Regression: Linear Models in Statistics

رگرسیون شاخه ای از آمار است که در آن یک متغیر وابسته مورد علاقه به صورت ترکیبی خطی از یک یا چند متغیر پیش بینی همراه با یک خطای تصادفی مدل می شود. موضوع ذاتاً دو بعدی یا بالاتر است، بنابراین درک آمار در یک بعد ضروری است.

رگرسیون: مدل های خطی در آمار شکاف بین نظریه آماری مقدماتی و منابع اطلاعاتی تخصصی تر با انجام این کار، تعدادی مثال کار شده و تمرین‌هایی با راه‌حل‌های کامل در اختیار خواننده قرار می‌دهد.

کتاب با رگرسیون خطی ساده (یک متغیر پیش‌بینی‌کننده) و تحلیل واریانس (ANOVA) شروع می‌شود. سپس این منطقه را از طریق گنجاندن موضوعاتی مانند رگرسیون خطی چندگانه (چند متغیر پیش‌بینی‌کننده) و تحلیل کوواریانس (ANCOVA) بررسی می‌کند. این کتاب با موضوعات خاصی مانند رگرسیون ناپارامتریک و مدل‌های مختلط، سری‌های زمانی، فرآیندهای فضایی و طراحی آزمایش‌ها به پایان می‌رسد.

برای دانشجویان سال دوم و سوم در مقطع کارشناسی که در حال مطالعه آمار، رگرسیون: مدل‌های خطی هستند، به پایان می‌رسد. در Statisticsبه دانش اولیه آمار (تک بعدی) و همچنین احتمالات و جبر خطی استاندارد نیاز دارد. همراهان احتمالی عبارتند از مدل‌های احتمالی جان هیگ، و جبر خطی پایه تی‌اس بلیث و ای‌اف رابرتسونز و جبر خطی بیشتر.

Regression is the branch of Statistics in which a dependent variable of interest is modelled as a linear combination of one or more predictor variables, together with a random error. The subject is inherently two- or higher- dimensional, thus an understanding of Statistics in one dimension is essential.

Regression: Linear Models in Statistics fills the gap between introductory statistical theory and more specialist sources of information. In doing so, it provides the reader with a number of worked examples, and exercises with full solutions.

The book begins with simple linear regression (one predictor variable), and analysis of variance (ANOVA), and then further explores the area through inclusion of topics such as multiple linear regression (several predictor variables) and analysis of covariance (ANCOVA). The book concludes with special topics such as non-parametric regression and mixed models, time series, spatial processes and design of experiments.

Aimed at 2nd and 3rd year undergraduates studying Statistics, Regression: Linear Models in Statistics requires a basic knowledge of (one-dimensional) Statistics, as well as Probability and standard Linear Algebra. Possible companions include John Haigh’s Probability Models, and T. S. Blyth & E.F. Robertsons’ Basic Linear Algebra and Further Linear Algebra.