Explore comment les variables instrumentales corrigent les biais à partir des erreurs de mesure et de la causalité inverse dans les modèles de régression.
Se penche sur la mesure des effets de l'apprentissage dans l'éducation numérique et l'analyse, couvrant les questions de recherche, les variables, la conception expérimentale et les solutions de biais.
Couvre les bases de la conception et de l'analyse expérimentales, en mettant l'accent sur les techniques statistiques comme l'ANOVA, la régression, la médiation et la modération.
Couvre la régression linéaire, de lélaboration de questions de recherche à linterprétation de R-carré et en ajoutant des prédicteurs pour améliorer le modèle.
Couvre la spécification de la partie déterministe dans les transformations non linéaires des variables et le prétraitement des données pour les non-linéarités.
Couvre les facteurs de vision spéculaire, l'échange radiatif, le transfert d'énergie et les méthodes d'intégration numérique dans le rayonnement thermique.
Discute de la géométrie des moindres carrés, en explorant les perspectives des lignes et des colonnes, les hyperplans, les projections, les résidus et les vecteurs uniques.
Explorer la conception expérimentale pour mesurer les résultats d'apprentissage et discuter des biais, de l'équivalence de groupe et des conceptions à l'intérieur des sujets.
Déplacez-vous dans les bases de la thermodynamique, calculez les changements d'énergie, construisez des tables et utilisez les relations Maxwell pour les relations thermodynamiques.
Explore la régression linéaire gaussienne, la matrice de conception, l'estimation des moindres carrés et l'interprétation géométrique dans l'analyse de régression linéaire.
Explore les dérivés partiels dans la composition des fonctions, les preuves de continuité, les applications de théorème de valeur moyenne, et les implications de calcul intégral.
