Couvre les bases de la régression linéaire, la méthode OLS, les valeurs prédites, les résidus, la notation matricielle, la bonté d'adaptation, les tests d'hypothèse et les intervalles de confiance.
Couvre la régression linéaire, de lélaboration de questions de recherche à linterprétation de R-carré et en ajoutant des prédicteurs pour améliorer le modèle.
Explore les concepts avancés dans les modèles de régression linéaire, y compris la multicolinéarité, les tests d'hypothèses et les valeurs aberrantes de manipulation.
Couvre l'essentiel de la régression linéaire, en se concentrant sur l'utilisation de multiples variables explicatives quantitatives pour prédire un résultat quantitatif.
Discute des arbres de régression, des méthodes d'ensemble et de leurs applications dans la prévision des prix des voitures d'occasion et des rendements des stocks.
Fournit un aperçu de la théorie des probabilités de base, de l'ANOVA, des tests t, du théorème de limite centrale, des métriques, des intervalles de confiance et des tests non paramétriques.
Explore l'hétéroskédasticité en économétrie, en discutant de son impact sur les erreurs standard, les estimateurs alternatifs, les méthodes d'essai et les implications pour les tests d'hypothèses.
Explore comment les variables instrumentales corrigent les biais à partir des erreurs de mesure et de la causalité inverse dans les modèles de régression.
Explore les distributions de probabilité pour les variables aléatoires dans les études sur la pollution atmosphérique et le changement climatique, couvrant les statistiques descriptives et inférentielles.
Couvre les concepts fondamentaux des probabilités et des statistiques, y compris la régression linéaire, les statistiques exploratoires et l'analyse des probabilités.
