GraphPad
2.21K subscribers
483 photos
34 videos
36 files
292 links
Download Telegram
🔸 بیایید این ایده را تست کنیم.
من Y را قیمت سهم در یک روز خاص (مثلاَ همین امروز دوشنبه ۲۰ بهمن) در نظر می‌گیرم. t زمان‌های ثبت قیمت در هر دقیقه و X حجمی که در آن لحظه معامله شده است.

🔸 هدف من این است بتوانیم یک مدل پیش‌بینی روزانه برای قیمت سهم ارایه دهیم. یعنی مثلاَ ساعت ۱۰:۴۵ دقیقه قیمت چقدر خواهد بود. یا مثلاَ ساعت ۱۲ قیمت چه عددی پیش‌بینی خواهد شد و به همین ترتیب در همه تایم‌های یک روز خاص.

🔸 مدلی که در بالا و در تصویر می‌بینید، مربوط به یک نماد بورس تهران است (پالایش). نام نماد مهم نیست و بر روی هر کدام از سایر نمادها نیز می‌توان انجام داد.

🔸 واضح است که محور افقی زمان در هر دقیقه است. محور عمودی نیز قیمت آخرین معامله است.
خطوط آبی رنگ قیمت واقعی و خطوط نارنجی، قیمت پیش‌بینی شده بر مبنای همان مدل f (t, X) است.

🔸 صرفنظر از اینکه مدل به دست آمده، چقدر خوب برازش داده است، دو نکته برایم جالب توجه بود.

🔸 به محدوده زمانی و قیمتی A نگاه کنید. مدل به خوبی صف خرید چند دقیقه بعد را پیش‌بینی کرده است.

🔸 به محدوده B نیز نگاه کنید. مدل با خطای بسیار اندکی کف افت قیمت را برازش داده و آن محدوده را حداقل قیمت روزانه دانسته است.

🔸 اگر دقت کنید، مدل در ابتدای کار و ساعت ۹ به خوبی کار نمی‌کند و صف خرید ابتدای صبح را پیش‌بینی ‌نمی‌کند، اما هر چه زمان می‌گذرد، خطای برازش کاهش پیدا می‌کند. البته شاید این عدم پیش‌بینی صف خرید توسط مدل در ابتدای صبح، اشاره‌ای بر این است که نماد در صف خرید استمرار پیدا نخواهد کرد و افت قیمت پیدا می‌کند. از دیدگاه مدل این نماد نباید امروز با صف خرید شروع می‌کرده است.

🔸بقیه موارد را هم خودتان می‌توانید در نمودار ببینید.

🔆 به نظرم این نحوه پیش‌بینی روزانه با استفاده از ترکیبی از مدل سری زمانی و رگرسیون غیرخطی، ایده جالب و با دقت بالایی خواهد بود.
امروز شنبه ۲۵ بهمن ۹۹، ماتریس داده‌ها را نگاه می‌کردم، یک نکته جالب توجه بود. برای اولین بار از تاریخ ۱۹ مرداد که بازار شروع به ریزش کرد، شاخص میانه جلوتر از شاخص کل و هم‌وزن قرار گرفته بود. داده‌های سری زمانی خودم را هم نگاه می‌کردم ضریب پرش تقریباَ روی عدد ۷۸ قرار گرفته است. توضیح اینکه این عدد مقداری از صفر تا صد است و بالاتر بودن آن میل بیشتر داده‌ها به صعود و بالا رفتن در ادامه تایم‌های سری زمانی را نشان می‌دهد. این عدد ۷۸ نیز کمتر در این چند ماهه ثبت شده بود و معمولا ما با ضرایب پرش کمتر از ۳۰ روبه‌رو بوده‌ایم.
به هر حال اوضاع در داخل داده‌ها خوب است و نوید روزهای بهتر. مگر آن‌که فاکتورهای بیرون داده‌ها که مولفه‌ها و افراد قدرتمندی هستند و شما بهتر از من آن‌ها را می‌شناسید، دوباره دست به کار شوند.
#احتمال

چند روز پیش تاپیک و سوالی با موضوع زیر مطرح شده بود.
Can someone throw light on how to convert discrete probability distribution to continuous probability distribution?

این تاپیک که به یکی از پر خواننده‌ترین‌ها در ریسرچ گیت تبدیل شده است، سوال می‌کند چگونه می‌توان یک توزیع احتمال گسسته را به توزیع احتمال پیوسته تبدیل کرد؟ به زبان ساده یعنی اینکه آیا راهی وجود دارد که بتوان اعداد گسسته (مثلاَ ۱، ۲، ۳، ...) را به اعداد پیوسته (مثلا ۱، ۱.۷، ۲.۳، ....) تبدیل کرد؟

این ایده که به مباحث و تئوری احتمال مربوط می‌شود در حال حاضر مقدمات و مبانی خود را طی می‌کند. با این حال هدف نهایی آن، این است که به این نتیجه برسد اعداد به ظاهر هم‌سان، از دیدگاه احتمالی با هم برابر نیستند، بر فرض مثال ۲ با ۲ برابر نیست.

امروزه تئوری احتمال گسترش یسیار یافته و برخلاف آنچه که در مدارس و دبیرستان‌ها (در حد همان تاس و سکه قرن شانزدهم میلادی) آموزش داده می‌شود، کاربردهای فراوانی در علوم اقتصادی تا مخابرات و فناوری‌های نظامی یافته است. فرایندهای تصادفی، که جزئی از تئوری احتمال است، بخش و هسته اصلی داده‌های پهبادها و موشک‌های پیشرفته را در بر می‌گیرد.

قبلاَ هم نوشتم که احتمال مادر آمار است و چنانچه ایده و تئوری بالا بتواند اثبات شود، تحولی بزرگ در علوم داده و دیتا ایجاد خواهد کرد. به این ترتیب هر علم، دانش و تکنیکی که با تحلیل و آنالیز در ارتباط است دچار دگرگونی در فهم و استنباط خواهد شد.
در لینک زیر می‌توانید تاپیک زیر را مشاهده کنید.

https://www.researchgate.net/post/Can_someone_throw_light_on_how_to_convert_discrete_probability_distribution_to_continuous_probability_distribution

در این تاپیک Jochen Wilhelm's که یکی از بزرگترین آماری‌های دنیا است و Joachim Domsta که به نظرم بهترین محقق تئوری احتمال حال حاضر دنیا است، پاسخ داده‌اند.
پاسخ من به سوال و تاپیک بالا منفی است، به معنای این که از دیدگاه تئوری راهی وجود ندارد که بتوان یک توزیع احتمال گسسته را به توزیع احتمال پیوسته تبدیل کرد. به هر حال شاید اشتباه می‌کنم. با احترام فراوان، متن پاسخ خودم در ریسرچ گیت که توسط Joachim Domsta ریکامند شده است را اینجا نوشته‌ام، علاقمند بودید، بخوانید.

Question. Can someone throw light on how to convert discrete probability distribution to continuous probability distribution?

Answer. Let (Ω,F,P) be a probability space. Let X:Ω→R be a random variable defined on this probability space. Suppose that X is a discrete random variable. If g:R→R is any function, then g(X), which is indeed a composite function g∘X:Ω→R defined by goX(ω):=g(X(ω)) for all ω∈Ω, is called a transformation of the random variable X.

Now, the question is, can g(X) be a continuous random variable given that X is discrete. In other words, can the distribution of g(X) be a continuous one?

A discrete random variable is a one for which the range is finite or countably-infinite. A continuous random variable is a one with uncountably-infinite range. Since X is a discrete random variable, the range of X, which is the set {X(ω):ω∈Ω}, is finite or countable.

The original question thus reduces to, can the range of the random variable g(X) be uncountable ? Do you think it is plausible?

Certainly not. The range of g(X) is obtained by mapping each element of the range of X, which is the set {X(ω):ω∈Ω}, according to the function g. Since g is a function, each element of the set {X(ω):ω∈Ω} can be mapped to one, and only one, element. Thus the range of g(X) cannot become bigger than the range of X.

In other words, the range of the random variable g(X) cannot be uncountably infinite. Therefore g(X) cannot be a continuous random variable.
#داده‌سازی

فرض کنید پروژه یا تحقیقی دارید که بر مبنای آن باید دیتا و داده‌های جمع‌آوری کنید. مثلاَ یک کار پرسشنامه‌ای دارید و باید از افرادی نظرخواهی کنید. یا مثلاَ یک کار اعتبارسنجی دارید و باید افراد را قبل و بعد از آزمون مورد ارزشیابی قرار دهید. یا حتی یک کار آزمایشگاهی و تخصصی و می‌خواهید تاثیر فاکتورهای خود را بسنجید. یعنی تعدادی سوال و فرضیه دارید و باید بر مبنای داده‌ها آن‌ها را آزمون کنید.

حال فرض کنید به هر دلیلی که خودتان می‌دانید، نتوانید یا نخواهید داده‌ها را جمع‌آوری کنید. مثلاَ حال و حوصله ندارید بروید پرسشنامه پخش کنید و از افراد سوال و جواب کنید. یا وقت و هزینه ندارید بروید انواع گروه‌های Case و Control بسازید و آن‌ها را با هم مقایسه کنید.

خیلی ساده. می‌خواهید داده‌سازی کنید.

سوال من این است. آیا می‌توان این کار را نرم‌افزاری انجام داد؟ چقدر زمان می‌برد؟

پاسخم به این سوال این است. بله، خیلی تمیز می‌توان برای هر نوع مطالعه‌ای، داده و فایل دیتا ساخت. در عرض فقط چند دقیقه. هیچ کس هم نفهمد، آنقدر داده‌ها را عالی و خوب ساخت که پیش فرض‌ها مطالعه مثلاَ نرمال بودن داده‌ها تایید شود و از آن مهم‌تر، فرضیات و سوالات تحقیق هم مورد قبول و تایید قرار گیرد.

اینکه، این کار چگونه انجام می‌شود، موضوع حرف من فعلاَ نیست و البته با همان نرم‌افزار دوست داشتنی Minitab این کار به زیبایی قابل انجام است.

اما از آن‌جا که دست بالای دست بسیار است، داده‌هایی که با این روش ساخته می‌شوند. یک ایراد اساسی دارند. این داده‌ها در آزمون Run Test و یا Mann-Kendall Test رد می‌شوند. یعنی اگر فردی فایل دیتا شما را داشته باشد و این آزمون‌ها را روی آن‌ها انجام دهد، داده‌های شما نمی‌توانند آزمون‌هایی که نام بردم را اصطلاحاَ پاس کنند و در آن‌ها قبول شوند.

در اینجا است که شک می‌کنیم نکند این داده‌ها ساختگی و نتیجه یک فرایند داده‌سازی بوده و حاصل مطالعه و تحقیق واقعی نباشند.

خیلی ساده، وقتی بر روی داده‌های روزانه نمادهایی مانند شستا، فملی، پالایش، شپنا، دارا یکم، وبملت، وتجارت، وبصادر، خودرو، خساپا و تاحدی شبندر، آزمون‌های Run Test و یا Mann-Kendall Test را انجام می‌دهم، داده‌ها در این آزمون‌ها رد می‌شوند. آن هم با مقدار احتمال یا P value های خیلی بالا.

مقدار احتمال‌های آزمون‌های Run Test و یا Mann-Kendall Test آنقدر بالا است که به نظرم اگر همه آدم‌ها ساعت ۹ خوابشان ببرد و هیچ آدمی پشت سیسنم نباشد، باز هم حجمی از خرید و فروش انجام می‌شود.

اینکه چه دستی یا دست‌هایی در کار است را شما بهتر از من می‌دانید، اما واضح بگویم و البته با تاسف، آنچه مدت‌ها است روی تابلو می‌بینید، از دیدگاه آماری یک کلمه است. ساختگی و همان داده‌سازی که به شما در ابتدا گفتم.
اندرین خانه، بین، رهزن نیست

هر چه هست، ایمنی و صلح و صفاست

نشنیدم بنا، چنین محکم

گر چه در دهر، صد هزار بناست


پروین اعتصامی
امروز داشتم، برخی از کارهای قدیمی خودم را نگاه می‌کردم که به فایل‌ها و نوشتارهایم در سال ۹۳ و موسسه عالی آموزش وپژوهش مدیریت و برنامه‌ریزی که متعلق به نهاد ریاست جمهوری است، برخوردم. از تیرماه سال ۹۳ تا دی‌ماه همان سال آنجا بودم و پس از اتفاقات اولین کنفرانس اقتصاد ایران در دی‌ماه ۹۳ که برایم افتاد دیگر آنجا نرفتم. متن‌ها و نوشته‌هایم که حاصل مطالعات شخص من در چند ماه کار در آن‌جا بود، شامل صدها فایل و نمودار و گراف است که شاید بعدها آن‌ها را منتشر کردم.

در تصویری که برایتان قرار داده‌ام، مربوط به یکی از کارهایم در آنجا و بررسی بلند مدت نرخ مشارکت اقتصادی زنان ایران در بازار کار از سال ۱۳۳۵ تا پاییز سال ۹۳ بود. این گراف برای سال ۱۳۹۳ نمودار و چارت تازه و جدیدی بود و اعداد آن را خیلی به زحمت و با مطالعه کتابخانه‌های چند دانشگاه و البته مرکز آمار ایران به دست آورده بودم. به ویژه اعداد مربوط به قبل از انقلاب را.
👇
به آن قسمتی از گراف که در بالا برایتان مشخص کرده‌ام، نگاه کنید. سال ۱۳۸۳ نرخ مشارکت اقتصادی زنان کشور ۱۱.۴ درصد بوده است. یک دفعه در سال ۱۳۸۴ این نرخ شده است ۱۷ درصد.

یعنی ما در طول یکسال صدها هزار شغل برای زنان جامعه ایجاد کردیم؟ واضح است که خیر، اتفاقاَ اگر روزنامه‌های آن روزها را نگاه کنید می‌بینید جامعه خیلی هم مشکل بیکاری داشته و گفتمان غالب آن روزها اشتغال و بیکاری بوده است (مثل امروز که مفاهیمی مانند تحریم و برجام است)

پس چه اتفاقی افتاد یکدفعه ما از نرخ ۱۱ درصدی در مشارکت اقتصادی زنان رسیدیم به ۱۷ درصد در سال بعد.
خیلی ساده و بدون هیچ گونه تردستی یا خلاف‌گویی. اتفاقاَ خیلی هم درست می‌گفتیم و واقعاَ مشارکت اقتصادی زنان ما در سال ۸۴ همان ۱۷ درصد است و در سال ۸۳ همان ۱۱.۴ درصد.

موضوع یک نکته بسیار ساده بود.
تعریف شغل عوض شده بود. ما به هر فردی که در هفته حداقل یک ساعت کار می‌کرد می‌گفتیم، آهان، یافتم، این آدم شاغل است.
به همین سادگی و بدون هیچ‌گونه هزینه‌ای ما صدها هزار شغل ساختیم و نرخ مشارکت اقتصادی زنان بالا رفت.

حالا هم خیلی ساده به دوستانی که شاخص کل بورس را پی می‌گیرند و آن را هر روز رصد می‌کنند، می‌گویم. این بنده خدا و برادر کوچکتر آن یعنی شاخص هم‌وزن را رها کنید. تعریف آن‌ها مشکل دارد وگرنه نحوه محاسبه‌ آن‌ها کاملاَ هم درست است.
شاخص فقط و فقط یک چیز است. همان پرتفوی شما.
نوشتن این متن برای خودم هم سخت بود، اما خُب گفتم در این شب اصطلاحاَ چهارشنبه سوری، خوب است از نگاهی که به میزان فرهنگ و مردم‌دوستی، جامعه ایرانی محصور شده در جغرافیای سرزمینی ایران می‌شود، کمی مطلع شوید.

حدود دو ماه پیش بر روی داده‌های تز محققی از دانشگاه Argosy (Arizona, United States) تحلیل‌های آماری انجام می‌دادم. او به بررسی میزان فرهنگ، مردم‌داری، انسان‌دوستی و احترام جمعی، بین مردم ۱۹ کشور دنیا می‌پرداخت.

این کشورها عبارت بودند از
استرالیا، اندونزی، ژاپن، مغولستان، روسیه، هند، ایران، اردن، مصر، نیجریه، زیمباوه، آفریقای جنوبی، فرانسه، آلمان، ایرلند، آمریکا، کلمبیا، بولیوی و شیلی.

مصاحبه از افراد به صورت اینترنتی انجام شده و پرسشنامه‌های یکسانی برای آن‌ها ایمیل شده بود.
فاکتورهایی نظیر سن، جنسیت، تحصیلات و درآمد در بین پاسخ‌دهندگان هر کشور کنترل شده و فراوانی آن‌ها با هم اختلاف معنادار نداشت. این موضوع بسیار مهم بود تا مبادا تفاوت در این فاکتورها مطالعه را مخدوش کنند.

داستان این مطالعه و یافته‌های آن برای جامعه ایران امروزی غم‌انگیز بود.
در انتهای جدول آزمون رتبه‌بندی فریدمن Friedman Test که به ترتیب کشورها را از نظر اندازه و میزان بالا بودن آیتم‌ها و شاخص‌های فرهنگ و انسان‌دوستی، رتبه‌بندی می‌کرد، ایران قرار داشت. اینکه چه شده جامعه ایرانی در این جایگاه قرار گرفته و کدام روند را طی کرده، سوالی است که شاید بهتر است به آن پاسخ داده نشود.
جلیل محمد قلی زاده، مدیر و سردبیر مجله ای است که از سال ۱۲۸۵ تا ۱۳۱۰ منتشر می‌شد. مجله، نشریه‌ای بود طنز و مصور که عموم کاریکاتورهای آن توسط سید علی بهزاد که از نقاشان برجسته آن روزهای ایران بود، کشیده می‌شد. مجله او بعدها الهام بخش نسیم شمال و چرند و پرند دهخدا شده بود.

در سال ۱۳۹۵، نود و شش مقاله این مجله توسط دانشگاه کرمان، در کتابی چاپ و منتشر شد.

بخش هایی از کتاب به وقایع و اوضاع و احوال جامعه ایرانی از اسفند ۱۲۹۹ تا اردیبهشت ۱۳۰۰ می‌پردازد.

اما عجیب است که آنچه او از احوال نامساعد جامعه، معیشت، فرهنگ، سواد، سیاست حکومت و مردم آن روزها بیان می‌کند، همانند اوضاع همین روزها است. انگار جلیل محمد قلی زاده، جامعه امروز را وصف می‌کند و سید علی بهزاد احوال امروز را به تصویر می‌کشد.

مقالات او در آغازین روزهای سال ۱۳۰۰ سرشار است از امید و آرزو. از آزادی خواهی، ترقی، پیشرفت برای ایران در قرن جدید.

اما خب، با صد افسوس باید نوشت، انگار نه انگار صد سال بر این مرز و بوم گذشته. آب از آب در این یک قرن تکان نخورده. غصه ها و آرمان ها همان ها بوده که صد سال پیش بوده. آن هم در قرنی که جامعه جهانی به سرعت دویده و ما قرنی جدید را تحویل میگیریم که همچنان در دم در، کفش های خود را می جوریم.
به امید آینده‌ای بهتر برای مردم سرزمینم
#Syntax

یکی از بیشترین سوالاتی که در زمینه تحلیل‌های آماری پرسیده می‌شود، مفهوم
Interaction Multiple Comparisons
است.

برای فهم بهتر مطلب
فرض کنید کمیت (Variable) داریم به اسم A. این کمیت خود دارای مثلاَ پنج سطح (Level) به نام‌های a1, a2, a3, a4, a5 است. ما خیلی ساده با استفاده از نرم‌افزاری مثل SPSS می‌توانیم این سطوح را با هم مقایسه کنیم (آنالیز واریانس)

حال فرض کنید کمیت دیگری داریم با نام B. این کمیت نیز دارای مثلاَ چهار سطح به نام‌های b1, b2, b3, b4 است. همانند بالا و باز هم خیلی ساده با استفاده از SPSS می‌توانیم این سطوح را با هم مقایسه کنیم (یک آنالیز واریانس دیگر)

حال سوال و مفهوم
Interaction Multiple Comparisons

این است. چگونه می‌توان این سطوح را به صورت متقاطع با هم مقایسه کرد؟ مثلاَ بیاییم a1 را با b3 مقایسه کنیم و یا بخواهیم a5 را با b4 مورد آزمون و مقایسه قرار دهیم؟

موضوع جالب توجهی که وجود دارد این است که نرم‌افزاری مانند SPSS تا به امروز که ورژن ۲۷ آن هم ارایه شده، در منوها و آنالیزهای خود جایی برای انجام این نوع تحلیل ندارد. یعنی گزینه‌ای وجود ندارد که ما آن را انتخاب کنیم و سپس نرم‌افزار برای ما مقایسه‌های متقاطع را نیز انجام دهد.

برای انجام این کار، من در Syntax ها و محیط برنامه‌نویسی نرم‌افزار SPSS کمی دست برده‌ام. Syntax و برنامه انجام آزمون‌های مقایسه‌های متقاطع مثلاَ برای یک مطالعه اندازه‌گیری مکرر (RM) آن هم از نوع Multivariate به شرح زیر است.

GLM TOC.Feb TOC.Apr TOC.May TOC.June TOC.July TOC.Aug TOC.Sep DOC.Feb DOC.Apr DOC.May DOC.June
DOC.July DOC.Aug DOC.Sep BY Type Scenario
/WSFACTOR=Time 7 Polynomial
/MEASURE=TOC DOC
/METHOD=SSTYPE(3)
/EMMEANS=TABLES(Type) COMPARE ADJ(LSD)
/EMMEANS=TABLES(Scenario) COMPARE ADJ(LSD)
/EMMEANS=TABLES(Time) COMPARE ADJ(LSD)
/EMMEANS=TABLES(Type*Scenario) COMPARE(Type)ADJ(BONFERRONI)
/EMMEANS=TABLES(Type*Scenario) COMPARE(Scenario)ADJ(BONFERRONI)
/EMMEANS=TABLES(Type*Time) COMPARE(Type)ADJ(BONFERRONI)
/EMMEANS=TABLES(Scenario*Time) COMPARE(Scenario)ADJ(BONFERRONI)
/EMMEANS=TABLES(Type*Scenario*Time) COMPARE(Type)ADJ(BONFERRONI)
/CRITERIA=ALPHA(.05)
/WSDESIGN=Time
/DESIGN=Type Scenario Type*Scenario.

استفاده از محیط برنامه‌نویسی نرم‌افزار SPSS و کار با Syntax ها را به جای استفاده از منوها و تحلیل‌های قرار گرفته در نرم‌افزارها، به شما پیشنهاد می‌کنم. آن‌ها قابلیت‌های خیلی بیشتری به ما می‌دهند. فایل برنامه و Syntax این مثال را نیز در ادامه برایتان قرار داده‌ام.
GraphPad
#آزاده_شریعت
#آزاده_آزاده

واضح است که در حدی نیستم که تلنگری بزنم و البته ابزار مستندی هم ندارم که بگویم اگر در مطالعه دانشگاه Argosy به جای ۱۹ کشور، ۱۹۰ کشور بررسی می‌شد، باز هم میانگین فرهنگ مردمان محصور شده در جغرافیای سرزمینی ایران، در انتهای جدول رتبه‌بندی فریدمن، قرار می‌گرفت. اما خب برایم خیلی سخت بود که امروز که به خاک سپرده شد، چیزی نگویم و ننویسم که این آزاده، حق چه کسی را پایمال کرده بود و به کدامین گناه نابخشوده، آن هم در یک جامعه، که خودش در انتهای جدول فرهنگ فریدمن قرار گرفته، به نابودی کشیده شد.
🔆 دوستانی که با نرم‌افزار
GraphPad Prism
کار می‌کنند، می‌توانند ورژن جدید و بهبود یافته این نرم‌افزار را که به تازگی ارایه شده، از لینک زیر در سایت گراف پد، دریافت کنند.

https://graphpad.ir/prism9/
#شاخص_امید

لطفاَ ابتدا دو تصویر بالا را ببینید. 👆

سپس متن زیر را بخوانید.
گراف سمت چپ رتبه اکسا Alexa Rank سایت Tse ایران در ۹۰ روز اخیر تا امروز شنبه ۲۱ فروردین ۱۴۰۰ را نشان می‌دهد. یک نقطه بر روی گراف که بیانگر روز ۲۸ فوریه ۲۰۲۱ است را برایتان مشخص کرده‌ام. تقریبا می‌شود ۱۰ اسفند سال گذشته. می‌بینید، با وجود این همه ریزش نمادهای بورسی، هنوز امید وجود دارد.
گراف روند نزولی به خود نگرفته و هم‌چنان خط تقریباَ مستقیم است. به معنای اینکه بازدید و سر زدن به سایت و چک کردن قیمت‌ها و بالا و پایین شدن آن‌ها همچنان از طرف کاربران و جامعه ایرانی وجود دارد. پس از آن است که امید از بین رفته و گراف سقوط می‌کند.

گراف سایت Tse نشان می‌دهد سه چیز یعنی میانگین مدت زمان حضور در سایت، تعداد صفحات بازدید و Bounce Rate (فرد آمده سایت را باز کرده و بلافاصله سایت را بسته) کاهش شدید داشته است.

این اتفاق برای همه درگاه‌های اینترنتی کارگزاری‌ها هم رخ داده است. می‌توانید خودتان سرچ کنید و سقوط رتبه الکسا آن‌ها را ببینید.

حال گراف سمت راست را ببینید. رتبه اکسا یک سایت صرافی داخلی خرید و فروش ارزهای دیجیتال است. همان بازه زمانی ۹۰ روز را نشان می‌دهد، با روند افزایشی فوق‌العاده. این یعنی این‌که مثلاَ حتی قبل از روز ۲۸ فوریه که همچنان امید به بهبود در Tse وجود داشته، تقاضا برای این صرافی (بقیه صرافی‌ها هم همین‌گونه هستند) افزایشی بوده است. همچنان هم روند افزایشی بازدید و مدت زمان حضور در سایت دیده می‌شود.

خُب، این‌ها یعنی چه؟
اگر از من بپرسید، می‌گویم گراف Tse و کاهش شدید رتبه آن، به معنای آن است که نه فقط آدم در بازار نیست، بلکه پول هم در آن نیست. Bounce Rate سایت Tse نشان می‌دهد هر که از بورس ایران رفته، دیگر پشت سرش را هم نگاه نکرده. از طرف دیگر، گراف افزایشی سایت صرافی نشان می‌دهد هم آدم در آن است و هم پول به سمت آن رفته و می‌رود.

یادم هست در این لینک که مربوط به چهارم تیرماه سال ۹۹ بود، اظهار امیدواری کردم، پنجره باز شده بورسی کشور به سرنوشت پنجره بسته شده جمعیتی کشور، تبدیل نشود که متاسفانه تبدیل شد و ما نشان دادیم اساتید متبحری در فرصت سوزی هستیم.

در همان لینک و روزهای ابتدای تیرماه گفتم، بهتر است دامنه نوسان به عنوان یک نکته فنی آماری حذف شود، اما امروز با این گراف الکسا Tse و کاربرانی که دیگر در آن وجود ندارند و پولی که دیگر در آن نیست به نظرم حذف دامنه نوسان اوضاع را حتی بدتر هم کند.

به شخصه معتقدم اولین گام پیشرفت در هر موضوعی، آزادی است. اما واقع‌بینانه بخواهم بگویم این روزها، روزهای حذف دامنه نوسان نیست. همان تیرماه سال قبل، زمان مناسب حذف دامنه بود که از دست رفت. اکنون باید منتظر بود بازار به تعادل منطقی برسد، پس از آن، به نظرم فوری‌ترین کار و تصمیم، همان آزادی است.
#XRPUSDT

اگر از من بپرسید، ریپل را نسبت به سایر ارزهای دیجیتال، بیشتر می‌پسندم. شاید به دلیل اینکه به نظرم گراف آن نسبت به بقیه پیش‌بینی پذیرتر است.

از ابتدای روز جمعه ۲۰ فروردین تا امروز سه‌شنبه ۲۴ فروردین که گراف آن را در بالا برایتان آورده‌ام.، بازدهی خوبی داشته است.

به خوبی می‌توان در Outlier Data (Lower) آن ورود، و در Outlier Data (Upper) خروج کرد. با آزمونی مانند Grubbs’ Test نیز می‌توان این نقاط را مشخص کرد. در آن، اعداد زبان بلندتری برای حرف زدن دارند.
#آزادی

تصویر، واچ لیست من در tradingview.com است. این چند روز، بازدهی تقریباَ عالی داشته‌اند. بایننس BNBUSDT هم که اکنون منفی است، دوستان می‌دانند از یک رالی صعودی بیش از ۱۵۰ درصدی بازگشته است.

هدفم بیان هیچ نکته‌ای نیست، جز، عاقبت آزادی. که امیدوارم در مملکت خودمان هم روزی آن را ببینیم.
#توافق

فرض کنید می‌خواهیم بدانیم دو فرد، ارزیاب، داور، استاد و یا در حالت کلی دو تصمیم‌‌گیر، چقدر با هم توافق Agreement دارند.

اندازه‌گیری توافق، یک بخش کوچکتری از مفهوم بزرگتر پایایی یا همان Reliability است. ما وقتی می‌خواهیم اندازه توافق بین دو منبع تصمیم‌گیر را به دست بیاوریم، اگر داده‌ها از نوع Scale باشند، برای محاسبه اندازه توافق از انواع ضرایب همبستگی استفاده می‌کنیم.

در لینک زیر، آموزش کار با انواع ضرایب همبستگی را آورده‌ام.
https://graphpad.ir/correlation/

اگر داده‌های اسمی Nominal و یا رتبه‌ای Ordinal باشد از ضریب کاپا استفاده می‌کنیم. آموزش ضریب کاپا و محاسبه آن در SPSS را در لینک زیر سایت گراف پد می‌توانید، ببینید.
https://graphpad.ir/kappa-coefficient-with-spss/

اما موضوع مهم این است که فرض کنید، تعداد ارزیاب‌ها یا تصمیم‌گیرها بیشتر از دو نفر باشد. مثلاَ پنج نفر، یا ده نفر. یا کلاَ n نفر.

سوال این است، اندازه توافق بین این n نفر را چگونه به دست بیاوریم؟
ضرایب کاپا یا همبستگی فقط توانایی محاسبه بین دو نفر یا دو کمیت Variable را دارند. اگر تعداد ارزیاب‌ها و افراد بیشتر از دو بود، چه کنیم؟

آیا خوب است، بیاییم دو به دو بین افراد یا کمیت‌ها، اندازه توافق به دست بیاوریم؟
واضح است که خوب نیست، به ویژه اگر تعداد افراد یا کمیت‌هایی که می‌خواهیم بین آن‌ها اندازه توافق به دست بیاوریم، زیاد باشد.

راهکار درست این است که از نوع جدیدی از پایایی‌ها یعنی
Inter-rater Reliability
یا اصطلاحاَ پایایی بین ارزیابان استفاده کنیم. در این نوع پایایی، مهم نیست شما بین چند نفر یا چند تصمیم‌گیر می‌خواهید، اندازه توافق به دست بیاوریم.
در نهایت یک عدد برای شما به عنوان میزان توافق بین همه آن‌ها برایتان به دست می‌آید.

آموزش این نوع پایایی را در سایت گراف پد و در لینک زیر نوشته‌ام.
https://graphpad.ir/inter-rater-reliability/
#کای_اسکوئر

بهار سال ۱۳۸۳ و ایام نوروز که تهران شهر خوب و خلوتی می‌شد، می‌رفتم نیاوران کتابخانه وزارت امورخارجه. آن زمان به تازگی ترم اول کارشناسی آمار دانشگاه اهواز را تمام کرده بودم.

در آن‌جا و در بین انبوه کتاب‌هایی که به آن‌ها علاقمند بودم و می‌خواندم، کتابی دیدم با موضوع جنگ ایران و عراق و تحلیل داده‌های جنگ. نویسنده در فصلی از کتاب با استفاده از یک آزمون و روش آماری به نام کای-اسکوئر Chi-Square Test نشان داده بود که جنگ پدیده‌ای قابل پیش‌بینی و پس از آن قابل پیشگیری بود.

برای من که هنوز سال اولی حساب می شدم، کتاب و تحلیل‌های آن جالب توجه بود که چگونه با استفاده از یک روش آماری که البته هنوز درس آن را هم نخوانده بودم، چگونه می‌توان نتایج با اهمیت به دست آورد. سوال آن روز من این بود که اصلاَ کای اسکوئر چه ربطی به جنگ دارد؟

بعدها آموختم که Chi-Square با وجود سادگی آن، یک روش پرکاربرد در مطالعات کیفی است. هنگامی که ما با اعداد و مفاهیم قابل شمارش روبه‌رو نیستیم، مثلاَ داده‌های ما بررسی کیفیت زندگی، جنسیت، مقاطع تحصیلی، نوع صنعت، اثر بخشی درمان و یا حتی اثر بخشی انواع واکسن‌ها است، از آزمون کای اسکوئر استفاده می‌کنیم. در حالت کلی ما در این آزمون به جای مقایسه اعداد و اندازه‌ها، فراوانی‌ها و تعداد رخ‌داد پدیده‌ها را بررسی می‌کنیم.

به عنوان مثال می‌خواهیم بدانیم آیا نحوه حرف زدن و سخنرانی دو فرد با هم متفاوت است یا خیر، آیا آن‌ها از کلمات مشابهی استفاده می‌کنند؟ توزیع فراوانی کلمات به کار رفته توسط هر کدام چگونه است؟

یا به عنوان مثالی دیگر می‌خواهیم بدانیم اثر بخشی هر کدام از واکسن‌ها (مثلاَ کرونا) چقدر است؟ هر نوع واکسن به چند نفر تزریق شده است؟ از بین آن‌ها چه تعداد بیمار شده‌اند و چه تعداد مصون مانده‌اند.

در واقع ما در تمام مطالعاتی که با تعداد، شمارش و فراوانی روبه‌رو هستیم، می‌توانیم از آزمون Chi-Square استفاده کنیم.

من در لینک زیر در سایت گراف پد، سعی کردم به بیان روش انجام، برنامه‌نویسی و تحلیل داده‌های به دست آمده از روش آزمون کای اسکوئر بپردازم.
https://graphpad.ir/spss-chi-square-test-with-pairwise-z-tests/

همچنین در لینک زیر مباحث تئوری و کاربرد این آزمون را بیان کرده‌ام.
https://graphpad.ir/chi-square-graphpad-prism/