تحقیق درباره کاربرد آنالیز آمار چند متغیری

اختصاصی از هایدی تحقیق درباره کاربرد آنالیز آمار چند متغیری دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 27

کاربرد آنالیز آمار چند متغیری

موضوعات:

1. دسته بندی چیست؟

2. اندازه های متشابه

3. روشهای دسته بندی مرتبه ای

4. روشهای دسته بندی نامرتب

5. مقیاس یا سنجش چند بعدی

6. مشتق وابسته

7. دو طرح برای نظریه واحدهای نمونه و متغیر

8. مشتق Procrustes بیک روش

9. نتیجه

10. مراجعات

مسئله دسته بندی

روشهای اکتشافی در فهمیدن ماهیت پیچیده رابطه های چند متغیری مفید است.

مسئله 1: دادن یک مجموعه ای از اطلاعات } xi ERP ‍‍{ متقاعد می کند:

1. شماری از دسته های که مجهول هستند.

2. دسته های فردی که مجهول هستند.

ما قصد داریم که:

1. بعضی از آمارهای مناسب را معین کنیم.

2.شماری از دسته بندی های K را توضیح دهیم.

3. یک روش دسته بندی مناسب و قابل قبول پیدا کنیم.

4. طبقه بندی اطلاعات در دسته های K .

نمونه ای از دسته بندی

تقسیم کردن یک مجموعه معلوم بوسیله همانند سازی

شکل 2- میانگین دسته های نامعلوم

مشاهده ماتریس: نکات الگوی با نمونه n معلوم که هر یک m متغیر دارد:

Xm

…

Xj

…

X1

X1m

xim

xnm

…

…

…

x1j

xij

xnj

…

…

…

x11

.

.

.

xi1

.

.

.

xn1

x1

.

.

.

xi

.

.

.

xn

…

…

Mean

sm

…

si

…

S1

std

جدول 1- مشاهده اطلاعات

هیچ روش دسته بندی عالی وجود ندارد.

روشهای دسته بندی

1. روش سیستم: ترکیب کردن بیشترین دسته های شبیه به هم، جدید کردن اطلاعات و تکرار روش تا زمانیکه تمام اطلاعات طبقه بندی بشوند.

2. روش حرکتی: در مرحله اول، دادن یک طبقه بندی ابتدایی به اطلاعات، سپس تنظیم کردن گروه ها وسیله کمترین مقدار از ضرر عملکرد تا زمانیکه هیچ پیشرفتی (بهبودی) بوجود نیاید.

3. روش نامعلوم: برای مثال میانگین دسته های c نامعلوم، معمولا برای اطلاعات با مشخصه های نامعلوم به خوبی عمل می کنند.

4. روش کمترین زیرگرافی از یک گراف

مقاله رگرسیون چند متغیری چیست

اختصاصی از هایدی مقاله رگرسیون چند متغیری چیست دانلود با لینک مستقیم و پر سرعت .

لینک پرداخت و دانلود در "پایین مطلب"

 فرمت فایل: word (قابل ویرایش و آماده پرینت)

 تعداد صفحات:12

رگرسیون چند متغیری ( multiple regression ) روشی آماری است که اجازه می دهد نمره یک فرد در یک متغیر را بر اساس نمره های او در چندین متغیر دیگر پیش بینی کنیم . ارائه مثالی در این زمینه می تواند سودمند باشد . فرض کنید می خواهیم پیش بینی کنیم یک فرد از شغلش چقدر لذت می برد . متغیرهایی مانند درآمد ، میزان تحصیلات ، سن ، جنسیت ، سابقه خدمت و وضعیت اقتصادی – اجتماعی ، همه می تواند به رضایت شغلی کمک کند . اگر داده های مربوط به این متغیرها را فرضاً به وسیله نظر سنجی از چند صد عضو از اعضاء جامعه جمع آوری کنیم ، خواهیم دید که از میان متغیرهای ذکر شده کدامیک رضایت از شغل را می تواند پیش بینی کند و کدامیک این کار را دقیق تر می تواند انجام دهد . شاید بتوانیم نشان دهیم که نوع حرفه ، حقوق و سابقه خدمت رضایت شغلی را می توانند دقیق تر پیش بینی کنند ، در حالی که سایر متغیرها در پیش بینی رضایت از شغل کمکی به ما نمی کنند .

هنگام استفاده از رگرسیون چند متغیری در روانشناسی بسیاری از محققین اصطلاح « متغیر مستقل » را برای شناسایی متغیرهایی که می پندارد بر تعدادی از « متغیرهای وابسته » اثر می گذارد به کار می برند . ما ترجیح می دهیم که از اصطلاح متغیرهای پیش بین برای متغیرهایی که امکان دارد در پیش بینی نمره های سایر متغیرها که ما به آنها متغیر ملاک می گوییم به ما کمک کنند استفاده کنیم . بنابراین در مثال ذکر شده قبلی نوع شغل ، حقوق و سابقه خدمت متغیرهای پیش بین معنی دار هستند و به ما اجازه می دهند تا متغیر ملاک یعنی میزان رضایت شخص از شغل  خود را تخمین بزنیم . همان طور که قبلاً اشاره کردیم رفتار انسان به طور ذاتی پیچیده است و بنابراین پیش بینی دقیق آن ممکن است اما رگرسیون چند متغیری این امکان را می دهد که مجموعه ای از متغیرهای پیش بینی را شناسای کنیم که با هم برآورد مفیدی را از نمره احتمالی فرد در متغیر ملاک ارائه می دهند