در این مطلب، ویدئو مدل رگرسیون دو جمله ای منفی با استفاده از SPSS (مدل رگرسیون داده های شمارش، قسمت 2) 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: 00:17:14
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00 =>02
سلام و به کانال یوتیوب من خوش آمدید
2
02 =>04
امروز قصد دارم چند کلمه در مورد
3
04 =>06
مدل رگرسیون دوجمله ای منفی با استفاده از
4
06 =>07
spss
5
07 =>11
یا مدل رگرسیون داده های شمارش
6
11 =>13
7
13 =>15
بگویم، در واقع تا آنجا که به دانش اولیه مربوط می شود، می توانیم بگوییم
8
15 =>18
که یک استراتژی جایگزین برای
9
18 =>18
مدل سازی
10
18 =>21
حساب می شود. رگرسیون داده یا
11
21 =>22
12
22 =>24
توزیع احتمال بخشی، کاربرد
13
24 =>28
توزیع دوجمله ای منفی است
14
28 =>30
، اهداف اساسی هر دو
15
30 =>31
16
31 =>34
توزیع، همان است که هر دو
17
34 =>37
رابطه بین متغیرهای پیش بینی کننده
18
37 =>40
و احتمال نتایج شمارش معین را اندازه گیری می کنند، با
19
40 =>42
20
42 =>44
این حال احتمالات مرتبط
21
44 =>45
با
22
45 =>47
نتایج شمارش بین دو توزیع متفاوت است.
23
47 =>49
24
49 =>51
توزیع دو جمله ای منفی دارای
25
51 =>53
یک پارامتر اضافی است
26
53 =>55
که به نام پارامتر پراکندگی شناخته می
27
55 =>56
شود که
28
56 =>01:00
برای مدل سازی واریانس آن استفاده
29
01:00 =>01:03
می
30
01:03 =>01:04
شود.
31
01:04 =>01:07
32
01:07 =>01:08
33
01:08 =>01:12
34
01:12 =>01:13
35
01:13 =>01:17
مادر داشته باش صفرهای ny
36
01:17 =>01:21
در یک مجموعه داده با فرکانس بسیار پایین
37
01:21 =>01:25
به طور مشابه بر روی پراکندگی
38
01:25 =>01:28
نیز نتیجه تعداد زیاد
39
01:28 =>01:30
در دم بالایی توزیع داده است.
40
01:30 =>01:31
41
01:31 =>01:35
42
01:35 =>01:36
43
01:36 =>01:39
44
01:39 =>01:40
45
01:40 =>01:43
لامبدا و
46
01:43 =>01:47
و مثبت هستند و
47
01:47 =>01:50
مربع دلتا واریانس لامبدا میانگین
48
01:50 =>01:54
و r پارامتر پراکندگی
49
01:54 =>01:56
مدل است،
50
01:59 =>02:01
اکنون از آخرین معادله مشخص است
51
02:01 =>02:02
که واریانس همیشه
52
02:02 =>02:06
بزرگتر از ah از میانگین
53
02:06 =>02:09
است برخلاف توزیع احتمال پواسون.
54
02:09 =>02:11
تابعی که در آن میانگین
55
02:11 =>02:13
برابر با واریانس است، اکنون
56
02:13 =>02:16
که r به بی نهایت میل می کند، یعنی با
57
02:16 =>02:20
افزایش r، مربع دلتا
58
02:20 =>02:23
به سمت لامبدا نزدیک می شود
59
02:23 =>02:25
، یعنی به تابع توزیع احتمال موقعیت نزدیک می
60
02:25 =>02:28
شود،
61
02:28 =>02:29
حال سؤال این است
62
02:29 =>02:31
که چگونه می توانیم تصمیم بگیریم که آیا
63
02:31 =>02:33
منفی است.
64
02:33 =>02:35
مدل رگرسیون دو جمله ای یا مدل رگرسیون پواسون
65
02:35 =>02:37
66
02:37 =>02:41
برای مدل سازی داده های شمارش
67
02:41 =>02:43
یک r قابل اجرا یا مناسب خواهد بود. اندازه گیری اولیه برای بررسی
68
02:43 =>02:45,