Στο παρόν κεφάλαιο εξετάζονται οι βασικότερες συναρτησιακές μορφές των μοντέλων παλινδρόμησης. Πιο αναλυτικά, παρουσιάζονται πρακτικές εφαρμογές για μοντέλα τα οποία μπορεί να είναι γραμμικά ως προς τις παραμέτρους, αλλά να είναι ή να μην είναι γραμμικά ως προς τις μεταβλητές. Για τις περιπτώσεις που το μοντέλο είναι μη γραμμικό ως προς τις παραμέτρους εκτίμησης, θα αναλυθούν ο αντίστοιχος μετασχηματισμός προκειμένου να μπορεί να εκτιμηθεί, καθώς και ο έλεγχος γραμμικού περιορισμού. Επίσης, συζητούνται η διαδικασία κανονικοποίησης των μεταβλητών, η χρήση τους σε ένα μοντέλο παλινδρόμησης και η ερμηνεία τους. Στο τελευταίο μέρος του κεφαλαίου γίνεται αναφορά στα βασικά μέτρα καλής προσαρμογής για την αξιολόγηση του μοντέλου.
(EL)
In this chapter, we will examine the most basic functional forms of regression models. In more detail, we will consider practical applications for models that may or may not be linear in the parameters but may or may not be linear in the variables. For cases where the model is nonlinear concerning the estimation parameters, we will also show the corresponding transformation to be able to estimate it as well as the linear constraint test. We also discuss the process of normalizing the variables, their use in a regression model and their interpretation. In the last part of the chapter, we discuss the key goodness-of-fit measures for model evaluation.
(EN)
Hellenic Academic Libraries Link
