در این مطلب، ویدئو اجرای و تفسیر رگرسیون چندگانه با متغیرهای رمزگذاری شده ساختگی در SPSS (2019) با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید. اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:19:17
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00 =>02
سلام در این ویدیو من درباره
2
02 =>04
نحوه اجرای و تفسیر
3
04 =>07
رگرسیون چندگانه با متغیرهای ساختگی با استفاده از
4
07 =>10
SPSS بحث خواهم
5
10 =>12
6
12 =>13
7
13 =>16
8
16 =>19
کرد. متن پدر
9
19 =>22
این خود پیوند واقعی است، بنابراین بیایید
10
22 =>24
ادامه دهیم و شروع کنیم، این یک
11
24 =>26
تصور اشتباه رایج است که فقط متغیرهای پیوسته را
12
26 =>28
می توان به عنوان پیش بینی کننده در
13
28 =>31
تحلیل رگرسیون چندگانه استفاده کرد، اما
14
31 =>32
در واقع می توان
15
32 =>34
از طریق استفاده از متغیرهای ساختگی، پیش بینی کننده های طبقه بندی را ترکیب کرد.
16
34 =>36
کدگذاری
17
36 =>38
وسیلهای برای ترجمه
18
38 =>39
اطلاعات گروهبندی مرتبط با یک
19
39 =>41
متغیر طبقهبندی شده به مجموعه جدیدی از
20
41 =>44
متغیرهای دوگانه است که میتواند به
21
44 =>45
عنوان پیشبینیکننده در یک مدل رگرسیونی گنجانده شود،
22
45 =>48
به عبارت دیگر تحلیلهای رگرسیون
23
48 =>51
میتوانند متغیرهای گروهبندی را تا
24
51 =>53
زمانی که به طور
25
53 =>56
مناسب مجدداً کدگذاری شده باشند، در خود جای دهند. مجموعه جدیدی از
26
56 =>58
متغیرهای ساختگی که برابر با j
27
58 =>01:00
منهای 1 o است r به سادگی تعداد گروه های
28
01:00 =>01:04
روی متغیر اصلی منهای 1
29
01:04 =>01:06
متغیر ساختگی معمولاً دارای مقادیر 0 و 1 هستند
30
01:06 =>01:08
با این کدگذاری
31
01:08 =>01:10
تفسیر بیشتر رهگیری در
32
01:10 =>01:13
مدل های رگرسیونی را تسهیل می کند.
33
01:13 =>01:15
34
01:15 =>01:17
با
35
01:17 =>01:20
آن مانند شناسایی جنسیتی کد شده 0
36
01:20 =>01:23
برای مرد 1 برای زن، اگر متغیر شما
37
01:23 =>01:24
و مجموعه داده قبلاً حاوی این
38
01:24 =>01:26
کدگذاری است، پس نیازی به رمزگذاری
39
01:26 =>01:28
مجدد ضریب رگرسیون برای
40
01:28 =>01:30
شناسایی جنسیت نیست، به سادگی به
41
01:30 =>01:32
عنوان تفاوت میانگین مشروط به هر
42
01:32 =>01:34
پیش بینی دیگر در تفسیر می شود. مدل بین
43
01:34 =>01:37
افرادی که به عنوان مرد و زن
44
01:37 =>01:40
در متغیر وابسته شناسایی می شوند، رهگیری
45
01:40 =>01:42
در مدل به عنوان
46
01:42 =>01:45
میانگین متغیر وابسته برای
47
01:45 =>01:47
گروه 0 تفسیر می شود که در این حالت،
48
01:47 =>01:50
افراد با اضافه کردن ضریب رگرسیون به عنوان مرد شناسایی می شوند.
49
01:50 =>01:51
50
01:51 =>01:54
میانگین شرطی برای مردان مناسب شما
51
01:54 =>01:58
میانگین مشروط را برای زنان به دست می آورید،
52
02:00 =>02:02
بنابراین فرض کنید که ما یک رگرسیون ساده را اجرا می کنیم
53
02:02 =>02:04
زمانی که شناسایی جنسیت
54
02:04 =>02:07
می تواند 0 برای مرد اضافه کند، 1 برای زن
55
02:07 =>02:10
به عنوان پیش بینی کننده یک متغیر وابسته به
56
02:10 =>02:12
نام تحقق است و ما
57
02:12 =>02:15
نتایج زیر را با استفاده از SPSS به دست آوردیم، بنابراین در
58
02:15 =>