در این دوره، خواهید آموخت که چرا منطقی است که از پارامترهای بازیابی شده تحت مدل رگرسیون خطی کلاسیک برای آزمایش فرضیه در زمینه های نامشخص استفاده کنید. شما: - دانش خود را در مورد ویژگی های آماری برآوردگر OLS توسعه دهید تا ببینید آیا مفروضات کلیدی کار می کنند یا خیر. - بیاموزید که برآوردگر OLS دارای برخی از ویژگی های آماری مطلوب است که اساس رویکردی برای آزمون فرضیه برای کمک به تصمیم گیری منطقی است. - مفهوم فرضیه صفر و فرضیه جایگزین را بررسی کنید، قبل از بررسی یک آمار و یک توزیع تحت فرضیه صفر، و همچنین قاعده ای برای تصمیم گیری در مورد اینکه کدام فرضیه بیشتر صادق است. - با بررسی تست های تشخیصی، در صورت نقض برخی از مفروضات CLRM، کشف کنید که چه اتفاقی برای چارچوب تصمیم گیری می افتد. - مراحل مربوط به شناسایی تخلفات، عواقب برآوردگر OLS و تکنیک هایی را که باید برای رسیدگی به این مشکلات اتخاذ شود، بیاموزید. قبل از شروع این دوره، انتظار می رود که شما در مورد برخی از آمارهای اساسی از جمله میانگین، واریانس، چولگی و کشیدگی اطلاعات کافی داشته باشید. همچنین توصیه می شود که دوره قبلی را در این تخصص کامل کرده و درک کرده باشید: مدل رگرسیون خطی کلاسیک. در پایان این دوره، شما قادر خواهید بود: - توضیح دهید که آزمون فرضیه چیست - توضیح دهید که چرا OLS یک رویکرد منطقی برای آزمون فرضیه است - انجام آزمون فرضیه برای فرضیه های منفرد و چندگانه - ایده آزمایش تشخیصی را توضیح دهید - انجام آزمون فرضیه برای فرضیه های تک و چندگانه با R - شناسایی و رفع مشکلات ناشی از شناسایی پارامترها.