بخشی از پاورپوینت
اسلاید 1 :
پیش نیاز بسیاری از مباحث بعدی
پرکاربردترین شکل آنالیز وابستگی ها
روابط بین مجموعه ای از متغیرهای مستقل و یک متغیر وابسته
برای پاسخ به
توصیف
استنباط
پیش بینی
اسلاید 2 :
رابطه رگرسیون کامل و دقیق نیست
متغیرهای غیر قابل شناسایی
یا غیر قابل اندازه گیری
مثال قد و وزن 20 زن
2 زن با قد یکسان،
وزن یکسان ندارند یعنی:
قد تنها فاکتور تأثیرگذار روی
وزن نیست
اسلاید 3 :
اگر هیچ اطلاعی از قد نداشته باشیم
میانگین وزنها
رنج تغییرات وزنها: 93 تا 155
یعنی خطای حدود 30 واحد
اسلاید 4 :
با داشتن کمی اطلاعات در مورد قد
میانه قدها
2 دسته کمتر از میانه: 93 تا 134
بیشتر از میانه: 117 تا 155
یعنی خطای 20 واحد
بازه کوچکتر قد باعث بهبود تخمین
می شود. اما بازه بسیار کوچک باعث
می شود که تخمین قابل تعمیم نباشد.
اسلاید 5 :
رگرسیون ساده
(یک متغیر مستقل و یک متغیر وابسته)
انتخاب ضرایب b0 و b1
برای پیش بینی واقعی تر
و تخمین بهتر وزن
143/8-=b0 و 4/09=b1
برای یک قد خاص
مقدار خطا 10 واحد است
اسلاید 6 :
هدف از انجام رگرسیون:
تعیین خطی با دقیقترین مقدار برازش وکمترین مقدار خطا
تعیین دقت:
به کمک واریانس :
به کمک تابع خطی برازش شده:
اسلاید 7 :
اختلاف بین عدم اطمینان با استفاده از میانگین و مقادیر برازش شده = عدم اطمینان کاهش یافته توسط مدل رگرسیون
اسلاید 8 :
نسبت اختلاف عدم اطمینان ها به عدم اطمینان واقعی با
نشان داده می شود.
برای مثال قد و وزن یعنی
وابستگی بین مقادیر برازش شده و مقادیر واقعی 0/87 است.
با استفاده از اطلاعات قد، 75% از تغییرات وزن را می توان توصیف کرد.
اسلاید 9 :
اگر هیچ اطلاعی از متغیرها نداشته باشیم
میانگین تعداد کارتها = 7
مجموع مربعات خطا =22 واحد
رگرسیون ساده (به کمک متغیر تعداد اعضای خانواده)
این متغیر بیشترین ضریب همبستگی را دارد
مدل رگرسیون
به کمک کمترین مجموع مربعات خطا، برابر 0/97 و 2/87 است
اسلاید 10 :
یعنی به ازای هر عضو اضافی در خانواده میانگین موجودی کارت اعتباری خانواده 0/97 افزایش دارد.
مجموع مربعات خطا = 5/5
در این حالت:
رگرسیون چندگانه (به کمک تعداد اعضا و درآمد خانواده)
مدل رگرسیون
با محاسبه ضرایب مدل
مقدار خطا = 3/04
در این حالت:
با اضافه کردن متغیر سوم، داریم: که نسبت به 2 حالت قبل، افزایش کمی دیده می شود پس بهتر است از 2 متغیر استفاده شود.
