回归分析-新手入门到提高

回归分析-新手入门到提高

静学社

以浅显易懂简练的语言讲解python编程语言,大数据和人工智能开发,让零基础的学员快速学会学懂所学的内容

  • 课程目录
  • 课程介绍
  • 课时1:相关性

  • 课时2:相关系数

  • 课时3:相关系数的检验

  • 课时4:回归介绍

  • 课时5:简单线性回归模型

  • 课时6:回归参数的最小二乘估计

  • 课时7:简单线性回归模型的假定

  • 课时8:回归参数的区间估计和假设检验

  • 课时9:回归直线拟合优度

  • 课时10:利用模型估计和预测

  • 课时11:模型假定的诊断

  • 课时12:简单线性回归实例

  • 课时13:多重回归模型

  • 课时14:多重回归拟合优度

  • 课时15:矩阵代数的最小二乘算法

  • 课时16:矩阵最小二乘算法实例

  • 课时17:多重回归的检验和区间估计

  • 课时18:多重回归模型的的显著性检验

  • 课时19:多重回归的一个例子

  • 课时20:回归系数的解释

  • 课时21:中心化

  • 课时22:规范化

  • 课时23:偏相关系数

  • 课时24:部分相关系数

  • 课时25:什么是线性模型

  • 课时26:学生化和删除及删除学生化残差

  • 课时27:线性回归模型假定

  • 课时28:线性回归中自变量为“固定值”是什么意思*(选修)

  • 课时29:线性回归模型假定的检验

  • 课时30:偏回归图和偏残差图

  • 课时31:异常值和强影响观测值

  • 课时32:杠杠值

  • 课时33:库克距离

  • 课时34:DFFITS和DFBETAS及协方差比率

  • 课时35:强影响点的处理

  • 课时36:强影响点分析实例

  • 课时37:多重共线性

  • 课时38:多重共线性检测

  • 课时39:多重共线性分析实例

  • 课时40:斯皮尔曼相关系数

  • 课时41:异方差检验-图形法

  • 课时42:Bartlett和Levene异方差检验

  • 课时43:Breusch-Pagan和怀特异方差检验原理

  • 课时44:Breusch-Pagan和怀特异方差检验实例分析

  • 课时45:模型构建很重要

  • 课时46:一元定量自变量模型(多项式回归)

  • 课时47:一元定量自变量模型例子

  • 课时48:二元或多元定量自变量模型

  • 课时49:二元定量自变量模型例子

  • 课时50:编码定量自变量

  • 课时51:一元定性自变量模型(虚拟变量回归)

  • 课时52:一元定性自变量模型实例

  • 课时53:定量和定性自变量模型

  • 课时54:嵌套模型的检验

  • 课时55:嵌套模型检验实例

  • 课时56:变量变换介绍

  • 课时57:线性变换

  • 课时58:非线性模型转化为线性模型例子

  • 课时59:消除异方差的变换

  • 课时60:对数变换

  • 课时61:Box-Cox变换

  • 课时62:加权最小二乘原理

  • 课时63:加权最小二乘模型1

  • 课时64:加权最小二乘模型2

  • 课时65:加权最小二乘模型3

  • 课时66:怀特异方差-稳健标准误

  • 课时67:SPSS中得到加权模型的残差和强影响点指标方法

  • 课时68:自相关图形检测法

  • 课时69:Durbin-Watson 自相关检测

  • 课时70:Cochrane-Orcutt法-消除自相关

  • 课时71:共线性对回归系数的影响

  • 课时72:如何正确的执行预测

  • 课时73:岭回归

  • 课时74:岭参数的确定方法

  • 课时75:岭回归其他事项

  • 课时76:回归系数相等的检验-基于嵌套模型

  • 课时77:回归系数有约束的检验-基于嵌套模型

  • 课时78:合并预测变量消除共线性

  • 课时79:变量选择的重要性

  • 课时80:评价回归方程的准则

  • 课时81:最佳子集

  • 课时82:向前选择

  • 课时83:向后剔除

  • 课时84:逐步选择

  • 课时85:逐步选择方法实例

  • 课时86:变量选择方法比较

  • 课时87:岭回归选择变量

  • 课时88:反函数对数函数和指数函数

  • 课时89:最大似然法

  • 课时90:最大似然法的进一步阐述

  • 课时91:最大似然法实例

  • 课时92:逻辑斯蒂回归

  • 课时93:分组逻辑斯蒂回归分析

  • 课时94:Logistic 分布

  • 课时95:最大似然法求解回归系数

  • 课时96:逻辑回归的理论依据(潜变量推理)

  • 课时97:逻辑回归和线性回归的区别

  • 课时98:似然比检验

  • 课时99:离差(偏差 deviance)

  • 课时100:covariate pattern和m-asymptotic

  • 课时101:拟合优度检验-皮尔逊卡方

  • 课时102:Hosmer-Lemeshow 拟合优度检验

  • 课时103:Cox-Snell和Nagelkerke R方

  • 课时104:逻辑回归实例

  • 课时105:分类表

  • 课时106:回归系数和成功概率的置信区间

  • 课时107:预测变量的选择

  • 课时108:过度离散 Overdipersion

  • 课时109:空单元 (zero cell count)

  • 课时110:完全分离

  • 课时111:多重共线性

  • 课时112:残差

  • 课时113:异常值和强影响观测值

  • 课时114:Probit 回归模型

  • 课时115:SPSS变量选择-向前法*(选修)

  • 课时116:SPSS变量选择-向后法*(选修)

  • 课时117:多项逻辑回归原理

  • 课时118:多项逻辑回归的一个例子

  • 课时119:变量选择-向前、向后和步进法

  • 课时120:有序回归原理

  • 课时121:有序回归实例详解

  • 课时122:有序回归潜变量的推理

  • 课时123:位置-标度模型

  • 课时124:非线性模型

  • 课时125:非线性回归的统计推断

课程概述

回归分析是研究变量之间相互关系的一种统计推断方法,它在社会、经济、工程、医药卫生、工农业、气象水文等领域有着广泛的应用。只要是研究不同变量之间的关系,基本上都离不开回归分析,回归分析搞不懂,寸步难行!很多从事经济和数据科学的人多多少少都会接触回归分析,但是真正能把回归分析搞明白的好像不多。不入流大学的计量经济学老师本身就不怎么懂回归分析,所以他们教出来的学生也不会好到哪里去,统计学讲回归也只是泛泛而谈,机器学习讲回归那更糟糕,主要讲怎么求解回归方程,从来不和你讲“回归假定”这个东西,回归假定都不满足你做回归有什么意义??!本课程主要介绍回归分析的基本原理、基本方法及其应用。 具体内容包括变量间的相关关系分析 、一元线性回归、多元线性回归、回归诊断 、回归模型的构建 、虚拟变量回归 、加权最小二乘、多重共线性、自变量的选择、变量变换 、非线性回归 、Logistic回归等。通过本课程的学习你将会全面掌握回归分析里面的各种知识点,并且具备基本的回归分析能力。

相关教程

Learnfk - 进程通信教程

Learnfk - Kotlin教程

Learnfk - Derby教程

Learnfk - 批处理教程

Learnfk - Angular7教程

Learnfk - Spring Boot教程

随机推荐

京东JOY联名款米乐鱼3分钟告诉你到底有没有必要买!优缺点大全

腾龙F012SP适不适合你!看质量怎么样!优缺点质量分析参考!

耐克NIKE包运动包质量真的差吗,适不适合你!看质量怎么样!

RTAKO游戏无线适用于Xbox手柄xbox多少钱?评测性价比高吗

戴尔OptiPlex7080内幕透露,最新款

尤尼克斯YONEXBG-65羽毛球线YY拍线羽线评测数据如何,网友点评