Login for students

Login for employees

Publication detail

Výstavba regresního modelu diagnostikami regresního tripletu
Authors: Meloun Milan
Year: 2014
Type of publication: článek ve sborníku
Name of source: Analýza dat 2014
Publisher name: TriloByte Statistical Software, spol. s r. o.
Place: Pardubice
Page from-to: 43-56
Titles:
Language Name Abstract Keywords
cze Výstavba regresního modelu diagnostikami regresního tripletu Postup hledání regresního modelu obsahuje: 1. Návrh modelu začíná vždy od nejjednoduššího modelu, a to lineárního. 2. Předběžná analýza dat sleduje proměnlivost proměnných na rozptylových diagramech a indexových grafech. Vyšetřuje se multikolinearita, heteroskedasticita, autokorelace a vlivné body. 3. Odhadování parametrů se provádí klasickou metodou nejmenších čtverců, následované testem významnosti parametrů Studentovým t-testem. Střední kvadratická chyba predikce MEP a Akaikovo informační kritérium AIC představují rozhodčí kritéria při hledání nejlepšího regresního modelu. 4. Regresní diagnostika provádí identifikaci vlivných bodů a ověření předpokladů metody nejmenších čtverců. V případě více vysvětlujících proměnných se posoudí vhodnost jednotlivých proměnných pomoci parciálních regresních grafů a parciálních reziduálních grafů. 5. Parametry zpřesněného modelu jsou odhadovány s využitím (a) metody vážených nejmenších čtverců (MVNČ) při nekonstantnosti rozptylu, (b) metody zobecněných nejmenších čtverců (MZNČ) při autokorelaci, (c) metody podmínkových nejmenších čtverců (MPNČ) při omezení kladených na parametry, (d) metody racionálních hodností (RH) u multikolinearity, (e) metody rozšířených nejmenších čtverců (MRNČ) pro případ, že všechny proměnné jsou zatížené náhodnými chybami, a konečně (f) robustních metod pro jiná rozdělení než normální a data s vybočujícími hodnotami a extrémy. Regresní triplet; outlier; extrém; racionální hodnost; multikolinearita
eng Regression model building with the use of regression diagnostics To find the regression model includes: 1. The model always starts from the simplest model, not linear. 2. The preliminary analysis of the data follows the variability of variables to scatter charts and index charts. Investigates the multicollinearity, heteroscedasticity, autocorrelation and influential points. 3. The estimated parameters is done by a classical least squares method, followed by a test of significance of parameters by Student's t-test. Mean square error of prediction MEP and Akaikovo information criterion AIC represent the referee criteria in finding the best regression model. 4th Regression diagnostics is identifying influential points and verify assumptions, the least squares method. For more explanatory variables to examine the suitability of individual variables help of partial regression graphs and partial residual graphs. 5. The parameters to an updated model are estimated using (a) the method of weighted least squares (MVNČ) at nekonstantnosti scattering, (b) the method of generalized least squares (MZNČ) with autocorrelation, (c) the method of conditional least squares (MPNČ) when restrictions on the parameters (d) methods of rational ranks (RH) for multicollinearity, (e) methods for the extended least squares (gurgle) for the case that all variables are loaded with random errors, and finally (f) robust methods for different distribution than normal and data with vybočujícími values ​​and extremes. Regression triplet; outlier; extreme; rational rank; multicollinearity;

Departments

Other Parts

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0Creative CommonsAttributionNonCommercialNoDerivatives