Antwoord:
U moet het volledige antwoord zien om het te begrijpen
Uitleg:
Ik weet niet helemaal wat je bedoelt, je krijgt eerst je dataset waarin je teruggaat naar x om te zien hoe een verandering in x y effectueert.
x y
1 4
2 6
3 7
4 6
5 2
En je wilt de relatie tussen x en y vinden, dus zeg dat je denkt dat het model is
of in statistieken
deze
Zo
Dit vertelt u dat de voorspelde coëfficiënten u de voorspelde y-waarde zullen geven.
Dus nu wilt u de beste schattingen voor deze co-efficiënties vinden we dit doen door het vinden van het laagste verschil tussen de werkelijke y-waarde en voorspeld.
Dit zegt in feite dat u het minimum wilt van de som van de verschillen tussen de actuele y-waarden en voorspelde y-waarden voor uw regressielijn
Dus de formules om ze te vinden zijn
De eerste en tweede termen van een geometrische reeks zijn respectievelijk de eerste en derde termen van een lineaire reeks. De vierde term van de lineaire reeks is 10 en de som van de eerste vijf term is 60 Vind de eerste vijf termen van de lineaire reeks?
{16, 14, 12, 10, 8} Een typische geometrische reeks kan worden weergegeven als c_0a, c_0a ^ 2, cdots, c_0a ^ k en een typische rekenkundige rij als c_0a, c_0a + Delta, c_0a + 2Delta, cdots, c_0a + kDelta Calling c_0 a als het eerste element voor de geometrische reeks die we hebben {(c_0 a ^ 2 = c_0a + 2Delta -> "Eerste en tweede van GS zijn de eerste en derde van een LS"), (c_0a + 3Delta = 10- > "De vierde term van de lineaire reeks is 10"), (5c_0a + 10Delta = 60 -> "De som van de eerste vijf term is 60"):} Oplossen voor c_0, a, Delta we verkrijgen c_0 = 64/3 , a = 3/4, Delta = -2 en
Een steekproef van 64 waarnemingen is geselecteerd uit een normale populatie. Het steekproefgemiddelde is 215 en de standaardafwijking van de populatie is 15. Voer de volgende hypothesetest uit met het 0,03 significantieniveau. Wat is de p-waarde?
0.0038
Wat wordt bedoeld met de term "kleinste vierkanten" bij lineaire regressie?
Dit alles betekent het minimum tussen de som van het verschil tussen de werkelijke y-waarde en de voorspelde y-waarde. min sum_ (i = 1) ^ n (y_i-haty) ^ 2 Betekent alleen het minimum tussen de som van alle resuidals min sum_ (i = 1) ^ nhatu_i ^ 2 al dit betekent is het minimum tussen de som van het verschil tussen de werkelijke y-waarde en de voorspelde y-waarde. min sum_ (i = 1) ^ n (y_i-haty) ^ 2 Op deze manier minimaliseert u de fout tussen de voorspelde en de fout die u het best geschikt maakt voor de regressielijn.