💠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
Forwarded from آموزش نرم افزار های آماری
4_5868407523844817071.wmv
7.5 MB
✍ استفاده صحیح از ARDL
زمانی که یک مدل ساده از خودهمبستگی مرتبه اول رنج ببرد میتوان آن را با روش کوکران اورکات به ARDL(1,1) مقید تبدیل کرد
Y=a+bX+U
U=pU(-1)+v
تبدیل کوکران اورکات برای رفع خودهمبستگی کامل👇
Y=(1-p)a+pY(-1)+bX-pbX(-1)+v
Y=A+b1Y(-1)+b2X+b3X(-1)+v
به خاطر اینکه
b1×b2=-b3
می باشد ARDL(1,1) بالا مقید است
نکته ای که وجود دارد این است که v به صورت iid است و فاقد خودهمبستگی است
🛑تذکر) وجود خودهمبستگی در ARDL نه تنها سبب ناکارایی بلکه سبب ناسازگاری ضرایب برآوردی میشود چون سبب همبستگی پسماند با وقفه متغیر وابسته شده و این خطای درونزایی سبب ناسازگاری میشود
نتیجه آن که به هیچ عنوان نباید مدل ARDL با وقفه های بهینه دارای خودهمبستگی باشد
اما در تعیین وقفه بهینه بایستی ۴ ویژگی همزمان برقرار باشد
۱) وقفه های متغیر وابسته هم علامت باشند
۲) با افزایش طول وقفه مقدار ضریب برآوردی کاهشی باشد
۳) عدم خودهمبستگی
۴) کمترین معیار AIC, SBC, HQC
اما متاسفانه محققین تنها ویژگی 4 را به کمک نرم افزار چک میکنند در حالی که هر کدام از ویژگی های بالا نقض شود مدل ARDL فاقد اعتبار است
🛑 تذکر دیگر اینکه برای بررسی خودهمبستگی - آماره دوربین واتسون به خاطر وجود وقفه متغیر وابسته در مدل قابل تفسیر نیست و فاقد اعتبار است.
🎓 @stphd
🌐 www.pajooheh.ir
زمانی که یک مدل ساده از خودهمبستگی مرتبه اول رنج ببرد میتوان آن را با روش کوکران اورکات به ARDL(1,1) مقید تبدیل کرد
Y=a+bX+U
U=pU(-1)+v
تبدیل کوکران اورکات برای رفع خودهمبستگی کامل👇
Y=(1-p)a+pY(-1)+bX-pbX(-1)+v
Y=A+b1Y(-1)+b2X+b3X(-1)+v
به خاطر اینکه
b1×b2=-b3
می باشد ARDL(1,1) بالا مقید است
نکته ای که وجود دارد این است که v به صورت iid است و فاقد خودهمبستگی است
🛑تذکر) وجود خودهمبستگی در ARDL نه تنها سبب ناکارایی بلکه سبب ناسازگاری ضرایب برآوردی میشود چون سبب همبستگی پسماند با وقفه متغیر وابسته شده و این خطای درونزایی سبب ناسازگاری میشود
نتیجه آن که به هیچ عنوان نباید مدل ARDL با وقفه های بهینه دارای خودهمبستگی باشد
اما در تعیین وقفه بهینه بایستی ۴ ویژگی همزمان برقرار باشد
۱) وقفه های متغیر وابسته هم علامت باشند
۲) با افزایش طول وقفه مقدار ضریب برآوردی کاهشی باشد
۳) عدم خودهمبستگی
۴) کمترین معیار AIC, SBC, HQC
اما متاسفانه محققین تنها ویژگی 4 را به کمک نرم افزار چک میکنند در حالی که هر کدام از ویژگی های بالا نقض شود مدل ARDL فاقد اعتبار است
🛑 تذکر دیگر اینکه برای بررسی خودهمبستگی - آماره دوربین واتسون به خاطر وجود وقفه متغیر وابسته در مدل قابل تفسیر نیست و فاقد اعتبار است.
🎓 @stphd
🌐 www.pajooheh.ir
✍️ آموزش مبانی نظری و تخمین انواع مدل های پنل دیتا
مدرس ساسان قاراخانی
✅آموزش پنل دیتا در ایویوز
👇👇👇
http://www.aparat.com/v/zZ0Ru
✅آموزش پنل دیتا در استتا
👇👇👇
http://www.aparat.com/v/a0cBz
✅آموزش جامع پنل دیتا در استتا
👇👇👇
http://www.aparat.com/v/5az6m
✅آموزش پنل فضایی در استتا(جلسه اول)
👇👇👇
http://www.aparat.com/v/aVU1i
✅آموزش ویدیویی پنل فضایی در استتا(جلسه دوم)
👇👇👇
http://www.aparat.com/v/UBQy1
✅آموزش ویدیویی پنل فضایی در استتا(جلسه سوم)
👇👇👇
http://www.aparat.com/v/b4LnU
🎓 @stphd
🌐 www.pajooheh.ir
مدرس ساسان قاراخانی
✅آموزش پنل دیتا در ایویوز
👇👇👇
http://www.aparat.com/v/zZ0Ru
✅آموزش پنل دیتا در استتا
👇👇👇
http://www.aparat.com/v/a0cBz
✅آموزش جامع پنل دیتا در استتا
👇👇👇
http://www.aparat.com/v/5az6m
✅آموزش پنل فضایی در استتا(جلسه اول)
👇👇👇
http://www.aparat.com/v/aVU1i
✅آموزش ویدیویی پنل فضایی در استتا(جلسه دوم)
👇👇👇
http://www.aparat.com/v/UBQy1
✅آموزش ویدیویی پنل فضایی در استتا(جلسه سوم)
👇👇👇
http://www.aparat.com/v/b4LnU
🎓 @stphd
🌐 www.pajooheh.ir
Media is too big
VIEW IN TELEGRAM
💠آموزش تخمین مدل #VAR در نرم افزار #Eviews و
نرم افزار #STATA15
مدرس: عیسی معبودیان
🎓 @stphd
🌐 www.pajooheh.ir
نرم افزار #STATA15
مدرس: عیسی معبودیان
🎓 @stphd
🌐 www.pajooheh.ir
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🌹
مقاله.pdf
968.6 KB
💠متغیر های #میانجی. #تعدیلگر و #مداخله_گر در پژوهش های بازاریابی. مفهوم.تفاوت ها.آزمون ها و رویه های آماری
💠 @stphd
💠 @stphd
This media is not supported in your browser
VIEW IN TELEGRAM