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.
Explore les fondamentaux de la régression linéaire, la formation des modèles, l'évaluation et les mesures du rendement, en soulignant l'importance de la R2, du MSE et de l'EAM.
Explore l'équivalence entre les différentes propriétés des transformations linéaires représentées par des matrices et diverses opérations matricielles.
Couvre le concept de matrices inverses et la résolution des systèmes, y compris les conditions d'inversibilité des matrices et l'algorithme de Gauss-Jordan.
Couvre les bases de la régression linéaire, des variables instrumentales, de l'hétéroscédasticité, de l'autocorrélation et de l'estimation du maximum de vraisemblance.
Couvre la transposition de la matrice, le rang et le changement de base dans l'algèbre linéaire, explorant les critères d'invertibilité et les relations de base.
Couvre la régression linéaire, la régression pondérée, la régression pondérée localement, la régression vectorielle de soutien, la manipulation du bruit et la cartographie oculaire à l'aide de SVR.