado dos informaciones punto de muestra en relación con posible)
Cinco suposiciones: una variable explicativa término de error aleatorio asociado no (puede ser introducido desde la parte delantera)
Supongamos Seis: término de error aleatorio distribuido normalmente (con media 0 y varianza [sigma] 2 ) (opcional, no esta suposición, se establece todavía automáticamente y luego hacia arriba)
En sexto lugar, la estimación de parámetros
1. Los mínimos cuadrados ordinarios de parámetros de estimación (OLS) (utilizado comúnmente)
Principio: El error total se reduce al mínimo → menor idea de plazas que la suma residual de cuadrados mínimos, llegará a ser optimizado pedido a este problema.
resultado
o
Clasificación: estimador: La función de la variable aleatoria
Valor estimado: valores específicos
2. La máxima verosimilitud (ML) (ML cuando se utiliza OLS inadecuados)
Probabilidades: se refiere a la probabilidad o una posibilidad
Principio: no es razonable (cuando se observa un conjunto de muestras, debe ser el mecanismo detrás de la decisión que pueda aparecer en frente de usted). ---- máxima probabilidad de método de máxima verosimilitud, total método de mínimos cuadrados es el más pequeño de errores.
3. Método de momento Estimación de Parámetros (MM)
Este método usos explican menos temporalmente.
Una visión general análisis de regresión
1. La relación entre las variables
fenómeno determinista (función), por ejemplo, un perímetro rectangular
Los fenómenos no deterministas (correlación estadística), por ejemplo, altura y peso
2. correlación y análisis de regresión
Correlación: Correlación y relevancia de dos (o más) variables de (expresado mediante el coeficiente de correlación)
El análisis de regresión: ya tener relaciones con, la solución de la causalidad, la condición de desigualdad variable (resultado de un Estado), de acuerdo a los cambios en las variables independientes pueden predecir la ley del movimiento.
Para el castaño:
más alto de baloncesto (1) de juego.
No, la realidad es que las personas más altas eligieron para jugar al baloncesto, pertenece a la causalidad inversa.
(2) un alto estatus social de las personas que viven más tiempo.
No, un alto estatus social mediante una mejor atención de la salud, lo que lleva a una mejor salud y una larga vida de algunos.
Consejos : la causalidad premisa: cronológico.
3, el análisis de correlación lineal o no lineal (Nota: si la correlación de formación de correlación será 0)
La correlación lineal:
Dos variables: covarianza, coeficiente de correlación
Una pluralidad de variables: el cálculo de coeficientes de correlación parcial, coeficiente de correlación múltiple
En segundo lugar, la función de regresión de la población (PRF)
En las condiciones dadas las variables explicativas X, Y es la trayectoria dependiente variable deseada generalmente llamado curva de regresión, la función correspondiente
E (Y | X) = f (X)
forma F más simple es una función lineal. Qué origen y la pendiente de los coeficientes de regresión lineal, como se muestra en la siguiente expresión, donde beta] 0 representante del consumo espontáneo, beta] . 1 Representante tendencia del consumo marginal.
E (Y | X) = b 0 + b 1 X
Identificando: la variable dependiente y es la variable dependiente, la variable se predijo, sub regresión, variable de respuesta, variable independiente X es las variables explicativas de predicción de variables, regresores, la variable de control.
En tercer lugar, el término de error aleatorio
Y será un real menos su media, la desviación:
μ=Y-E(Y|X)
entonces
Y=E(Y|X)+μ
las variables Interpreta consta de dos partes, después de determinar la porción de un X dado, ya que otra parte de los factores aleatorios que participan en, y la reacción de fluctuación en sí.
El error aleatorio término que significa:
1, factores desconocidos
2, los datos incompletos
3, una serie de factores pequeños
4, el error de datos de observación
5, el error de regulación modelo
6, la aleatoriedad inherente
En cuarto lugar, la función de regresión de la muestra
Primero debemos entender un hecho básico: en general siempre es desconocida . valores de los parámetros de población, varianza, etc., no son informados de la finalidad de la metrología es: la inferencia total de la muestra .
Scatter de los puntos de muestra se ajusta una línea recta, la línea de regresión se utiliza para aproximar la general reemplazado.
Por ejemplo, una regresión lineal:
Nota estimaciones de símbolos (recuerde que debe usar un sombrero)
distinción clave:
** La función de regresión PRF general:
E (y) = b 0 + b 1 X i (i = 1,2 ,,,, n)
PRF forma aleatoria:
E (Y) = b 0 + b 1 X i + m i
** Función de regresión SRF:
forma aleatoria SRF:
Los datos agregados es una regresión, un post-normalización en base a los datos de la muestra, los resultados de regresión más su error aleatorio, el valor verdadero se pueden obtener.
En quinto lugar, el modelo asume
Supongamos que un: Errores en el modelo de ningún ajuste (variable correcta, la forma funcional correcta).
Hipótesis 2: X es una variable (variables no aleatorias) deterministas.
Supongamos tres: X toma por lo menos dos o más valores diferentes, la varianza de la muestra y convergentes (Si X es un valor constante, la importancia del problema cambiaría) (como aumenta el tamaño de la muestra, la convergencia de la varianza, que es una serie de tiempo a fin de evitar el problema de regresión espuria)
Hipótesis 4 : término de error "con media cero y varianza covarianza cero." (En general, esperamos que el error medio total es 0) (igual varianza de la población, garantizar el mismo grado de variación en cada punto) (para dos puntos diferentes de la muestra, la covarianza es cero, el coeficiente de correlación es 0, enviado dos informaciones punto de muestra en relación con posible)
Cinco suposiciones: una variable explicativa término de error aleatorio asociado no (puede ser introducido desde la parte delantera)
Supongamos Seis: término de error aleatorio distribuido normalmente (con media 0 y varianza [sigma] 2 ) (opcional, no esta suposición, se establece todavía automáticamente y luego hacia arriba)
En sexto lugar, la estimación de parámetros
1. Los mínimos cuadrados ordinarios de parámetros de estimación (OLS) (utilizado comúnmente)
Principio: El error total se reduce al mínimo → menor idea de plazas que la suma residual de cuadrados mínimos, llegará a ser optimizado pedido a este problema.
resultado
o
Clasificación: estimador: La función de la variable aleatoria
Valor estimado: valores específicos
2. La máxima verosimilitud (ML) (ML cuando se utiliza OLS inadecuados)
Probabilidades: se refiere a la probabilidad o una posibilidad
Principio: no es razonable (cuando se observa un conjunto de muestras, debe ser el mecanismo detrás de la decisión que pueda aparecer en frente de usted). ---- máxima probabilidad de método de máxima verosimilitud, total método de mínimos cuadrados es el más pequeño de errores.
3. Método de momento Estimación de Parámetros (MM)
Este método usos explican menos temporalmente.