Mô hình hóa lợi nhuận liên tiếp

Hãy định lượng mối quan hệ giữa lợi nhuận năm 2019 và 2018 bằng cách chạy hồi quy tuyến tính và tạo dự đoán. Bằng cách xem các công ty có lợi nhuận năm 2018 cực cao hoặc cực thấp, bạn có thể kiểm tra liệu hiệu suất của họ năm 2019 có tương tự không.

sp500_yearly_returns đã sẵn sàng và dplyr đã được nạp.

Bài tập này là một phần của khóa học

Nhập môn Hồi quy bằng R

Xem khóa học

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# Run a linear regression on return_2019 vs. return_2018 using sp500_yearly_returns
mdl_returns <- ___




# See the result
mdl_returns

Chỉnh sửa và Chạy Mã

Bài tập này là một phần của khóa học

Nhập môn Hồi quy bằng R

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Bạn sẽ học các kiến thức cơ bản về mô hình thống kê phổ biến này: hồi quy là gì, và hồi quy tuyến tính khác hồi quy logistic ra sao. Tiếp đó, bạn sẽ học cách khớp các mô hình hồi quy tuyến tính đơn với biến giải thích dạng số và dạng phân loại, và cách mô tả mối quan hệ giữa biến phản hồi và biến giải thích thông qua các hệ số của mô hình.

Exercise 1: Câu chuyện của hai biến Exercise 2: Biến phản hồi là biến nào?Exercise 3: Trực quan hóa hai biến Exercise 4: Ước lượng một mô hình hồi quy tuyến tính Exercise 5: Ước lượng hệ số chặn (intercept)Exercise 6: Ước lượng hệ số góc Exercise 7: Hồi quy tuyến tính với lm()Exercise 8: Biến giải thích dạng phân loại Exercise 9: Trực quan hóa số vs. phân loại Exercise 10: Tính trung bình theo nhóm danh mục Exercise 11: lm() với biến giải thích phân loại

Trong chương này, bạn sẽ khám phá cách dùng mô hình hồi quy tuyến tính để dự đoán giá nhà ở Đài Loan và lượt nhấp quảng cáo Facebook. Bạn cũng sẽ mở rộng kỹ năng hồi quy khi trực tiếp làm việc với các đối tượng mô hình, hiểu khái niệm "hồi quy về giá trị trung bình" (regression to the mean), và học cách biến đổi các biến trong một bộ dữ liệu.

Exercise 1: Tạo dự đoán Exercise 2: Dự đoán giá nhà Exercise 3: Trực quan hóa dự đoán Exercise 4: Giới hạn của dự đoán Exercise 5: Làm việc với đối tượng mô hình Exercise 6: Trích xuất các thành phần của mô hình Exercise 7: Tự tính giá nhà theo cách thủ công Exercise 8: Sử dụng broom Exercise 9: Hồi quy về giá trị trung bình Exercise 10: Home run!Exercise 11: Vẽ lợi nhuận danh mục liên tiếp Exercise 12: Mô hình hóa lợi nhuận liên tiếp

Bài tập hiện tại

Exercise 13: Biến đổi biến số Exercise 14: Biến đổi biến giải thích Exercise 15: Biến đổi cả biến phản hồi

Trong chương này, bạn sẽ học cách đặt câu hỏi về mô hình của mình để đánh giá độ khớp. Bạn sẽ học cách định lượng mức độ mô hình hồi quy tuyến tính phù hợp với dữ liệu, chẩn đoán vấn đề của mô hình bằng trực quan hóa, và hiểu độ đòn bẩy (leverage) và mức ảnh hưởng của từng quan sát dùng để xây dựng mô hình.

Exercise 1: Định lượng mức độ phù hợp của mô hình Exercise 2: Hệ số xác định Exercise 3: Sai số chuẩn của phần dư Exercise 4: Trực quan hóa độ khớp của mô hình Exercise 5: Phần dư so với giá trị dự đoán (fitted values)Exercise 6: Biểu đồ Q-Q của phần dư Exercise 7: Scale-location Exercise 8: Vẽ các biểu đồ chẩn đoán Exercise 9: Ngoại lệ, điểm đòn bẩy và ảnh hưởng Exercise 10: Leverage Exercise 11: Mức ảnh hưởng Exercise 12: Trích xuất leverage và influence

Học cách khớp các mô hình hồi quy logistic. Với dữ liệu thực tế, bạn sẽ dự đoán khả năng một khách hàng đóng tài khoản ngân hàng dưới dạng xác suất thành công và tỉ số odds (odds ratio), và định lượng hiệu quả mô hình bằng ma trận nhầm lẫn.

Exercise 1: Vì sao bạn cần logistic regression Exercise 2: Khám phá các biến giải thích Exercise 3: Trực quan hóa mô hình tuyến tính và logistic Exercise 4: Hồi quy logistic với glm()Exercise 5: Dự đoán và tỷ số odds Exercise 6: Xác suất Exercise 7: Kết quả có khả năng nhất Exercise 8: Tỷ lệ odds Exercise 9: Log odds ratio Exercise 10: Định lượng mức độ phù hợp của hồi quy logistic Exercise 11: Tính ma trận nhầm lẫn Exercise 12: Đo lường hiệu suất mô hình logistic Exercise 13: Accuracy, sensitivity, specificity Exercise 14: Chúc mừng bạn