آموزش آمار آسان: رگرسیون خطی و غیر خطی [ویدئو]

رگرسیون خطی Linear Regression

• آمار آسان چیست: رگرسیون خطی؟ What is Easy Statistics: Linear Regression?

• رگرسیون خطی چیست؟ What is Linear Regression?

• نتایج یادگیری Learning Outcomes

• این دوره برای چه کسانی است؟ Whom is this Course for?

• پیش نیازها Prerequisites

• با استفاده از Stata Using Stata

• تحلیل رگرسیون چیست؟ What is Regression Analysis?

• با رگرسیون خطی آشنا شوید Get to Know About Linear Regression

• چرا تحلیل رگرسیون مفید است؟ Why is Regression Analysis Useful?

• چه انواعی از تحلیل رگرسیون وجود دارد؟ What Types of Regression Analysis Exist?

• تبیین رگرسیون Explaining Regression

• خطوط بهترین تناسب Lines of Best Fit

• علیت در مقابل همبستگی Causality vs. Correlation

• حداقل مربعات معمولی (OLS) چیست؟ What is Ordinary Least Squares (OLS)?

• حداقل مربعات معمولی (OLS) Visual - قسمت 1 Ordinary Least Squares (OLS) Visual – Part 1

• حداقل مربعات معمولی (OLS) Visual - قسمت 2 Ordinary Least Squares (OLS) Visual – Part 2

• مجموع مربعات Sum of Squares

• بهترین برآوردگر خطی بی طرفانه Best Linear Unbiased Estimator

• فرضیات مارکوف گاوس The Gauss–Markov Assumptions

• همجنسگرایی Homoskedasticity

• بدون خط خطی کامل No Perfect Collinearity

• خطی در پارامترها Linear in Parameters

• میانگین شرطی صفر Zero Conditional Mean

• چگونه درون زایی را آزمایش و تصحیح کنیم؟ How to Test and Correct for Endogeneity?

• فرضیات مارکوف گاوس - خلاصه The Gauss–Markov Assumptions - Recap

• Stata - مثال های کاربردی Stata - Applied Examples

• نظرات و نکات نهایی Final Thoughts and Tips

رگرسیون غیر خطی Non-Linear Regression

• آمار آسان چیست: رگرسیون غیر خطی؟ What is Easy Statistics: Non-Linear Regression?

• رگرسیون غیر خطی چیست؟ What is Non-Linear Regression?

• نتایج اصلی یادگیری چیست؟ What are the Main Learning Outcomes?

• این دوره برای چه کسانی است؟ Whom is this Course for?

• پیش نیازها Prerequisites

• با استفاده از Stata Using Stata

• تحلیل رگرسیون غیر خطی چیست؟ What is Non-Linear Regression Analysis?

• رگرسیون غیر خطی چگونه کار می کند؟ How does Non-Linear Regression Work?

• چرا تحلیل رگرسیون غیر خطی مفید است؟ Why is Non-Linear Regression analysis Useful?

• انواع مدل های رگرسیون غیر خطی Types of Non-Linear Regression models

• حداکثر احتمال Maximum Likelihood

• مدل احتمال خطی Linear Probability Model

• تبدیل Logit و Probit The Logit and Probit Transformation

• متغیرهای پنهان Latent Variables

• اثرات حاشیه ای چیست؟ What are Marginal Effects?

• متغیرهای توضیحی ساختگی Dummy Explanatory Variables

• رگرسیون غیر خطی چندگانه Multiple Non-Linear Regression

• برازش Goodness-of-Fit

• نکته ای در مورد ضرایب لاجیت A Note about Logit Coefficients

• نکاتی برای رگرسیون Logit و Probit Tips for Logit and Probit Regression

• بازگشت به مدل احتمال خطی Back to the Linear Probability Model

• Stata - نمونه های کاربردی Logit و Probit Stata - Applied Logit and Probit Examples

مدلسازی رگرسیون Regression Modelling

• معرفی Introduction

• مدل سازی رگرسیون - عجله نکنید Regression Modelling - Don't Rush it

• اشکال غیر خطی در رگرسیون Non-Linear Shapes in Regression

• اشکال غیر خطی در رگرسیون - مثال های عملی Non-Linear Shapes in Regression - Practical Examples

• چگونه از افکت های تعاملی استفاده و تفسیر کنیم؟ How to use and Interpret Interaction Effects?

• چگونه از افکت های تعاملی استفاده و تفسیر کنیم؟ - مثال های عملی How to use and Interpret Interaction Effects? - Practical Examples

• استفاده از زمان در رگرسیون Using Time in Regression

• استفاده از زمان در رگرسیون - مثال های عملی Using Time in Regression - Practical Examples

• متغیرهای توضیحی طبقه ای در رگرسیون Categorical Explanatory Variables in Regression

• متغیرهای توضیحی طبقه ای در رگرسیون - مثال های کاربردی Categorical Explanatory Variables in Regression - Practical Examples

• مقابله با چند خطی در رگرسیون Dealing with Multicollinearity in Regression

• برخورد با چند خطی در رگرسیون - مثال های عملی Dealing with Multicollinearity in Regression - Practical Examples

• مقابله با داده های از دست رفته در رگرسیون Dealing with Missing Data in Regression

• مقابله با داده های از دست رفته در رگرسیون - مثال های عملی Dealing with Missing Data in Regression - Practical Examples