مقدمه ای آسان برای رگرسیون غیر خطی در تجزیه و تحلیل داده ها
یادگیری و استفاده از روشها و تکنیکهای جدید اغلب میتواند تجربه دلهرهآوری باشد.
این کلاس برای ارائه یک کلاس فشرده و آسان برای شما طراحی شده است که بر اصول اساسی رگرسیون در تجزیه و تحلیل داده ها تمرکز دارد.
این کلاس روی درک و بکارگیری رگرسیون غیرخطی اساسی در تجزیه و تحلیل داده ها تمرکز دارد. به طور خاص مدلسازی logit و probit.
این کلاس توضیح میدهد که رگرسیون چیست و رگرسیون Logit و Probit چگونه کار میکند. مدلسازی Logit و Probit اغلب هنگام تحلیل انتخاب و سایر نتایج گسسته استفاده میشود. هر دو روش مفاهیم غیر خطی مهمی را معرفی می کنند که توسط روش های پیشرفته تر استفاده می شود.
کلاسی که از معادلات یا ریاضیات استفاده نمی کند. تمرکز این کلاس روی کاربرد و تفسیر رگرسیون در تجزیه و تحلیل دادهها است. یادگیری در این کلاس مبتنی بر گرافیکهای متحرک است که مفاهیم خاصی را نشان میدهد.
هیچ دانش قبلی لازم نیست و این کلاس برای هرکسی است که میخواهد با تجزیه و تحلیل کمی درگیر شود.
نتایج اصلی یادگیری عبارتند از:
برای یادگیری و درک شهود اساسی پشت رگرسیون غیر خطی
با اصطلاحات رگرسیون راحت باشید
برای اینکه بتوانیم خروجی رگرسیون logit/probit را به راحتی تفسیر و تجزیه و تحلیل کنیم
برای یادگیری نکات و ترفندها
موضوعات خاصی که پوشش داده خواهد شد عبارتند از:
چه نوع تحلیل رگرسیون غیر خطی وجود دارد
رگرسیون غیر خطی چگونه کار می کند؟
چرا رگرسیون غیر خطی مفید است؟
حداکثر احتمال چقدر است؟
رگرسیون Logit و Probit
متغیرهای پنهان
اثرات حاشیه ای
متغیرهای ساختگی در رگرسیون Logit و Probit
آمار مناسب بودن
نسبتهای فرد برای مدلهای لاجیت
ساخت مدل Logit و Probit عملی در Stata
نرم افزار رایانه ای Stata برای نشان دادن نمونه های عملی استفاده خواهد شد.
اگر به Stata دسترسی دارید، از کد و مجموعه داده مرتبط برای تکرار نمونههای مربوطه از این کلاس استفاده کنید.
اگر به اکسل دسترسی دارید، از مجموعه داده مرتبط استفاده کنید تا نمونه های زیادی از درس را تا جایی که می توانید تکرار کنید.
اگر به R یا SPSS دسترسی دارید از مجموعه داده مرتبط استفاده کنید تا نمونه های زیادی از درس را تا جایی که می توانید تکرار کنید.
به عنوان یک پروژه مرتبط، لطفاً سعی کنید به سؤال زیر پاسخ دهید: با استفاده از دادههای پیوست شده، مدلی از فارغالتحصیلی از دانشگاه بسازید. از ویژگیهای فردی مختلف و ویژگیهای صنعتی برای تشخیص اینکه کدام نوع از افراد به احتمال زیاد از دانشگاه فارغالتحصیل میشوند، استفاده کنید.
این پروژه از یک کاربرد واقعی تحلیل رگرسیون تقلید می کند و درست یا غلط وجود ندارد. همچنین، سؤالات و نظرات را در بخش بحث بگذارید.
پروفسور اقتصاد در دانشگاه وست مینستر
نمایش نظرات