Wskaznik Regresji Liniowej (Linear Regression)

Najlepsi brokerzy opcji binarnych 2020:
  • Binarium
    Binarium

    1 miejsce w rankingu! Najlepszy wybor dla poczatkujacego!
    Bezplatne konto szkoleniowe i demo!
    Bonus za rejestracje!

  • FinMax
    FinMax

    Uczciwy i niezawodny broker! Dobre recenzje!

Linear Regression Line Indicator For MT4

Zanim zaczniemy omawiać szczegóły dotyczące wskaźnika Linear Regression Line Indicator For MT4 , chcielibyśmy opisać regresję liniową. Niektórzy z was mogą myśleć, że jest to bardzo złożony termin matematyczny, ale sprawimy, że wszystko będzie super łatwe. Linia regresji liniowej jest narysowaną linią prostą, która jest rysowana na podstawie obliczeń określonej liczby świecznika. Jeśli cena odbiega od linii regresji liniowej, przez większość czasu cena wraca do linii regresji liniowej. Ci, którzy mają doświadczenie w zawodzie handlowca, mogli odgadnąć, w jaki sposób użyjemy Linear Regression Line Indicator For MT4 aby znaleźć transakcje wysokiej jakości. Ale jeśli jesteś nowy na tym rynku, nie ma się czym martwić. Damy ci jasne wytyczne, aby używać tego wskaźnika jak profesjonalnego inwestora.

Partially Automated Trading Besides Your Day Job
Alerts In Real-Time When Divergences Occur
My Recommended MT4/MT5 Broker

Aby to ułatwić, możesz rozważyć linię regresji liniowej jako magnes cenowy. Jak więc znaleźć tę niesamowitą linię i handlować na rynku jak profesjonalny inwestor? Tutaj zaczyna działać Linear Regression Line Indicator For MT4 . Załaduj wskaźnik na swoim wykresie handlowym, a otrzymasz żądaną linię.

Wybór przedziału czasowego

Aby znaleźć najlepsze możliwe ustawienia handlu oparte na Linear Regression Line Indicator For MT4 musisz handlować w wyższych ramach czasowych. Większość początkujących inwestorów traci pieniądze, ponieważ nie rozumie znaczenia codziennej strategii handlu w ramach czasowych. Zawsze handlują rynkiem w krótszym czasie i tracą dużą część swoich inwestycji. Ale jeśli zamierzasz handlować rynkiem w codziennych ramach czasowych, będziesz w stanie znaleźć przejrzystą konfigurację handlu na podstawie odczytów wskaźnika. Dlatego zawsze wybieraj wyższy przedział czasowy, jeśli zamierzasz osiągnąć zysk, korzystając ze Linear Regression Line Indicator For MT4 .

Handluj z najnowszym trendem

Musisz nauczyć się znajdować długoterminowy i najnowszy trend na rynku. Na rynku Forex mówi się, że trend jest twoim przyjacielem. Jeśli więc handlujesz wbrew głównym trendom, szanse są bardzo duże, przez większość czasu stracisz. Dlatego zawsze używaj Linear Regression Line Indicator For MT4 aby znaleźć potencjalne konfiguracje handlowe na korzyść trendu rynkowego. Zobaczmy przykład, aby zrozumieć, w jaki sposób możemy wykorzystać ten wskaźnik w naszej realizacji transakcji.

Rys.: Konfiguracja krótkiego handlu na podstawie Linear Regression Line Indicator For MT4

Na powyższym rysunku widać cenę przyciąganą do linii regresji liniowej. Jednak z powodu niektórych ważnych wiadomości lub wydarzeń fundamentalnych, byki przejęły kontrolę na rynku. W oparciu o podstawowe kryteria linii regresji liniowej wiemy, że cena najprawdopodobniej dotknie linii regresji, co oznacza, że zauważymy przyzwoity spadek ceny. Musimy więc znaleźć najbliższy krytyczny poziom oporu, aby zrealizować nasze krótkie zamówienie. Na powyższym zdjęciu zacieniona zielona strefa jest potencjalnym miejscem sprzedaży.

Możesz czuć się zagubiony przy użyciu Linear Regression Line Indicator For MT4 , ale nie ma się czym martwić. Otwórz konto demo i spróbuj przeprowadzać transakcje na podstawie odczytanych wskaźników. Gdy poczujesz się komfortowo z wynikami handlu demo, zacznij handlować na prawdziwym rynku.

Najlepsi brokerzy opcji binarnych 2020:
  • Binarium
    Binarium

    1 miejsce w rankingu! Najlepszy wybor dla poczatkujacego!
    Bezplatne konto szkoleniowe i demo!
    Bonus za rejestracje!

  • FinMax
    FinMax

    Uczciwy i niezawodny broker! Dobre recenzje!

Konfigurowanie stop loss i czerpanie zysków

Aby ustawić stop loss, musisz mieć odpowiednią wiedzę na temat poziomu wsparcia i oporu. Umieść stop loss tuż poniżej krytycznego poziomu wsparcia podczas wykonywania długich zleceń. W przypadku krótkiego handlu musisz ustawić stop loss tuż powyżej krytycznego poziomu oporu. Chociaż ta technika jest niezwykle skuteczna, nadal możesz poprawić swoją dokładność, używając sygnału potwierdzenia akcji cenowej. Ale nigdy nie używaj szerokiego stop lossa podczas handlu na rynku za pomocą Linear Regression Line Indicator For MT4 .

Zysk zysków jest bardzo łatwy. Ponieważ linia regresji liniowej działa jak magnes cenowy, musisz ustawić potencjał do czerpania zysków tuż przy linii regresji liniowej. Ale zawsze upewnij się, że handlujesz na rynku ze współczynnikiem ryzyka do zysku 1: 3+, korzystając z Linear Regression Line Indicator For MT4 .

Znaczenie polityki zarządzania pieniędzmi

Bez względu na to, jakiej strategii handlowej używasz, musisz handlować rynkiem z odpowiednim zarządzaniem pieniędzmi. Być może znasz wszystkie funkcje Linear Regression Line Indicator For MT4 nadal nie zamierzasz wykonywać wszystkich transakcji. Handel polega na prawdopodobieństwie i musisz przygotować się na najgorszy scenariusz. Przestań podejmować ogromne ryzyko, ponieważ nie działa w prawdziwym handlu. Zaryzykuj tylko 1-2% salda konta na początkowym etapie, abyś mógł stracić kilka transakcji z rzędu bez stresu psychicznego. Gdy poczujesz się pewnie, zacznij brać 3% ryzyka w każdej transakcji.

Unikaj handlu wiadomościami

Linear Regression Line Indicator For MT4 działa najlepiej w stabilnej sytuacji rynkowej. Tak więc, jeśli wykonasz transakcję przed publikacją wiadomości o dużym wpływie, szanse są bardzo duże, stracisz przyzwoitą część swojej inwestycji. Musisz wiedzieć o zaplanowanych wiadomościach o dużym wpływie, w przeciwnym razie bardzo trudno będzie osiągnąć stały zysk z tego rynku. Nie ma nic złego w utrzymywaniu się na marginesie w ekstremalnych warunkach rynkowych. Zawsze handluj rynkiem w stabilnym stanie, ponieważ znacznie zmniejszy to czynniki ryzyka.

Przydatne porady

Handel to sztuka. Im więcej się nauczysz, tym lepiej zdobędziesz zawód w handlu walutami. Zostań studentem tego rynku i zastosuj inne metody techniczne, korzystając z Linear Regression Line Indicator For MT4 . Nigdy nie zapominaj, że wskaźniki pomagają na rynku Forex. Tak więc, jeśli wykonasz transakcję bez analizowania innych ważnych zmiennych, stracisz pieniądze, jak 95% handlowców detalicznych. Zawsze myśl nieszablonowo i baw się w najgorszym przypadku. Nigdy nie stawiaj nierealistycznych celów w zawodzie handlowca, ponieważ zmusi Cię to do handlu z wysokim ryzykiem. Bądź konserwatywnym inwestorem i handluj rynkiem z odpowiednią dyscypliną.

regresja liniowa – Linear regression

W statystycznych , regresji liniowej jest liniowe podejście do modelowania zależność między odpowiedzią skalarną (lub zmienną zależną ) i jednego lub większej liczby zmiennych objaśniających (lub zmiennych niezależnych ). Przypadek jednej zmiennej objaśniającej nazywany jest prosta regresja liniowa . W przypadku więcej niż jednej zmiennej wyjaśniającą proces nazywa wielokrotnej regresji liniowej . Termin ten różni się od wielu zmiennych regresji liniowej , w którym wiele skorelowane zmiennych zależnych przewiduje się, zamiast jednej skalarnej.

W regresji liniowej, relacje są modelowane za pomocą liniowych funkcji predykcyjne których wiadomo modelu parametry są szacowane z danymi . Takie modele są nazywane modeli liniowych . Najczęściej warunkowego średnia odpowiedzi podane wartości zmiennych dodatkowych (lub predykcyjne) zakłada się być funkcją afiniczną tych wartości; rzadziej warunkowego mediana lub jakiś inny kwantyl jest używany. Jak wszystkie formy analizy regresji , regresja liniowa skupia się na rozkład warunkowy odpowiedzi określonej wartości predyktory, a nie na wspólnej rozkładu prawdopodobieństwa dla wszystkich zmiennych, w którym to domena analizy wielowymiarowej .

regresji liniowej pierwszego rodzaju analizy regresji być badane rygorystycznie i jest szeroko stosowane w praktyce. To dlatego, że modele, które zależą liniowo od ich nieznanych parametrów łatwiej dopasować niż modele, które są nieliniowo związane z ich parametrami i ponieważ właściwości statystyczne uzyskanych estymatorów są łatwiejsze do określenia.

regresja liniowa ma wiele praktycznych zastosowań. Większość aplikacji należą do jednej z następujących dwóch szerokich kategorii:

  • Jeśli celem jest przewidywanie lub prognozowania lub zmniejszenie błędu regresja liniowa może być wykorzystane do dopasowania do modelu prognostycznego obserwowanego danych określonych wartości odpowiedzi i zmienne objaśniające. Po opracowaniu takiego modelu, jeśli wartości dodatkowe zmienne objaśniające zebrano bez towarzyszącego wartości reakcji, zamocowana model może być stosowany do przewidywania odpowiedzi.
  • Jeśli celem jest wyjaśnienie zmienności zmiennej odpowiedzi, które mogą być przypisane do zmienności zmiennych objaśniających, analizę regresji liniowej mogą być stosowane do określenia siły związku pomiędzy odpowiedzią i zmiennych objaśniających, w szczególności w celu ustalenia, czy niektóre zmienne objaśniające może nie liniową zależność reakcji w ogóle, lub w celu określenia, który podzbiór może zawierać zmienne objaśniające nadmiarowych informacji o odpowiedź.

Modele regresji liniowej są często mocowane za pomocą najmniejszych kwadratów podejście, ale mogą one być również umieszczone w inny sposób, na przykład przez minimalizowanie „brak dopasowania” w inny normy (jak najmniej odchyleń regresji) lub przez minimalizację karane wersja najmniejszych kwadratów koszt funkcję jak w regresji grzbiet ( L 2 -norm kara) i lasso ( L 1 -norm kar). Natomiast podejście najmniejszych kwadratów może być stosowany w celu dopasowania modeli, które nie są modele liniowe. Tak więc, chociaż terminy „najmniejszych kwadratów” oraz „model liniowy” są ściśle ze sobą powiązane, nie są synonimami.

Zawartość

Wprowadzenie

Biorąc pod uwagę dane zestaw z n jednostek statystycznych , liniowy model regresji zakłada, że zależność między zależne zmienne y i z p -wektor w regresorów X jest liniowa . Ta relacja jest modelowana przez terminu zakłóceń lub błędów zmiennej ε – AN niedotrzymanego zmiennej losowej , która dodaje „szum” na liniowej zależności między zmienną zależną i regresorów. W ten sposób model ma formę < r ja , x ja 1 , . , x ja p >ja = 1 n <\ Displaystyle \ , \, x_ \ ldots, x_ \> _ ^ >

Często te N równania są układane razem i zapisywane w notacji macierzowej jako

Kilka uwag na temat notacji i terminologii:

Przykład . Rozważmy sytuację, w której mała piłka jest rzucił się w powietrzu, a następnie mierzymy jego wysokość wznoszenia h I w różnych momentach w czasie t I . Fizyka mówi nam, że nie zważając na opór, relacje można modelować jako

gdzie β 1 określa początkową prędkość piłki, p 2 jest proporcjonalna do standardowej siły ciężkości i ε i jest spowodowana błędami pomiarowymi. Regresja liniowa może być użyty do oszacowania wartości P 1 i P 2, ze zmierzonych danych. Model ten jest nieliniowa w zmiennej w czasie, ale jest liniowy w parametrach p 1 i p 2 ; Jeśli weźmiemy regresorów X i = ( x i 1 , x i 2 ) = ( T I , T I 2 ), wzór wykonuje się na standardowej formie

założenia

Standardowe modele regresji liniowej ze standardowych technik szacowania dokonać szeregu założeń dotyczących zmiennych objaśniających zmienne reagowania i ich relacji. Liczne rozszerzenia zostały opracowane, które pozwalają każdej z tych założeń zostać złagodzone (czyli zmniejszona do słabszej formie), aw niektórych przypadkach całkowicie wyeliminować. Generalnie te rozszerzenia sprawiają, że procedura szacowania bardziej skomplikowane i czasochłonne, a także mogą wymagać większej ilości danych w celu wytworzenia równie dokładny model.

Poniżej przedstawiono główne założenia wykonane za pomocą standardowych modeli regresji liniowej ze standardowymi technikami (np estymacji zwykłych najmniejszych kwadratów )

  • Słaby egzogeniczności . Oznacza to w zasadzie, że predyktory x mogą być traktowane jako stałe wartości, zamiast zmiennych losowych . Oznacza to na przykład, że predyktory są uważane za wolne od błędów, to znaczy, nie skażone błędów pomiarowych. Chociaż założenie to nie jest realistyczne w wielu ustawień, zrzucając to prowadzi do znacznie trudniejszych błędy-in-zmiennych modeli .
  • Liniowość . Oznacza to, że średnia zmiennej odpowiedzi jest liniową kombinacją parametrów (współczynników regresji) i zmiennych predykcyjnych. Zauważ, że to założenie jest znacznie mniej restrykcyjne niż na początku może się wydawać. Ponieważ zmienne predykcyjne są traktowane jako stałe wartości (patrz wyżej), liniowość jest naprawdę tylko ograniczenie parametrów. Same predyktory można dowolnie przekształcone w rzeczywistości wiele kopii tej samej predyktor podstawowej mogą być dodawane, każdy przekształcony w inny sposób. Trick ten stosuje się, na przykład, w wielomianowej regresji , w którym zastosowano regresję liniową, w celu dopasowania do zmiennych odpowiedzi w dowolnym wielomianowym funkcji (do danego stopnia) o zmiennej predykcyjnych. To sprawia, że regresja liniowa niezwykle skuteczna metoda wnioskowania. W rzeczywistości, takie jak modele regresji wielomianowej są często zbyt „mocny”, ponieważ mają one tendencję do nadmierne dopasowanie do danych. W rezultacie, niektóre rodzaju uregulowania muszą być typowo stosowane w celu zapobiegania nieuzasadnionym rozwiązań pochodzących z procesu szacowania. Typowymi przykładami są grzbiet regresji i regresja lasso . Bayesa regresja liniowa może być używany, który ze swojej natury jest bardziej lub mniej odporna na problem nadmiernego dopasowania. (W rzeczywistości, grzbiet regresji i regresji lasso może zarówno być przeglądane za przypadki specjalne o Bayesa regresji liniowej z poszczególnych rodzajów stanu rozkładu wprowadzanych współczynników regresji).
  • Wariancja stała (aka homoskedastyczność ). Oznacza to, że różne wartości zmiennej odpowiedzi mają taką samą wariancję w swoich błędów, niezależnie od wartości zmiennych objaśniających. W praktyce założenie to jest nieważne (czyli błędy są heteroskedastyczny ) jeśli zmienna odpowiedź może zmieniać się w szeroką skalę. W celu sprawdzenia heterogenicznej błędu wariancji, lub gdy wzór reszt jest niezgodny modelowych założeń homoskedastyczność (błąd jest równie zmienna wokół „linii najlepiej dopasowaną” dla wszystkich punktów x) rozsądne jest, aby spojrzeć na „efekt wachlarzowo „między resztkowego błędu i przewidywanych wartości. To znaczy, nie będzie systematyczne zmiany w wartościach bezwzględnych lub kwadratów reszt kiedy wykreślono zmiennych predykcyjnych. Błędy nie będą równomiernie rozłożone na linii regresji. Heteroskedastyczność spowoduje uśrednianie z wyczuwalnymi wariancji wokół punktów, aby dostać jeden wariancji, który jest nieprecyzyjnie reprezentujący wszelkie odchylenia od linii. W efekcie pojawiają się pozostałości skupione i rozsunąć na ich przewidywanych działek dla większych i mniejszych wartości dla punktów wzdłuż linii regresji liniowej, a średni błąd kwadratowy dla modelu będzie źle. Zazwyczaj, na przykład, zmienna reakcji, których średnia jest duża będzie miał większą zmienność niż ten, którego średnia jest mała. Na przykład, dana osoba, której dochód jest przewidywany jako $ 100.000 łatwo może mieć rzeczywisty dochód $ 80.000 lub $ +120.000 (z odchyleniem standardowym około 20.000 $), a inna osoba z przewidywanego dochodu $ +10.000 jest mało prawdopodobne, aby mieć ten sam 20.000 dolarów odchylenie standardowe , co oznaczałoby ich rzeczywisty dochód będzie się zmieniać w dowolnym miejscu pomiędzy – $ 10,000 $ 30,000. (W rzeczywistości, jak pokazuje to w wielu przypadkach-często te same przypadki, w których założenie o rozkładzie normalnym błędów nie powiedzie-wariancji lub odchylenia standardowego należy przewidzieć być proporcjonalna do średniej, a nie stały.) Prostych metod estymacji regresji liniowej dać mniej precyzyjnych oszacowań parametrów i mylących ilości Wnioskowanie takie jak błędy standardowe kiedy znaczna Heteroskedastyczność jest obecny. Jednak różne techniki szacowania (np ważonych najmniejszych kwadratów i Heteroskedastyczność spójne błędy standardowe ) może obsługiwać Heteroskedastyczność w dość ogólny sposób. Bayesa regresji liniowej techniki mogą być również wykorzystane, gdy wariancja zakłada się być funkcją średniego. Możliwe jest również, w niektórych przypadkach, aby rozwiązać ten problem poprzez zastosowanie transformacji do zmiennej odpowiedzi (np pasują do logarytm zmiennej odpowiedzi za pomocą modelu regresji liniowej, co oznacza, że zmienna odpowiedź ma rozkład logarytmiczno-normalny , a nie normalne dystrybucja ).
  • Niezależność od błędów. Zakłada się, że błędy zmiennych odpowiedzi nie są skorelowane ze sobą. (Rzeczywista niezależność statystyczna jest silniejszy stan niż tylko brak korelacji i często nie jest konieczna, chociaż może zostać wykorzystana, jeśli znane jest przytrzymać.) Niektóre metody (np uogólnione najmniejszych kwadratów ) są zdolne do obsługi skorelowane błędy, choć zazwyczaj wymagają znacznie więcej danych, chyba że jakieś uregulowanie służy do odchylania kierunku modelu zakładając błędy nieskorelowanych. Bayesa regresji liniowej jest ogólny sposób postępowania z tego problemu.
  • Brak idealnego Współliniowość w predykcyjnych. Dla standardowych najmniejszych kwadratów metod estymacji macierzy wzór X może mieć pełną kolumnę rangęs ; w przeciwnym razie, mamy stan znany jako doskonały Współliniowość w zmiennych predykcyjnych. Może to być wywołane przez zastosowanie dwóch lub większej liczby skorelowanych predyktory (na przykład jeśli ta sama predyktor błędnie podano dwa, albo bez przekształcenia jednej kopii lub przekształcenie jednej kopii liniowo). Może się również zdarzyć, jeśli jest tam zbyt mało danych w porównaniu do liczby parametrów do szacunkowej (np mniej punktów danych niż współczynników regresji). W przypadku idealnym Współliniowość parametr wektor β będzie dla zidentyfikowania -it ma unikalne rozwiązanie. Co najwyżej będziemy w stanie zidentyfikować niektórych parametrów, tj zawężenia jego wartość w pewnym liniowej podprzestrzeni Rp . Zobacz częściową regresję najmniejszych kwadratów . Sposoby montażu modeli liniowych z Współliniowość zostały opracowane; niektóre wymagają dodatkowych założeń, takich jak „efekt sparsity” -to duża część efekty są dokładnie zero.
    Zauważ, że bardziej kosztowne obliczeniowo powtórzyć algorytmy estymacji parametrów, takich jak te stosowane w ogólny model liniowy , nie cierpią z powodu tego problemu.

Poza tymi założeniami, kilka innych właściwości statystyczne danych silnie wpływają na skuteczność różnych metod estymacji:

  • Związek statystyczny między warunkami błędach i regresorów odgrywa ważną rolę w określaniu, czy dana procedura pobierania próbek oszacowanie wykazuje właściwości pożądanych, takich jak bycie obiektywne i spójne.
  • Układ, lub prawdopodobieństwo dystrybucja z predyktorów X ma istotny wpływ na dokładność szacunków beta . Próbkowania i projektowanie eksperymentów są bardzo rozwinięte podpola statystyki zawierające wskazówki umożliwiające gromadzenie danych w taki sposób, aby osiągnąć precyzyjne oszacowanie beta .

Interpretacja

Zamontowana model regresji liniowej może być użyty do określenia związek pomiędzy jednym predyktora x j i zmienną odpowiedzi Y , gdy wszystkie inne zmienne predykcyjne w modelu są „unieruchomione”. W szczególności, interpretacja p j jest spodziewane zmiany Y do zmiany jednej jednostki na x j gdy inne zmienne są unieruchomione, to znaczy, wartość oczekiwaną z częściowej pochodnej z y względem x j . To jest czasami nazywane niepowtarzalny efekt z x j w y . W przeciwieństwie do tego niewielki wpływ na x j w y może być oceniana za pomocą współczynnika korelacji lub prostą regresji liniowej modelu obejmujące jedynie x j do Y ; Ten efekt jest całkowita pochodną z y względem x j .

Należy zachować ostrożność przy interpretacji wyników regresji, jak niektóre z regresorów nie może pozwolić na marginalnych zmian (takich jak zmiennych binarnych lub terminu przechwytującym), podczas gdy inni nie mogą być utrzymywane stałe (przywołać przykład z wprowadzenia: byłoby niemożliwe do „trzymaj t i stałe” i jednocześnie zmienić wartość t i 2 ).

Jest możliwe, że niepowtarzalny efekt może być bliska zeru, nawet jeśli efekt marginalny jest duża. Może to oznaczać, że jakiś inny zmiennej objaśniającej rejestruje wszystkie informacje w x j , tak że od razu, że zmienna jest w modelu, nie ma wkładu x j do zmienności y . Odwrotnie, unikalny efekt x j mogą być duże, a jego marginalny efekt jest prawie zerowa. To by się stało, gdyby inne zmienne wyjaśnił wiele zmienności y , ale przede wszystkim wyjaśnić różnice w sposób, który jest komplementarny do tego, co jest zrobione przez x j . W tym przypadku, w tym innych zmiennych w modelu zmniejsza część zmienności Y , które nie ma związku z x j , wzmacniając w ten sposób pozorny związek z x j .

Znaczenie wyrażenia „unieruchomione” może zależeć od tego, w jaki sposób wartości zmiennych predykcyjnych wystąpienia. Jeśli eksperymentator bezpośrednio ustawia wartości zmiennych objaśniających Według projektu badania, porównania to może dosłownie odpowiadają porównań między jednostkami, których predyktorami były „unieruchomione” przez eksperymentatora. Alternatywnie, wyrażenie „odbyła stałe” może odnosić się do selekcji, który odbywa się w kontekście analizy danych. W tym przypadku „posiadać zmienną stałą”, ograniczając naszą uwagę na podzbiorów danych, które akurat mają wspólne wartości dla danej zmiennej predykcyjnej. Jest to jedyna interpretacja „unieruchomione”, które mogą być wykorzystane w badaniu obserwacyjnym.

Pojęcie „wyjątkowy efekt” jest atrakcyjne badając skomplikowany system, w którym wpływ wiele składników powiązanych ze sobą zmienną odpowiedzi. W niektórych przypadkach może to być interpretowane dosłownie jako przyczynowy efekt interwencji, który jest powiązany z wartością zmiennej predykcyjnej. Jednak został on twierdził, że w wielu przypadkach analiza regresji wielokrotnej nie trafia do wyjaśnienia relacji pomiędzy predyktorami a zmienną odpowiedzi gdy predyktory są skorelowane ze sobą i nie są przypisane następujące projektu badawczego. Analiza wspólności mogą być pomocne w rozczesywania współdzielonych i unikalne wpływu skorelowanych zmiennych niezależnych.

rozszerzenia

Liczne rozszerzenia regresji liniowej zostały opracowane, które pozwalają niektórych lub wszystkich założeń podstawowy model zostać złagodzone.

Proste i wielokrotnej regresji liniowej

Bardzo najprostszym przypadku pojedynczej skalarnej predyktora X i jednego skalarne reakcji zmienną Y jest znany jako prostą regresji liniowej . Przedłużenie wielu i / lub wektora -valued predyktorami (oznaczonej przez duże X ), znany jako wielokrotnej regresji liniowej , znany również jako wieloczynnikowej dla regresji linearnej . Prawie wszystko w świecie rzeczywistym modele regresji obejmować wiele czynników predykcyjnych, a podstawowe opisy regresji liniowej są często formułowane w kategoriach modelu regresji wielokrotnej. Należy jednak zauważyć, że w tych przypadkach zmienna odpowiedź y nadal jest skalarne. Innym terminem, wieloczynnikowej regresji liniowej , odnosi się do przypadków, w których Y jest wektorem, to jest, tak samo jak ogólnym regresji liniowej .

Ogólne modele liniowe

Ogólny model liniowy uważa sytuację, gdy zmienna odpowiedź nie jest skalarne (dla każdej obserwacji), ale wektor, y í . Warunkowo liniowość nadal zakładano, z macierzą B , zastępując wektora p w klasycznym modelu regresji liniowej. Wielowymiarowe analogi Ordinary Least Squares (OLS) i Uogólnione najmniejszych kwadratów (GLS) zostały opracowane. „Ogólne modele liniowe” nazywane są również „wielowymiarowe modele liniowe”. To nie są takie same, jak wielu zmiennych modeli liniowych (zwany także „wielu modeli liniowych”). mi ( r ja | x ja ) = x ja T b <\ Displaystyle E (\ mathbf _ | \ mathbf _ ) = \ mathbf _ ^ <\ mathsf > b>

modele heteroskedastyczny

Różne modele zostały stworzone, które pozwalają na heteroskedastyczności , czyli błędów dla różnych zmiennych odpowiedzi mogą mieć różne wariancje . Na przykład, ważonych najmniejszych kwadratów jest sposób oszacowania liniowe modele regresji gdy zmienne reakcji mogą mieć różne wariancji błędu, z możliwością błędów zależnych. (Patrz także ważone metodą najmniejszych kwadratów i Uogólnione najmniejszych kwadratów ). Heteroskedastyczność spójne błędy standardowe jest ulepszony sposób użycia z nieskorelowanych ale potencjalnie heteroskedastyczny błędów.

Ogólny model liniowy

Uogólnione modele liniowe (GLMs) są ramy zmiennych odpowiedzi modelowania, które są ograniczone lub dyskretne. Jest to wykorzystywane, na przykład:

  • przy modelowaniu pozytywne ilości (np ceny lub grup), które różnią się na dużą skalę, jeżeli są dokładniej opisane stosując rozkład skośny , takie jak rozkład logarytmiczno-normalny lub rozkład Poissona (chociaż GLMs nie są stosowane dla danych logarytmiczno-normalny, zamiast reakcji zmienna jest jedynie przekształcone z wykorzystaniem funkcji logarytmu);
  • podczas modelowania danych kategorycznych , takich jak wybór danego kandydata w wyborach (co jest lepiej opisany za pomocą rozkładu Bernoulliego / rozkład dwumianowy dla opcji binarnych lub dystrybucja kategoryczny / rozkład wielomianu na multi-way wyborów), gdzie istnieje Numer stałym wyborów, które nie mogą być sensownie uporządkowane;
  • podczas modelowania danych porządkowych , np ocen w skali od 0 do 5, gdzie różne efekty można zamówić ale gdzie sama ilość może nie mieć żadnego absolutnego znaczenia (np ocena 4 nie mogą być „dwa razy lepiej” w dowolnym celu, poczucie jak ratingiem 2, ale po prostu oznacza, że jest lepiej niż 2 lub 3, ale nie tak dobre, jak 5).

Uogólnione modele liniowe pozwalają na dowolnej funkcji Link , g , który odnosi się do średniej zmiennej (ych) reakcji na predyktory: . Funkcja połączenie jest często związane z podziałem reakcji, a w szczególności typowo skutkuje przekształcenia pomiędzy zakresie predyktora liniowego i zakres zmiennej odpowiedzi. mi ( Y ) = sol – 1 ( X b ) <\ Displaystyle E (Y) = g ^ <- 1>(Xb)> ( – ∞ , ∞ )

Niektóre typowe przykłady GLMs są:

Pojedyncze modele indeks umożliwienia pewnego stopnia nieliniowości zależności między X i Y , przy jednoczesnym zachowaniu rolę predyktora liniowego βx , jak w klasycznym modelu regresji liniowej. Pod pewnymi warunkami, po prostu stosowania OLS danych z modelu pojedynczego indeksu będzie konsekwentnie oszacować p do współczynnik proporcjonalności.

Hierarchiczne modele liniowe

Modele hierarchicznej liniowe (lub regresji wielopoziomowe ) organizuje się dane w hierarchii regresji, na przykład w przypadku poddano regresji od B , a B jest regresji na C . Jest często używany w którym zmienne to mają naturalną strukturę hierarchiczną, takich jak statystyki edukacyjnych, gdzie uczniowie są zagnieżdżone w klasach, pomieszczenia są zagnieżdżone w szkołach, a szkoły są zagnieżdżone w jakiejś grupy administracyjnej, takich jak okręgu szkolnego. Zmienna odpowiedź może być miarą osiągnięć uczniów, takie jak wynik testu, a różne zmienne byłyby zbierane na poziomie klasa, szkoła, szkoła i okręgowych.

Błędy-in-variables

Błędy-in-zmiennych modeli (lub „modele pomiaru błędów”) rozszerzenie tradycyjnego modelu regresji liniowej w celu umożliwienia predyktorami X należy przestrzegać z błędem. Ten błąd powoduje standardowe estymatory beta stać tendencyjne. Generalnie formy uprzedzeń jest tłumienie, co oznacza, że efekty są dociskane do zera.

Pozostałe

  • W teorii Dempster-Shafer albo liniową funkcją przekonań w szczególności model regresji liniowej może być przedstawiona jako częściowo skokowej matrycy, który może być łączony z podobnymi macierzy reprezentujących obserwacji i innych założonych normalnych rozkładów i równania stanu. Połączenie przesunięte albo nie przesunięte matrycy zapewnia alternatywną metodę szacowania modeli regresji liniowej.

metody szacowania

Duża liczba procedur zostały opracowane dla parametrów estymacji i wnioskowania w regresji liniowej. Sposoby te różnią się obliczeniowej prostoty algorytmów obecności roztworu zamkniętej formy, wytrzymałości w stosunku do rozkładu ciężkich rozkładem, i założeń teoretycznych potrzebne, aby potwierdzić pożądane właściwości statystycznych, jak spójność i asymptotyczne wydajności .

Niektóre z bardziej popularnych technik szacowania regresji liniowej są zestawione poniżej.

estymacji najmniejszych kwadratów i pokrewne techniki

Metodą najmniejszych kwadratów sposoby obejmują przede wszystkim:

Oszacowanie Maksymalny-prawdopodobieństwa i technikach pokrewnych

  • Maksymalna oszacowanie prawdopodobieństwa mogą być wykonywane, gdy rozkład względem błędów jest znana należeć do pewnej rodziny parametrycznej ƒ θ z rozkładów prawdopodobieństwa . Gdy mθ jest rozkład normalny z zerową średnią i wariancją θ otrzymaną oszacowanie jest identyczny do oszacowania OLS. Szacunki GLS jest maksymalne prawdopodobieństwo ocenia po ε następuje wielowymiarowego rozkładu normalnego o znanej matrycy kowariancji .
  • Grzbiet regresji i inne formy karane oceny, takie jakregresji Lasso celowo wprowadzić odchylenie w ocenie P w celu zmniejszenia zmienności oszacowania. Uzyskane szacunki mają zwykle niższy błąd średniokwadratowy niż szacunków OLS, szczególnie gdy Współliniowość jest obecny lub gdy przeuczenia jest problem. Na ogół są one stosowane, gdy celem jest, aby przewidzieć wartość zmiennej odpowiedzi y do wartości predyktorów X , które jeszcze nie zostały zaobserwowane. Metody te nie są tak powszechnie stosowane, gdy celem jest wnioskowanie, ponieważ trudno jest wytłumaczyć stronniczości.
  • Najmniej absolutne odchylenie (LAD) regresji jest estymacja odporna techniki tym, że są mniej wrażliwe na obecność skrajnych niż OLS (ale jest mniej efektywny , niż gdy nie OLS odstające są obecne). Jest odpowiednikiem największej wiarygodności w ramach dystrybucji Laplace’a modelu ε .
  • Adaptacyjne oszacowanie . Jeśli założymy, że warunki błędach są niezależne od tych regresorów, , wówczas optymalna Estymator jest 2-stopniowy MLE, gdzie pierwszym etapem jest używany do nie-parametrycznie oszacowania rozkładu składnika losowego. ε ja ⊥ x ja <\ Displaystyle \ varepsilon _ \ sprawca \ mathbf _ >

Inne techniki szacowania

  • Bayesa regresji liniowej stosuje ramy Bayesa statystyki regresji liniowej. (Patrz także Bayesa wieloczynnikowej regresji liniowej ). W szczególności, współczynniki regresji β jest przyjmowana zmiennych losowych z określonego stanu rozkładu . W stanie puszki rozkład Odchylenie rozwiązania dla współczynników regresji, w sposób podobny do (ale ogólnie nie) regresji grzbiet lub regresji Lasso . Ponadto Bayesa proces szacowania nie daje pojedynczą Estymacja punktowa „najlepsze” wartości współczynników regresji ale cały rozkład tylnej całkowicie opisujące niepewność odnośnie ilości. Może to być wykorzystane do oszacowania „najlepsze” współczynników z wykorzystaniem średniego, tryb, mediana, każdy kwantyli (patrz regresji kwantyli ), lub w dowolnej innej funkcji rozkładu tylnej.
  • Regresja kwantyl koncentruje się na warunkowe kwantyli y danego X zamiast warunkowego średniej y danego X . Liniowe modele regresji kwantylem szczególny kwantylowych warunkowe, na przykład średni warunkowe, jako liniowa funkcja P T X z predykcyjnych.
  • Modele mieszane są szeroko wykorzystywane do analizy regresji liniowej relacji obejmujących dane zależne od kiedy Zależności mają znaną strukturę. Typowe zastosowania mieszane modele obejmują analizę danych dotyczących wielokrotnych pomiarów, takich jak dane podłużnych lub danych uzyskanych z próbek klastra. Na ogół są one pasują jako parametrycznych modeli, używając maksymalnego prawdopodobieństwa lub Twierdzenia Bayesa. W przypadku, gdy błędy są modelowane jako normalnych zmiennych losowych, istnieje ścisły związek między mieszanych modeli i uogólnionych najmniejszych kwadratów. Oszacowanie Poprawiono działanie jest alternatywne podejście do analizy tego typu danych.
  • Regresja głównych składowych (PCR) stosuje się, gdy liczba predyktorami jest duża lub gdy istnieje silne korelacje między zmiennymi predykcyjnych. Ta dwuetapowa procedura najpierw redukuje predyktorami stosując analizę głównych składowych , a następnie na podstawie obniżonej zmienne w regresji dopasowanie OLS. Mimo, że często sprawdza się w praktyce, nie ma ogólnego teoretyczny powód, że najbardziej pouczające liniową funkcją zmiennych predykcyjnych powinny leżeć wśród dominujących głównych składowych wieloczynnikowej dystrybucji zmiennych predykcyjnych. Częściowej regresji najmniejszych kwadratów jest rozszerzenie metody PCR, które nie cierpią z powodu wspomnianego braku.
  • Regresji najmniejszych kąt jest procedurą szacowania modeli regresji liniowej, który został opracowany w celu obsługi wysoko-wymiarowych wektorów zmiennej towarzyszącej, ewentualnie z większą współzmienne niż obserwacji.
  • Thiel-Sen estymator jest prosty estymacja odporna techniką wybiera nachylenie dopasowanej linii być mediana zboczy linii z parami punktów próbkowania. Ma podobne właściwości efektywności statystyczny do prostych regresji liniowej, ale jest o wiele mniej wrażliwy na odstających .
  • Inne mocne techniki estymacji, w tym alfa-uporządkowane średnich podejście i L, M, S i R estymatory zostały wprowadzone.

Aplikacje

regresja liniowa jest szeroko stosowane w naukach biologicznych, behawioralnych i społecznych, aby opisać możliwe relacje między zmiennymi. To plasuje się jednym z najważniejszych narzędzi stosowanych w tych dyscyplinach.

linia trendu

Linia trendu reprezentuje trend, ruch długoterminowy szeregów czasowych danych po innych komponentów zostały zaksięgowane. Mówi, czy dany zbiór danych (powiedzmy PKB, ceny ropy lub ceny akcji) wzrosły lub spadły w tym okresie czasu. Linia trendu może po prostu być sporządzony na oko przez zestaw punktów danych, ale właściwie ich położenie i nachylenie jest obliczana przy użyciu technik statystycznych, takich jak regresji liniowej. Linii trendu zwykle są proste, chociaż niektóre warianty stosować wyższe wielomianów stopnia w zależności od stopnia pożądanej krzywizny w linii.

linie trendu są czasami używane w analiz biznesowych, aby pokazać zmian danych w czasie. Ma to tę zaletę, że jest proste. linie trendu są często wykorzystywane do argumentować, że dana czynność lub zdarzenie (takie jak szkolenia, czy kampania reklamowa) spowodowane obserwowanie zmian w punkcie w czasie. Jest to prosta technika, i nie wymaga grupę kontrolną, projekt eksperymentalny, albo wyrafinowaną technikę analizy. Jednak cierpi z powodu braku ważności naukowej w przypadkach, gdy inne potencjalne zmiany mogą mieć wpływ na dane.

Epidemiologia

Wczesne dowody dotyczące palenia tytoniu na śmiertelność i zachorowalność pochodziły z badań obserwacyjnych wykorzystujących analizę regresji. W celu zredukowania fałszywych korelacji przy analizie danych obserwacyjnych, naukowcy zazwyczaj zawierają kilka zmiennych w swoich modelach regresji oprócz zmiennej zainteresowania podstawowej. Na przykład w modelu regresji, w których palenie papierosów jest zmienna niezależna od pierwotnego zainteresowania i zmienna zależna jest żywotność mierzona w latach, naukowcy mogą obejmować edukację i dochody jako dodatkowe zmienne niezależne, aby zapewnić, że każdy zaobserwowany wpływ palenia na żywotność jest nie z powodu tych innych czynników społeczno-ekonomicznych . Jednak nigdy nie jest możliwe włączenie wszystkich możliwych występowały zmienne w empirycznej analizie. Na przykład, gen hipotetyczny może zwiększać śmiertelność, a także powodować, że ludzie palić więcej. Z tego powodu, randomizowanych badań często są w stanie wytworzyć bardziej przekonujący dowód związków przyczynowych, niż można uzyskać za pomocą analizy regresji z danymi z obserwacji. Kiedy kontrolowane eksperymenty nie są możliwe warianty analizy regresji jak instrumentalnej zmiennych regresji mogą być wykorzystane do próby oszacowania relacji przyczynowych z danych obserwacyjnych.

Finanse

Model wyceny aktywów kapitałowych używa regresji liniowej, a także koncepcję beta do analizy i ilościowego systematyczne ryzyko inwestycji. Ten pochodzi bezpośrednio od współczynnika beta liniowego modelu regresji, który odnosi się do powrotu na inwestycje na powrót dla wartości ryzykowne.

Ekonomia

Regresja liniowa jest głównym narzędziem w empiryczny ekonomii . Na przykład, jest ona wykorzystywana do przewidzenia wydatków konsumpcyjnych , inwestycji trwałych wydatków, inwestycji magazynowych , zakup danego kraju wywozu , wydatki na import The popyt posiadać aktywa płynne , popytu na pracę i podaży pracy .

Nauka o środowisku

Regresja liniowa znajduje zastosowanie w szerokiej gamie zastosowań nauk środowiskowych. W Kanadzie, program monitoringu środowiska Effects wykorzystuje analiz statystycznych na temat ryb i dennej badań do pomiaru efektów celulozowni lub metalu kopalni ścieków ekosystemie wodnym.

Nauczanie maszynowe

Regresja liniowa odgrywa ważną rolę w dziedzinie sztucznej inteligencji , takich jak uczenie maszynowe . Algorytm regresji liniowej jest jednym z podstawowych maszynowego uczenia nadzorowanych algorytmów ze względu na jego względną prostotę i znanych właściwości.

Wskaźnik kanału regresji liniowej dla MT4

Wskaźnik kanału regresji liniowej dla MT4 jest jednym ze wskaźników technicznych, które określają jego wartości na podstawie wzorów matematycznych. Chociaż istnieje wiele innych wskaźników technicznych, takich jak średnie ruchome lub oscylatory, wskaźnik kanału regresji liniowej wchodzi w zaawansowany tryb obliczania ceny.

W pewnym sensie wskaźnik kanału regresji liniowej ma charakter predykcyjny. Dlatego nie dziwi fakt, że inwestorzy gromadzą się na wskaźniku kanału regresji liniowej. Ale nie popełniaj błędu, myśląc, że kanał regresji liniowej pokaże ci, gdzie będzie cena.

Partially Automated Trading Besides Your Day Job
Alerts In Real-Time When Divergences Occur
My Recommended MT4/MT5 Broker

Wręcz przeciwnie, wskaźnik kanału regresji liniowej pokaże potencjalne wartości cen dla ceny. Gdy występuje odchylenie od wartości regresji, inwestorzy mogą wykorzystać anomalię na rynkach. Ale handel kanałem regresji liniowej nie jest tak prosty, jak kupowanie lub sprzedawanie, gdy cena odsuwa się od kanału.

Czasami, w zależności od siły trendu, cena może utrzymywać ten moment i odchylać się dalej od kanału regresji liniowej.

Jak sama nazwa wskazuje, kanał regresji liniowej należy do grupy wskaźników kanału. Wskaźniki kanału służą do zrozumienia odchylenia ceny. Gdy cena ma tendencję do odchylania się od zwykłego kursu, można spodziewać się korekty cen.

Wskaźnik kanału regresji liniowej wykreśla wykres ceny. Wartości są określane na podstawie wprowadzonych ustawień. Dlatego zmiana wartości wskaźnika może pokazywać różne wyniki.

Zaleca się, aby inwestorzy najpierw używali tego wskaźnika na platformie demonstracyjnej przed użyciem go na prawdziwych rynkach. Zalecana jest również dalsza ważność innych wskaźników technicznych. Użycie izolacji wskaźnika kanału regresji liniowej może prowadzić do potencjalnych strat.

Korzystanie z oscylatorów jest doskonałym sposobem na uzupełnienie użycia wskaźnika kanału regresji liniowej.

Jak korzystać ze wskaźnika kanału regresji liniowej

Jak sugeruje nazwa linearna , wskaźnik ten wytycza kanały w nieco prostej linii. Ale nie mylcie linii prostych jako poziomów wsparcia i oporu, chociaż reprezentują je w ten czy inny sposób.

Wskaźnik kanału regresji liniowej jest wskaźnikiem niestandardowym, który można pobrać z tego artykułu. Otwórz folder wskaźników swojej platformy handlowej MT4 i przenieś plik ex4.

Uruchom ponownie platformę handlową MT4 i odśwież okno nawigatora, aby pojawił się ten nowo zainstalowany wskaźnik. Możesz kliknąć dwukrotnie lub przeciągnąć i upuścić wskaźnik na wybrany wykres.

Ustawienia konfiguracji wskaźnika kanału regresji liniowej są bardzo proste, co można zobaczyć poniżej.

Konfiguracja wskaźnika kanału regresji liniowej

Jak widać, są tylko dwa ustawienia w oknie konfiguracji. Pierwszy zestaw pokazuje liczbę słupków do obliczenia. Wartość domyślna to 1000. Oznacza to, że liczba słupków w okresie wstecznym wynosi 1000. Im wyższe wartości, tym bardziej wiarygodny może być wskaźnik.

Ale z tego samego powodu mogą być bardzo opóźnieni. Oznacza to, że wskaźnik kanału regresji liniowej nie reaguje na ostatnie zachowanie akcji cenowej. Dlatego, jeśli zmienność cen była stabilna w ciągu ostatnich 1000 taktów lub sesji, można zobaczyć, że wskaźnik kanału regresji liniowej pozostaje płaski bez żadnych większych korekt.

Z drugiej strony, jeśli cena za ostatnie 1000 taktów była bardzo zmienna, można oczekiwać, że wskaźnik kanału regresji potencjalnie zmieni kierunek i przejawi linię ukośną.

Ustawienie odchyleń pasma zasadniczo umożliwia ustawienie liczby odchyleń standardowych od siebie. Wartość domyślna jest ustawiona na 0,05, co oznacza brak odchylenia 0,05%. Jak widać z ustawień, wskaźnik kanału regresji liniowej łączy odchylenia standardowe i akcję ceny z okresu wstecznego. Zasadniczo powoduje to wykreślenie trzech linii na wykresie.

Następny wykres poniżej pokazuje, jak wygląda wskaźnik kanału regresji liniowej po zakończeniu konfiguracji konfiguracji.

Wskaźnik kanału regresji liniowej MT4

W zależności od tego, gdzie jest cena, możesz spodziewać się odwrócenia. Na powyższym wykresie, jeśli spojrzysz od lewej strony, zobaczysz tę cenę odwróconą w pobliżu górnego lub zewnętrznego niebieskiego kanału regresji. Podobnie zdarzają się przypadki, gdy cena odbijała się od dolnego kanału regresji.

Ale w końcu cena przełamuje ten niższy zespół i handluje poza kanałem. Jak wspomnieliśmy wcześniej, dzieje się tak z powodu liczby okresów wstecz. Użycie mniejszej wartości może spowodować, że kanał regresji liniowej będzie cały czas się zmieniał. Handlowcy nazywają to wskaźnikiem malowania. Ponowne malowanie jest jedynie odzwierciedleniem wskaźnika dostosowującego się do nowych wartości podanych przez rynki. Dlatego nie ma w tym nic złego. Ale wielu handlowców unika stosowania wskaźnika malowania z oczywistych powodów.

Tak więc, aby zapobiec zbyt częstemu malowaniu wskaźnika kanału regresji liniowej, okres obserwacji jest ustawiony na 1000 barów. Zaleca się zmianę tych wartości, aby znaleźć idealną liczbę, która może być używana na rynkach.

Wskaźnik kanału regresji liniowej – Wnioski

Wskaźnik kanału regresji liniowej można zastosować do dowolnych rynków i dowolnych ram czasowych. Jest to czysto matematyczny wskaźnik techniczny, który zajmuje się prawdopodobieństwem i jest przede wszystkim używany jako narzędzie do przedstawiania górnych i dolnych zakresów rynków. W zależności od ustawienia odchylenia standardowego wskaźnik służy jako dynamiczny wskaźnik wsparcia i oporu na wykresie.

Jak wspomniano wcześniej, nie zaleca się handlu tylko na podstawie wskaźnika kanału regresji liniowej. Przeciwnie, użycie oscylatorów i innych wskaźników technicznych, takich jak średnie ruchome, może pomóc Ci uzyskać pewien zakres kontekstu dla rynków, na których handlujesz.

Handlowcy powinni również poświęcić trochę czasu na zrozumienie, w jaki sposób wskaźnik kanału regresji liniowej zachowuje się w obliczu ciągle zmieniającej się akcji cenowej w odniesieniu do bezpieczeństwa, którym handlują.

Najlepsi brokerzy opcji binarnych 2020:
  • Binarium
    Binarium

    1 miejsce w rankingu! Najlepszy wybor dla poczatkujacego!
    Bezplatne konto szkoleniowe i demo!
    Bonus za rejestracje!

  • FinMax
    FinMax

    Uczciwy i niezawodny broker! Dobre recenzje!

Like this post? Please share to your friends:
Jak zarabiać na opcjach binarnych?

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!:

Część serii na statystyki
Analiza regresji
modele
  • regresja liniowa
  • prosta regresji
  • regresja wielomianowa
  • Ogólny model liniowy
  • Uogólniony model liniowy
  • dyskretny wybór
  • regresji logistycznej
  • wielomianu logarytmicznej
  • mieszane logarytmicznej
  • probitowy
  • wielomianu probitowy
  • Zamówiłem logarytmicznej
  • Zamówiłem probitowy
  • Poisson
  • wielopoziomowe modelu
  • trwałe efekty
  • losowe efekty
  • Model mieszany
  • regresja nieliniowa
  • nieparametryczny
  • parametryczne
  • Krzepki
  • kwantyl
  • izotoniczny
  • Główne składniki
  • najmniej kąt
  • Lokalny
  • segmentowane
  • Błędy-in-variables
Oszacowanie
  • najmniejszych kwadratów
  • Liniowy
  • Nieliniowy
  • Zwyczajny
  • ważona
  • uogólnione
  • Częściowy
  • Całkowity
  • Nieujemna
  • regresja Ridge
  • uregulowana
  • Najmniej odchyleń
  • iteracyjnie ponownemu równoważeniu
  • Bayesa
  • Bayesa wieloczynnikowej
tło
  • walidacji modelu regresji
  • Oznacza i przewidzieć odpowiedź
  • Błędy i reszty
  • Dobroć dopasowania
  • studentyzowane resztkowa
  • Twierdzenie Gaussa-Markowa
  • Portal Statystyki