Zusammenfassung
Nachdem im letzten Kapitel der allgemeine Begriff der Regression eingeführt wurde, wenden wir uns nun dem speziellen Fall zu, in dem ein eindimensionaler numerischer Regressor X vorliegt, eine Zufallsvariable also, deren Werte reelle Zahlen oder die uneigentlichen Zahlen + ∞ und — ∞ sind. Schon in diesem Fall gibt es viele Arten der regressiven Abhängigkeit des Regressanden Y von X. So kann die Regression E(Y\X) beispielsweise eine monotone (steigende oder fallende) Funktion von X sein, ohne dass dafür eine Formel angegeben werden kann. Die Regression E(Y\X) kann aber zum Beispiel auch eine lineare, quadratische oder kubische Funktion etc., aber auch jede andere Funktion von X sein.
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsPreview
Unable to display preview. Download preview PDF.
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 2003 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Steyer, R. (2003). Einfache Lineare Regression. In: Wahrscheinlichkeit und Regression. Springer-Lehrbuch. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-55673-9_7
Download citation
DOI: https://doi.org/10.1007/978-3-642-55673-9_7
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-642-62873-3
Online ISBN: 978-3-642-55673-9
eBook Packages: Springer Book Archive