Media is too big
VIEW IN TELEGRAM
به نظرم خوب است در کنار همه چیزهایی که بلد هستیم، به یادگیری تئوریهای رگرسیونی و سری زمانی در گام اول و سپس کار با نرمافزارهای آماری در گام بعد بپردازیم.
در این ویدئو یک مدل رگرسیونی بسیار ساده که در #شستا برقرار است، بیان شده است.
عدد R Square این مدل رگرسیونی به لطف الگوریتم موجود در شستا 99.9 درصد است.
همانگونه که قبلاً نیز نوشتم، وجود الگوریتمها، راه را برای کشف مدلهای رگرسیونی موجود در هر نماد، ساده کرده است.
من در این پست که آذرماه سال 99 آن را نوشتم، عنوان کردم که شستا و روند رفتاری آن یک پروژه است، جهت اثبات یک ایده و تحلیل خاص.
در این پست نیز که مربوط به اسفند سال 99 بود، به وضوح نوشتم که در شستا و برخی نمادهای دیگر که نام آنها را آوردم، دادهسازی انجام میشود.
آنچه امروز و در این ویدئو بیان کردهام، این است که دادهسازان و الگوریتم نویسان حتی زحمت طراحی یک مدل پیچیده را هم به خودشان ندادهاند. بلکه ما در شستا با یک رگرسیون بسیار ساده و ابتدایی روبهرو هستیم.
علاقمند بودید ویدئو را ببینید و البته بار دیگر این پست را به خودم یادآوری میکنم که در آن (آذرماه 99) نوشتم، همه چیز رگرسیون است.
در این ویدئو یک مدل رگرسیونی بسیار ساده که در #شستا برقرار است، بیان شده است.
عدد R Square این مدل رگرسیونی به لطف الگوریتم موجود در شستا 99.9 درصد است.
همانگونه که قبلاً نیز نوشتم، وجود الگوریتمها، راه را برای کشف مدلهای رگرسیونی موجود در هر نماد، ساده کرده است.
من در این پست که آذرماه سال 99 آن را نوشتم، عنوان کردم که شستا و روند رفتاری آن یک پروژه است، جهت اثبات یک ایده و تحلیل خاص.
در این پست نیز که مربوط به اسفند سال 99 بود، به وضوح نوشتم که در شستا و برخی نمادهای دیگر که نام آنها را آوردم، دادهسازی انجام میشود.
آنچه امروز و در این ویدئو بیان کردهام، این است که دادهسازان و الگوریتم نویسان حتی زحمت طراحی یک مدل پیچیده را هم به خودشان ندادهاند. بلکه ما در شستا با یک رگرسیون بسیار ساده و ابتدایی روبهرو هستیم.
علاقمند بودید ویدئو را ببینید و البته بار دیگر این پست را به خودم یادآوری میکنم که در آن (آذرماه 99) نوشتم، همه چیز رگرسیون است.
درباره ویدئو و محتوای آموزشی قبلی که به موضوع شستا پرداختم، اگر نخواهم بگویم اهانت بلکه با چشمپوشی بگویم انتقاد، چند پیام البته از دیگران برایم ارسال شده بود.
در ادامه چند خط بیشتر درباره آن نوشتهام. دوست داشتید بخوانید.
صرفنظر از اینکه همبسته یعنی چه و صرفنظر از اینکه آیا X و Y ما در اینجا همبسته هستند یا نیستند، خوب است به پیشفرضهای تحلیل رگرسیون ان هم از نوع خطی نگاه شود. یعنی ما چه زمانی رگرسیون استفاده میکنیم.
در لینک زیر که مربوط به سایت آموزشی Laerd است و بیشتر به آموزش نرمافزار SPSS میپردازد، پیش فرضهای انجام یک تحلیل رگرسیون خطی آمده است. آن را ببینید.
در آنجا هفت پیش فرض شروع تحلیل رگرسیونی آمده است.
https://statistics.laerd.com/spss-tutorials/linear-regression-using-spss-statistics.php
درباره خود این مثال و دادهها هم بهتر است تصویر زیر که بیانگر نتایج و خروجیهای نرمافزار SPSS است، آمده است. من دور بخش Collinearity Statistics آن که به بیان آمارههای Tolerance و VIF میپردازد و هر دو برابر با یک هستند، خط کشیدهام.
https://graphpad.ir/wp-content/uploads/2022/10/2022-10-06_19-28-51.png
البته معمولا وقتی ما فقط یک X در مدل رگرسیونی خود داریم، لزومی به محاسبه آمارههای Collinearity Statistics نیست.
پاسخ به این سوال که اصلا Collinearity Statistics چه هستند را هم به خود سازنده نرمافزار SPSS یعنی IBM میسپارم. در لینک زیر میتوانید ببینید.
https://www.ibm.com/docs/SSLVMB_24.0.0/spss/tutorials/reg_cars_collin_01.html
البته من به مدتها قبل درباره Collinearity Statistics در سایت گراف پد توضیح و اموزش دادهام. علاقمند بودید لینک زیر را ببینید.
https://graphpad.ir/collinearity-diagnostics-spss/
درباره رگرسیون خطی و R Square هم، به وضوح من چندین بار از ساده بودن این نوع مدلها و البته سادهترین آنها حرف زدم. بله ما بسیاری مدلهای پیچیدهتر رگرسیونی و آماری داریم. آنچه من بیان کردم و چندین بار هم گفتم، یک مدل رگرسیونی ساده بود که سعی شده برای عموم قابل فهم باشد. مهمترین هدف از بیان ان نیز آشنایی با این نوع تحلیلها و البته رگرسیون برای عامه خوانندگان است.
در ادامه چند خط بیشتر درباره آن نوشتهام. دوست داشتید بخوانید.
صرفنظر از اینکه همبسته یعنی چه و صرفنظر از اینکه آیا X و Y ما در اینجا همبسته هستند یا نیستند، خوب است به پیشفرضهای تحلیل رگرسیون ان هم از نوع خطی نگاه شود. یعنی ما چه زمانی رگرسیون استفاده میکنیم.
در لینک زیر که مربوط به سایت آموزشی Laerd است و بیشتر به آموزش نرمافزار SPSS میپردازد، پیش فرضهای انجام یک تحلیل رگرسیون خطی آمده است. آن را ببینید.
در آنجا هفت پیش فرض شروع تحلیل رگرسیونی آمده است.
https://statistics.laerd.com/spss-tutorials/linear-regression-using-spss-statistics.php
درباره خود این مثال و دادهها هم بهتر است تصویر زیر که بیانگر نتایج و خروجیهای نرمافزار SPSS است، آمده است. من دور بخش Collinearity Statistics آن که به بیان آمارههای Tolerance و VIF میپردازد و هر دو برابر با یک هستند، خط کشیدهام.
https://graphpad.ir/wp-content/uploads/2022/10/2022-10-06_19-28-51.png
البته معمولا وقتی ما فقط یک X در مدل رگرسیونی خود داریم، لزومی به محاسبه آمارههای Collinearity Statistics نیست.
پاسخ به این سوال که اصلا Collinearity Statistics چه هستند را هم به خود سازنده نرمافزار SPSS یعنی IBM میسپارم. در لینک زیر میتوانید ببینید.
https://www.ibm.com/docs/SSLVMB_24.0.0/spss/tutorials/reg_cars_collin_01.html
البته من به مدتها قبل درباره Collinearity Statistics در سایت گراف پد توضیح و اموزش دادهام. علاقمند بودید لینک زیر را ببینید.
https://graphpad.ir/collinearity-diagnostics-spss/
درباره رگرسیون خطی و R Square هم، به وضوح من چندین بار از ساده بودن این نوع مدلها و البته سادهترین آنها حرف زدم. بله ما بسیاری مدلهای پیچیدهتر رگرسیونی و آماری داریم. آنچه من بیان کردم و چندین بار هم گفتم، یک مدل رگرسیونی ساده بود که سعی شده برای عموم قابل فهم باشد. مهمترین هدف از بیان ان نیز آشنایی با این نوع تحلیلها و البته رگرسیون برای عامه خوانندگان است.
Laerd
Linear Regression Analysis in SPSS Statistics - Procedure, assumptions and reporting the output.
How to perform a simple linear regression analysis using SPSS Statistics. It explains when you should use this test, how to test assumptions, and a step-by-step guide with screenshots using a relevant example.
یک نکته دیگر که به اهمیت بیان آن تاکید دارم این است که من در تاریخ 10 آذرماه سال 99 به صراحت در این پست نوشتم که
گراف پد یک کانال بورسی نیست.
سایت گراف پد نیز هرگز بورسی نبوده و به آنچه میپردازد، آموزش صرف آمار و تحلیلهای آماری است.
با این حال این بار میخواهم در پاسخ به اهانتهای نوشته شده در حق من در جاهای مختلف، که امروز به واسطه برایم ارسال شده بود، سوال بپرسم که
آیا من تا به حال در اینجا یا هر جای دیگری سهمی و نمادی برای خرید یا فروش معرفی کردهام؟ آیا ریالی و فقط یک ریال از کسی تحت هر عنوان بورسی دریافت کردهام؟ آیا یک نفر و حتی یک نفر وجود دارد که بگوید من به او چیزی به اسم پکیج بورسی فروختهام؟
و در پایان، به این فکر میکنم که شما را با فضای کانالهای بورسی تلگرام تنها بگذارم و به قول همان پیرمرد کشاورز طبسی خودتان میدانید و بورستان و از این به بعد گراف پد صرفاً به آموزش علوم آماری و نه کاربردهای آن در موضوعات بورسی، بپردازد.
گراف پد یک کانال بورسی نیست.
سایت گراف پد نیز هرگز بورسی نبوده و به آنچه میپردازد، آموزش صرف آمار و تحلیلهای آماری است.
با این حال این بار میخواهم در پاسخ به اهانتهای نوشته شده در حق من در جاهای مختلف، که امروز به واسطه برایم ارسال شده بود، سوال بپرسم که
آیا من تا به حال در اینجا یا هر جای دیگری سهمی و نمادی برای خرید یا فروش معرفی کردهام؟ آیا ریالی و فقط یک ریال از کسی تحت هر عنوان بورسی دریافت کردهام؟ آیا یک نفر و حتی یک نفر وجود دارد که بگوید من به او چیزی به اسم پکیج بورسی فروختهام؟
و در پایان، به این فکر میکنم که شما را با فضای کانالهای بورسی تلگرام تنها بگذارم و به قول همان پیرمرد کشاورز طبسی خودتان میدانید و بورستان و از این به بعد گراف پد صرفاً به آموزش علوم آماری و نه کاربردهای آن در موضوعات بورسی، بپردازد.
#Marginal_Effects
امروز سوال و جوابی دربارهی مفهومی به نام Marginal Effects و Elasticities با Bruce Weaver که از محققان دانشگاه lakehead کانادا است، داشتم.
او به همراه Jochen Wilhelm آلمانی و Robert Trevethan استرالیایی و البته Ronán Michael Conroy ایرلندی به نظر من از بهترینهای آماری حال حاضر دنیا هستند که وقتی خودم پس از چند روز بررسی یک موضوع نتوانم آن را حل کنم و بفهمم، از آنها میپرسم.
توضیح اینکه Marginal Effects و Elasticities از آمارههای مفید در تحلیل مدلهای رگرسیونی هستند و به بیان تاثیر اضافه شدن یک واحد یا درصد X خاص بر روی Y (وقتی سایر X ها ثابت بمانند)، اشاره میکنند.
محاسبه Marginal Effects و Elasticities وقتی مدل رگرسیونی ما خطی است، ساده است و خود ضرایب رگرسیونی همان پاسخ ما هستند.
مشکل زمانی است که مدل ما غیرخطی و به ویژه از نوع Probit و یا Logit و یا Quantile باشد. IBM به عنوان سازنده نرمافزار SPSS در لینک زیر بیان میکند که در حال حاضر نمیتواند Marginal Effects و Elasticities را برای این مدلها محاسبه کند و قابلیت براورد آنها را ندارد.
https://www.ibm.com/support/pages/will-spss-produce-marginal-effects-or-elastiticities-generalized-linear-models-such-logit-and-probit-models
البته که نرمافزارهایی مانند Stata و R توانایی محاسبه Marginal Effects و Elasticities در مدلهای غیرخطی را هم دارند، اما من تجربه محاسبه مفهومی به اسم ضریب پایایی امگا را داشتم که آن را هم خود IBM میگفت نمیتوان با SPSS انجام داد، اما Syntax و برنامههای محاسبه آن با SPSS به دست آمده و کشف شده بود. علاقمند بودید این لینک را ببینید.
به همین دلیل و به این امید که Bruce Weaver بتواند به من کمک کند و یاد دهد چگونه میتوان Marginal Effects و Elasticities را با SPSS محاسبه کرد و آیا Syntax آنها را دارد یا نه، امروز از او سوال پرسیدم.
نتیجه اینکه باز هم تجربه خوبی شد. با اینکه IBM بیان میکرد قابلیت محاسبه آنها را ندارد اما Bruce Weaver در لینک دانشگاه لیکهد، مثال و برنامهنویسی Syntax جهت محاسبه Marginal Effects و Elasticities با SPSS را برایم ارسال کرد که خودش آنها را نوشته بود. آن را برایتان ارسال کردهام، اگر شما هم علاقمند بودید، آن را بخوانید.
https://sites.google.com/a/lakeheadu.ca/bweaver/Home/statistics/spss/olscomp_mlecomp
امروز سوال و جوابی دربارهی مفهومی به نام Marginal Effects و Elasticities با Bruce Weaver که از محققان دانشگاه lakehead کانادا است، داشتم.
او به همراه Jochen Wilhelm آلمانی و Robert Trevethan استرالیایی و البته Ronán Michael Conroy ایرلندی به نظر من از بهترینهای آماری حال حاضر دنیا هستند که وقتی خودم پس از چند روز بررسی یک موضوع نتوانم آن را حل کنم و بفهمم، از آنها میپرسم.
توضیح اینکه Marginal Effects و Elasticities از آمارههای مفید در تحلیل مدلهای رگرسیونی هستند و به بیان تاثیر اضافه شدن یک واحد یا درصد X خاص بر روی Y (وقتی سایر X ها ثابت بمانند)، اشاره میکنند.
محاسبه Marginal Effects و Elasticities وقتی مدل رگرسیونی ما خطی است، ساده است و خود ضرایب رگرسیونی همان پاسخ ما هستند.
مشکل زمانی است که مدل ما غیرخطی و به ویژه از نوع Probit و یا Logit و یا Quantile باشد. IBM به عنوان سازنده نرمافزار SPSS در لینک زیر بیان میکند که در حال حاضر نمیتواند Marginal Effects و Elasticities را برای این مدلها محاسبه کند و قابلیت براورد آنها را ندارد.
https://www.ibm.com/support/pages/will-spss-produce-marginal-effects-or-elastiticities-generalized-linear-models-such-logit-and-probit-models
البته که نرمافزارهایی مانند Stata و R توانایی محاسبه Marginal Effects و Elasticities در مدلهای غیرخطی را هم دارند، اما من تجربه محاسبه مفهومی به اسم ضریب پایایی امگا را داشتم که آن را هم خود IBM میگفت نمیتوان با SPSS انجام داد، اما Syntax و برنامههای محاسبه آن با SPSS به دست آمده و کشف شده بود. علاقمند بودید این لینک را ببینید.
به همین دلیل و به این امید که Bruce Weaver بتواند به من کمک کند و یاد دهد چگونه میتوان Marginal Effects و Elasticities را با SPSS محاسبه کرد و آیا Syntax آنها را دارد یا نه، امروز از او سوال پرسیدم.
نتیجه اینکه باز هم تجربه خوبی شد. با اینکه IBM بیان میکرد قابلیت محاسبه آنها را ندارد اما Bruce Weaver در لینک دانشگاه لیکهد، مثال و برنامهنویسی Syntax جهت محاسبه Marginal Effects و Elasticities با SPSS را برایم ارسال کرد که خودش آنها را نوشته بود. آن را برایتان ارسال کردهام، اگر شما هم علاقمند بودید، آن را بخوانید.
https://sites.google.com/a/lakeheadu.ca/bweaver/Home/statistics/spss/olscomp_mlecomp
در ابتدا از لطف و محبت دوستانی که من از آنها می آموزم و یاد میگیرم، بسیار سپاسگزارم. 🌹🌺
سعی میکنم به آنچه که هدف من است یعنی ساختن منبع و رفرنسی جهت آموزش علوم آماری برای محققان و پژوهشگران، در روزگاری که دیگر من نیستم، بپردازم.
چیزهای زیادی است که باید نوشته شود و راهی طولانی در پیش است.
سعی میکنم به آنچه که هدف من است یعنی ساختن منبع و رفرنسی جهت آموزش علوم آماری برای محققان و پژوهشگران، در روزگاری که دیگر من نیستم، بپردازم.
چیزهای زیادی است که باید نوشته شود و راهی طولانی در پیش است.