Πολυμεταβλητή παλινδρόμηση και εφαρμογές στην R
Η ανάλυση παλινδρόμησης είναι ένας σημαντικός κλάδος της στατιστικής επιστήμης ο οποίος μελετάει με στατιστικές μεθόδους την ύπαρξη σχέσης μεταξύ μεταβλητών, ανεξάρτητων (ερμηνευτικές μεταβλητές) και εξαρτημένων (ερμηνευόμενες μεταβλητές). Επιπλέον επιτρέπει την πρόβλεψη της τιμής της εξαρτημένης...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2016
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/9757 |
| id |
nemertes-10889-9757 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-97572022-09-05T20:28:18Z Πολυμεταβλητή παλινδρόμηση και εφαρμογές στην R Multivariate regression and applications with R Μπέσσας, Ανδρέας Αλεβίζος, Φίλιππος Κουρούκλης, Σταύρος Τσάντας, Νικόλαος Bessas, Andreas Πολυμεταβλητή παλινδρόμηση Πολυμεταβλητή ανάλυση Multivariate regression Multivariate analysis 519.536 Η ανάλυση παλινδρόμησης είναι ένας σημαντικός κλάδος της στατιστικής επιστήμης ο οποίος μελετάει με στατιστικές μεθόδους την ύπαρξη σχέσης μεταξύ μεταβλητών, ανεξάρτητων (ερμηνευτικές μεταβλητές) και εξαρτημένων (ερμηνευόμενες μεταβλητές). Επιπλέον επιτρέπει την πρόβλεψη της τιμής της εξαρτημένης μεταβλητής για ένα οποιοδήποτε σύνολο νέων ανεξάρτητων μεταβλητών. Το γραμμικό μοντέλο μπορεί να αποτελείται είτε από μία ερμηνευόμενη μεταβλητή (πολλαπλό γραμμικό μοντέλο) είτε από περισσότερες της μίας (πολυμεταβλητό πολλαπλό γραμμικό μοντέλο). Στην παρούσα εργασία γίνεται αρχικά μία αναφορά σε διάφορες πολυμεταβλητές στατιστικές μεθόδους. Στην συνέχεια κάνουμε μία ανασκόπηση σε διάφορες πτυχές του πολλαπλού μοντέλου, όπως στις υποθέσεις και τις συνέπειες τους στην πολλαπλή παλινδρόμηση και σε διάφορα διαστήματα εμπιστοσύνης και ελέγχους υποθέσεων για τους συντελεστές παλινδρόμησης. Κατόπιν εισάγεται το πολυμεταβλητό γραμμικό μοντέλο και όλες οι υποθέσεις κάτω από τις οποίες είναι δομημένο. Γίνεται μία εκτεταμένη ανάλυση όσον αφορά την εκτίμηση των παραμέτρων της παλινδρόμησης καθώς και τις ιδιότητες που τις ακολουθούν. Στο τέταρτο κεφάλαιο χρησιμοποιούμε πολυμεταβλητά τεστ για να κάνουμε εκείνους τους ελέγχους υποθέσεων που απαιτούνται για την παλινδρόμηση καθώς και προβλέπουμε τιμές για τις ερμηνευόμενες από ένα νέο σύνολο ερμηνευτικών μεταβλητών. Επίσης δίνονται κάποια μέτρα συσχέτισης μεταξύ των μεταβλητών. Στο επόμενο κεφάλαιο αναφέρουμε μερικά διαγνωστικά τεστ για το πολυμεταβλητό μοντέλο με σκοπό να εξετάσουμε αν τα δεδομένα είναι κατάλληλα. Τέλος ένα πρόγραμμα γράφεται σε γλώσσα προγραμματισμού R, έτσι ώστε να δείξουμε πρακτικά όλες τις πολυμεταβλητές τεχνικές που χρησιμοποιήθηκαν σε προηγούμενα κεφάλαια και παρουσιάζουμε τα αποτελέσματα της εφαρμογής πάνω σε ένα συγκεκριμένο σύνολο δεδομένων. Regression analysis is an important part of statistical modeling that estimates, using statistical tools, the relationship among some indepentent (predictor) variables against some dependent (response) variables. Furthermore, it can be used for predicting the values of the dependent variables using a new set of independent variables. The regression model may have one response variable (multiple linear regression) or more (multivariate multiple regression). In the current thesis various multivariate statistical methods are mentioned first. Then we review several aspects of the multiple regression such as the assumptions and their consequences of the multiple regression model and various confidence intervals and hypothesis tests for the regression coefficients. Then the multivariate regression model is introduced with all of its assumptions. All the regression parameters are estimated and the properties that are followed by this estimation explained. In Chapter 4, we use multivariate tests to run the hypothesis tests that are required as well as we predict the values of the responses variables from a new set of predictor variables. Also some measures of associations amongst the variables are given. In the next chapter we discuss some diagnostic tests of the multivariate regression model to examine whether the data are well fitted. Finally, a program is written using the R programming language to illustrate all the multivariate techniques that were used in previous chapters and we present the results of its application on a specific data set. 2016-11-09T11:40:36Z 2016-11-09T11:40:36Z 2016-09-12 Thesis http://hdl.handle.net/10889/9757 gr 0 application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Πολυμεταβλητή παλινδρόμηση Πολυμεταβλητή ανάλυση Multivariate regression Multivariate analysis 519.536 |
| spellingShingle |
Πολυμεταβλητή παλινδρόμηση Πολυμεταβλητή ανάλυση Multivariate regression Multivariate analysis 519.536 Μπέσσας, Ανδρέας Πολυμεταβλητή παλινδρόμηση και εφαρμογές στην R |
| description |
Η ανάλυση παλινδρόμησης είναι ένας σημαντικός κλάδος της στατιστικής επιστήμης ο οποίος μελετάει με στατιστικές μεθόδους την ύπαρξη σχέσης μεταξύ μεταβλητών, ανεξάρτητων (ερμηνευτικές μεταβλητές) και εξαρτημένων (ερμηνευόμενες μεταβλητές). Επιπλέον επιτρέπει την πρόβλεψη της τιμής της εξαρτημένης μεταβλητής για ένα οποιοδήποτε σύνολο νέων ανεξάρτητων μεταβλητών.
Το γραμμικό μοντέλο μπορεί να αποτελείται είτε από μία ερμηνευόμενη μεταβλητή (πολλαπλό γραμμικό μοντέλο) είτε από περισσότερες της μίας (πολυμεταβλητό πολλαπλό γραμμικό μοντέλο).
Στην παρούσα εργασία γίνεται αρχικά μία αναφορά σε διάφορες πολυμεταβλητές στατιστικές μεθόδους. Στην συνέχεια κάνουμε μία ανασκόπηση σε διάφορες πτυχές του πολλαπλού μοντέλου, όπως στις υποθέσεις και τις συνέπειες τους στην πολλαπλή παλινδρόμηση και σε διάφορα διαστήματα εμπιστοσύνης και ελέγχους υποθέσεων για τους συντελεστές παλινδρόμησης.
Κατόπιν εισάγεται το πολυμεταβλητό γραμμικό μοντέλο και όλες οι υποθέσεις κάτω από τις οποίες είναι δομημένο. Γίνεται μία εκτεταμένη ανάλυση όσον αφορά την εκτίμηση των παραμέτρων της παλινδρόμησης καθώς και τις ιδιότητες που τις ακολουθούν.
Στο τέταρτο κεφάλαιο χρησιμοποιούμε πολυμεταβλητά τεστ για να κάνουμε εκείνους τους ελέγχους υποθέσεων που απαιτούνται για την παλινδρόμηση καθώς και προβλέπουμε τιμές για τις ερμηνευόμενες από ένα νέο σύνολο ερμηνευτικών μεταβλητών. Επίσης δίνονται κάποια μέτρα συσχέτισης μεταξύ των μεταβλητών. Στο επόμενο κεφάλαιο αναφέρουμε μερικά διαγνωστικά τεστ για το πολυμεταβλητό μοντέλο με σκοπό να εξετάσουμε αν τα δεδομένα είναι κατάλληλα.
Τέλος ένα πρόγραμμα γράφεται σε γλώσσα προγραμματισμού R, έτσι ώστε να δείξουμε πρακτικά όλες τις πολυμεταβλητές τεχνικές που χρησιμοποιήθηκαν σε προηγούμενα κεφάλαια και παρουσιάζουμε τα αποτελέσματα της εφαρμογής πάνω σε ένα συγκεκριμένο σύνολο δεδομένων. |
| author2 |
Αλεβίζος, Φίλιππος |
| author_facet |
Αλεβίζος, Φίλιππος Μπέσσας, Ανδρέας |
| format |
Thesis |
| author |
Μπέσσας, Ανδρέας |
| author_sort |
Μπέσσας, Ανδρέας |
| title |
Πολυμεταβλητή παλινδρόμηση και εφαρμογές στην R |
| title_short |
Πολυμεταβλητή παλινδρόμηση και εφαρμογές στην R |
| title_full |
Πολυμεταβλητή παλινδρόμηση και εφαρμογές στην R |
| title_fullStr |
Πολυμεταβλητή παλινδρόμηση και εφαρμογές στην R |
| title_full_unstemmed |
Πολυμεταβλητή παλινδρόμηση και εφαρμογές στην R |
| title_sort |
πολυμεταβλητή παλινδρόμηση και εφαρμογές στην r |
| publishDate |
2016 |
| url |
http://hdl.handle.net/10889/9757 |
| work_keys_str_mv |
AT mpessasandreas polymetablētēpalindromēsēkaiepharmogesstēnr AT mpessasandreas multivariateregressionandapplicationswithr |
| _version_ |
1771297305688801280 |
