Linear Regression

ویرایش: 1 
نویسندگان: David J. Olive (auth.)  
سری:  
ISBN (شابک) : 9783319552521, 9783319552507 
ناشر: Springer International Publishing 
سال نشر: 2017 
تعداد صفحات: 499 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 مگابایت 

قیمت کتاب (تومان) : 43,000



این متن هم رگرسیون خطی چندگانه و هم برخی از مدل‌های طراحی تجربی را پوشش می‌دهد. متن از نمودار پاسخ برای تجسم مدل و تشخیص نقاط پرت استفاده می‌کند، فرض نمی‌کند که توزیع خطا دارای یک توزیع پارامتری شناخته شده است، فواصل پیش‌بینی را ایجاد می‌کند که در زمانی که توزیع خطا ناشناخته است کار می‌کند، آزمون‌های فرضیه بوت استرپ را پیشنهاد می‌کند که ممکن است برای استنتاج مفید باشد. پس از انتخاب متغیر، مناطق پیش‌بینی و نظریه نمونه بزرگ را برای مدل رگرسیون خطی چند متغیره که دارای متغیرهای پاسخ m است، توسعه می‌دهد. رابطه بین مناطق پیش‌بینی چند متغیره و مناطق اطمینان، راه ساده‌ای برای راه‌اندازی مناطق اطمینان فراهم می‌کند. این مناطق اطمینان اغلب یک روش عملی برای آزمون فرضیه ها ارائه می دهند. همچنین فصلی در مورد مدل‌های خطی تعمیم‌یافته و مدل‌های افزایشی تعمیم‌یافته وجود دارد.

بسیاری از توابع R برای تولید پاسخ و نمودارهای باقی‌مانده، برای شبیه‌سازی فواصل پیش‌بینی و آزمون‌های فرضیه، شناسایی نقاط پرت، و انتخاب تبدیل‌های پاسخ برای چند خطی وجود دارد. مدل های طراحی رگرسیون یا آزمایشی.

این متن برای فارغ التحصیلان و فارغ التحصیلان کارشناسی با پیشینه ریاضی قوی است. پیش نیازهای این متن جبر خطی و درس آمار مبتنی بر حساب دیفرانسیل و انتگرال است.

This text covers both multiple linear regression and some experimental design models. The text uses the response plot to visualize the model and to detect outliers, does not assume that the error distribution has a known parametric distribution, develops prediction intervals that work when the error distribution is unknown, suggests bootstrap hypothesis tests that may be useful for inference after variable selection, and develops prediction regions and large sample theory for the multivariate linear regression model that has m response variables. A relationship between multivariate prediction regions and confidence regions provides a simple way to bootstrap confidence regions. These confidence regions often provide a practical method for testing hypotheses. There is also a chapter on generalized linear models and generalized additive models.

There are many R functions to produce response and residual plots, to simulate prediction intervals and hypothesis tests, to detect outliers, and to choose response transformations for multiple linear regression or experimental design models.

This text is for graduates and undergraduates with a strong mathematical background. The prerequisites for this text are linear algebra and a calculus based course in statistics.

Front Matter....Pages i-xiv
Introduction....Pages 1-15
Multiple Linear Regression....Pages 17-83
Building an MLR Model....Pages 85-162
WLS and Generalized Least Squares....Pages 163-173
One Way Anova....Pages 175-211
The K Way Anova Model....Pages 213-225
Block Designs....Pages 227-244
Orthogonal Designs....Pages 245-282
More on Experimental Designs....Pages 283-297
Multivariate Models....Pages 299-312
Theory for Linear Models....Pages 313-342
Multivariate Linear Regression....Pages 343-387
GLMs and GAMs....Pages 389-458
Stuff for Students....Pages 459-471
Back Matter....Pages 473-494