تحلیل رگرسیون و ضریب همبستگی

آزمون های سنجش رابطه: در این آزمون جهت و شدت رابطه مورد آزمون قرار نمی گیرد. زمانیکه مقیاس سنجش متغیرهای پژوهش هر دو اسمی است یا یکی اسمی و دیگری رتبه ای و یا نسبتی باشد، استفاده از این آزمون گزینه مناسبی خواهد بود. .

رگرسیون چندگانه

تحلیل رگرسیون یکی از روش های پرکاربرد در مطالعات اجتماعی – اقتصادی است. این روش ارتباط تنگاتنگی با ضریب همبستگی داشته و عموما به طور همزمان در مطالعات مورد استفاده قرار می گیرد. تحلیل رگرسیون این امکان را برای محقق فراهم می کند تا تغییرات متغیر وابسته را از طریق متغیرهای مستقل پیش بینی و سهم هر یک از متغیرهای مستقل را در تبیین متغیر وابسته تعیین کند. این نوشتار به بررسی اجمالی تحلیل رگرسیون به عنوان یکی از روش های پرکاربرد آماری پرداخته است. برای مشاوره در زمینه تحلیل آماری پایان نامه و مقاله خود می توانید با موسسه خدمات دانشجویی (فروغ پاسارگاد) تماس حاصل کنید.

تحلیل رگرسیون و ضریب همبستگی

رگرسیون رابطه نزدیکی با ضریب همبستگی دارد. بدین معنا که برای انجام رگرسیون، باید ضریب همبستگی را محاسبه کرد. اگر میان متغیرهای مورد مطالعه، همبستگی وجود داشت، تنها در این صورت است که می توانیم از رگرسیون برای آزمون فرضیه های تحقیق استفاده نماییم.
هر چه همبستگی بین متغیرها قویتر باشد، پیش بینی نیز دقیق تر خواهد بود. تفاوت رگرسیون با ضریب همبستگی در این است که رگرسیون به دنبال پیش بینی است در حالی که ضریب همبستگی تنها میزان وابستگی دو متغیر را با هم بررسی می کند. علامت ضریب همبستگی در تحلیل رگرسیون R و مجذور آن R2 است. تفاوت R بزرگ و r کوچک در این است که اولا R بیانگر رابطه میان بیش از دو متغیر است، در حالی که r نشان دهنده رابطه میان دو متغیر x و y می باشد. به عبارت دیگر r ضریب همبستگی ساده است در حالی که R ضریب همبستگی چندگانه است و بر اساس نمره های متغیر وابسته مشاهده شده y و نمره های پیش بینی شده y’ محاسبه ی شود. y’ متغیر جدیدی است که از ترکیب خطی متغیرهای x1، x2، x3 و xi ساخته می شود. ثانیا دامنه تغییرات مقدار R بین صفر و یک است در حالی که مقدار r بین 1+ و 1- در نوسان می باشد و جهت تغییر را نیز نشان می دهد.
اگرچه تفاوت های اساسی بین تحلیل رگرسیون و ضریب همبستگی وجود دارد، اما در تحلیل داده ها به عنوان مکمل یکدیگر مورد استفاده قرار می گیرند. ضرایب همبستگی وجود و عدم وجود رابطه بین دو متغیر را نشان می دهد و همواره بین 1+ و 1- در نوسان است. آماره ضریب همبستگی و خط رگرسیون را می توان بر روی یک نمودار پراکندگی ترسیم و مورد تجزیه و تحلیل قرار داد. چنانچه نقاط مربوط به ضریب همبستگی کاملا بر روی خط رگرسیون منطبق باشد در این صورت می توان تغییرات متغیر وابسته را از روی تغییرات مستقل به طور کامل پیش بینی کرد و این حالتی است که در آن ضریب همبستگی برابر با 1 می باشد. اما چنانچه این ضریب کمتر از یک باشد، دقت پیش بینی رگرسیون نیز کاهش می یابد. بنابراین ضریب همبستگی مبنایی برای تعیین دقت برآورد رگرسیون می باشد. به همین دلیل است که در تحلیل داده ها این دو تکنیک باید با همدیگر مورد استفاده قرار گیرند.

تحلیل رگرسیون

نخستین بار در سال 1877 فرانسیس گالتون مفهوم رگرسیون را به کار برد. وی در تحقیق خود بیان نمود که قد نوزادانی که دارای پدر و مادر بلند قد هستند به سمت متوسط قد افراد جامعه گرایش دارد. او فرآیند پیش بینی یک متغیر از طریق یک متغیر دیگر را با مفهوم رگرسیون بیان کرد. سپس رگرسیون چندگانه برای تخمین یا پیش بینی تغییرات یک متغیر به وسیله متغیرهای دیگر مورد استفاده قرار گرفت. از آن زمان به بعد تکنیک تحلیل رگرسیون برای تعیین رابطه آماری بین دو یا چند متغیر و پیش بینی تغییرات یک متغیر از روی متغیر یا متغیرهای دیگر در سطح وسیع توسط محققات رشته های مختلف به کار گرفته شد.
ضریب همبستگی که برای کشف وجود یا عدم وجود رابطه میان دو یا چند متغیر به کار می رود از جمله روش های تحلیلی است که علاوه بر تعیین شدت و ضعف رابطه بین دو متغیر، جهت روابط را نیز نشان می دهد. اما این روش قادر به بیان روابط علّی بین متغیرها نبوده و نمی تواند مدعی باشد که کدامیک از متغیرها علت و کدام یک معلول دیگری است. همچنین امکان پیش بینی یک متغیر از طریق متغیر یا متغیرهای دیگر وجود ندارد. به همین دلیل برای تحلیل های پیشرفته تر و پیش بینی تغییر در متغیر وابسته در صورت تغییر در متغیر یا متغیرهای مستقل باید از روش های دیگر نظیر تحلیل رگرسیون استفاده کرد. این روش ارتباط نزدیکی با ضریب همبستگی پیرسون و نمودار پراکنش داشته و خط رگرسیون در نمودار پراکنش مبنای تحلیل نقاط در این نمودار محسوب می شود و خط رگرسیون خطی است که مجموع مربعات انحراف نقاط روی نمودار با آن خط نسبت به هر خط دیگری حداقل مقدار را داشته و این خط مبنایی برای پیش بینی یک متغیر از طریق متغیر دیگر می باشد.
در تحلیل رگرسیون، واریانس تبیین شده را با R2 نمایش می دهند. با توجه به این که دامنه R2 بین 0 و 1 می باشد، بنابراین R2 برای بیان شدت ارتباط مناسب می باشد اما بیانگر جهت رابطه نیست. به همین دلیل برای آگاهی از جهت رابطه، از ضریب همبستگی پیرسون استفاده می گردد.

داده های سازگار با رگرسیون

مهمترین سوال در به کارگیری روش تحلیل رگرسیون این است که برای استفاده از تحلیل رگرسیون و ضریب همبستگی این تکنیک چه نوع داده هایی باید به کار گرفته شوند؟ اگرچه ساختار این تکنیک عمدتا بر اساس داده های کمی می باشد، اما استفاده از داده های کیفی در متغیرهای مستقل شامل متغیرهای مستقل اسمی یا ترتیبی نیز امکان پذیر می باشد. اما چنانچه داده ها از نوع اسمی (مانند جنسیت، رشته تحصیلی، گروه خون، محل تولد و غیره) باشند و بخواهیم از تحلیل رگرسیون چندگانه استفاده کنیم، در چنین مواردی این گونه داده ها باید به صورت متغیرهای مجازی که حالت دو وجهی داشته باشند، تبدیل شوند. متغیری مانند جنسیت خود دو وجهی بوده و به صورت کدهای 0 و 1 قابل تعریف می باشند. (این کدها فاقد ارزش عددی بوده و صرفا برای تعیین طبقات مورد استفاده قرار می گیرند). اما متغیرهایی که چند وجهی هستند باید به چند متغیر دووجهی تبدیل شوند. به طور کلی اگر یک متغیر دارای n وجه باشد آن متغیر قابل تبدیل به 1-n متغیر خواهد بود که هر یک از متغیرها می تواند دو حالت (بله و خیر) داشته باشند.
محاسبه رگرسیون برای متغیرهای مجازی درست مانند محاسبه رگرسیون برای متغیرهای کمی است و معادله رگرسیون آن نیز مانند معادله رگرسیون چندگانه برای متغیرهای کمی می باشد. اما در این معادله مقادیر مربوط به متغیر مورد نظر (1) و مقادیر مربوط به سایر متغیرها (0) در نظر گرفته شده و در ضرایب بدست آمده ضرب می گردند. در انتها برای مشاوره در زمینه تحلیل آماری پایان نامه و مقاله خود می توانید با موسسه خدمات دانشجویی (فروغ پاسارگاد) تماس حاصل کنید.

تحلیل رگرسیون و ضریب همبستگی

تفاوت های رگرسیون و ضریب همبستگی

ضریب همبستگی

همبستگی وقتی حاصل می شود که ارتباط بین 2 جامعه یا 2 متغییر مورد بررسی قرار گیرد. این 2 جامعه که با یکدیگر ارتباط دارند باید افرادشان یا داده هایشان متناظر و جفت باشند. در غیر اینصورت همبستگی وجود ندارد .

مثال : بین میزان ریزش های جوی در هر سال با میزان محصول در همان سال می تواند یک همبستگی را نشان داد و بنابراین به ازای هر مقدار باران سالیانه لازم است که یک مقدار تولید در همان سال مشخص شود.

انواع همبستگی:

در همبستگی 5 حالت می تواند موجود باشد:

1- مستقیم کامل :

در این نوع همبستگی یک ارتباط منطقی بین افراد 2 جامعه یا 2 متغیر وجود دارد به این معنی که اگر متغیر اول با یک نظم منطقی و ثابت افزایش یا کاهش پیدا کند متغیر دیگر با همان نظم منطقی و ثابت افزایش یا کاهش باید داشته باشد.

2-همبستگی مستقیم ناقص:

در این نوع همبستگی ارتباط مستقیم بین 2 تا متغییر وجود دارد ولی کامل نیست ، بلکه ناقص است به این معنی هر دو جامعه یا داده های هر دو متغیر در یک جهت حرکت می کنند ولی رابطه انها خطی نمی باشد که با این همبستگی در اطلاعات جغرافیایی زیاد موجه هستیم.
مثال: همبستگی افزایش محصول با میزان ریزش های جوی ، همبستگی میزان فرسایش در بستر رودخانه با شدت جریان آب رودخانه.

3-همبستگی معکوس کامل:

این نوع همبستگی در 2 جامعه هنگامی وجود دارد که افزایش اندازه واحدهای یک جامعه به میزان ثابت با کاهش اندازه داده های متناظر یا متغیر دیگر همراه باشد.
مثال: میزان افزایش ارتفاع همبستگی معکوس کامل با میزان کاهش دما دارد.

4- همبستگی معکوس ناقص:

در این نوع همبستگی اندازه یکی از واحدهای جامعه زیاد می شود و در مقابل اندازه واحدهای دیگر کم می شود. ولی مقدار افزایش و یا کاهش به میزان ثابت نمی باشد.
مثال: در پدیده جغرافیایی با افزایش عرض جغرافیایی درجه دما کاهش پیدا میکند. و یا با کاهش عرض جغرافیایی به مقدار دما افزوده خواهد شد ولی در تمام نقاط جهان این قانون بصورت ثابت صدق نمی کند زیرا عوامل دیگری مثل ارتفاع دوری و نزدیکی به دریا و یا بیابان ها مانع از ان است بین افزایش عرض جغرافیایی و کاهش دما یک همبستگی معکوس کامل وجود داشته باشد.

5- نا همبستگی :

افراد دو جامعه یا 2 متغیر متناظر هستند ولی همبستگی معنا داری بین انها وجود ندارد. از این رو گفته می شود که بین این 2 جامعه یا 2 متغییر ناهمبستگی وجود دارد.

مثال : اگر در یک جامعه میزان درآمد خانوار و رنگ چشم افراد خانوار در نظر گرفته شود. ملاحظه می شود که متغیر اول اکتسابی و لی متغیر دوم ژنتیکی است و نمی تواند همبستگی داشته باشد پس ناهمبسته است.

ضریب همبستگی: هنگامی که 2 جامعه یا 2 متغیر با یکدیگر همبستگی داشته باشد سوال این است که میزان همبستگی چقدر است؟

برای فهمیدن میزان همبستگی بین 2 جامعه و یا 2 متغیر! شاخص به عنوان ضریب همبستگی باید محاسبه شود.! ضریب همبستگی کمی است که درجه و میزان همبستگی! 2 جامعه و یا 2 متغییر را که دارای افراد متناظر هستن تعیین می کنند.

میزان ضریب همبستگی بین 1+ و 1- در نوسان است.
به عبارت دیگر اگر 2 جامعه دارای همبستگی کامل! و مستقیم باشد مقدار ضریب همبستگی آنها 1+ و اگر دارای همبستگی! کامل معکوس باشند مقدار ضریب همبستگی! آنها 1- برآورد می شود و 2 جامعه یا 2 متغییر که دارای عدم! همبستگی باشند ضریب همبستگی آنها صفر خواهد بود.

رگرسیون

رگرسیون با همبستگی ارتباط دارد.
رگرسیون یکی از روشهای پرکاربرد در مطالعات اجتماعی! اقتصادی است. که ارتباط تنگاتنگی با ضریب همبستگی داشته و عموماً! بصورت همزمان در مطالعات مورد استفاده قرار می گیرند.! تحلیل رگرسیون این امکان را برای محقق فراهم می کند تا تغییرات متغیر وابسته! را از طریق متغیر مستقل پیش بینی نماید! و سهم هر یک از متغیر های مستقل! را نیز در تبیین متغیر وابسته تعیین نماید .

تحلیل رگرسیون و ضریب همبستگی:

رگرسیون رابطه نزدیک با ضریب همبستگی دارد بدین معنا که! برای انجام رگرسیون باید ضریب همبستگی را محاسبه کرد! که اگر میان متغیر های مورد مطالعه همبستگی وجود داشت! تنها در این صورت است که می توان از رگرسیون برای ازمون فرضیه های تحقیق استفاده کرد.
هرچه همبستگی بین متغیر ها قوی باشد پیش بینی نیز دقیق تر خواهد بود

تفاوت رگرسیون با ضریب همبستگی !در این است که رگرسیون به دنبال پیش بینی است در حالی که ضریب همبستگی! تنها میزان وابستگی 2 تا متغیر را با هم مقایسه می کند.
علامت ضریب همبستگی در تحلیل رگرسیون R و !مجذور ان هم R^2 (به توان 2) و همچنین تفاوت R با r در این است! اولاً R بیانگر رابطه میان بیش از 2 متغیر می باشد! در حالی که r بیانگر رابطه بین 2 متغیر می باشد.
دامنه تغییرات مقدار R بین 1+ و 0 ولی در r بین 0 و 1- می باشد.

تفاوت رگرسیون و همبستگی

تفاوت رگرسیون و همبستگی به بررسی اثرات همزمان متغیرهای مستقل در برآورد متغیرهای وابسته برمی‌کردد.

تفاوت رگرسیون و همبستگی براساس هدف: هدف مدل‌های همبستگی بررسی میزان رابطه دو یا چند متغیر است در حالیکه رگرسیون به دنبال پیش‌بینی یک یا چند متغیر براساس یک یا چند متغیر دیگر است. از آنجا که رگرسیون برپایه داده‌های گذشته انجام می‌شود به آن عنوان Regression یعنی بازگشت به گذشته داده اند. بنابراین از نر هدف همبستگی میزان و شدت رابطه متغیرها را نشان می‌دهد اما رگرسیون معادله‌ای را برای پیش‌بینی متغیرها ارائه می‌کند.

تفاوت رگرسیون و همبستگی براساس روش: تحلیل رگرسیون و ضریب همبستگی تحلیل رگرسیون و ضریب همبستگی آنچه در خروجی نتایج رگرسیون و همبستگی باعث ایجاد تفاوت می‌شود آن است که در همبستگی همیشه اثرات متغیرها به صورت دو به دو مورد سنجش قرار می‌گیرد اما در یک مدل رگرسیون اثرات متغیرها به صورت همزمان بررسی می‌شود. یعنی در همبستگی رابطه متغیر X با متغیر Y به وجود یا عدم وجود متغیر Z ارتباطی ندارد اما اما در رگرسیون تاثیر متغیر X بر متغیر Y به وجود یا عدم وجود متغیر Z بستگی دارد.

مثال کاربردی تفاوت رگرسیون و همبستگی

با استفاده از همبستگی پیرسون رابطه متغیر X و Y را محاسبه کنید.

میزان همبستگی X و Y برابر ۰.۶۷۴ بدست خواهد آمد.

یکبار دیگر آزمون همسبتگی پیرسون را اجرا کنید و این بار متغیر Z را نیز وارد کنید.

بازهم میزان همبستگی X و Y برابر ۰.۶۷۴ بدست خواهد آمد.

این بار آزمون رگرسیون خطی را اجرا کنید. متغیر X را مستقل و Y را وابسته در نظر بگیرد.

میزان تاثیر X بر Y برابر ۰.۶۷۴ بدست خواهد آمد.

آزمون رگرسیون خطی را اجرا کنید و این بار متغیر X و Z را مستقل و Y را وابسته در نظر بگیرد.

میزان تاثیر X بر Y برابر ۰.۲۹۵ بدست خواهد آمد.

چه اتفاقی افتاده است؟ از آنجا که Z هم در نتایج Y تحلیل رگرسیون و ضریب همبستگی موثر است بنابراین Y تنها تابعی از تغییرات X نیست. اگر متغیرهای بیشتری وارد مدل شود بازهم تغییرات Y نسبت به X از حساسیت کمتری برخوردار خواهد شد. دقت کنید جمیع تاثیرات متغیر Y از متغیرهای مستقل همیشه کوچکتر از ۱ است. اما در همبستگی این اصل رعایت نمی شود. رابطه‌ها همیشه دو به دو محاسبه می‌شود.

نکته دوم: در صورتیکه تنها دو متغیر X و Y وجود داشته باشند همیشه ضریب بتای استاندارد تاثیر متغیر X بر متغیر Y برابر ضریب همبستگی پیرسون دو متغیر است.

رگرسیون و همبستگی

نکته سوم: آیا همیشه اضافه شدن متغیرها باعث می‌شود ضریب بتای استاندارد تاثیر متغیر X بر متغیر Y کاهش یابد؟ خیر، اگر متغیری مانند Z وارد مدل شود و تاثیر منفی بر متغیر Y داشته باشد آنگاه تاثیر متغیر X بر متغیر Y افزایش پیدا می‌کند.

تحلیل رگرسیون و ضریب همبستگی

تیم متفکران نوین مالی با سرپرستی دکتر تفتیان در مسیر موفقیت مالی و حسابداری، در ارتقای سطح دانش و مهارت مالی و حسابداری در سطوح مختلف جامعه سهیم است.

- رسالت و هدف تیم متفکران نوین مالی

- مشارکت تیم متفکران نوین مالی

- بیوگرافی دکتر تفتیان

• جدیدترین مطالب
• پر بازدیدترین
• پربازدیدترین اخبار

چرا از مدلسازی معادله ساختاری استفاده می کنیم؟

چرا مدلسازی معادله ساختاری عمومیت یافته است؟ حداقل چهار دلیل اصلی برای چنین عمومیتی وجود دارد. دلیل اول اینکه محققان در نیاز به کاربرد متغییرهای مشاهده شده چندگانه برای درک بهتر از حوزه علمی پژوهشی خود آگاه تر شده اند.

اشتباهات رایج در استفاده از مدلسازی معادلات ساختاری

برخی اشتباهات رایج در استفاده از مدلسازی معادلات ساختاری در ادامه بیان شده است.

آزمون ها سنجش رابطه و سنجش همبستگی

آزمون های سنجش رابطه: در این آزمون جهت و شدت رابطه مورد آزمون قرار نمی گیرد. زمانیکه مقیاس سنجش متغیرهای پژوهش هر دو اسمی است یا یکی اسمی و دیگری رتبه ای و یا نسبتی باشد، استفاده از این آزمون گزینه مناسبی خواهد بود. .

انتخاب آزمون مناسب و تحلیل کمی؛ آزمون های (مقایسه ای)

انتخاب آزمون مناسب و مرتبط برای تحلیل داده های پژوهش تنها وابسته به یک عنصر نبوده و عوامل مختلفی در آن دخالت دارند. در آزمون های سنجش تفاوت و اختلاف (مقایسه ای) گاهی نوع فرضیه شما به گونه ای است که قصد دارید مقایسه ای را بین میانگین های دو گروه یا بیشتر و یا حتی میانگین صفتی را در یک گروه با مقدار ثابتی مقایسه کنید. در این صورت از آزمون های زیر که در زیرمجموعه آزمون های پارامتریک قرار دارند، می توانید استفاده نمایید.

مراحل اجرای پژوهش پس رویدادی

هدف تحقیق پس رویدادی کشف روابط بین متغیرهای پژوهشی است. دراین روش از دو طرح علی و گروه ملاک یا علی- مقایسه ای استفاده می شود. اکنون مراحل اجرای این روش موردبحث قرارمی گیرد.

مراحل وارد کردن داده ها در نرم افزار Eviews

در این نرم افزار اگر قصد تخمین یک مدل را داشته باشید ابتدا باید یک Workfile ایجاد کنید. در هنگام ایجاد Workfile شما باید نوع داده های خود را که به صورت مقطعی و یا سری زمانی است مشخص کنید و همچنین دامنه مشاهدات خود را تعیین کنید. در نوع داده های سری زمانی انتخاب هایی همچون داده های روزانه، هفتگی، ماهانه، فصلی، 6 ماهه و سالانه وجود دارد همچنین شما می توانید از داده های ترکیبی ( Panel Data) نیز استفاده کنید.

آزمون F لیمر (چاو)

در برآورد یک مدل که داده های آن از نوع ترکیبی هست ابتدا باید نوع الگوی براورد مشخص شود. به عبارت دیگر ابتدا باید بررسی شود که مدل م,رد بررسی در کدام طبقه pool یا panel قرار می گیرد.

پایایی و آزمون ریشه واحد

پایایی و ناپایایی یک سری از داده ها می تواند تاثیر شدیدی روی رفتار و ویژگی های آن داشته باشد. اگر متغیر های مورد استفاده در برآورد مدل ناپایا باشند، در عین حال که ممکن است هیچ رابطه منطقی بین متغیرهای مستقل و وابسته وجود نداشنه باشد ضریب تعیین به دست آمده آن به اشتباه می تواند بسیار بالا باشدو موجب گمراهی محقق گردد.

فروض کلاسیک رگرسیون

باید توجه داشت که روش ols بر اساس برقراری تمام فروض کلاسیک بنا شده است. با این حال برقراری تمام فروض کلاسیک در شرایط واقعی چندان قابل دستیابی نیست. هرچند که برقراری فروض کلاسیک همواره مطلوب است، ولی .

چارکها

چارکها نقاطی بر روی مقیاس اندازه گیری هستند که کلیه مشاهدات یا نمره ها را به چهار قسمت مساوی تقسیم می کند .

سواد مالی و مدیریت هزینه

مهم نیست که کجا یا چطور خرید می کنید، وسوسه ی خرید بیشتر همه جا ما را دنبال می کند. .

اسامی اعضاء جامعه مشاوران رسمی.

اسامی اعضاء جامعه مشاوران رسمی مالیاتی ایران دارای کارت عضویت معتبر.

مزیت سرمایه گذاری

برخی افراد به جای سرمایه‌گذاری ترجیح می‌دهند پول خود را در حساب‌های بانکی با سود. .

اهداف سرمایه گذاری

هیچ راهکار یا رویکرد سرمایه گذاری وجود ندارد که برای همه مناسب باشد. هر. .

آموزش رگرسیون خطی ساده و همبستگی

معرفی مجموعه و برنامه درسی دوره در قسمت توضیحات به صورت کامل نوشته شده است.

توضیحات

در این دوره آموزشی کوتاه که مجموع ویدئوهای آموزشی آن به حدود ۱ ساعت و ۳۵ دقیقه می‌رسد. در مورد رگرسیون و ضریب همبستگی بحث و بررسی صورت می‌پذیرد.

مباحث این مجموعه آموزشی به شرح زیر می‌باشند.

مبحث ۱- مفاهیم رگرسیون و همبستگی
مبحث ۲- تحلیل رگرسیون و استنباط آماری
مبحث ۳- رگرسیون و تحلیل واریانس
مبحث ۴ – مفروضات رگرسیون
مبحث ۵- همبستگی

توصیه می‌شود قدم به قدم همراه با ویدئوهای آموزشی مطالب را مرور و تمرین نمایید و سوالات و نظرات خود را در انتهای هر قسمت مطرح نمایید و از این طریق با استاد مربوطه درس به بحث و تبادل نظر بپردازید.

محتویات این مجموعه(دوره) آموزشی هم زمان هم قابل مشاهده در سایت و هم قابل دانلود و مشاهده در کامپیوتر شخصی می باشد. پس از تهیه این آموزش لینک دانلود بخش های مختلف در اختیار شما قرار خواهد گرفت و یک نسخه از آن نیز به آدرس ایمیل شما ارسال خواهد شد. پیشنهاد ما این است که از طریق سایت در دوره شرکت نمایید چراکه هم می‌توانید سابقه خود را مشاهده و پیگیری نمایید و هم قادر هستید در انتهای هر جلسه به پرسش و پاسخ بپردازید و در تکالیف و آزمون های آنلاین دوره نیز شرکت نمایید.

برنامه درسی دوره

جلسه ۱ رگرسیون خطی و همبستگی: مفاهیم رگرسیون خطی ساده و همبستگی	۰۰:۲۳:۰۰
مبحث دوم رگرسیون خطی ساده و همبستگی: تحلیل رگرسیون و استنباط آماری	۰۰:۱۹:۰۰
مبحث سوم رگرسیون خطی ساده و ضریب همبستگی: رگرسیون و تحلیل واریانس	۰۰:۰۸:۰۰
مبحث چهارم رگرسیون خطی ساده و همبستگی: مفروضات رگرسیون	۰۰:۱۷:۰۰
مبحث پنجم رگرسیون ساده و ضریب همبستگی: ضریب همبستگی و تعیین	۰۰:۲۷:۰۰

آموزش ویدئویی مورد تایید نیواستادی
فایل برنامه ها و پروژه های اجرا شده در حین آموزش
فایل PDF یادداشت های مدرس در حین آموزش
محتویات مجموعه آموزشی به دو صورت برای شما دانشجویان قابل مشاهده است:
۱. شرکت در دوره در سایت به صورت آنلاین و ارتباط مستقیم با استاد از طریق پرسش و پاسخ ۲. ارسال لینک دانلود به آدرس ایمیل شما
ارسال پرسش و پاسخ با استاد مربوطه در انتهای هر جلسه
شرکت در تکالیف و آزمون های آنلاین دوره

ویژگی های این دوره آموزشی:

تضمین کیفیت آموزش توسط نیواستادی

دانلود آنی و ارسال سریع

فعال‌سازی آنی لینک دانلود، بلافاصله پس از ثبت سفارش

ارسال فاکتور خرید شما به همراه لینک دانلود به آدرس ایمیل شما

سوالات رایج در مورد عضویت، تهیه و استفاده از آموزش‌ها