تحلیل رگرسیون لجستیک در اس پی اس اس
تحلیل رگرسیون لجستیک در اس پی اس اس
با سلام خدمت شما مخاطبین گرامی
در خدمتتون هستیم با پک آموزش spss (پکیج آموزشی تحلیل رگرسیون لجستیک دو وجهی یا لجستیک باینری (regression binary logistic) ) که بسیار کاربردی و در عین حال آسان .
در این پک برای شما عزیزان سه قسمت طراحی و آماده شده که شامل:1-آموزش ویدویی نرم افزار spss مرتبط با آزمون تحلیل رگرسبون لجستیک دو حالته 2-وورد مربوط به ویدیو و نکات مخصوص و کاربردی این آزمون 3-فایل نرم افزار spss که در ویدیو آموزش داده شده است.
در ادامه به توضیح مختصری در رابطه با پکیج آموزشی تحلیل رگرسیون لجستیک در اس پی اس اس جهت آشنایی بیشتر شما مخاطبان عزیز میپردازیم.
جهت مشاهده و دانلود پکیج آزمون های آماری در SPSS کلیک کنید .
پکیج آموزشی تحلیل رگرسیون لجستیک باینری:
رگرسیون لجستیک، شبیه رگرسیون خطی است با این تفاوت که نحوه محاسبه ضرایب در این دو روش یکسان نمی باشد. بدین معنی که رگرسیون لجستیک، به جای حداقل کردن مجذور خطاها (کاری که رگرسیون خطی انجام می دهد)، احتمالی را که یک واقعه رخ می دهد، حداکثر می کند. همچنین، در تحلیل رگرسیون خطی، برای آزمون برازش مدل و معنی داربودن اثر هر متغیر در مدل، به ترتیب از آماره های Fوt استفاده می شود، در حالی که در رگرسیون لجستیک، از آماره های کای اسکوئر(2X) و والد استفاده می شود (مومنی، ۱۳۸۶: ۱۵۸).
رگرسیون لجستیک نسبت به تحلیل تشخیصی نیز ارجحیت دارد و مهم ترین دلیل آن است که در تحلیل تشخیصی گاهی اوقات احتمال وقوع یک پدیده خارج از طیف(۰) تا (۱) قرار می گیرد و متغیرهای پیش بین نیز باید دارای توزیع در داخل محدوده (۰) تا (۱) قرار دارد و رعایت پیش فرض نرمال بودن متغیرهای پیش بینی لازم نیست (سرمد، ۱۳۸۴: ۳۳۱).
رگرسیون لجستیک (Logistic Regression) یک روش آماری است که برای بررسی رابطه بین یک متغیر وابسته دودویی (دارای دو دسته) و یک یا چند متغیر مستقل استفاده می‌شود. در رگرسیون لجستیک، ما قصد داریم احتمال وقوع یک رویداد دودویی را (مثل بروز یا عدم بروز یک رویداد) به عنوان متغیر وابسته پیش‌بینی کنیم.
در رگرسیون لجستیک، ما از تابع لجستیک استفاده می‌کنیم تا احتمال وقوع رویداد را بر اساس متغیرهای مستقل تخمین بزنیم. تابع لجستیک، که یک تابع نمایی است، مقادیر بین 0 و 1 را خروجی می‌دهد و به ما احتمال وقوع رویداد را در محدوده 0 تا 1 نشان می‌دهد.
مدل رگرسیون لجستیک به صورت زیر تعریف می‌شود:
P(Y=1) = 1 / (1 + exp(-(β₀ + β₁X₁ + β₂X₂ + … + βₚXₚ)))
در این مدل، P(Y=1) نشان‌دهنده احتمال وقوع رویداد دودویی است. X₁ تا Xₚ متغیرهای مستقل هستند که تأثیرشان بر احتمال وقوع رویداد را می‌خواهیم بررسی کنیم. β₀ تا βₚ ضرایب رگرسیون هستند که نشان‌دهنده تأثیر هر متغیر مستقل بر احتمال وقوع رویداد است.
با استفاده از رگرسیون لجستیک، می‌توانیم تأثیر هر متغیر مستقل را بر روی احتمال وقوع رویداد دودویی محاسبه کنیم، مدل را توصیف کنیم و با استفاده از مدل، احتمال وقوع رویداد برای مقادیر جدید متغیرهای مستقل را پیش‌بینی کنیم. همچنین، می‌توان با استفاده از آزمون‌های آماری مختلف، میزان معناداری تأثیر هر متغیر مستقل را بررسی کرد و کیفیت و عملکرد مدل را ارزیابی کرد.
زمانی که متغیر وابسته ی ما دو وجهی دو سطحی مانند جنسیت، بیماری یا عدم بیماری و است و می خواهیم از طریق ترکیبی از متغیرهای پیش بین دست به پیش بینی بزنیم باید از رگرسیون لجستیک استفاده کنیم. چند مثال از کاربردهای رگرسیون لجستیک در زیر ارائه می گردد.
۱ . در فرایند همه گیر شناسی ما می خواهیم ببینیم آیا یک فرد بیمار است یا خیر. اگر به عنوان مثال بیماری مورد نظر بیماری قلبی باشد پیش بینی کننده ها عبارتند از سن، وزن، فشار خون سیستولیک، تعداد سیگارهای کشیده شده و سطح کلسترول.
۲. در بازاریابی ممکن است بخواهیم بدانیم آیا افراد یک ماشین جدیدی را می خرند یا خیر. در اینجا متغیرهایی مانند درآمد سالانه، مقدار پول رهن، تعداد وابسته ها، متغیرهای پیش بین می باشند.
۳. در تعلیم و تربیت فرض کنید می خواهیم بدانیم یک فرد در امتحان نمره می آورد یا خیر.
۴. در روانشناسی می خواهیم بدانیم آیا فرد یک رفتار بهنجار اجتماعی دارد یا خیر.
به طور کلی در روش رگرسیون لجستیک رابطه ی بین احتمال تعلق به گروه ۱ و ترکیب خطی متغیرهای پیش بین بر اساس توزیع سیگمودال تعریف می شود.
برای دستیابی به معادله ی رگرسیونی و قدرت پیش بینی باید به نحوی بتوان رابطه ای بین متغیرهای پیش بین و وابسته تعریف نمود. برای حل این مشکل از نسبت احتمال تعلق به گروه یک به احتمال تعلق به گروه صفر استفاده می شود. به این نسبت شانس OR گویند. به خاطر مشکلات شانس از لگاریتم شانس استفاده می شود. لگاریتم شانس با متغیرهای پیش بینی کننده ارتباط خطی دارد.
*انواع رگرسیون لجستیک
- رگرسیون لجستیک باینری یا دو وجهی (Binary logistic regression)
- رگرسیون لجستیک چند سطحی یا چند وجهی (Multinomial logistic regression)
- رگرسیون لجستیک ترتیبی (Ordinal logistic regression)
جهت مشاهده و دانلود پکیج آزمون رگرسیون خطی و رگرسیون خطی چندگانه در SPSS کلیک کنید .
درون pdf آموزشی تحلیل رگرسیون لجستیک دو وجهی:
تعریف انواع رگرسیون لجستیک(لجستیک باینری، لجستیک چند وجهی، رگرسیون ترتیبی)
تعریف رگرسیون لجستیک دو وجهی
مثال های متنوع از رگرسیون لجستیک باینری
تاریخچه کامل رگرسیون لجستیک
شباهت رگرسیون لجستیک با رگرسیون چندگانه
تعریف آماره والد
تعریف رگرسیون چند متغیری
متغیر های تحلیل رگرسیون لجستیک باینری
پیش فرض های رگرسیون لجستیک باینری
حجم نمونه در رگرسیون لجستیک
بخت در رگرسیون لجستیک دو وجهی
برآورد پارامتر های رگرسیون لجستیک دو وجهی
مثال کاربردی همراه با تفاسیر و تصاویر کامل مثال درون پی دی اف
پکیج آموزشی تحلیل رگرسیون لجستیک
با خرید این پک آموزشی به راحتی می توانید فصل 4 پایان نامه خود را با هزینه ای کمتر خودتان انجام دهید .
فایل spss : دارد
ویدیو آموزشی: دارد(50 دقیقه آموزش کامل و جامع)
پی دی اف تدریس و نکات: دارد(42 صفحه)
خروجی نرم افزار : دارد
تحلیل آزمون : دارد
فصل چهارم پایان نامه: دارد
نمونه ای از دیتا رگرسیون لجستیک که به صورت کامل تحلیل و تفسیر شده است .
مثال
از 27 دانشجو خواسته شده که در ابتدای روز مطلبی را به خاطر بسپارند. زمان خواب شبانه بر حسب دقیقه و همچنین موفقیت یا عدم موفقیت در یادآوری اسم در صبح فردا در جدول زیر آورده شده است.
با استفاده از رگرسیون لجستیک سعی می‌کنیم الگو یا مدلی برای میزان خواب و احتمال یادآوری موفق بیابیم. بهتر است ابتدا ارتباط بین این دو متغیر را بسنجیم.
(داده‌های مریوط به یادآوری اسم با توجه به میزان خواب برحسب دقیقه)
جهت مشاهده و دانلود پکیج آزمون های آماری در SPSS کلیک کنید .
برچسب: regression logistic, آزمون های آماری در SPSS, آموزش spss, آموزش spss جهت تحلیل پایان نامه, آموزش اس پی اس اس, آموزش کامل نرم افزار spss, اموزش تصویری SPSS, اموزش نرم افزار spss, پکیج آزمون های آماری, تحلیل رگرسیون لجستیک در اس پی اس اس, رگرسیون لجستیک باینری, رگرسیون لجستیک چیست, رگرسیون لجستیک در spss, رگرسیون لجستیک دو وجهی, رگرسیون لوژستیک, رگرسیون لوژستیک در اس پی اس اس
نقد و بررسی‌ها
هیچ دیدگاهی برای این محصول نوشته نشده است.