ملزومات رشته آمار

دوره آموزش STATA

آموزش رگرسیون چندکی در Stata

مشاوره آماری: 09309681077 رگرسیون خطی روشی است که می توانیم برای درک رابطه بین یک یا چند متغیر توضیحی و یک متغیر پاسخ از آن استفاده کنیم. معمولاً هنگامی که ما رگرسیون خطی را انجام می دهیم، علاقه مند به تخمین مقدار میانگین متغیر پاسخ بر اساس مقدار متغیر توضیحی هستیم. اما در عوض می‌توانیم میانه یا صدک 0.25 یا صدک 0.90 یا هر صدکی را که می‌خواهیم تخمین بزنیم. این جاست که رگرسیون کمی وارد عمل می شود. مشابه رگرسیون خطی معمولی، رگرسیون چندک معادله رگرسیونی ایجاد می کند که مقداری (مثلاً میانه، صدک 0.25، صدک 0.90 و غیره) را برای متغیر پاسخ بر اساس مقدار متغیر توضیحی پیش بینی می کند. این آموزش نحوه انجام رگرسیون چندک را در Stata توضیح می دهد. مثال رگرسیون کوانتیل در Stata برای این مثال از مجموعه داده داخلی Stata به نام auto استفاده خواهیم کرد. ابتدا یک مدل رگرسیون خطی را با استفاده از وزن به عنوان متغیر پیش بینی و mpg به عنوان متغیر پاسخ برازش می کنیم. این میانگین mpg مورد انتظار یک خودرو را بر اساس وزن آن به ما می گوید. سپس ما یک مدل رگرسیون چندکی را برای پیش‌بینی صدک 0.90 mpg یک خودرو، بر اساس وزن آن، برازش خواهیم داد.

دوره آموزش STATA

آموزش رگرسیون درجه دوم در Stata

مشاوره آماری: 09309681077 هنگامی که دو متغیر دارای یک رابطه خطی هستند، اغلب می توانید از رگرسیون خطی ساده برای کمی کردن رابطه آن ها استفاده کنید. با این حال، هنگامی که دو متغیر دارای یک رابطه درجه دوم هستند، می توانید در عوض از رگرسیون درجه دوم برای کمی کردن رابطه آنها استفاده کنید. این آموزش نحوه انجام رگرسیون درجه دوم در Stata را توضیح می دهد. مثال رگرسیون درجه دوم در Stata فرض کنید ما علاقه مند به درک رابطه بین تعداد ساعات کار و شادی هستیم. داده های زیر را در مورد تعداد ساعات کار در هفته و سطح شادی گزارش شده (در مقیاس 0-100) برای 16 نفر مختلف داریم.

دوره آموزش STATA

بررسی همخطی چندگانه و تست چند خطی در مدل رگرسیونی با Stata

مشاوره آماری: 09309681077 چند خطی در تحلیل رگرسیون زمانی اتفاق می افتد که دو یا چند متغیر توضیحی با یکدیگر همبستگی بالایی داشته باشند، به طوری که اطلاعات منحصر به فرد یا مستقلی را در مدل رگرسیونی ارائه نکنند. اگر درجه همبستگی بین متغیرها به اندازه کافی بالا باشد، می تواند در برازش و تفسیر مدل رگرسیون مشکلاتی ایجاد کند. برای مثال، فرض کنید یک رگرسیون خطی چندگانه با متغیرهای زیر اجرا می کنید: متغیر پاسخ: حداکثر پرش متغیرهای توضیحی: اندازه کفش، قد، زمان صرف شده برای تمرین در این مورد، متغیرهای توضیحی اندازه و قد کفش احتمالاً همبستگی بالایی دارند زیرا افراد قد بلندتر تمایل دارند سایز کفش‌های بزرگ‌تری داشته باشند. این به این معنی است که چند خطی بودن احتمالاً مشکلی در این رگرسیون است. خوشبختانه، تشخیص چند خطی بودن با استفاده از معیاری به نام عامل تورم واریانس (VIF) امکان پذیر است که همبستگی و قدرت همبستگی بین متغیرهای توضیحی را در یک مدل رگرسیونی اندازه گیری می کند. این آموزش نحوه استفاده از VIF را برای تشخیص چند خطی در تحلیل رگرسیون در Stata توضیح می دهد.