در این مطلب، ویدئو تبدیل یک توزیع اریب راست (تغییر لگاریتم و ریشه مربع در SPSS) 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: 00:06:39
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00 =>03
در این ویدیو میخواهم
2
03 =>07
نحوه انجام تبدیل log
3
07 =>10
و تبدیل ریشه مربع را نشان دهم که هر کدام از
4
10 =>12
آنها استراتژیهای بالقوهای برای
5
12 =>16
کاهش انحراف روی یک متغیر در مجموعه دادههای شما هستند
6
16 =>19
، بنابراین آنچه را که در این مجموعه داده
7
19 =>21
دارم، انجام خواهیم داد. با این
8
21 =>23
متغیر این است که من آن را X
9
23 =>26
RS می نامم، این اساساً یک توزیع اریب درست
10
26 =>29
است و کاری که ما می خواهیم انجام دهیم این
11
29 =>33
است که کاسه کره را با استفاده از یک
12
33 =>36
سیاهه طبیعی X و همچنین
13
36 =>39
جذر x به عنوان راهی تبدیل کنیم. در تلاش برای کاهش
14
39 =>42
آن انحراف در آن متغیر خاص، بنابراین
15
42 =>44
اجازه دهید نگاهی گذرا به متغیری
16
44 =>46
بیندازیم که میخواهیم به سراغ آمار توصیفی برویم.
17
46 =>49
18
49 =>52
19
52 =>54
20
54 =>56
نمودار هیستوگرام و نمودارهای نرمال با تست
21
56 =>59
هایی که روی ادامه کلیک می کنیم و سپس روی ok
22
59 =>01:03
و با نگاه کردن به متغیر ما در اینجا می
23
01:03 =>01:06
بینید که از نظر چولگی ما یک
24
01:06 =>01:08
چوله مثبت در داده ها داریم از آمار یونیس سوال کنید
25
01:08 =>01:11
اساساً یک مقدار
26
01:11 =>01:15
مثبت است. ind انحراف سمت راست
27
01:15 =>01:17
مقداری که منفی است نشان می دهد که
28
01:17 =>01:21
مقدار انحراف منفی 0 اساساً
29
01:21 =>01:25
توزیعی است که تقارن نشان می
30
01:25 =>01:27
دهد، بنابراین اگر به این نگاه کنیم، می بینید که
31
01:27 =>01:31
ما یک شیب مثبت روی متغیر
32
01:31 =>01:33
داریم، این یک انحراف بزرگ نیست، اما شیب مثبت است.
33
01:33 =>01:35
میخواهید به هیستوگرام نگاه کنید،
34
01:35 =>01:39
میتوانید دقیقاً اینجا ببینید که ما
35
01:39 =>01:41
میدانیم چولگی در این جهت پایین میآید،
36
01:41 =>01:43
بنابراین
37
01:43 =>01:46
در دادهها چولگی مثبت ما وجود دارد، تستهای نرمال بودن
38
01:46 =>01:49
این تستها در واقع برای
39
01:49 =>01:52
آزمایش اینکه آیا دادههای شما روی متغیر
40
01:52 =>01:54
شما خارج میشوند یا خیر استفاده میشوند. به طور قابل توجهی از
41
01:54 =>01:56
نرمال بودن، به طوری که هر دو
42
01:56 =>01:59
عنصر چولگی و کشیدگی را در بر می گیرد، اما
43
01:59 =>02:01
در حال حاضر ما عمدتاً بر روی مسئله چولگی تمرکز می کنیم،
44
02:01 =>02:04
اما می توانید دقیقاً
45
02:04 =>02:06
در اینجا ببینید که در جایی که یک افسر
46
02:06 =>02:10
پیرو دارای هر دو مقدار p است کمتر
47
02:10 =>02:13
از 0.05 است. برای من تفسیر شود
48
02:13 =>02:13
49
02:13 =>02:18
که توزیع ما از نرمال پیروی نمی کند،
50
02:18 =>02:22
بنابراین بیایید به متغیرهای خود نگاه کنیم
51
02:22 =>02:23
و کاری که می خواهم انجام دهم این است که
52
02:23 =>02:27
یک تبدیل log را انجام دهم X
53
02:27 =>02:28
و همچنین تبدیل ریشه مربع،
54
02:28 =>02:31
بنابراین کاری که من میخواهم انجام دهم این است که در واقع
55
02:31 =>02:32
از