Forwarded from آموزش کامل مقاله نويسی با هوش مصنوعی
سلام وقت بخیر
دوستانی که علاقمند به کتابهای صوتی هستند تو این کانال ریختیم👇👇👇
@tekhob
این کتابهای صوتی خیلی خوبن ضمن کارم میشه گوش داد و لذت برد🌹
دوستانی که علاقمند به کتابهای صوتی هستند تو این کانال ریختیم👇👇👇
@tekhob
این کتابهای صوتی خیلی خوبن ضمن کارم میشه گوش داد و لذت برد🌹
💠مراحل #تخمین مدل های #پانل_دیتا
◀️ 1- ارایه آمار توصیفی از دادهها (میانگین نما …، همبستگی بین متغیرها و چند نمودار یک بعدی و دو بعدی همراه با تحلیل).
◀️ 2- آزمون مانایی از دادهها و در صورت لزوم تبدیل دادهها به مانا + تشخیص نوع مدل اعم از panel ardl+panel ols+...
◀️ 3- در صورتی که همه متغیرها در سطح مانا نباشند و با تفاضل گیری همگی مانا شدند: آزمون هم انباشتگی یوهانسن (یا کائو،پدرونی و…) انجام شود. در صورت وجود هم انباشتگی میان متغیرهای مدل نیازی به مانا کردن دادهها نیست. تشخیص ران صحیح مدل در این مرحله الزامی است. پس از اثبات وجود هم انباشتگی در مدل به تعیین بردار هم انباشتگی از طریق یکی از روشهای تخمین پانل ( DOLS،GMM ،FMOLSو… ) پرداخت. در این صورت باید با توجه به مطابقت مدل تخمینی با شرایط هر یک از این روشها اقدام کرد. در صورتی که از طریق روشهای مزبور تخمین میزنیم ، آزمونها و روشهای تخمین خاص خود را دارند دیگر نیازی به طی کردن مراحل ۴ تا۹ نیست.
◀️ 4- آزمون اف لیمر برای استفاده از پولین دیتا یا پانل دیتا در تخمین مدل.
◀️ 5- اگر مدل بر مبنای پانل دیتا تایید شد، سپس آزمون هاسمن در بررسی اثرات ثابت و اثرات تصادفی انجام میشود. در اثرات ثابت خطای تخمین ناشی از عرض ازمبدا و در اثرات تصادفی عرض از مبدا تصادفی در نظر گرفته میشود. در اینجا آزمون تکمیلی بروش پاگان برای انتخاب بین مدل پولینگ و اثرات تصادفی نیز توصیه میشود.
◀️ 6- تخمین مجدد مدل.
◀️ 7- آزمون خودهمبستگی (وولدریچ) و واریانس ناهمسانی (نسبت درست نمایی Likelihood Ratio) از مدل نهایی انتخاب شده و در صورت لزوم اعمال تغییر لازم در مدل. (نرم افزار استاتا این دو آزمون را انجام میدهد)
◀️ 8- آزمون نرمال بودن جمله اخلال، در صورتی که نرمال نبود ایجاد تغییرات لازم (از جمله استفاده از متغیر مجازی همراه با توجیه و استدلال اقتصادی و سپس تفسیر آن در مدل).
◀️ 9- تخمین نهایی مدل بدون اشکال، تفسیر نتایج و بررسی تفاوت کشور (شرکت) هدف با سایر کشورها (شرکتها).
◀️ 10- بررسی فرضیات مدل + ران مدلی که تمامی ضرایب آن معنادارست و تفسیر آن.
💠 @stphd
◀️ 1- ارایه آمار توصیفی از دادهها (میانگین نما …، همبستگی بین متغیرها و چند نمودار یک بعدی و دو بعدی همراه با تحلیل).
◀️ 2- آزمون مانایی از دادهها و در صورت لزوم تبدیل دادهها به مانا + تشخیص نوع مدل اعم از panel ardl+panel ols+...
◀️ 3- در صورتی که همه متغیرها در سطح مانا نباشند و با تفاضل گیری همگی مانا شدند: آزمون هم انباشتگی یوهانسن (یا کائو،پدرونی و…) انجام شود. در صورت وجود هم انباشتگی میان متغیرهای مدل نیازی به مانا کردن دادهها نیست. تشخیص ران صحیح مدل در این مرحله الزامی است. پس از اثبات وجود هم انباشتگی در مدل به تعیین بردار هم انباشتگی از طریق یکی از روشهای تخمین پانل ( DOLS،GMM ،FMOLSو… ) پرداخت. در این صورت باید با توجه به مطابقت مدل تخمینی با شرایط هر یک از این روشها اقدام کرد. در صورتی که از طریق روشهای مزبور تخمین میزنیم ، آزمونها و روشهای تخمین خاص خود را دارند دیگر نیازی به طی کردن مراحل ۴ تا۹ نیست.
◀️ 4- آزمون اف لیمر برای استفاده از پولین دیتا یا پانل دیتا در تخمین مدل.
◀️ 5- اگر مدل بر مبنای پانل دیتا تایید شد، سپس آزمون هاسمن در بررسی اثرات ثابت و اثرات تصادفی انجام میشود. در اثرات ثابت خطای تخمین ناشی از عرض ازمبدا و در اثرات تصادفی عرض از مبدا تصادفی در نظر گرفته میشود. در اینجا آزمون تکمیلی بروش پاگان برای انتخاب بین مدل پولینگ و اثرات تصادفی نیز توصیه میشود.
◀️ 6- تخمین مجدد مدل.
◀️ 7- آزمون خودهمبستگی (وولدریچ) و واریانس ناهمسانی (نسبت درست نمایی Likelihood Ratio) از مدل نهایی انتخاب شده و در صورت لزوم اعمال تغییر لازم در مدل. (نرم افزار استاتا این دو آزمون را انجام میدهد)
◀️ 8- آزمون نرمال بودن جمله اخلال، در صورتی که نرمال نبود ایجاد تغییرات لازم (از جمله استفاده از متغیر مجازی همراه با توجیه و استدلال اقتصادی و سپس تفسیر آن در مدل).
◀️ 9- تخمین نهایی مدل بدون اشکال، تفسیر نتایج و بررسی تفاوت کشور (شرکت) هدف با سایر کشورها (شرکتها).
◀️ 10- بررسی فرضیات مدل + ران مدلی که تمامی ضرایب آن معنادارست و تفسیر آن.
💠 @stphd
👍1
Forwarded from آموزش کامل مقاله نويسی با هوش مصنوعی
⚠️ نبرد گوگل پلی با تلگرام های غیر رسمی ادامه دارد؛
سپر ایمنی گوگل پلی پس از حذف اکثر تلگرام های غیر رسمی ناامن، حالا به سراغ موبوگرام آمده است!
از آنجایی که احتمال حذف شدن کامل آن از گوشی ها وجود دارد (همان بلایی که سر تلگرام طلایی آمد) تلگرام اصلی را در کنار آن نصب کنید.
📥 آخرین نسخه تلگرام اصلی
⬇️دانلود از گوگل پلی(اندروید)
https://play.google.com/store/apps/details?id=org.telegram.messenger
⬇️دانلود از اپ استور(آیفون)
https://itunes.apple.com/us/app/telegram-messenger/id686449807
📌جهت اتصال از فيلتر شكن استفاده كنيد.
🎓 @tephd
سپر ایمنی گوگل پلی پس از حذف اکثر تلگرام های غیر رسمی ناامن، حالا به سراغ موبوگرام آمده است!
از آنجایی که احتمال حذف شدن کامل آن از گوشی ها وجود دارد (همان بلایی که سر تلگرام طلایی آمد) تلگرام اصلی را در کنار آن نصب کنید.
📥 آخرین نسخه تلگرام اصلی
⬇️دانلود از گوگل پلی(اندروید)
https://play.google.com/store/apps/details?id=org.telegram.messenger
⬇️دانلود از اپ استور(آیفون)
https://itunes.apple.com/us/app/telegram-messenger/id686449807
📌جهت اتصال از فيلتر شكن استفاده كنيد.
🎓 @tephd
📌تفاوت #ضریب_تعیین(R-squared) و #ضریب_تعیین_تعدیل_شده (R^2 adjusted)
1) ضریب تعیین فرض می کند که هر متغیر مستقل مشاهده شده در مدل، تغییرات موجود در متغیر وابسته را تبیین می کند، بنابراین درصد نشان داده شده توسط ضریب تعیین با فرض تاثیر همه متغیرهای مستقل بر متغیر وابسته می باشد. در صورتی که درصد نشان داده شده توسط ضریب تعییین تعدیل شده فقط حاصل از تاثیر واقعی متغیرهای مستقل مدل بر متغیر وابسته است نه همه متغیرهای مستقل.
2) مناسب بودن متغیرها برای مدل توسط ضریب تعیین حتی با وجود مقدار بالا قابل تشخیص نیست در صورتی که می توان به مقدار برآورد شده ضریب تعیین تعدیل شده اعتماد کرد.
یه جمله ساده تر هم میشه گفت ... بهرحال هردو ضریب نشون میده چه میزان از واریانس متغیر وابسته بوسیله مستقل تبیین میشه اما R2 برای نمونه و R2adjusted برای جامعه کاربرد داره ...
💠 @stphd
1) ضریب تعیین فرض می کند که هر متغیر مستقل مشاهده شده در مدل، تغییرات موجود در متغیر وابسته را تبیین می کند، بنابراین درصد نشان داده شده توسط ضریب تعیین با فرض تاثیر همه متغیرهای مستقل بر متغیر وابسته می باشد. در صورتی که درصد نشان داده شده توسط ضریب تعییین تعدیل شده فقط حاصل از تاثیر واقعی متغیرهای مستقل مدل بر متغیر وابسته است نه همه متغیرهای مستقل.
2) مناسب بودن متغیرها برای مدل توسط ضریب تعیین حتی با وجود مقدار بالا قابل تشخیص نیست در صورتی که می توان به مقدار برآورد شده ضریب تعیین تعدیل شده اعتماد کرد.
یه جمله ساده تر هم میشه گفت ... بهرحال هردو ضریب نشون میده چه میزان از واریانس متغیر وابسته بوسیله مستقل تبیین میشه اما R2 برای نمونه و R2adjusted برای جامعه کاربرد داره ...
💠 @stphd
👍1
💠متغیر #تعدیلگر چیست و نحوه بررسی آن چگونه است؟
🔸اگر جهت یا شدت رابطه ی میان متغیر مستقل و وابسته در سطوح گوناگون یک متغیر سوم، بطور قابل ملاحظه ای تغییر کند، به آن متغیر سوم متغیر تهدیلگر گفته می شود.بدین لحاظ ، متغیر تعدیلگر در یک چهار چوب تحلیل همبستگی بعنوان یک متغیر سوم تلقی می شود که همبستگی مرتبه صفر میان متغیر مستقل و وابسته را بطور معنی داری تغییر می دهد.
👈باورن و کنی(1986) در مقاله خود چهار حالت گوناگون از وضعیت متغیر مستقل و تعدیلگر را به شرح زیر بررسی کردند:
🔺حالت اول: هر دو متغیر مستقل و تعدیلگر از نوع طبقه ای باشند.
🔺حالت دوم: متغیر تعدیلگر از نوع طبقه ای و متغیر مستقل پیوسته باشد.
🔺حالت سوم: متغیر تعدیلگر پیوسته و متغیر مستقل از نوع طبقه ای باشد.
🔺حالت چهارم: هر دو متغیر تعدیلگر و مستقل پیوسته باشند.
1️⃣ نحوه بررسی حالت اول
حالت اول ساده ترین نوع است.در این حالت اثر یک متغیر مستقل چند مقوله ای را بر روی متغیر وابسته، بعنوان تابعی از یک متغیر چند مقوله ای دیگر را تغییر می کند.بطور مثال، مقایسه پیشرفت تحصیلی دختران و پسران در سطوح گوناگون طبقات اجتماعی از این نوع است. روش تحلیل واریانس دو راهه برای بررسی حالت اول مناسب است.
2️⃣ نحوه بررسی حالت دوم
در حالت دوم، متغیر تعدیلگر یک متغیر طبقه ای و متغیر مستقل پیوسته است.برای مثال ، جنسیت بعنوان یک متیر تعدیلگر ،ممکن است رابطه ی میان متغیر مستقل ( استرس) و متغیر وابسته ( سلامت روانی) را تعدیل و تغییر بدهد.
شیوه مرسوم برای بررسی نقش تعدیلگری این حالت، بررسی تفاوت همبستگی بین متغیر مستقل و وابسته در سطوح مختلف متغیر تعدیلگر می باشد. که این روش دارای معایبی بوده که آماردانان استفاده از ضرایب رگرسیونی را به جای همبستگی توصیه می کنند.
3️⃣ نحوه بررسی حالت سوم
حالت سوم، متغیر تعدیلگر نوعا پیوسته و متغیر مستقل طبقه ای است.در این حالت باید محقق تمام دانش و تجربه نظری خود را به کار گیرد تا متغیر تعدیلگری را به چندین طبقه تقسیم نماید و مانند حالت اول در خصوص نقش تعدیلگری اظهار نظر نماید.
4️⃣ نحوه بررسی حالت چهارم
در حالت چهارم فرض بر این است که هر دو متغیر مستقل و تعدیلگر پیوسته باشند.که معمولترین و در عین حال مهمترین حالت بررسی تقش متغیرهای تعدیلگری محسوب می شود.
در گام نخست، نمرات استاندارد متغیرهای مستقل و وابسته را محاسبه می کنیم(این عمل در نرم افزار spss براحتی قابل انجام است)
در گام دوم، نمرات استاندارد متغیر مستقل و متغیر تعدیلگر را در هم ضرب کرده و به اصطلاح جمله تعاملی را ایجاد می کنیم.
در گام سوم از رگرسیون سلسله مراتبی استفاده می شودکه در بلوگ اول متغیرهای مستقل و وابسته قرار می گیرد و در بلوک دوم جمله تعاملی وارد می شود.
🔹اگر تاثیر جمله تعاملی بلحاظ آماری تایید گرد یعنی نقش تعدیلگری مورد تایید قرار می گیرد. پس از اینکه مشخص گردید نقش تعدیلگری متغیری در ارتباط بین دو متغیر مستقل و وابسته تایید می شود، باید متغیرهای مستقل و وابسته را به سه گروه یا طبقه با ( نمره بالا ، متوسط و پایین) تقسیم نمایید و سپس با ترسیم نمودار تعاملی این دو متغیر طبقه بندی شده، میانگین متغیر وابسته را بر روی ای نمودار مشاهده نمایید.
💠 @stphd
🔸اگر جهت یا شدت رابطه ی میان متغیر مستقل و وابسته در سطوح گوناگون یک متغیر سوم، بطور قابل ملاحظه ای تغییر کند، به آن متغیر سوم متغیر تهدیلگر گفته می شود.بدین لحاظ ، متغیر تعدیلگر در یک چهار چوب تحلیل همبستگی بعنوان یک متغیر سوم تلقی می شود که همبستگی مرتبه صفر میان متغیر مستقل و وابسته را بطور معنی داری تغییر می دهد.
👈باورن و کنی(1986) در مقاله خود چهار حالت گوناگون از وضعیت متغیر مستقل و تعدیلگر را به شرح زیر بررسی کردند:
🔺حالت اول: هر دو متغیر مستقل و تعدیلگر از نوع طبقه ای باشند.
🔺حالت دوم: متغیر تعدیلگر از نوع طبقه ای و متغیر مستقل پیوسته باشد.
🔺حالت سوم: متغیر تعدیلگر پیوسته و متغیر مستقل از نوع طبقه ای باشد.
🔺حالت چهارم: هر دو متغیر تعدیلگر و مستقل پیوسته باشند.
1️⃣ نحوه بررسی حالت اول
حالت اول ساده ترین نوع است.در این حالت اثر یک متغیر مستقل چند مقوله ای را بر روی متغیر وابسته، بعنوان تابعی از یک متغیر چند مقوله ای دیگر را تغییر می کند.بطور مثال، مقایسه پیشرفت تحصیلی دختران و پسران در سطوح گوناگون طبقات اجتماعی از این نوع است. روش تحلیل واریانس دو راهه برای بررسی حالت اول مناسب است.
2️⃣ نحوه بررسی حالت دوم
در حالت دوم، متغیر تعدیلگر یک متغیر طبقه ای و متغیر مستقل پیوسته است.برای مثال ، جنسیت بعنوان یک متیر تعدیلگر ،ممکن است رابطه ی میان متغیر مستقل ( استرس) و متغیر وابسته ( سلامت روانی) را تعدیل و تغییر بدهد.
شیوه مرسوم برای بررسی نقش تعدیلگری این حالت، بررسی تفاوت همبستگی بین متغیر مستقل و وابسته در سطوح مختلف متغیر تعدیلگر می باشد. که این روش دارای معایبی بوده که آماردانان استفاده از ضرایب رگرسیونی را به جای همبستگی توصیه می کنند.
3️⃣ نحوه بررسی حالت سوم
حالت سوم، متغیر تعدیلگر نوعا پیوسته و متغیر مستقل طبقه ای است.در این حالت باید محقق تمام دانش و تجربه نظری خود را به کار گیرد تا متغیر تعدیلگری را به چندین طبقه تقسیم نماید و مانند حالت اول در خصوص نقش تعدیلگری اظهار نظر نماید.
4️⃣ نحوه بررسی حالت چهارم
در حالت چهارم فرض بر این است که هر دو متغیر مستقل و تعدیلگر پیوسته باشند.که معمولترین و در عین حال مهمترین حالت بررسی تقش متغیرهای تعدیلگری محسوب می شود.
در گام نخست، نمرات استاندارد متغیرهای مستقل و وابسته را محاسبه می کنیم(این عمل در نرم افزار spss براحتی قابل انجام است)
در گام دوم، نمرات استاندارد متغیر مستقل و متغیر تعدیلگر را در هم ضرب کرده و به اصطلاح جمله تعاملی را ایجاد می کنیم.
در گام سوم از رگرسیون سلسله مراتبی استفاده می شودکه در بلوگ اول متغیرهای مستقل و وابسته قرار می گیرد و در بلوک دوم جمله تعاملی وارد می شود.
🔹اگر تاثیر جمله تعاملی بلحاظ آماری تایید گرد یعنی نقش تعدیلگری مورد تایید قرار می گیرد. پس از اینکه مشخص گردید نقش تعدیلگری متغیری در ارتباط بین دو متغیر مستقل و وابسته تایید می شود، باید متغیرهای مستقل و وابسته را به سه گروه یا طبقه با ( نمره بالا ، متوسط و پایین) تقسیم نمایید و سپس با ترسیم نمودار تعاملی این دو متغیر طبقه بندی شده، میانگین متغیر وابسته را بر روی ای نمودار مشاهده نمایید.
💠 @stphd
Forwarded from آموزش نرم افزار های آماری
4_5897965609034973705.pdf
661.8 KB
💠آزمونهای لازم برای مدل gmm عبارتند از سارگان + باند + کفایت متغیر ابزاری است. فایلهای آموزشی ایویوز و استاتا در این خصوص پیوست شد.
🎓 @stphd
🌐 www.pajooheh.ir
🎓 @stphd
🌐 www.pajooheh.ir
👍1
✍️ مجموعه ویدیوهای آموزشی نرم افزار استتا در سایت تخته سفید
🛑🛑🛑🛑🛑🛑🛑🛑🛑🛑
مدرس ساسان قاراخانی دانشجوی دکتری اقتصاد دانشگاه اصفهان
🛑🛑🛑🛑🛑🛑🛑🛑🛑🛑
✅ جلسه اول ورود داده و تخمین و تفسیر نتایج
✳️https://takhtesefid.org/watch?v=566092555191
✅ جلسه دوم انواع تست نرمالیتی
✳️https://takhtesefid.org/watch?v=907067958568
✅ جلسه سوم واریانس ناهمسانی
✳️https://takhtesefid.org/watch?v=294322841066
✅ جلسه چهارم خودهمبستگی
✳️https://takhtesefid.org/watch?v=27174442814
✅ جلسه پنجم همخطی
✳️https://takhtesefid.org/watch?v=121050038332
✅ جلسه ششم تصریح مدل
✳️https://takhtesefid.org/watch?v=956485263732
✅ جلسه هفتم مقدمات سری زمانی
✳️https://takhtesefid.org/watch?v=367422520378
✅ جلسه هشتم پنل دیتا(پارت اول)
✳️http://takhtesefid.org/watch?v=628168203619
✅ جلسه نهم پنل دیتا و آزمونها(پارت دوم)
✳️http://www.aparat.com/v/5az6m
✅ جلسه دهم پنل فضایی(جلسه اول)
✳️http://www.aparat.com/v/aVU1i
✅ جلسه یازدهم پنل فضایی(جلسه دوم)
✳️http://www.aparat.com/v/UBQy1
✅ جلسه دوازدهم پنل فضایی(جلسه سوم)
✳️http://www.aparat.com/v/b4LnU
❄️منابع پارس پژوهه❄️
🎓 @stphd
🌐 www.pajooheh.ir
🛑🛑🛑🛑🛑🛑🛑🛑🛑🛑
مدرس ساسان قاراخانی دانشجوی دکتری اقتصاد دانشگاه اصفهان
🛑🛑🛑🛑🛑🛑🛑🛑🛑🛑
✅ جلسه اول ورود داده و تخمین و تفسیر نتایج
✳️https://takhtesefid.org/watch?v=566092555191
✅ جلسه دوم انواع تست نرمالیتی
✳️https://takhtesefid.org/watch?v=907067958568
✅ جلسه سوم واریانس ناهمسانی
✳️https://takhtesefid.org/watch?v=294322841066
✅ جلسه چهارم خودهمبستگی
✳️https://takhtesefid.org/watch?v=27174442814
✅ جلسه پنجم همخطی
✳️https://takhtesefid.org/watch?v=121050038332
✅ جلسه ششم تصریح مدل
✳️https://takhtesefid.org/watch?v=956485263732
✅ جلسه هفتم مقدمات سری زمانی
✳️https://takhtesefid.org/watch?v=367422520378
✅ جلسه هشتم پنل دیتا(پارت اول)
✳️http://takhtesefid.org/watch?v=628168203619
✅ جلسه نهم پنل دیتا و آزمونها(پارت دوم)
✳️http://www.aparat.com/v/5az6m
✅ جلسه دهم پنل فضایی(جلسه اول)
✳️http://www.aparat.com/v/aVU1i
✅ جلسه یازدهم پنل فضایی(جلسه دوم)
✳️http://www.aparat.com/v/UBQy1
✅ جلسه دوازدهم پنل فضایی(جلسه سوم)
✳️http://www.aparat.com/v/b4LnU
❄️منابع پارس پژوهه❄️
🎓 @stphd
🌐 www.pajooheh.ir
👍2