Primijenjena statistika
  • Priručnik primijenjene statistike u R-u
  • Predgovor
  • 1. Uvod u R
    • 1.1. R objekti
    • 1.2. Manipulacije i agregacije podataka
    • 1.3. Import i eksport podataka
    • 1.4. Korisničke funkcije
  • 2. Tipovi i nivoi mjerenja statističkih obilježja
  • 3. Deskriptivna statistika i grafičko predstavljanje podataka
    • 3.1. Mjere centralne tendencije
    • 3.2. Mjere varijabiliteta
    • 3.3. Mjere oblika rasporeda
    • 3.4. Grafičko predstavljanje podataka
  • 4. Distribucije vjerovatnoća slučajne promjenljive
    • 4.1. Binomni raspored
    • 4.2. Normalni raspored
    • 4.3. Studentov t raspored
    • 4.4. Fišerov F raspored i hi-kvadrat raspored
  • 5. Uzorak i uzoračke ocjene
  • 6. Statističko testiranje hipoteza
    • 6.1. t-test na osnovu jednog uzorka
    • 6.2. t-test na osnovu dva uzorka
    • 6.3. Test proporcija
    • 6.4. Analiza varijanse – ANOVA (klasična ANOVA i Welch ANOVA)
    • 6.5. Wilcoxonov test ranga na osnovu jednog uzorka
    • 6.6. Wilcoxonov test na osnovu dva uzorka
    • 6.7. Kruskal-Wallisov test
    • 6.8. Testovi normalnosti
      • 6.8.1. Jarque-Bera test normalnosti
      • 6.8.2. Pearsonov hi-kvadrat test normalnosti
    • 6.9. Testovi homogenosti varijanse
      • 6.9.1. F test jednakosti varijansi
      • 6.9.2. Bartlettov test homogenosti varijansi
      • 6.9.3. Fligner-Killeenov test homogenosti varijansi
  • 7. Linearna regresija
    • 7.1. Ocjena modela linearne regresije
    • 7.2. Dijagnostika ocijenjenog modela linearne regresije
  • 8. Binomna logistička regresija
  • 9. Literatura
  • Biografija
Powered by GitBook
On this page

Was this helpful?

7. Linearna regresija

Previous6.9.3. Fligner-Killeenov test homogenosti varijansiNext7.1. Ocjena modela linearne regresije

Last updated 1 year ago

Was this helpful?

Linearna regresija predstavlja statistički metod modeliranja veze između dvije ili više promjenljivih (obilježja). Prilikom ocjene modela linearne regresije, jedna promjenljiva je definisana kao zavisna, dok je druga definsana kao nezavisna odnosno dok su druge definisane kao nezavisne. U zavisnosti od toga da li model linearne regresije sadrži jednu ili više nezavisnih promjenljivih, razlikujemo prostu ili višestruku linearnu regresiju. Primjena linearne regresije u bankarsvu je široka, a najčešće se klasifikuje u dvije velike grupe: primjena u cilju predviđanja zavisne promjenljive za date vrijednosti nezavisnih promjenljivih i primjena u cilju opisa veze zavisne i nezavisnih promjenljivih. Standardni zapis matrične forme linearne regresije jeste:

Y=βX+εY = \beta X + \varepsilonY=βX+ε

gdje YYY predstavlja zavisnu promjenljivu, β\betaβ koeficijente regresije (presjeka i nagiba), XXX set nezavisnih promjenljivih, dok ε\varepsilonε predstavlja reziduale regresije.