معرفی محصول
تحلیل OLS یا Ordinary least Squares در میان روشهای مختلف رگرسیون خطی به عنوان پرکاربردترین و غالبترین روش شناخته شده است. مبدع این روش کارل فردریک گوس، ریاضیدان نامی آلمان است. در آمار، حداقل مربعات معمولی یا کمینه مربعات معمولی روشی است برای برآورد پارامترهای مجهول یا متغیر های وابسته در مدل رگرسیون خطی از طریق به حداقل رساندن اختلاف بین متغیرهای جواب مشاهده شده در مجموعه داده می باشد. بررسی مهمترین عوامل تاثیر گذار(متغیر های توضیحی) بر روی متغیر وابسته، در نگاه سطحی ساده به نظر می رسد اما یکی از سخت ترین و مهمترین مراحل مدلسازی رگرسیون است. به عبارت دیگر معنادار بودن ارتباط بین متغیر مجهول یا وابسته با متغیر معلوم یا مستقل از نظر آماری یک شرط لازم برای مدلسازی با استفاده از این تحلیل است و برای اجرای این مدل در تحلیل GWR می بایست 7 پارامتر را بررسی کنیم.
مشخصات محصول:
- قیمت: 18000 هزار تومان
- مدرس: محسن شریعتی
- زمان آموزش: 35 دقیقه
- موضوع: کاربرد رگرسیون حداقل مربعات معمولی(OLS) در بررسی روابط فضایی
- نرم افزار: زیر سامانه ی 10.5 ARCMAP
- فرمت: ویدیو های آموزشی MP4
- فایل تمرینی: دارد
- پیش نیاز: آشنایی اولیه با محیط ARCMAP و تحلیل رگرسیون
معرفی مدرس:
- محسن شریعتی
- بنیان گذار آکادمی علوم مکانی ایران
- بنیان گذار دوره های ARCGIS در مرکز رشد استعدادهای درخشان دانشگاه علوم پزشکی تهران
- مدرس اولین دوره رسمی ARCGIS ONLINE در ایران
- کسب رتبه 1 کشوری کنکور سراسری ارشد
- دانش آموخته دانشگاه های شیراز و تهران با کسب نمره ممتاز
کاربرد محصول:
این روش در بسیاری علوم از جمله: علوم پزشکی، بهداشت، کشاورزی، منابع طبیعی، محیط زیست، جغرافیا، شهرسازی، برنامه ریزی شهری، علوم زمین، علوم اجتماعی، اقتصاد، علوم سیاسی و مهندسی برق و… کاربرد دارد.
در برخی از مطالعات نیاز است که عوامل موثر) توضیحی) بر روی یک متغیر وابسته تجزیه و تحلیل شود. برای مثال حادثه بزرگ قرن یعنی شیوع ویروس کرونا در جهان و ایران هزینه های جبران ناپذیر اقتصادی، اجتماعی، زمانی و جانی را بر جای گذاشته است. شاید برای خیلی از ما این سوال به وجود آمده است که عوامل اصلی این حادثه چیست؟ و در آینده قرار است چه اتفاقی بیافتد؟ آیا هر سال باید منتظر مرگ و میر تعداد زیادی از هم نوع هایمان باشیم؟ خب پاسخ به تمامی این سوالات مشروط به شناخت عوامل موثر در میزان شیوع این ویروس دارد.
میزان ابتلا به ویروس کرونا در کشور ایران به عوامل مختلفی می تواند وابسته باشد از جمله دما، رطوبت، ارتفاع، نرخ سواد، ویتامین دی، جمعیت، تراکم جمعیت، فاصله از اپی سنتر و غیره؛ اما این عوامل یک عوامل احتمالی هستند و ارتباط آن ها با میزان شیوع ویروس به طور علمی اثبات نشده است و ما نمی دانیم که آیا این عوامل با متغیر وابسته(میزان ابتلا) ارتباط معنی دار دارند یا خیر!؟
با استفاده از این تحلیل بعد از اینکه ارتباط معنی دار بین متغیرهای مستقل با وابسته را پیدا کردیم و مدل قابل اجرا بود، می‌توانیم مهمترین عامل تاثیر گذار را درمیزان شیوع این ویروس و تعداد مبتلایان بررسی کنیم. همچنین می توانیم با داشتن دیتاهای مربوط به چند سال آینده متغیرهای مستقل(مثلا تراکم، نرخ سواد و…) برای متغیر وابسته که در مثال ما میزان شیوع هست یک برنامه ریزی کوتاه مدت یا طولانی مدت انجام دهیم که این خیلی می‌توانند به صرفه جویی در هزینه و زمان و همچنین کاهش آسیبهای جدی ناشی از این ویروس در آینده کمک کند. برای انجام این تحلیل ما نیازمند به آخرین آمار هر کدام از متغیرهای مستقل و متغیر وابسته هستیم که باید از سازمان‌های مربوطه تهیه شود و همچنین برای پیش بینی متغیر وابسته نیازمند به محاسبه اطلاعات مربوط به هر کدام از متغیرهای مستقل در آینده هستیم. اما آن چیزی که در این تحلیل میتواند زمان بر و طاقت فرسا باشد یافتن معنی دار بودن ضرایب متغیرهای مستقل و اجرایی بودن مدل است. که برای تسهیل این کار می توانیم از نمودار پراکندگی نیز استفاده کنیم. قطعاً در مطالعات مشابه نیز ما می توانیم این تحلیل را به کار برده و نتایج را به صورت نقشه مشاهده کنیم.
سرفصل ها:
کاربرد Scatterplot Matrixدرایجاد همبستگی
کاربرد R2 Value درمحاسبه میزان همبستگی
کاربرد Spatial Autocorrelation در نمایش الگوهای فضایی
بررسی ضرایب متغیر ها در میزان ارتباط بین متغیرها
بررسی کردن VIF
بررسی معنی دار بودن ضرایب آماری متغیر ها
بررسی کردن Koenker Statistics (BP)
بررسی کردن Jarque-Bera
بررسی کردن AIC
هیچ دیدگاهی برای این محصول نوشته نشده است.