Regressione lineare per le statistiche aziendali

Descrizione

L'analisi di regressione è forse lo strumento di statistica aziendale più importante utilizzato nel settore. La regressione è il motore dietro una moltitudine di applicazioni di analisi dei dati utilizzate per molte forme di previsione e previsione.
Questo è il quarto corso della specializzazione “Statistica e analisi aziendale”. Il corso ti introduce allo strumento molto importante noto come Regressione Lineare. Imparerai ad applicare varie procedure come regressioni con variabili fittizie, trasformazione di variabili ed effetti di interazione. Tutti questi vengono introdotti e spiegati utilizzando esempi di facile comprensione in Microsoft Excel.
Il focus del corso è sulla comprensione e l'applicazione, piuttosto che su derivazioni matematiche dettagliate.
Nota: questo corso utilizza la casella degli strumenti "Analisi dei dati" standard con la versione Windows di Microsoft Excel. È anche standard con la versione Mac 2016 o successiva di Excel. Tuttavia, non è standard con le versioni precedenti di Excel per Mac.

SETTIMANA 1
Modulo 1: Analisi di regressione: un'introduzione
In questo modulo ti verrà presentato il modello di regressione lineare. Costruiremo un modello di regressione e lo stimeremo utilizzando Excel. Utilizzeremo il modello stimato per dedurre le relazioni tra varie variabili e utilizzeremo il modello per fare previsioni. Il modulo introduce inoltre la nozione di errori, residui e R-quadrato in un modello di regressione.

Gli argomenti trattati includono:
• Introduzione alla Regressione Lineare
• Costruire un modello di regressione e stimarlo utilizzando Excel
• Fare inferenze utilizzando il modello stimato
• Utilizzo del modello di regressione per fare previsioni
• Errori, Residui e R-quadro

SETTIMANA 2
Modulo 2: Analisi di regressione: verifica di ipotesi e bontà dell'adattamento
Questo modulo presenta diversi test di ipotesi che potresti eseguire utilizzando l'output della regressione. Questi test sono una parte importante dell'inferenza e il modulo li introduce utilizzando esempi basati su Excel. I valori p vengono introdotti insieme alle misure della bontà di adattamento R-quadrato e all'R-quadrato corretto. Verso la fine del modulo introduciamo la “regressione con variabili fittizie” che viene utilizzata per incorporare variabili categoriali in una regressione.

Gli argomenti trattati includono:
• Verifica di ipotesi in una regressione lineare
• Misure della "bontà dell'adattamento" (R-quadrato, R-quadrato corretto)
• Regressione con variabile fittizia (utilizzando variabili categoriali in una regressione)

SETTIMANA 3
Modulo 3: Analisi di regressione: variabili fittizie, multicollinearità
Questo modulo continua con l'applicazione della variabile fittizia Regression. Potrai comprendere l'interpretazione dell'output della regressione in presenza di variabili categoriali. Vengono elaborati esempi per rafforzare i vari concetti introdotti. Il modulo spiega anche cos'è la multicollinearità e come gestirla.

Gli argomenti trattati includono:
• Regressione con variabile fittizia (utilizzando variabili categoriali in una regressione)
• Interpretazione dei coefficienti e dei p-value in presenza di variabili Dummy
• Multicollinearità nei modelli di regressione

SETTIMANA 4
Modulo 4: Analisi di regressione: varie estensioni
Il modulo estende la tua comprensione della regressione lineare, introducendo tecniche come la centratura della media delle variabili e la creazione di limiti di confidenza per le previsioni utilizzando il modello di regressione. Una potente estensione di regressione nota come "Variabili di interazione" viene introdotta e spiegata utilizzando esempi. Studiamo anche la trasformazione delle variabili in una regressione e in quel contesto introduciamo i modelli di regressione log-log e semi-log.

Gli argomenti trattati includono:
• Centratura media delle variabili in un modello di regressione
• Creazione di limiti di confidenza per le previsioni utilizzando un modello di regressione
• Effetti di interazione in una regressione
• Trasformazione di variabili
• I modelli di regressione log-log e semi-log