دانلود فایل پاورپوینت مفهوم همبستگی کانونیکال

PowerPoint قابل ویرایش
35 صفحه
8900 تومان

لطفا به نکات زیر در هنگام خرید دانلود فایل پاورپوینت مفهوم همبستگی کانونیکال توجه فرمایید.

1-در این مطلب، متن اسلاید های اولیه دانلود فایل پاورپوینت مفهوم همبستگی کانونیکال قرار داده شده است

2-به علت اینکه امکان درج تصاویر استفاده شده در پاورپوینت وجود ندارد،در صورتی که مایل به دریافت تصاویری از ان قبل از خرید هستید، می توانید با پشتیبانی تماس حاصل فرمایید

4-در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل اسلاید ها میباشد ودر فایل اصلی این پاورپوینت،به هیچ وجه بهم ریختگی وجود ندارد

5-در صورتی که اسلاید ها داری جدول و یا عکس باشند در متون زیر قرار نخواهند گرفت

— پاورپوینت شامل تصاویر میباشد —-

اسلاید ۱ :

 
مفهوم همبستگی کانونیکال
 
 مکانیزم آماری همبستگی کانونیکال
 
مسئله نمونه
 
چند نمونه تست آماری برای معنی داری نتایج همبستگی کانونیکال

اسلاید ۲ :

تا همین اواخر، تحلیل همبستگی کانونیکال  تقریبا یکی از فنون ناشناخته در آمار بود و شبیه سایر فنون آماری چند متغیره، ظهور برنامه های کامپیوتری گسترش کاربردهای آن را در مسائل تحقیقاتی تسهیل نموده است.
 
همبستگی کانونیکال  قابلیت کاربرد در داده های متریک و غیرمتریک  هم برای متغیرهای وابسته و هم برای متغیرهای مستقل  را دارا می باشد. 
 
در همبستگی کانونیکال ابتدا باید متغیرها را به دو دسته تقسیم کرد. ما می توانیم بین دو دسته از متغیرها تمایز قائل شویم. یک دسته از متغیرها آنهایی هستند که علاقه به توضیح آنها داریم (که آنها را متغیرها وابسته می نمامیم و با Y نمایش می دهیم)، دسته دیگر متغیرهایی هستند که کشف کننده یا توضیح دهنده هستند (آنها را متغیرهای مستقل می نامیم و با X نمایش می دهیم).
 

اسلاید ۳ :

همبستگی کانونیکال  چیست؟
در سپتامبر ۱۹۳۵، هارلد هتلینگ، اهمیت مفهوم همبستگی بین دو مجموعه از متغیرها را نشان داد. وی نظریه همبستگی بین دو مجموعه از متغیرها را با ارائه مثال هایی که در آنها مفهوم همبستگی کانونیکال  به کار می رود، ارائه داد.
 
 
در همبستگی کانونیکال  ما به دنبال ارائه مجدد و ساده کردن داده ها هستیم. هدف ما یافتن دو ترکیب خطی از متغیرهای اصلی است. یک ترکیب از اولین دسته متغیرها و یک ترکیب از دومین دسته (که متغیرها کانونیکال نامیده می شود) به نحوی که بیانگر بزرگترین همبستگی ممکن باشد.
 

اسلاید ۴ :

همبستگی کانونیکال  کمترین محدودیت را بر انواع داده ها در حین اجرا اعمال می کند. به دلیل اینکه دیگر فنون، قیود بسیار دقیق تری بر داده ها اعمال می کنند، محققان عموما بر این باوردند که اطلاعات منتج از آنها کیفیت بهتری داشته و قابلیت تفسیر بیشتری دارد.  
 
تحلیل رگرسیون چندگانه  قادر به پیش بینی مقدار یک متغیر وابسته یگانه (متریک) از یک تابع خطی از مجموعه متغیرهای مستقل می باشد. در  برخی از مسائل تحقیقاتی، ممکن است متغیر وابسته یگانه منظور نظر نباشد، بلکه مورد نظر محقق روابط میان مجموعه های متغیرهای مستقل و وابسته چندگانه باشد. تحلیل همبستگی کانونیکال مدل آماری چند متغیره می باشد که مطالعه روابط درونی میان مجموعه های متغیرهای وابسته چندگانه و متغیرهای مستقل چندگانه را تسهیل می کند

اسلاید ۵ :

 استخراج توابع کانونیکال 
اولین قدم آنالیز همبستگی کانونیکال  استنباط و استخراج یک یا چند تابع کانونیکال می باشد . هر تابع شامل یک جفت متغیر می باشد ، یک متغیر ، متغیر های مستقل و دیگری متغیرهای وابسته را نمایش می دهد.
 
اولین جفت  متغیر  کانونیکال  به گونه ای انتخاب می شوند که بیشترین همبستگی داخلی ممکن بین دو مجموعه متغیر را داشته باشند  . دومین جفت از متغیر کانونیکال  به گونه ای استخراج می شوند که بیشترین رابطه را بین دو مجموعه از متغیرها که برای جفت اول از متغیرها حساب نشده اند ،داشته باشند. و به همین صورت ادامه می یابد.
میزان ارتباط داخل جفت متغیر ها توسط همبستگی کانونیکال  منعکس می شود .   

اسلاید ۶ :

تعداد مراحل مساله همبستگی کانونیکال بستگی به تعداد متغیرها دارد. اگر P تعداد متغیرهای X باشد و q تعداد متغیرهای Y باشد حداکثر تعداد متغیرهای کانونیکال برابر خواهد بود با حداقل (p,q). 
با حذف اندیسهای u,t مساله به شکل ذیل بیان می گردد:
Choose a,  b to maximize
 
 
صورت و مخرج کسر به صورت زیر قابل بیان است:
 
 

اسلاید ۷ :

همبستگی های کانوتیکال بین X,Y  را ممکن است بتوان با حل معادلات ویژه زیر به دست آورد
 
 
 
رابطه بالا یک مساله مقدار ویژه ـ بردار ویژه است.  برای رابطه اول بردار b اولین بردار ویژه ماتریس  است. r2(t,u) مربع همبستگی کانونیکال می باشد. مساله همبستگی کانونیکال شامل ماتریس  تجزیه پذیر و نامتقارن                                   است. با وجود اینکه  مقادیر ویژه یک ماتریس نا متقارن لزوما مقادیر حقیقی نیستند، ماهیت و ساختار مسئله همبستگی کانونیکال به گونه ای است که مقادیر ویژه هم حقیقی و هم غیر منفی هستند. برای بحث بیشتر پیرامون مقادیر ویژه و بردارهای ویژه ماتریسهای نامتقارن مراجع Chatutvedi , Green , Caroll (1977) را ببینید.

اسلاید ۸ :

بر خلاف تحلیل عاملی اکتشافی، رایج نیست که جواب را برای تسهیل در تفسیرجواب همبستگی کنُنیکال دوران دهیم. به خاطر اینکه تحلیل گر عموما به دنبال مقدار واریانس قابل تغییر است، و چرخش جواب مقادیر R2 کانونیکال را تغییر خواهد داد. 
 بارگذاریهای کانونیکا ل: 
برای تفسیرجواب های کانونیکال،  بارگذاری کانونیکال را می توان استفاده نمود، که همبستگی بین متغیرهای اصلی و متغیرهای کانونیکال را بیان می کند. همسبتگی بین u وX که ما آن را با f نمایش می دهیم عبارت است از: 
 
 
همبستگی بین t وY  که با g نمایش داده می شود عبارت است از:

اسلاید ۹ :

 افزونگی
مربع همبستگی کانونیکال r2(t,u) به ما نمی گوید که چه مقدار از واریانس Y با X توصیف می شود. در حقیقت آن فقط به ما می گوید چه مقدار از واریانس در t  (ترکیب خطی Y) توسط u توصیف می گردد. 
برای پاسخ به اینکه چه مقدار از واریانس در Y توسط X توضیح داده می شود، ما می توانیم از شاخص افزونگی که توسط Love , Stewart (1968) توسعه داده شد استفاده کنیم.
 
اولین عنصر دقیقا مربع همبستگی کانونیکال r2(t,u) است. دومین عنصر واریانس در Y است که توسط ترکیب خطی t=Ya محاسبه می گردد. 

اسلاید ۱۰ :.

مساله نمونه
Lodish , Fader(1990) می خواستند بدانند که آیا فعالیتهای پروموشن (به عبارتی: انواع پروموشنها که توسط بازاریابها پیشنهاد می گردد) بین گروه بندی محصولات با توجه به ویژگیهای گروه بندیها تغییر می کند یا نه؟ برای مثال آیا یک نفر انتظار دارد که از یک فعالیت پروموشن برای کالاهای گران قیمت و ارزان قیمت نتیجه یکسانی بگیرد؟
Lodish, Fader از بانک اطلاعاتی بازاریانی IRI در مورد ۱۰ متغیر برای ۳۳۱ سبد محصول کالای مختلف در سال ۱۹۸۶ اطلاعات گردآوری نمودند.
هدف این است که بدانیم تا چه اندازه ای می توان از متغیرهای ساختاری برای توضیح واریانس مشاهده شده در متغیرهای پروموشن استفاده کرد.

مطالب فوق فقط متون اسلاید های ابتدایی پاورپوینت بوده اند . جهت دریافت کل ان ، لطفا خریداری نمایید .
PowerPointقابل ویرایش - قیمت 8900 تومان در 35 صفحه
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد