دانلود کتاب رگرسیون خطی بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
نام کتاب : Linear Regression
ویرایش : 1 ed.
عنوان ترجمه شده به فارسی : رگرسیون خطی
سری :
نویسندگان : David J. Olive (auth.)
ناشر : Springer International Publishing
سال نشر : 2017
تعداد صفحات : XIV, 494
[499]
ISBN (شابک) : 978-3-319-552 , 978-3-319-552
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 6 Mb
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
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.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.