آموزش رگرسیون لجستیک با استفاده از SPSS
Logistic Regression using SPSS
رگرسیون لجستیک در SPSS به عنوان مشکل طبقه بندی باینری در زمینه اندازه گیری آماری تعریف می شود. تفاوت بین یک متغیر وابسته و مستقل با راهنمای تابع لجستیک با تخمین وقوع متفاوت احتمالات، یعنی برای پیش‌بینی نتیجه متغیر مستقل (1 یا 0 یا بله/خیر) استفاده می‌شود، زیرا این یک پسوند است. یک رگرسیون خطی که برای پیش بینی متغیرهای خروجی پیوسته استفاده می شود.
رگرسیون لجستیک تکنیکی است که در زمینه آمار استفاده می شود و تفاوت بین متغیر وابسته و مستقل را با راهنمای تابع لجستیک با تخمین وقوع مختلف احتمالات اندازه گیری می کند. آنها می توانند دو جمله ای (نتیجه بله یا خیر) یا چند جمله ای (عادلانه در مقابل ضعیف بسیار ضعیف) باشند. مقادیر احتمال بین 0 و 1 قرار دارد و متغیر باید مثبت باشد (<1).
متغیر وابسته را هدف قرار می دهد و مراحل زیر را برای دنبال کردن دارد:
n- خیر. آزمایشات ثابت روی یک مجموعه داده گرفته شده.
با دو نتیجه آزمایشی.
نتیجه احتمال باید مستقل از یکدیگر باشد.
احتمال موفقیت و شکست باید در هر آزمایش یکسان باشد.
دوره مدل‌سازی پیش‌بینی با هدف ارائه و تقویت مهارت‌های مدل‌سازی پیش‌بینی‌کننده در بخش‌ها/دامنه‌های کسب‌وکار است. روش‌های کمی و مفاهیم مدل‌سازی پیش‌بینی‌کننده می‌توانند به طور گسترده در درک رفتار فعلی مشتری، حرکات بازارهای مالی، و مطالعه آزمایش‌ها و اثرات در پزشکی و بخش‌های داروسازی پس از تجویز دارو مورد استفاده قرار گیرند. این دوره مجموعه داده های نظری و عملی را برای تجزیه و تحلیل پیش بینی انتخاب می کند. پیاده سازی ها با استفاده از نرم افزار SPSS انجام می شود. مشاهدات، تفاسیر، پیش‌بینی‌ها و نتیجه‌گیری‌ها پس از آن در نمونه‌ها توضیح داده می‌شوند که در طول آموزش پیش می‌رویم. این دوره همچنین بر مدل‌های رگرسیون مرتبه بالاتر مانند رگرسیون درجه دوم و چند جمله‌ای که در دوره‌های آنلاین دیگر پوشش داده نشده‌اند، تأکید می‌کند
مجموعه مهارت های ضروری – دانش قبلی از روش های کمی و MS Office، Paint
مجموعه مهارت های مورد نظر - درک تجزیه و تحلیل داده ها و بسته ابزار VBA در MS Excel مفید خواهد بود
این دوره در چندین بسته نرم افزاری مانند SPSS، MS Office، PDF writers و Paint کار می کند.
مدل سازی رگرسیون هسته اصلی دوره مدل سازی پیش بینی کننده را تشکیل می دهد. هدف اصلی این دوره ارائه مهارت در درک مدل رگرسیون و تفسیر آن برای پیش بینی است. پارامترهای مرتبط با مدل رگرسیون تفسیر و از نظر معناداری آزمایش می‌شوند و خوبی برازش مدل رگرسیون داده شده را آزمایش می‌کنند.
از طریق این دوره می‌خواهیم بفهمیم:
تفسیر ویژگی های رگرسیون مانند R-Squared (ضریب همبستگی)، t و مقادیر p
m (شیب) و c (برق)،
متغیرهای وابسته (Y)، متغیرهای مستقل (A1، A2، A3……) و متغیرهای باینری/دوم B1، B2، B3…..)
بررسی اهمیت/ارتباط متغیرهای A، B برای مدل رگرسیون (معادله) خوبی برازش
پیش‌بینی متغیر Y بر اساس مقادیر مختلف متغیرهای A، B
درک Multi-Colinearity و معایب آن
پیاده سازی در مجموعه داده های نمونه با استفاده از SPSS و شبیه سازی خروجی در MS Excel
معرفی Introduction
-
درک مفاهیم رگرسیون لجستیک Understanding Logistic Regression Concepts
-
کار بر روی IBM SPSS Statistics Data Editor Working on IBM SPSS Statistics Data Editor
-
ویرایشگر داده های آماری SPSS ادامه دارد SPSS Statistics Data Editor Continues
-
نمایشگر IBM SPSS IBM SPSS Viewer
پیاده سازی با استفاده از MS Excel - مثال Implementation using MS Excel - Example
-
متغیر در معادله Variable in the Equation
-
پیاده سازی با استفاده از MS Excel Implementation Using MS Excel
-
ترجیحات دود Smoke Preferences
-
مطالعه نبض قلب Heart Pulse Study
-
مطالعه نبض قلب ادامه دارد Heart Pulse Study Continues
-
متغیرها در معادله Variables in the Equation
-
معادله جنسیتی سیگار کشیدن Smoking Gender Equation
-
تولید خروجی و مشاهدات Generating Output and Observations
-
تولید خروجی و مشاهدات ادامه دارد Generating Output and Observations Continues
-
تفسیر خروجی مثال Interpretation of Output Example
https://donyad.com/d/df8f94
EDU CBA
مهارت های دنیای واقعی را بصورت آنلاین بیاموزید EDUCBA یک ارائه دهنده جهانی آموزش مبتنی بر مهارت است که نیازهای اعضا را در بیش از 100 کشور برطرف می کند. ما بزرگترین شرکت فناوری پیشرفته در آسیا با نمونه کارهای 5498+ دوره آنلاین ، 205+ مسیر یادگیری ، 150+ برنامه شغل محور (JOPs) و 50+ بسته دوره حرفه ای شغلی هستیم که توسط متخصصان برجسته صنعت آماده شده است. برنامه های آموزشی ما برنامه های مبتنی بر مهارت شغلی است که توسط صنعت در سراسر امور مالی ، فناوری ، تجارت ، طراحی ، داده و فناوری جدید و آینده مورد نیاز صنعت است.
نمایش نظرات