view in publisher's site

Regression Diagnostics

Regression diagnostics is the part of regression analysis whose objective is to investigate if the calculated model and the assumptions we made about the data and the model, are consistent with the recorded data. These diagnostics include graphical and numerical tools for checking the adequacy of the assumptions with respect to both the data and the form of the model, detecting extreme points (outliers) that may be dominating the regression and possibly distorting the results and detecting if strong relationships among the independent variables (collinearity) are affecting the results. The focus of this work is on the multiple linear regression (MLR) model and the ordinary least squares (OLS) estimation of the model parameters. Some aspects of bilinear (factor-based) regression methods that are used in regression diagnostics, and the application of these methods to calibration, are also indicated.

تشخیص رگرسیون:

تشخیص رگرسیون بخشی از تحلیل رگرسیون است که هدف آن بررسی این موضوع است که آیا مدل محاسبه‌شده و فرضیات ما در مورد داده‌ها و مدل، با داده‌های ثبت‌شده سازگار هستند یا خیر. این تشخیص‌ها شامل ابزارهای گرافیکی و عددی برای بررسی کفایت فرضیات با توجه به داده‌ها و شکل مدل، تشخیص نقاط حدی (نقاط پرت)است که ممکن است بر رگرسیون حاکم باشند و احتمالا نتایج را تحریف کنند و تشخیص دهند که آیا روابط قوی میان متغیرهای مستقل (هم خطی)بر نتایج تاثیر می‌گذارند یا خیر. تمرکز این تحقیق بر مدل رگرسیون خطی چندگانه (MLR)و برآورد حداقل مربعات معمولی (OLS)پارامترهای مدل است. برخی از جنبه‌های روش‌های رگرسیون دو خطی (مبتنی بر عامل)که در تشخیص رگرسیون مورد استفاده قرار می‌گیرند، و کاربرد این روش‌ها برای کالیبراسیون، نیز نشان داده می‌شوند.
ترجمه شده با

سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.