GraphPad
2.21K subscribers
483 photos
34 videos
36 files
292 links
Download Telegram
Channel photo removed
#خرید

در منفی‌ها بخریم یا مثبت‌ها؟

فرض کنید می‌خواهم به این سوال پاسخ دهم خرید در منفی تابلو معقول‌تر است یا در مثبت تابلو؟

برای پاسخ به این سوال من درصد آخرین قیمت تابلو از 5- تا 5+ را کدهای رتبه‌ای از یک تا 10 در نظر می‌گیریم.

یک یعنی همان 5- و 10 یعنی 5+. صفر تابلو هم می‌شود کد 5.

مثلا اگر درصد آخرین قیمت سهمی 4.7- باشد کد رتبه‌ای آن را یک در نظر می‌گیریم.
یا اگر آخرین قیمت 2.5- باشد کد رتبه‌ای آن سه می‌شود و یا اگر درصد آخرین قیمت 1.1+ باشد، کد رتبه‌ای آن هفت می‌شود.

حال بیایید بین این کدها به عنوان Dependent Variable یا به اختصار DV و قیمت فردای سهم به عنوان Independent Variable یا به اختصار IV یک مدل رگرسیونی استفاده کنیم.

سوال مهم و خوب این است، چه مدل رگرسیونی؟
پاسخ زیاد سخت نیست.

از آن‌جا که ما DV ها را به صورت کدهای رتبه‌ای در آوردیم (از 1 تا 10) پس باید از مدل رگرسیون غیرخطی با عنوان
Ordinal Logistic Regression
یا همان رگرسیون لجستیکی ترتیبی استفاده کنیم.

نتیجه تحلیل با استفاده از این طرح تحلیلی و مدل رگرسیونی نشان می‌دهد، بهترین نقطه خرید یعنی جایی که بالاترین احتمال سودآوری فردا را دارد، DV دارای کد 8 است. یعنی جایی که درصد آخرین قیمت عددی بین 2 تا 3 مثبت است.

بدترین نقطه خرید هم DV دارای کد 2 است، یعنی زمانی که درصد آخرین قیمت عددی بین 4- تا 3- است.

خرید در کد 10 یعنی صف خرید یا عددی بین 4 تا 5 مثبت تابلو، عاقبت بهتری نسبت به خرید در کد 1 یعنی صف فروش یا عددی بین 5- تا 4- دارد.

به این ترتیب ما می‌توانیم برای هر کدام از کدهای 1 تا 10، احتمال مثبت بودن فردا را محاسبه کنیم. البته که این مدل به فاکتورها و IV های دیگری مثل قیمت پایانی، حجم و .... نیز بستگی دارد.

با این حال من صرفا‍ به دنبال پاسخ به این سوال بودم که در مثبت بخریم یا در منفی؟
پاسخ کلی این است که در مثبت خریدن، احتمال سودآوری بیشتری دارد تا در منفی خریدن.

در لینک زیر من آموزش رگرسیون لجستیک ترتیبی با استفاده از نرم‌افزار Minitab را آورده‌ام.

https://graphpad.ir/ordinal-logistic-regression-minitab/
#IT

چارت و روند این دو نماد در بازار سرمایه تهران را ببینید (نام آن‌ها مهم نیست). از ابتدای شهریور امسال، تا همین امروز 29 آبان.

هر دو دارای Combination Index کمتر از یک هستند (CI < 1). یعنی دارای رفتار و اثر سینرژیسم هستند.

به عبارت دیگر در آن‌ها اثری از بازارگردان، الگوریتم و فناوری خط دهنده، دیده نمی‌شود.

این دو نماد را با بسیاری از نمادهای بازار سرمایه، مقایسه کنید. در اکثر آن‌ها بازارگردان، IT و فناوری دیده می‌شود. همگی هم آنتاگونیسم هستند با CI بزرگتر از یک و حتی بزرگتر از ده.

بازار سرمایه خوب می‌شود، اگر آن اراده‌ای که IT های عدد تولیدکن را روشن کرده، خاموش شود.
🔆 مجله گراف پد، شماره پاییز 1400 منتشر شده است. در این شماره می‌خوانید

سینرژیسم یا آنتاگونیسم؟ مسئله این است!
آچار فرانسه علم. SPSS، یک نرم‌افزار همه کاره.
جدیدترین ورژن SPSS. نسخه 28 همراه با لایسنس معتبر (برای اولین بار در ایران)
بازاریابی، تحلیل RFM و داده‌های تراکنش Transaction Data
رگرسیون ترتیبی، یک مدل رگرسیونی جالب و کاربردی
بپیچانید. براورد منحنی Curve Estimation رگرسیونی
ستاره‌های معنی‌داری در نمودارهای گراف پد
یک مدل پیشرفته. آنالیز کوواریانس چندگانه MANCOVA
ضریب همبستگی درون رده‌ای ICC
یک طرح پیچیده. Multivariate Repeated Measure ANCOVA

لینک اینترنتی مجله را می‌توانید در زیر ببینید.
https://graphpad.ir/journal/
GraphPad
#خروج هر وارد شدنی، خارج شدن هم دارد. همان‌گونه که الکسا رنک، زمان ورود را نشان داد (این پست را ببینید.) از آن برای تعیین زمان خروج نیز استفاده می‌کنیم. الکسا رنک سه شاخص دارد Daily Page views per Visitor Daily Time on Site Bounce rate البته که این شاخص‌ها…
لطفاً ابتدا پست ریپلای شده را بخوانید. 👆

گراف بالا را ببینید. قبلاً درباره‌ی الکسا رنک و شاخص‌های اندازه‌گیری آن صحبت کردم. این گراف روند سایت TSETMC در 90 روز اخیر را نشان می‌دهد. به نقطه و روزی که در آن مشخص کردم نگاه کنید. تقریباً روزهای دوم تا چهارم اکتبر است. یعنی می‌شود روزهای 10 تا 12 مهر. از آن تاریخ به بعد الکسا رنک کاهشی شده و شاخص‌ها هم قرمز.

خوب است یک نگاهی به قیمت سهام در آن روزها و عدد شاخص کل بیندازیم.

به نظرم به خوبی زمان خروج را در یک بازه زمانی 90 روز قبل، مشخص کرده بود.
#مسکن

همین الان بروید سایت Zillow (چیزی مانند دیوار جهت خرید و فروش مسکن در آمریکا) متوسط قیمت هر متر مربع خانه در نیویورک را عدد 396.4 دلار نشان می‌دهد. یعنی به دلار 30000 تومان می‌شود کمتر از 12 میلیون تومان.

گرانترین خانه حال حاضر در نیویورک را نیز یک پنت‌هاوس 2520 متری در طبقه 96 خیابان 432 Park به صورت زیر شرح می‌دهد.
The true Penthouse of 432 Park Avenue - floor 96 of 96 - at the world's most celebrated ultra-luxury tower. One-of-one. A trophy unlike any other in the world. Never before on the market. All furniture and art will be included in the sale.
قیمت هر متر مربع این پنت‌هاوس ( آن هم همراه با تمام اثاثیه و آثار هنری موجود در خانه) با همان دلار 30000 تومانی حدود 178 میلیون تومان قرار داده شده است.

حال متوسط قیمت مسکن در تهران چقدر است؟ عددی حدود 35 میلیون تومان. نزدیک به سه برابر قیمت خانه در نیویورک. بر مبنای قیمت دلار 30000 تومان.
اینکه گفته می‌شود قیمت مسکن حباب ندارد حرف عجیبی است و باید بگویم قیمت مسکن در تهران در مقایسه با نیویورک، با دلار حدود 90000 تومان محاسبه می‌شود.
#Terra_Luna

تِرا لونا Terra Luna

به نظرم سال 2022 از این رمز ارز زیاد خواهیم شنید. یک الگوریتم مستقل «اِستِیبِل کوین» که برای کاهش نوسان‌های قیمت ایجاد شده، به آن متصل است.
#مدل

چند روز پیش یک گزارش پژوهشی از گروه آمار و تحلیل ریسک سازمان بورس و أوراق بهادار دیدم. از آن جا که موضوع آماری بود توجهم را جلب کرد. عنوان گزارش

بررسی دامنه نوسان و حجم مبنا در بورس تهران و فرابورس ایران (مطالعه تطبیقی، مدلسازی)

بیان شده بود. در لینک زیر می‌توانید این گزارش را دریافت و مشاهده کنید.

http://www.rdis.ir/RDFiles/Studies/15Price%20limit%20and%20Base%20Volume.pdf

اساس گزارش بر استفاده از دو مدل رگرسیونی استوار بود (تصویر آن بخش از گزارش در صفحه 19را پیوست کرده‌ام). علاقمند شدم دو نکته کوتاه درباره آن بنویسم.

الف) خیلی ساده. وقتی علوم و موضوعات در گذر زمان پیچیده‌تر می‌شود، ما (منظورم علوم آماری) هم پیچیده‌تر می‌شویم. ما دیگر از خط Line استفاده نمی‌کنیم بلکه از منحنی Curve بهره می‌گیریم. به بیان دیگر ما از Linear Regression به دلیل پیچیده‌تر شدن داده‌ها، استفاده نمی‌کنیم بلکه از انواع Nonlinear Regression استفاده می‌کنیم. البته خب، کار کردن و فهم آن‌ها به مراتب سخت‌تر است.

گزارش، خیلی ساده از یک مدل رگرسیونی خطی استفاده می‌کند و البته ابزاری هم به ما جهت سنجش و قضاوت درباره همین مدل خطی که استفاده کرده نمی‌دهد. گزارش حتی نمی‌گوید مدلی که استفاده کرده چقدر خوب بوده است و اندازه خوب بودن آن چقدر است؟

نرم‌افزارها ماشین هستند و فهمی از پدیده‌های تجربی ندارند. شما هر چه به آن‌ها بدهید (حتی موضوعات کاملاً بی‌ربط) بالاخره یک خروجی به شما می‌دهند و ضرایب رگرسیونی را برایتان براورد می‌کنند. اما سوال اصلی همچنان پابرجاست. مدل شما به چه اندازه خوب و درست است؟ گزارش در این زمینه سکوت کرده.

ب) در متن همین تصویر و جایی که مدل‌های خطی رگرسیونی گزارش را توضیح داده، یک کلمه بسیار کلیدی نوشته شده است.
توزیع دم کلفت Heavy Tail

سوال این است که شما اگر می‌دانید بازده قیمتی روزانه توزیع دم‌کلفت یا همان Heavy Tail Distribution دارد چرا از مدل خطی که پیش‌فرض آن نرمال بودن باقیمانده‌ها Residuals است، استفاده می‌کنید؟ توزیع نرمال که دم کلفت نیست.

در واقع استنباط آماری مبتنی بر توزیع نرمال (مثل همین کاربرد مدل رگرسیون خطی) نسبت به نقاط پرت Outlier Data و باقیمانده‌ها که دارای توزیع دم کلفت هستند، حساس است. به عبارت ساده هنگامی که با داده‌هایی از نوع دم کلفت (مانند قیمت روزانه سهام) روبه‌رو هستید، استفاده از مدل خطی نه فقط خوب نیست، بلکه غلط نیز هست.

خب چه کنیم و از چه مدلی استفاده کنیم؟
پاسخ این است که از توزیع‌های دم کلفت استفاده کنید که بهترین آن‌ها توزیعی با نام Slash Distribution است. توزیع Slash قابلیت انعطاف زیادی بر روی کلفت بودن دم‌ها ایجاد می‌کند و جهت مدل‌بندی پدیده‌های تصادفی (مانند قیمت سهام) و با دم‌های کلفت، مفید هستند. در این صورت براورد پارامترهای مدل رگرسیونی غیرخطی Slash با استفاده از الگوریتمی مانند EM انجام می‌شود.

کار نویسندگان این پژوهش بسیار عالی است و کاملا واضح است که برای آن زحمت زیادی کشیده شده است. با این حال به نظر من، مدل و پایه این کار صحیح نیست و در نتیجه نتایج به دست آمده از آن نیز چندان معتبر نخواهد بود. هدف نویسندگان گزارش بسیار هم خوب است اما حذف دامنه نوسان و یا حجم مبنا هر چقدر هم که کار خوبی باشد و با هر مدلی هم خوب بودن آن نشان داده شود، موضوعی است که در یک سیستم آنتاگونیسم و سرشار از تضاد منافع هرگز اتفاق نمی‌افتد.

https://graphpad.ir/wp-content/uploads/2021/12/2021-12-23_15-50-11.png
دیر قانون النهر
نام روستای کوچکی است در نزدیکی‌های مدیترانه.

کاری که پیرمردهای تهران و لاف زن‌های سبزپوش، انجام ندادند و نمی‌دهند، مردان و زنانی از آنجا، انجام خواهند داد.
#قرعه_کشی

فرض کنید یک شرکت خودروسازی، بانک، تولید مواد غذایی، صنایع ارتباطی و یا یک سایت خرید و فروش کالای اینترنتی، می‌خواهد قرعه‌کشی کند و به افراد و مشتریان خود جایزه بدهد.

به نظر شما این منطقی است که این شرکت، افراد برنده را به صورت تصادفی Random از مجموعه مشتریان یا ثبت‌نام کنندگان خود انتخاب کند؟

اگر ما در جایگاه یک فرد عادی باشیم، می‌گوییم بله، عادلانه است. افراد باید شانس و احتمال برنده شدن یکسان داشته باشند.

اما خب، باید بگویم واقعاً این‌گونه نیست. تبلیغات که جایزه دادن یا برنده شدن یکی از انواع آن است باید در جهت کسب سود و ثروت برای شرکت فرضی ما باشد، نه هدر دادن منابع. بله عادلانه است هر فرد شانس برنده شدن مساوی با دیگران داشته باشد. اما از دیدگاه شرکت یا بانک، این کار عاقلانه نیست. درست هم می‌گوید. در همه جای دنیا هم همین‌گونه است.

معمولاً اکثر شرکت‌های کوچک و بزرگ، بخشی به نام Marketing دارند. در آن‌جا است که پاسخ به سوال چه کسی برنده می‌شود یا بر روی چه مشتریانی بیشتر سرمایه‌گزاری کنیم، مشخص می‌شود.

تحلیل‌های با نام Direct Marketing به هفت دسته اصلی تقسیم می‌شوند. متداولترین آن‌ها آنالیزی با نام RFM است. اساس تحلیل RFM شناسایی بهترین مشتریان است. این تحلیل از سه شاخص اصلی به نام‌های
Recency
Frequency
Monetory
تشکیل شده است. نام تحلیل RFM نیز از این اسامی به دست می‌آید.

بخش Marketing یک شرکت، با استفاده از تحلیل RFM بهترین مشتریان خود را پیدا می‌کند این‌ها افرادی هستند که از دیدگاه نرم‌افزار دارای بالاترین تعداد Bin ها هستند. مثلا در تصویری که پیوست کرده‌ام، افراد قرار گرفته در کادر سبز رنگ، بهترین مشتریان آن شرکت هستند. از بین آن‌ها افرادی که با فلش سبز مشخص کردم، بهترین هستند. افراد دارای کمترین Bin نیز بدترین مشتریان شرکت هستند. (کادر زرد رنگ)

قرعه‌کشی صرفاً بر روی افراد کادر سبز رنگ و فلش سبز رنگ انجام می‌شود. این افراد از دیدگاه شاخص‌های Recency، Frequency و Monetory بالاترین Bin ها را دارند. بنابراین اگر قرار است تبلیغاتی انجام شود و جایزه‌ای داده شود، عاقلانه‌ترین کار از دیدگاه آن شرکت این است که از بین این افراد قرعه‌کشی به معنای انتخاب تصادفی صورت پذیرد.

تحلیل‌های RFM در دو نوع Transaction Data و Customers Data انجام می‌شوند. آموزش آن‌ها را در سایت گراف پد و لینک‌های زیر آورده‌ام.

https://graphpad.ir/wp-content/uploads/2022/01/2022-01-10_21-34-07.jpg

https://graphpad.ir/direct-marketing-rfm-analysis-transaction-data/

https://graphpad.ir/direct-marketing-rfm-analysis-customers-data/
#قزاقستان

اگر ریزش قیمت رمز ارزها و به ویژه بیت کوین را، تاحدی به تحولات و ناآرامی‌های قزاقستان و به دنبال آن کاهش شدید نیروی رایانش شبکه بیت کوین، مرتبط می‌دانیم، بهتر است بدانیم که این مولفه در حال آرام شدن است. اینترنت سراسری در این کشور تقریباً به حالت عادی برگشته و به نظر می‌رسد متصل شده است.

بنابراین به نظر من، در روزهای آینده با افزایش مناسب قیمت رمز ارزها رو به رو خواهیم بود.
صادقانه بگویم.
من یک تتر که هیچ، حتی یک ریال هم در این بازارها سرمایه ندارم. البته که این موضوع دلیل کاملاً شخصی دارد.

صرفاً آنها را بررسی می‌کنم و می‌بینم، به دلیل اینکه با حجم گسترده‌ای از داده‌های واقعی، جهت انجام هر نوع تحلیل و آنالیز آماری، روبه‌رو هستم.
#میانه
اعداد زیر را در نظر بگیرید.
۳.۴, ۴.۹, ۲.۷, ۱۱.۶, ۲.۵, ۸.۷, ۱۴.۳, ۳.۱, ۱.۹
فرض کنید این اعداد، حقوق به میلیون تومان، افراد یک شرکت باشند. یک سوال ساده. میانگین حقوق کارمندان در این شرکت چقدر است؟
پاسخ معلوم است ۵.۹ میلیون تومان.
اما این عدد واقعی است و بیانگر سطح دستمزد در این شرکت می‌باشد؟
شش نفر از ۹ نفر کارمندان، کمتر از میانگین ۵.۹ میلیون تومان، حقوق می‌گیرند.
به سادگی واضح است که بالا بودن میانگین تحت تاثیر دو عدد ۱۴.۳ و ۱۱.۶ قرار گرفته است.

یک سوال ساده دیگر. میانه حقوق در این شرکت چقدر است؟
آن هم واضح است ۳.۴ میلیون تومان.
توضیح اینکه میانه عددی است که پنجاه درصد اعداد دیگر از آن کمتر هستند. در این مثال، به معنای میزان حقوقی که نیمی از کارکنان از آن کمتر دریافت می‌کنند.
این عدد تصویر روشن‌تری از سطح دستمزد به ما نشان میدهد و همانند میانگین تحت تاثیر اندازه‌های خیلی بالا و یا خیلی پایین قرار نمی‌گیرد.

این مثال را نوشتم از آن جهت که در خبرها و از قول سازمان برنامه و بودجه، میانگین حقوق کارمندان ۶.۱ میلیون تومان، بیان شده بود.
قبول، اما سوال این است، میانه حقوق یعنی عددی که نصف جامعه از آن حقوق کمتری دریافت می‌کند، چقدر است؟

پژوهشی داشتم در سال ۹۵ که به بررسی فاصله بین دستمزد و تورم در پنج کشور ژاپن، مالزی، هند، ترکیه و ایران می‌پرداخت. در آن سال این یافته به دست آمد که میانه حقوق در ایران حدود ۴۰ درصد از میانگین حقوق، کمتر است و متاسفانه به جای بیان میانه حقوق که عدد واقعی تری در بیان سطح دستمزد افراد جامعه است، همواره میانگین حقوق بیان می‌شود.
#بی_قانون

روز دوشنبه 29 آذر که شاخص کل استارت روند صعودی خود را شروع کرد روی عدد رسمی 1301542 واحد بود. امروز دوشنبه 27 دی‌ماه یعنی بعد از گذشت چهار هفته بر روی عدد 1306531 قرار دارد. به عبارت خیلی ساده شاخص کل افزایش هم داشته است ( حدود 0.4 درصد مثبت).

حال بیایید یک میانگین خیلی ساده از قیمت پایانی همه نمادهای بازار بورس در روز دوشنبه 29 آذر بگیرید. همین کار را برای امروز دوشنبه 27 دی‌ماه هم انجام دهید. چه نتیجه‌ای می‌گیرید؟ میانگین نمادها 1.7 درصد منفی را نشان می‌دهد. به بیان ساده در این یک ماه شاخص اوضاع خوب و تحت کنترل را نشان می‌دهد در حالی که بازار واقعی منفی است.

از این هم ساده‌تر. همین امروز را ببینید. شاخص کل 0.33- درصد منفی است. میانگین قیمت پایانی نمادها 0.57- درصد و میانگین آخرین قیمت 1.93- درصد است. البته که این را همه می‌دانند که شاخص کل در روزهای منفی، نسبت به بازار منفی کمتر و در روزهای مثبت نسبت به بقیه بازار مثبت بیشتری دارد.

اما نکته بسیار مهم این است که آن‌چه برای تصمیم‌گیران گزارش می‌شود همین شاخص کل است. همه چیز خوب است و مردم هم بیخود سر و صدا می‌کنند. با سود هم خارج شده‌اند. صرف نظر از درستی یا غلط بودن این نظر، در هیچ کجای دنیا حتی در کشور بی قانون‌ها هم فرد و سیستمی حتی دولتی و حکومتی حق قانونی ندارد به حساب‌های مالی، بانکی و پولی افراد بدون رضایت آن‌ها، سرک بکشد. ببیند چه خریده‌اند، چند خریده‌‌اند، کی فروخته‌اند و چند فروخته‌اند. تا بعد بیاید گزارش بدهد که بله n میلیون نفر سود کرده‌اند. شما از کجا می‌دانی سود کرده‌اند؟ با مجوز کدام قانون آمار خرید و فروش و تراکنش‌های مالی افراد را در می‌آورید؟
#سود

به شخصه بر این نظر هستم که مدیر و مسئول در جمهوری اسلامی، دروغ نمی‌گوید. بلکه همه حقیقت را نمی‌گوید. با این دیدگاه، از دیروز بررسی می‌کردم که آقای گزارش (خوب) بنویس، چگونه محاسبه کرده که به قول خودش از 6.7 میلیون نفر ورودی سال قبل، 3.2 میلیون نفر (47.8%) با سود خارج شده‌اند.

ماتریس شبیه‌سازی داده‌های من نشان می‌داد، فقط 8.1 درصد افراد ورودی سال قبل با سود می‌توانستند خارج شوند و اختلاف بین 47.8 با 8.1 خیلی زیاد است. از طرف دیگر همان‌گونه که نوشتم، بر این دیدگاه هستم که آقایان مسئولان رده خیلی بالا تا رده خیلی پایین دروغ نمی‌گویند. پس چگونه محاسبه کرده‌اند که به عدد 47.8 درصد افراد خارج شده با سود رسیده‌اند.

بالاخره یافتم و عدد هم تقریباً درست است. بله راست گفته شده. بنا بر گزارش آقای گزارش خوب بنویس، تقریباً 46-47 درصد افراد با سود از بازار خارج شده‌اند. اما سوال مهم این است، چگونه با سود خارج شدن تعریف شده است؟

فرض کنید من در سبد خودم n تعداد نماد دارم. از کوچک و بزرگ بگیر تا عرضه اولیه و فرابورس و بورس. از خودرو، خساپا بگیر تا فملی و کزغال و بمپنا و پارتا و فمراد و ....
حال یکی از این‌ها (فقط یکی هم کافی است) من در سود هستم. مثلاً من عرضه اولیه X را گرفته‌ام و چند هزار تومان در سودم. حال همه سهام خودم را می‌فروشم و از بازار خارج می‌شوم. مهم نیست که مثلا در خودرو یا فملی یا کزغال چند میلیون یا چند میلیارد در ضرر هستم. به من می‌گویند با سود از بازار خارج شده چون صرفاً در یکی از نمادهایم در سود چند هزار تومانی بوده‌ام.

به عبارت ساده بیان ریاضی آن به صورت زیر است.
من با سود از بازار خارج شده‌ام اگر و فقط اگر حداقل یکی از نمادهای من در سود باشد.

بنابراین معادله حل می‌شود. بله داده‌ها من هم نشان می‌دهد حدود 46 درصد افراد با سود خارج شده‌اند. منتهی اکثر آن‌ها سود چند هزار تومنی عرضه اولیه‌ها در برابر ضررهای بسیار بزرگتر نمادهای دیگر بوده است. اصلا هم مهم نیست و من باید برای خیابان پاستور و بهارستان گزارش خوب بنویسم. پس به این افراد، برچسب با سود خارج شدن می‌زنم و سرخوش از اینکه دروغ هم نگفته‌ام.

اما خب، همه حقیقت خیلی زود برملا می‌شود.
Channel photo updated
This media is not supported in your browser
VIEW IN TELEGRAM
#SPSS28

شرکت IBM به تازگی ورژن جدید نرم‌افزار SPSS 28 را ارایه کرده است. در این ورژن، تحلیل‌ها و ویژگی‌های جدیدی مانند

Meta Analysis
Power Analysis
Relationship Maps
Ratio Statistics
Statistics Workbook
Search Enhancements
Side-Pane Table Editor

به نرم‌افزار اضافه شده و یا بهبود یافته است. من در لینک زیر توضیحاتی درباره هر کدام از این تحلیل‌ها و ویژگی‌ها بیان کرده‌ام.

https://graphpad.ir/spss28/

همچنین در لینک زیر می‌توانید کتاب مربوط به مطالب جدید نرم‌افزار را که در ResearchGate قرار داده و نوشته‌ام، مشاهده و دریافت کنید. سعی کرده‌ام مطالب را به بیان ساده، مطرح کنم.

https://www.researchgate.net/publication/358008655_What's_new_in_IBM_SPSS_Statistics_28
#صفر

گاهی اوقات از من سوال می‌شود چگونه آمار یاد بگیرم؟ چه کتابی بخوانم و از کجا شروع کنم؟ اجازه دهید در پاسخ، تصویر بالا را برایتان قرار دهم.

این گراف Research Interest و RG Score من است. با اعداد RG Score بیشتر از 60 و رده 2.5 درصد پژوهشگران ریسرچ‌گیت دنیا، کاری ندارم و فقط توجه شما را به کادر نارنجی رنگ جلب می‌کنم. از سال 2003 تا 2013. به مدت ده سال من صفر بودم. صفرِ صفر. در تمام این ده سال مطالعه می‌کردم، کتاب می‌خواندم و نرم‌افزار یاد می‌گرفتم. بدون اینکه هیچ بروز و نمودی داشته باشد. فرقی نمی‌کرد چه کتابی، هر کتابی و هر نرم‌افزاری. هر چه به دستم می‌آمد می‌خواندم از کتاب احتمال Feller دهه 1950 گرفته تا Robust Regression‌ های تازه کشف شده.

پیشنهاد می‌کنم اگر می‌خواهید آمار و یا هر علمی یاد بگیرید به خوبی مطالعه کنید، صبور باشید و آهسته آهسته بیاموزید. اینکه چه کتابی بخوانم و یا از کجا شروع کنم اصلا اهمیتی ندارد. البته این فقط تجربه شخصی من است که وقتتان را هم به کار کردن برای فرد، شرکت، سازمان، دانشگاه و یا هر جای دیگری به هدر ندهید. خودتان برای خودتان کار کنید و بیاموزید. همه آن‌ها به سراغ شما می‌آیند.