Multiple Linear Regression
Multiple linear regression (MLR) is a parametric regression model that expresses a continuous outcome as a weighted linear combination of two or more predictor variables plus a random error term. The unknown weights (regression coefficients) are estimated by ordinary least squares (OLS), which minimises the sum of squared residuals. The method traces to Francis Galton's 1886 work on hereditary stature and was placed on firm mathematical footing by Karl Pearson; Draper and Smith's 1966 textbook established it as the standard framework for applied regression.
Catatan sumber
Kutipan disalin apa adanya dari catatan sumber metode. Tidak ada verifikasi tingkat klaim yang disimpulkan darinya.
- Galton, F. (1886). Regression towards mediocrity in hereditary stature. Journal of the Anthropological Institute of Great Britain and Ireland, 15, 246–263. · DOI 10.2307/2841583
- Pearson, K., & Lee, A. (1908). On the generalised probable error in multiple normal correlation. Biometrika, 6(1), 59–68. · DOI 10.1093/biomet/6.1.59
- Draper, N. R., & Smith, H. (1966). Applied Regression Analysis (1st ed.). John Wiley & Sons. · ISBN 9780471221708
- Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to Linear Regression Analysis (5th ed.). John Wiley & Sons. · ISBN 9780470542811
Klaim yang dikurasi
Klaim tersimpan dalam buku besar bukti, masing-masing dengan penilaiannya sendiri.
Tampilan ini tidak menciptakan penilaian klaim ketika buku besar tidak memilikinya.
Metode terkait
Dihasilkan dari grafik metode dan ditampilkan sebagai relasi yang disarankan mesin — tidak ada klaim bukti yang disimpulkan.