// Voraussetzungen für lineare Regressionsmodelle //

Bevor eine lineare Regression, egal ob einfache lineare Regression oder multiple lineare Regression gerechnet werden darf, sind gewisse Voraussetzungen zu prüfen. Diese sind aus dem Gauß-Markov-Theorem abgeleitet und wenn sie erfüllt sind, ist der kleinste Quadrate Schätzer (wenn er existiert), der beste lineare erwartungstreue Schätzer für das Modell. Man spricht auch von BLUE – Best Linear Unbiased Estimator.

Die Gauß-Markov-Annahmen sind folgende:
Lineare Regressionskoeffizienten (GM 1)
Zufallsstichprobe (GM 2)
Lineare Unabhängigkeit - keine Multikollinearität (GM 3)
Exogenität der UV (GM 4)
Konstanz der Varianz der Fehlerterme - Homoskedastizität (GM 5)
Normalverteilte Fehlerterme (GM 6)

Zu guter letzt sind noch metrisch skalierte unabhängige und abhängige Variablen Regressionsvoraussetzungen. Ebenfalls notwendig für eine lineare Regression sind voneinander unabhängige Fehlerterme (keine Autokorrelation).

Playlist zu den verschiendenen Tests: [ Ссылка ]

Bei Fragen und Anregungen zu Voraussetzungen für lineare Regressionsmodelle, nutzt bitte die Kommentarfunktion. Ob ihr das Video hilfreich fandet, entscheidet ihr mit einem Daumen nach oben oder unten. #statistikampc


⭐Kanalmitglied⭐ werden:
=======================
[ Ссылка ]


Zeitstempel ⏰
============
0:00 Einleitung und Übersicht zu Gauss-Markov-Annahmen
1:05 GM 1
1:30 GM 2
1:40 GM 3
2:21 GM 4
3:06 GM 5
3:48 GM 6
4:03 Weitere Voraussetzungen


Kanal unterstützen? 🙌🏼
===================
Paypal-Spende: [ Ссылка ]
Amazon Affiliate-Link: [ Ссылка ]

Danke für eure Unterstützung! ♥


Meine Homepage 💡
=================
[ Ссылка ]

свернуть