KHÓA HỌC CHUYÊN ĐỀ HỒI QUY TUYẾN TÍNH - SPECIAL COURSE OF MODEL REGRESSION ANALYSIS

LỊCH KHAI GIẢNG
NGÀY KHAI GIẢNG
THỜI GIAN HỌC
14/06/2025
Học thứ 7 hàng tuần
(Sáng 08h30 -> 11h30; Chiều 13h00 -> 16h00)
Thời lượng : 04 ngày

Mục lục [Ẩn]

Tổng quan khóa học Hồi quy tuyến tính
Hình thức đào tạo
Điều kiện tham gia khóa học hồi quy tuyến tính
Nội dung đào tạo khóa học hồi quy tuyến tính

Tổng quan khóa học Hồi quy tuyến tính

Mô hình hồi qui được sử dụng trong giai đoạn phân tích (ANALYSE) phân tích các dữ liệu trong quá trình áp dụng Six Sigma ( Define, Measure, Analyse, Improve , Control) nhằm tiên đoán và đưa ra các quyết định tốt nhất về quản trị dựa trên các biến tiên lượng ( Resourcse – nguồn lực) đang thực hiện.
Nhà quản trị xác định các yêu cầu liên quan đến dịch vụ và sản phẩm Công ty cung cấp KPOV – Key Process Output Variable và xác định các ảnh hưởng của nguồn lực khi thực hiện quá trình KPIV – Key Process Input Variable để tìm hiểu mối quan hệ của các biến liên quan nhằm chọn một mô hình tối ưu trước khi ra quyết định quản trị.
Khóa học chuyên đề về Phân tích Mô hình hồi quy Học viên sẽ được thực tập các tình huống trên 02 phần mềm Excel và Minitab.

Ngôn ngữ đào tạo : Anh – Việt

Hình thức đào tạo

Lý thuyết 20%, thực hành 80%
Lập nhóm, chọn đề tài cải tiến, thực hiện đề tài và báo cáo đề tài cuối khóa.

Điều kiện tham gia khóa học hồi quy tuyến tính

Học viên đã có kiến thức về Lean Six Sigma.
Học viên phải có máy tính cá nhân để cài đặt ứng dụng Minitab và mang theo mỗi buổi học.
Đăng ký và nộp học phí trước ngày học 3 ngày.

Nội dung đào tạo khóa học hồi quy tuyến tính

Date	Time	Topic	Contents
Day 1	8h30 - 11h30	Lesson 1: Simple Linear Regression	Simple Linear Regression introduce Best Fit Line The Simple Linear Regression Model The Common Error Variance (Pearson) Correlation Coefficient r R-squared Cautions Hypothesis Test for the Population Correlation Coefficient Inference for the Population Intercept and Slope
Day 1	13h00 - 16h00	Lesson 2: SLR Model Evaluation Lesson 3: SLR Estimation & Prediction	The Analysis of Variance (ANOVA) table and the F-test The Lack of Fit F-test Confidence Interval for the Mean Response Prediction Interval for a New Response Further Example
Day 2	8h30 - 11h30	Lesson 4: Multiple Linear Regression	The Multiple Linear Regression Model A Matrix Formulation of the Multiple Regression Model Further Examples
Day 2	13h00 - 16h00	Lesson 5: MLR Model Evaluation MLR Estimation, Prediction & Model Assumptions	Three Types of Hypotheses The General Linear F-Test The Hypothesis Tests for the Slopes Lack of Fit Testing in the Multiple Regression Setting Prediction Interval for a New Response MLR Model Assumptions
Day 3	8h30 - 11h30	Lesson 6: Categorical Predictors	The Basics Two Separate Advantages Additive Effects and Interaction Effects Leaving an Important Interaction Out of a Model
Day 3	13h00 - 16h00	Lesson 7: Multicollinearity	Multicollinearity introduction Detecting Multicollinearity Using Variance Inflation Factors Reducing Data-based Multicollinearity Reducing Structural Multicollinearity
Day 4	8h30 - 11h30	Lesson 8: Logistic and Poisson Regression	Logistic Regression Polytomous Logistic Regression Poisson Regression
Day 4	13h00 - 16h00	Lesson 9: Nonlinear and Exponential Regression	Generalized Linear Models Nonlinear Regression Exponential Regression Example