در این مطلب، ویدئو SPSS – میانجیگری با متغیرهای طبقه بندی PROCESS (مدل 4) 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: 00:39:59
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00 =>03
سلام به همه اینجا ویدیوی بعدی
2
03 =>05
از سری ما در مورد میانجیگری و تعدیل است،
3
05 =>08
بنابراین هفته گذشته ما میانجیگری ساده را
4
08 =>11
با متغیرهای کمکی انجام دادیم که مدلی برای یک
5
11 =>14
فرآیند SPSS است این هفته ما
6
14 =>16
به مدل 4 پایبند هستیم و میانجیگری ساده انجام می دهیم، اما
7
16 =>18
این بار با یک X طبقه بندی شده متغیر
8
18 =>21
و این یک ویدیوی اغلب درخواستی است تا
9
21 =>23
واقعاً نگاه کنید و بفهمید که
10
23 =>24
متغیرهای طبقهبندی چگونه روی این نوع تحلیلها کار میکنند،
11
24 =>27
هفته آینده تعدیل را شروع میکنیم،
12
27 =>30
بنابراین فقط یک مدل ساده از
13
30 =>32
تجسم ابتدا از
14
32 =>36
نحوه کارکرد آن تا میانجیگری شما در جایی که X
15
36 =>38
پیشبینی میکند. M که Y را پیشبینی میکند
16
38 =>41
که گذشته نزدیک در مقابل مسیر مستقیم
17
41 =>44
X پیشبینیکننده Y است، میتوانیم یک
18
44 =>48
X طبقهبندی را در فرآیند طبقهبندی Y انجام دهیم
19
48 =>49
، به این معنی است که ما حتی نیاز به انجام رگرسیون log داریم
20
49 =>52
و M طبقهای اجرا نمیشود،
21
52 =>55
زیرا این امر ترکیبی از انواع است. از
22
55 =>56
رگرسیون، بنابراین ما به
23
56 =>59
X طبقه بندی می مانیم و این چند
24
59 =>01:02
طبقه به معنای بیش از دو
25
01:02 =>01:03
دسته است، اگر فقط دو
26
01:03 =>01:05
دسته دارید، می توانید اجازه دهید آن را انجام دهد.
27
01:05 =>01:07
اگر بیش از دو
28
01:07 =>01:08
دسته دارید، این مراحلی است که باید
29
01:08 =>01:11
انجام دهید، بنابراین در واقع از
30
01:11 =>01:15
همان مثال ویدیوی آخر استفاده می کنیم که
31
01:15 =>01:21
مجموعه داده خالی ماشین ها از R است و این بار
32
01:21 =>01:23
ما X را به عنوان یک گربه در نظر می گیریم.
33
01:23 =>01:24
متغیر چند طبقهای، بنابراین ما سیلندرهایی خواهیم داشت
34
01:24 =>01:27
که فکر میکنم چهار عدد شش و
35
01:27 =>01:28
هشت است و آن را بهعنوان یک
36
01:28 =>01:30
متغیر پیوسته در نظر نمیگیریم، آن را بهعنوان
37
01:30 =>01:33
دستههایی در نظر میگیریم که مایل در هر گالن را پیشبینی میکنند
38
01:33 =>01:35
و سپس همچنین میگوییم که با
39
01:35 =>01:38
واسطه وزن است. بنابراین یک ماشین با
40
01:38 =>01:39
سیلندرهای بیشتر احتمالاً مایل کمتری
41
01:39 =>01:41
در هر گالن خواهد داشت اما شاید اگر
42
01:41 =>01:42
واقعاً سبک باشد بهتر از یک
43
01:42 =>01:45
ماشین سنگین عمل کند و
44
01:45 =>01:48
این بار هیچ نوع کوواریانس انجام نخواهیم داد، بنابراین بیایید با
45
01:48 =>01:51
قدرتی که در مورد آن صحبت کردم شروع کنیم. قبل از آن این
46
01:51 =>01:54
یک نوع قدرت هک است،
47
01:54 =>01:56
شما واقعاً دوست دارید احتمالاً
48
01:56 =>01:58
این را شبیهسازی کنید، اما اگر فقط میخواهیم ببینیم آیا اصلاً میتوانیم
49
01:58 =>02:00
Y را پیشبینی کنیم که به
50
02:00 =>02:02
شما احساس خوبی برای تعداد
51
02:02 =>02:04
شرکتکنندگانی که ممکن است به آن نیاز داشته باشید، میدهد، از قدرت G استفاده کنیم.
52
02:04 =>