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.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
- 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
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.