Modelo lineal básico

La versión actual de la página aún no ha sido revisada por colaboradores experimentados y puede diferir significativamente de la versión revisada el 7 de febrero de 2021; la verificación requiere 1 edición .

El modelo lineal básico en estadística matemática  es el nombre de una clase de modelos estadísticos que satisfacen la condición

donde Y es una matriz que incluye las medidas que se describen, B  es una matriz que incluye parámetros de interés para el estudio, X  es una matriz que incluye coeficientes constantes y U  es una matriz de error aleatorio. Los modelos en los que cada coordenada del vector X es un número entero (0 o 1) y denota pertenencia a un grupo se utilizan en el análisis de varianza . Los modelos en los que X es una variable numérica continua se utilizan en el análisis de regresión . Los modelos que contienen ambos tipos de valores de X se utilizan en el análisis de covarianza .

Literatura

• Scheffe G. Análisis de dispersión, trad. De inglés. - M., 1963.

Mínimos cuadrados y análisis de regresión
Estadísticas computacionales	Método de mínimos cuadrados multinacional lineal Mínimos cuadrados no lineales LSM con recálculo iterativo de pesos
Correlación y dependencia	Coeficiente de correlación de Pearson Correlación de rango ( Spearman Kendall ) Correlación parcial factor de distorsión
Análisis de regresión	multinacional normal Método de mínimos cuadrados parciales Mínimos cuadrados completos Regresión de cresta
La regresión como modelo estadístico	Regresión lineal Regresión lineal simple multinacional normal Mínimos cuadrados generalizados Mínimos cuadrados ponderados Modelo lineal básico marco predictivo Regresión polinomial curva de crecimiento regresión segmentada regresión local Regresión personalizada no lineal no paramétrico semiparamétrico sostenible cuantil isotónico Errores no estándar Modelo lineal generalizado regresión binomial Regresión de Poisson Regresión logística
descomposición de la varianza	Análisis de variación Análisis de covarianza Análisis de varianza multivariante
estudio modelo	C p Malvas Regresión paso a paso Elegir un modelo estadístico Validación del modelo de regresión
requisitos previos	Respuesta media y esperada Teorema de Gauss-Markov Errores y desviaciones Prueba estadística Saldo estudentizado Error cuadrático medio mínimo
Planificación de experimentos	Metodología de superficie de respuesta Diseño óptimo de experimentos Diseño de experimentos bayesianos
Aproximación numérica	Métodos computacionales teoría de la aproximación Integracion numerica método de Gauss polinomios ortogonales Polinomios de Chebyshev Nodos de Chebyshev
Aplicaciones	Aproximación mediante curvas Curva de calibración Filtro Savitsky-Golay Identificación del sistema Método de mínimos cuadrados móviles