MARSHALL UNIVERSITY

DEPARTMENT OF MATHEMATICS
STUDENT INFORMATION SHEET AND SYLLABUS

Course Title/Number   MTH 412/512 – Regression Analysis 
Section  101 
CRN  3269/3286 
Semester/Year  Fall 2014 
Days/Time  MW 6:30 ‐ 7:45 PM 
Location  SH 514 (Smith Hall) 
Instructor  Dr. Avishek Mallick   
Office  SH 741A 
Phone ext.  3443 
E‐Mail  [email protected] 
Office/Hours  MW  5:00‐6:30 PM 
TR   3:30‐5:00 PM and by appointment. 
University Policies  By enrolling in this course, you agree to the University Policies listed below. Please 
read the full text of each policy be going to www.marshall.edu/academic‐affairs and 
clicking on “Marshall University Policies.”  Or, you can access the policies directly by 
going to http://www.marshall.edu/academic‐affairs/?page_id=802  
Academic Dishonesty/ Excused Absence Policy for Undergraduates/ Computing 
Services Acceptable Use/ Inclement Weather/ Dead Week/ Students with Disabilities/ 
Academic Forgiveness/ Academic Probation and Suspension/ Academic Rights and 
Responsibilities of Students/ Affirmative Action/ Sexual Harassment  

Course Description and Objectives 
This course covers topics in determining regression models; deriving parameter estimates using calculus; 
detailed coverage of tests of assumptions and remedial procedures (transformations and weighted least‐ 
squares); multiple and polynomial regression; tests and corrections for autocorrelation. 
 
The principle objective of the course is to introduce graduate and advanced undergraduate students to the 
underlying theory and the practical problems that are encountered in using models in real‐life situation. The 
models studied will be linear statistical models for regression. We will also cover the use of the statistical 
packages like R and Minitab to fit the models. 

Prerequisite 
Previous coursework in Probability and Statistics, including knowledge of estimation, confidence intervals, and 
hypothesis testing and its use in at least one and two sample problems. Some familiarity with Calculus and 
Linear Algebra, or permission of instructor. 

 
 The table below shows the following relationships:  How each student learning outcomes will be 
practiced and assessed in the course.  
Course Student Learning Outcomes   How students will practice each  How student achievement 
outcome in this Course  of each outcome will be  
assessed  in this Course 
Students will understand how to use  In class activities, intensive reading  Exams and final project 
regression analysis to analyze different  of relevant chapters and homework 
type of data. 
Students will understand the concept of  In class activities, intensive reading  Exams and final project 
regression analysis in the context of  of relevant chapters and homework 
experimental and sampling designs and 
also be able to interpret regression 
analysis results in a meaningful context for 
application by practitioners in the field. 
Students will demonstrate competency in  In class activities, intensive reading  Final project and 
oral and written communication skills.  of relevant chapters and homework  presentation 

Required Text 
Title    : Applied Linear Statistical Models, 5th edition. 
Author    : J. Neter et al. 
ISBN‐10   : 007310874X 
ISBN‐13   : 978‐0‐07‐310874‐2 
Publisher  : McGraw‐Hill/Irwin 
Year    : 2004 
     
 
Additional Requirements: Software/Computing 
The R statistical package shall be used for demonstration of some topics in class. It is recommended that R be 
used for homework assignments and exams. R is free software that can be downloaded from the web at 
http://www.r‐project.org/. It can be installed/compiled on Windows, Mac, and Linux/UNIX machines. You are 
encouraged to use the Computer Lab in SH532. In addition the SAS software is installed on those computers for 
those of you who would like to use SAS. Students are free to use any other statistical package should they 
prefer. However, the instructor will not be able to offer software support for other packages. 
 
 
Academic Dishonesty: Plagiarism and/or Cheating 
Note that plagiarism (the submission as one’s own work of any oral, graphic, or written material  wholly or in 
part created by another), is a form of academic dishonesty. Sanctions for academic dishonesty shall be imposed 
in accordance with university’s guidelines on such matter. Also note that in a case where a student is suspected 
to have cheated, the student may be asked to re‐take the test. And where the student is found or confirmed to 
have cheated, a zero grade will be awarded to the student. 
 
You may wish to refer to other university policies concerning academic dishonesty at, 
http://www.marshall.edu/wpmu/academic‐affairs/policies/#AcademicDishonesty   
Attendance Policy 
Students are expected to attend all scheduled classes. It is the student’s responsibility to find out what was 
discussed in a missed class. Although, attendance records will not be used to compute grades (except possibly in 
borderline cases), however, missing class can be expected to significantly reduce your chances of success. Note 
also that it is the student’s responsibility to present approved notice of any absence that would be excused 
under the terms and regulations stipulated by the university. 

Student behavior 
Students are advised to turn their cell phones and other noise generating devices off prior to entering the class. 
In the case where a student awaits any emergency call, the noise should be restricted and made personal. And in 
this case, I should be notified as soon as the student enters the class. Food items, apart from water or soft drink, 
are not allowed in the class. The reading of newspapers and other unrelated materials while the class is in 
session is prohibited. Please ensure that other students are respected.

Grading Policy and Exam dates 
The final grade will be based on the following components: 
 
 Homework Assignments worth 25 points each (30% of the final grade). 
 Midterm Exam worth 100 points (20% of the final grade). The exam will be held on Thursday, October 
15. It will cover all of the materials presented in class corresponding to Chapters 1 through 5 of the 
book. You will be expected to know both the practical applications and the theory. 
 Final Project worth 100 points (25% of the final grade). The project will be due on the last day of the 
class. 
 Final Exam worth 100 points (25% of the final grade). It will cover all of the materials presented in class 
corresponding to Chapters 6 through 11 of the book. 
 
The semester grade will be based on the percentage of the total possible points, using the following scale. 
 
90 ‐100% ‐‐ A 
80 ‐ 89% ‐‐ B 
70 ‐ 79% ‐‐ C 
60 ‐ 69% ‐‐ D 
00 ‐ 59% ‐‐ F 
 
FINAL EXAMINATION: Monday December 08 [6:00 PM – 8:00 PM] 

 
 
 
 
 
 
 
 
Course coverage 
 
1. An introduction to regression. Motivating examples, an overview of the objectives of regression analysis.
2. Simple Linear Regression. (Most of Chapters 1 ‐ 4: Explicit readings assigned as we move through the 
material) 
 The regression model (1.1‐1.5) 
 Estimation of the regression coefficients and error variance (1.6‐1.8). 
 Inferences for the regression coefficients. (2.1‐2.3, 4.1) 
 Estimating the expected response at a particular x; one‐at‐a‐time and simultaneous confidence 
intervals.(2.4, 2.6, 4.2) 
 Predicting future observations. (2.5,4.3) 
 The Analysis of Variance approach to regression and general linear tests (2.7, 2.8) 
 Assessing model assumptions and a first look at remedial measures. (Parts of Chapter 3) 
3. An introduction to multiple linear regression models (section 6.1, description of models in 8.1 and 8.2) 
4. Regression models in matrix form.(Section 5.1‐5.4, the definition of an inverse in 5.6, 5.8‐5.9, 6.2) 
5. Multiple Linear Regression (5.10‐5.13, much of Chapters 6, 7 and 8) 
 Estimation of the regression coefficients and error variance. 
 Inferences for the regression coefficients. 
 Estimating the expected response at a particular x; one‐at‐a‐time and simultaneous confidence 
intervals. 
 Predicting future observations. 
 The Analysis of Variance approach to regression and general linear F‐tests 
6. More on diagnostics and tests for assessing model assumptions with some on measures to 
accommodate violations of usual assumptions. (Parts of Chapters 10 and 11) 
7. Model building/variable selection (Ch. 8) 
8. An introduction to nonlinear regression models. (Some of 13 and 14) (if time permits)