سلام😁
مقدم همه‌ی عزیزان رو گرامی می‌دارم❤️

اینجا قراره باهم یه محیط نیمچه آکادمیک درست کنیم و در مورد خیلی چیزها صحبت کنیم :)

بازم به قولی Stay tuned🔥

یکی از تصمیماتی که امسال گرفتم و امیدوارم دوره‌ی اینترنی بهم این اجازه رو بده که این تصمیم رو ادامه بدم، اینه که هر از چند گاهی به صورت تفننی در مورد آنالیزهای آماری داخل نرم‌افزار R فیلم آموزشی بسازم.

❓ سوال: چرا داری می‌سازی؟

مهم‌ترین دلیلش مرتب و کانالیزه کردن چیزهایی هستش که خودم به صورت خرد خرد از جاهای مختلف خوندم. اگه همینجوری پخش و پلا تو ذهنم بمونن، نمی‌تونم برای کارهای خودم ازشون استفاده کنم، یا حتی یه زمانی، حرفه‌ای ضبط کنم.
دلیل دوم هم اینه که یه چیزی بسازم که به درد بقیه هم بخوره و مطمئنم این‌طوری هم هست🤩

❓ سوال: من هیچی از آمار و R نمی‌دونم، منم می‌تونم ازش استفاده کنم؟

اگه کلاً هیچ پایه‌ای نداری، بهتره صبر کنی نوبت به ساخت فیلم‌های برسه که از پایه شروع کنن؛ یا اینکه یه کار بهتر بکنی و چندتا فیلم یوتیوب ببینی که اونجوری کاملاً اوکیه.
اگه یه بیس پایه‌ای از آمار داری، حتی اگه فکر می‌کنی یادت رفته، صد درصد به کارت میاد.
اگه R بلدی که هیچ؛ اگه نه، هزینه‌اش میشه یه فیلم یوتیوب ۲۰ - ۳۰ دقیقه‌ای که مقدمات R رو بهت توضیح بده، بیشتر از این دیگه نیاز نیست، خودم میگم بهت😁

❓ سوال: یه دستی به سر و روی فیلم‌ها نمی‌کشی؟ خیلی خام به‌نظر میان.

اگه ادیت بلد بودم چرا؛ ولی چون بلد نیستم، دیگه به بزرگی خودتون ببخشید. هدف از این فیلم‌ها هم کسب درآمد و ... نیست، برای همین زیاد مشتری‌مداری اینجا اهمیت نداره😂 ولی اگه دنبال چیزی برای یادگیری هستین، باطنش بیشتر از ظاهرش به کارتون میاد.

❓ سوال: فیلم‌ها ترتیب خاصی داره؟

به جز فیلم‌هایی که خودم در مورد یه مبحث ترتیبشونو مشخص می‌کنم، نه، هیچ ترتیبی ندارن.

❓ سوال: اگه فیلم‌ها رو ببینم، به اون سطحی می‌رسم که پروژه‌ی خودمو جلو ببرم؟

بله🤩 اما برای اینکه "پروژه‌ی خودتونو جلو ببرید"، ۳تا چیز نیازه:
دانش پایه‌ای + سرچ (یوتیوب) + Stackoverflow
من تو اولی کمکتون می‌کنم، دومی و سومی با خودتون😁

❓ سوال: ضبط فیلم‌ها زمان‌بندی خاصی داره؟

نه، هر وقت حوصله و وقتم بکشه🤝

✅ اینم جلسه‌ی اول از پارت اول، رگرسیون لجیستیک دوجمله‌ای:

تو این جلسه چیا گفتم؟
۱) رگرسیون لجیستیک چیه؟
۲) چجوری رگرسیون لجیستیک انجام بدم؟
۳) چجوری نتایج رگرسیون لجیستیک رو تفسیر کنم؟
۴) چجوری از مدلم استفاده کنم؟

📍 لینک فیلم:

یوتیوب

#Statistics
#Binomial_logistic_regression

✅ اینم جلسه‌ی دوم از پارت اول، رگرسیون لجیستیک دوجمله‌ای:

تو این جلسه اومدم نحوه‌ی کشیدن نمودار برای رگرسیون لجیستیک رو توضیح دادم و یه‌سری از آپشن‌های کتابخونه‌ی ggplot2 در R رو هم توضیح دادم😁

📍 لینک فیلم:

یوتیوب

#Statistics
#Binomial_logistic_regression

✅ مبحثی که قصد دارم در جلسه‌ی سوم از قسمت رگرسیون لجیستیک در موردش صحبت کنم، Casewise diagnostics هستش.

فرض کنید شما یه مجموعه داده (دایره‌های آبی کم‌رنگ) دارید و روی این داده‌ها اومدید یه رگرسیون خطی (یا لجیستیک) انجام دادید (خط نقطه‌چین).
اما به یک‌باره یه داده‌ی Outlier (دایره‌ی آبی پررنگ) وارد دیتاست شما میشه و باعث میشه اون خط رگرسیون شما به سمت داده‌ی Outlier منحرف بشه (خط صاف).
واضحاً می‌بینید که نه تنها این خط جدید داده‌های قبلی رو بدتر مدل می‌کنه، بلکه حتی خود اون داده‌ی Outlier رو هم نمی‌تونه نشون بده!
تنها عایده‌ای که این داده‌ی Outlier داشت، بدتر کردن مدل ما بود.

📌 در جلسه‌ی بعدی از همین یه تیکه فکت کوچیک استفاده می‌کنیم تا این داده‌های Outlier رو شناسایی کنیم.

® عکس برگرفته از کتاب:
Discovering statistics using R
Andy Field

#Statistics

✅ جلسه‌ی سوم از پارت اول، رگرسیون لجیستیک دوجمله‌ای:

تو این جلسه اومدم نحوه‌ی پیدا کردن Outlierها و Influential caseها داخل مدل رگرسیون لجیستیک رو توضیح دادم.

📍 لینک فیلم:

یوتیوب

#Statistics
#Binomial_logistic_regression

✅ داده‌ی تأثیرگذار یا Influential case چیه؟

در جلسه‌ی سوم، از یه مفهومی صحبت کردم به اسم Influential case (به اختصار IC). IC داده‌ای در دیتاست ما هستش که اگه حذفش کنیم، مدل رگرسیونی ما رو تا حد زیادی تغییر میده.

مثلاً به عکس بالا نگاه کنید. تو این مدل ما یه IC به صورت تک‌وتنها می‌بینیم که اگه حذفش کنیم، خطی که به بقیه‌ی داده‌ها فیت میشه شیب کمتری پیدا می‌کنه.

📌 به اینجور داده‌هایی که وجود یا عدم وجودشون تأثیر خیلی زیادی رو مدل ما می‌ذاره، میگیم IC و مهمه که شناساییشون بکنیم.

🌐 منبع تصویر

#Statistics

الان که دارم اینو می‌نویسم، صبحِ جمعه‌ی عیدِ مصادف با ماه رمضون :///، در حال انتظار واسه تحویل گرفتن کشیکم😂 (اگه رزیدنت محترم از خواب بیدار بشه)

کلاً شما هر تست و آنالیز آماری‌‌ای که بخوای انجام بدی، حتماً باید توجه کنی که این تست‌ها و آنالیزها با درنظر گرفتن یه‌سری پیش‌فرض‌ها انجام میشن.

مثلاً اگه شما یه فرمول رگرسیون خطی برای ارتباط بین سن و میزان درآمد پیدا می‌کنی، قاعدتاً باید این دوتا باهم‌دیگه ارتباط خطی داشته باشن تا مدل شما هم درست کار کنه :)))

اما در مورد رگرسیون لجیستیک قضیه یه‌ذره متفاوته؛ تو رگرسیون لجیستیک متغیرِ ورودیِ کمیِ شما باید با لگاریتمِ Odds ratio متغیرِ کیفی شما ارتباط خطی داشته باشه.

جلسه‌ی بعد راجع به چک کردن این موضوع داخل رگرسیون لجیستیکی که ساختیم صحبت می‌کنیم.

#Statistics

✅ جلسه‌ی چهارم از پارت اول، رگرسیون لجیستیک دوجمله‌ای:

تو این قسمت اومدم پیش‌فرض خطی بودن (Linearity) ارتباط بین متغیرهای کمی با لگاریتمِ Odds ratio متغیر خروجی کیفی در Logistic regression رو بررسی کردیم😁

📍 لینک فیلم:

یوتیوب

#Statistics
#Binomial_logistic_regression

به پیشنهاد شایان عزیز (فعال در هر حوزه‌ای که به ذهنتون می‌رسه :))) قراره بعد اتمام تدریس هر آنالیز آماری، یه جلسه‌ی اضافه ضبط کنم که در اون از دیتای اصلی یه مطالعه‌‌ی واقعی که از آنالیز آماریِ تدریس شده بهره برده و پذیرش گرفته و چاپ هم شده، استفاده کنیم و تک‌تک اون اهداف پژوهش رو خودمون دوباره به دست بياريم، و همچنین با نحوه‌ی ریپورت نتایج اون آنالیز آماری هم آشنا بشیم🔥

البته این قسمت ساده‌ی ماجراس، قسمت سختش پیدا کردن مقاله و ژورنالیه که داده‌اش رو دراختیارمون بذاره😂

پذیرای پیشنهادات جذاب شما هستم❤️