Notice
Recent Posts
Recent Comments
Link
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | ||
6 | 7 | 8 | 9 | 10 | 11 | 12 |
13 | 14 | 15 | 16 | 17 | 18 | 19 |
20 | 21 | 22 | 23 | 24 | 25 | 26 |
27 | 28 | 29 | 30 |
Tags
- 네이버 뉴스
- 머신러닝
- OVB
- 단순선형회귀
- 잔차의 성질
- 크롤링
- least square estimation
- 인과 추론
- 회귀불연속설계
- simple linear regression
- 선형대수
- LU분해
- 인과추론
- residuals
- 예제
- Instrumental Variable
- rct
- Omitted Variable Bias
- confounder
- 누락편의
- 최소제곱법
- Python
- 사영
- backdoor adjustment
- 교란 변수
- 통계
- 교란변수
- HTML
- causal inference
- Sharp RD
Archives
- Today
- Total
목록기하학적 의미 (1)
Always awake,

본 포스팅에서는 이전 포스팅(잔차의 성질 (단순 선형 회귀)) 에서 다룬 잔차의 4가지 성질을 기하학적으로 이해해보는 내용을 작성하겠습니다 이전 포스팅과 마찬가지로 단순 선형 회귀에서 최소제곱법으로 계수를 추정하였을 때의 잔차의 성질에 대해 기술합니다. 단순 선형 회귀의 기하학적 이해 우선 단순 선형 회귀는 아래와 같습니다 $$ Y_i = \beta_0 + \beta_1 x_i + \epsilon_i \ \ \ for \ i=1,2, ... , n$$ $$ Y_1 = \beta_0 + \beta_1 x_1 + \epsilon_1 \\ Y_2 = \beta_0 + \beta_1 x_2 + \epsilon_2 \\ ... \\ Y_n = \beta_0 + \beta_1 x_n + \epsilon_n$$ 이는..
통계
2023. 5. 29. 16:48