Множественная регрессия: различия между версиями
Материал из Поле цифровой дидактики
Patarakin (обсуждение | вклад) Нет описания правки |
Patarakin (обсуждение | вклад) Нет описания правки |
||
| Строка 6: | Строка 6: | ||
Термин "множественная" указывает на наличие нескольких предикторов или регрессоров, которые используются в модели. | Термин "множественная" указывает на наличие нескольких предикторов или регрессоров, которые используются в модели. | ||
|Field_of_knowledge=Математика, Психология, Социология | |Field_of_knowledge=Математика, Психология, Социология, Экономика | ||
|Clarifying_video=https://www.youtube.com/watch?v=i-Qmi-7M3N4 | |Clarifying_video=https://www.youtube.com/watch?v=i-Qmi-7M3N4 | ||
|similar_concepts=Регрессия, Регрессионный анализ, Регрессор, Предиктор | |similar_concepts=Регрессия, Регрессионный анализ, Регрессор, Предиктор | ||
|Environment=R, J, Python, Snap!, ChatGPT | |Environment=R, J, Python, Snap!, ChatGPT | ||
}} | }} | ||
Базовая модель [[множественная регрессия|множественной регрессии]] имеет вид: | Базовая модель [[множественная регрессия|множественной регрессии]] имеет вид: | ||
Версия от 11:40, 1 сентября 2025
| Описание | Множественной называют линейную регрессию, в модели которой число независимых переменных две или более. В общественных и естественных науках процедуры множественной регрессии чрезвычайно широко используются в исследованиях. В общем, множественная регрессия позволяет исследователю задать вопрос (и, вероятно, получить ответ) о том, "что является лучшим предиктором для...":
Термин "множественная" указывает на наличие нескольких предикторов или регрессоров, которые используются в модели. |
|---|---|
| Область знаний | Математика, Психология, Социология, Экономика |
| Авторы | |
| Поясняющее видео | https://www.youtube.com/watch?v=i-Qmi-7M3N4 |
| Близкие понятия | Регрессия, Регрессионный анализ, Регрессор, Предиктор |
| Среды и средства для освоения понятия | R, J, Python, Snap!, ChatGPT |
Базовая модель множественной регрессии имеет вид:
[math]\displaystyle{ Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \ldots + \beta_k X_k + \varepsilon }[/math]
где [math]\displaystyle{ \beta_i }[/math] — параметры регрессии, [math]\displaystyle{ \varepsilon }[/math] — случайная ошибка.
