
| Begriff | Beschreibung | 
|---|---|
![]()  | angepasster Wert | 
| xk | k-ter Term. Jeder Term kann ein einzelner Prädiktor, ein Polynomialterm oder ein Wechselwirkungsterm sein. | 
| bk | Schätzwert des k-ten Regressionskoeffizienten | 
Der Standardfehler des angepassten Werts in einem Regressionsmodell mit einem Prädiktor wird wie folgt ausgedrückt:

Der Standardfehler des angepassten Werts in einem Regressionsmodell mit mehreren Prädiktoren wird wie folgt ausgedrückt:

Fügen Sie für die gewichtete Regression die Gewichtsmatrix in die Gleichung ein:

Wenn die Daten über einen Testdatensatz oder eine K-Falten-Kreuzvalidierung verfügen, sind die Formeln identisch. Der Wert von s2 stammt aus den Trainingsdaten. Die Designmatrix und die Gewichtsmatrix stammen ebenfalls aus den Trainingsdaten.
| Begriff | Beschreibung | 
|---|---|
| s2 | mean square error | 
| n | number of observations | 
| x0 | new value of the predictor | 
![]()  | mean of the predictor | 
| xi | i-ter predictor value | 
| x0 | vector of values that produce the fitted values, one for each column in the design matrix, beginning with a 1 for the constant term | 
| X =0 | transpose of the new vector of predictor values | 
| X | design matrix | 
| W | weight matrix | 

| Begriff | Beschreibung | 
|---|---|
| ei | i-tes Residuum | 
    | i-ter beobachteter Wert der Antwortvariablen | 
    | i-ter angepasster Wert der Antwortvariablen | 
Standardisierte Residuen werden auch als intern studentisierte Residuen bezeichnet.

| Begriff | Beschreibung | 
|---|---|
| ei | i-tes Residuum | 
| hi | i-tes Diagonalelement von X(X'X)–1X' | 
| s2 | mittleres Fehlerquadrat | 
| X | Designmatrix | 
| X' | transponierte Designmatrix | 
Diese werden auch als extern studentisierte Residuen bezeichnet. Die Formel lautet wie folgt:

Die Formel kann auch wie folgt ausgedrückt werden:

In dem Modell, mit dem die i-te Beobachtung geschätzt wird, wird die i-te Beobachtung aus dem Datensatz entfernt. Daher kann die i-te Beobachtung den Schätzwert nicht beeinflussen. Jedes entfernte Residuum hat eine Student-t-Verteilung mit 
 Freiheitsgraden. 
| Begriff | Beschreibung | 
|---|---|
| ei | i-tes Residuum | 
| s(i)2 | mittlerer quadrierter Fehler, der ohne die i-te Beobachtung berechnet wurde | 
| hi | i-tes Diagonalelement von X(X'X)–1X' | 
| n | Anzahl der Beobachtungen | 
| p | Anzahl der Terme, einschließlich der Konstanten | 
| SSE | Summe der Quadrate für Fehler | 
Der Bereich, in dem der geschätzte Mittelwert der Antwortvariablen bei einer gegebenen Gruppe von Werten der Prädiktorvariablen erwartet wird.

| Begriff | Beschreibung | 
|---|---|
![]()  | ![]()  | 
![]()  | angepasster Wert der Antwortvariablen für eine gegebene Gruppe von Prädiktorwerten | 
| α | Wahrscheinlichkeit eines Fehlers 1. Art | 
| n | Anzahl der Beobachtungen | 
| p | Anzahl der Modellparameter | 
| S 2(b) | Varianz-Kovarianz-Matrix der Koeffizienten | 
| s 2 | mittleres Fehlerquadrat | 
| X | Versuchsplanmatrix | 
| X0 | Vektor der angegebenen Prädiktorwerte mit 1 Spalte und p Zeilen | 
| X'0 | transponierter neuer Vektor von Prädiktorwerten mit 1 Zeile und p Spalten | 
Das Prognoseintervall ist der Bereich, in dem der angepasste Wert der Antwortvariablen für eine neue Beobachtung erwartet wird.

| Begriff | Beschreibung | 
|---|---|
| s(Prog) | ![]()  | 
![]()  | angepasster Wert der Antwortvariablen für eine gegebene Gruppe von Prädiktorwerten | 
| α | Signifikanzniveau | 
| n | Anzahl der Beobachtungen | 
| p | Anzahl der Modellparameter | 
| s 2 | mittleres Fehlerquadrat | 
| X | Prädiktormatrix | 
| X0 | Vektor der angegebenen Prädiktorwerte mit 1 Spalte und p Zeilen | 
| X'0 | Transponierung des neuen Vektors von Prädiktorwerten mit 1 Zeilen und p Spalten |