Сеансы регрессионного анализа онлайн

3 курс. Повышение успеваемостиещё

4 курс. Для себяещё

Вуз и специальность: Экономика. Да, мне важно чтобы этот профессионал смог провести анализ при помощи OLS регрессии, и проанализировал таблицу данных связанных с IPO и воздействием разных факторов на них. готова за момощь заплатить сверху, если на английском языке будет выполнена работа то сумма будет вышеещё

Для себяещё

3 курс. Для себя. Вуз и специальность: Вшэ экономика. Нужно сделать регрессионный анализ на определенную тему и написать главу для курсовой работы (то есть после каждого подпункта описывать результаты)ещё

Для себя. Есть данные исследования, 300 человек. Необходимо объяснить, как построить множественную регрессию и проверить гипотезы (EXCEL, r и др.)ещё

Для себя. Сделать регрессионный анализ по определенным даннымещё

Нужно сделать анализ по методичке. Есть уже решение, могу скинуть. В качестве исходных данных были взяты ключевые показатели деятельности компании за 1999 – 2011 гг. (13 наблюдений). В ходе работы были проведены следующие этапы: 1. Определение ключевого результирующего показателя регрессии и факторов, оказывающих на него влияние. 2. Анализ факторов на мультиколлинеарность и исключение из анализа коррелирующих факторов. 3. Построение регрессионной модели, определение коэффициентов регрессии. 4. Проверка коэффициентов регрессии и уравнения регрессии в целом на значимость и удаление из рассмотрения незначимых параметров. 5. Корректировка уравнения регрессии, определение результирующего уравнения и его значимости. 6. Построение трендов для факторов регрессии и точечный прогноз на 1 период вперед на основании уравнения тренда. 7. Расчет точечного прогноза результирующего показателя на основании полученных прогнозных значений факторов и уравнения регрессииещё

Только консультация по теории. Время не особо важно, вечера будних или выходные Мне нужно на рабочих данных в python (хотя это не имеет значения) понять зависимость влияния независимых переменных на зависимую линейной регрессией с учетом большого количества дамми-переменных. Необходима только ПОСЛЕДОВАТЕЛЬНОСТЬ (ЭТАПНОСТЬ) действий, перечисления набора методов для каждого этапа потому что уже есть неплохая база и с chat GPT очень хорошо общаюсь. Как пока я себе это вижу: 1. Т.к. есть большое количество дамми переменных (напр, времена года), мы удаляем вручную одно время (напр, зима) чтобы не было мультиколлинеарность 2. Изоляционным лесом убираем выбросы (напр 5%) 3. По тепловой карте убираем оставшиеся мультикол-е переменные 4. Нормализируем или стандартизируем данные т.к. разные размерности 5. Делим выборку на тестовую и обучающую, строим регрессию и убираем по одному незначимому коэффициенту на каждой итерации, остаются значимые (смотрим R2 b F-стат) Далее уже доказываем, почему эта регрессия хорошая или нет 6. Смотрим на гетероскедастичность остатков, проводим тесты. Если есть, то строим модель, толерантную к гетероскедастичности, остается меньше переменных. 7. На нормальность распределения остатков 8. t-тест 9. тест на автокорреляцию 10. MSE сравниваем с базовым (медианой) уровнем 11. Применяем бутстрап, чтобы увидеть нормальное распределение коэффициентов. Есть ли пропущенные этапы? Как понять на каждом этапе что хорошо, а что плохо? Какими методами на каждом этапе улучшать модель? Как сделать вывод, а действительно ли линейная регрессия нужна или использовать какие-то другие методы? Повторюсь, что подробно останавливаться на каждом этапе не нужно, критически важно понять дерево решения в формате: если есть гетероскедастичность, то что и если нет => идем далееещё