دروس تعليمية

الانحدار الترتيبي يسمح لك إجراء الانحدار الترتيبي Ordinal Regression (المشار إليه باسم PLUM في بناء الجملة) ببناء النماذج، وإنشاء تنبؤات، وتقييم أهمية متغيرات التوقع المختلفة في الحالات التي يكون فيها المتغير التابع (الهدف) ترتيبيًا بطبيعته. المتغيرات التابعة الترتيبية والانحدار الخطي عندما تحاول توقع الاستجابات الترتيبية ، فإن نماذج الانحدار الخطي المعتادة لا تعمل بشكل جيد. […]

تشغيل الانحدار الخطي التدريجي على سبيل المثال، لتشغيل الانحدار الخطي التدريجي Stepwise Linear Regression باستخدام درجات العوامل factor scores: 1. قم باستدعاء مربع حوار الانحدار الخطي أو Linear Regression. يظهر مربع حوار الانحدار الخطي، ثم نقوم فيه بتحديد خيار “التدريجي” Stepwise باعتباره الأسلوب، وذلك كما يلي: 2. حدد”تدريجي” Stepwise كطريقة الدخول أو entry method. لاحظ أنه

إجراء الانحدار الخطي باستخدام المتغيرات القياسية z-scores لتشغيل الانحدار الخطي باستخدام المتغيرات القياسية z-scores: 1. قم باستدعاء مربع حوار الانحدار الخطي Linear Regression. 2. قم بإلغاء تحديد المتغيرات من “نوع السيارة” Vehicle type ولغاية “كفاءة استخدام الوقود” Fuel efficiency كمتغيرات مستقلة independent variables. 3. حدد المتغيرات القياسية “نوع السيارة” Zscore: Vehicle type ولغاية “كفاءة استخدام

الانحدار الخطي يُستخدم الانحدار الخطي Linear Regression لنمذجة قيمة متغير تابع من نوع المقياس dependent scale variable بناءً على علاقته الخطية بواحد أو أكثر من متغيرات التنبؤ أو المتنبئين predictors. استخدام الانحدار الخطي لنمذجة مبيعات السيارات تقوم مجموعة صناعة السيارات بتتبع مبيعات مجموعة متنوعة من السيارات الشخصية. في محاولة لتكون قادرًا على تحديد النماذج ذات

التحقق من ثبات النموذج الخطي توجد طرق متعددة لاختيار المتنبئين تلقائيًا في النموذج الخطي، ويمكن أن ينتج عنها نماذج خطية مختلفة. من خلال تشغيل النموذج باستخدام طريق اختيار النموذج المختلفة والتحقق مما إذا كانت النتائج متشابهة، يمكنك أن تكون أكثر ثقة في نتائجك وبالتالي التحقق من ثبات النموذج الخطي المحدد أو المطلوب. 1. قم باستدعاء

النماذج الخطية تتنبأ النماذج الخطية Linear Models بهدف مستمر أو Continuous بناءً على العلاقات الخطية بين الهدف وواحد أو أكثر من المتنبئين Predictors. النماذج الخطية بسيطة نسبيًا وتعطي معادلة رياضية سهلة التفسير للقياس. إن خصائص هذه النماذج مفهومة جيدًا ويمكن بناؤها عادةً بسرعة كبيرة مقارنةً بأنواع النماذج الأخرى (مثل الشبكات العصبية أو أشجار القرار) على

الارتباطات الجزئية يحسب إجراء الارتباطات الجزئية Partial Correlations معاملات الارتباط الجزئي التي تصف العلاقة الخطية بين متغيرين بينما تتحكم في تأثيرات متغير إضافي واحد أو أكثر. يجب أن تكون جميع المتغيرات من نوع متغيرات المقياس scale variables. استخدام الارتباطات الجزئية لكشف العلاقات تلقى مضيف برنامج حواري إذاعي شهير آخر دراسة حكومية حول تمويل الرعاية الصحية العامة

الارتباطات ثنائية المتغير يحسب إجراء الارتباطات ثنائية المتغير Bivariate Correlations الارتباطات الزوجية لمجموعة من المتغيرات ويعرض النتائج في مصفوفة. يفيد هذا الإجراء في تحديد قوة واتجاه الارتباط بين متغيرين مقياسين scale أو متغيرين ترتيبيين ordinal. مثال دراسة الارتباط بين مبيعات السيارات وكفاءة الوقود من أجل زيادة المبيعات، يرغب مهندسو تصميم السيارات في تركيز انتباههم على جوانب

حساب التأثيرات العشوائية باستخدام النموذج الخطي العام أحادي المتغير في التحليلات السابقة، بحثت سلسلة متاجر البقالة العلاقة بين سلوك تسوق العملاء والمبلغ الذي يتم إنفاقه. ومع ذلك، هناك الكثير من الاختلافات من متجر إلى متجر والتي تقلل من قدرتك على تقدير آثار هذه السلوكيات. من خلال إضافة موقع المتجر كتأثير عشوائي random effect، يمكنك تقليل

تحليل التباين المشترك باستخدام النموذج الخطي العام أحادي المتغير يريد أنصار برنامج الأعمال الحكومية معرفة ما إذا كان البرنامج يساعد الناس في الحصول على وظائف أفضل، مع التحكم في رواتبهم قبل الالتحاق بالبرنامج. تمت متابعة عينة من المشاركين المحتملين في البرنامج، تم اختيار بعضهم عشوائيًا للتسجيل في البرنامج، بينما لم يتم اختيار البعض الآخر. في