در این مطلب، ویدئو آموزش یادگیری SPSS 25: تجزیه و تحلیل سری های زمانی (هموارسازی نمایی و مدل های ARIMA) 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: 00:12:17
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00 =>03
به آموزش یادگیری spss خوش آمدید
2
03 =>04
این شکیل احمد است
3
04 =>07
در آموزش امروز ما یاد می گیریم که چگونه
4
07 =>08
5
08 =>13
مدل های سری زمانی را در spss اعمال
6
13 =>17
کنیم. داده های
7
18 =>20
مربوط به موارد جدید روزانه برخی از
8
20 =>21
بیماری های عفونی
9
21 =>27
را از حدود سال 2012
10
27 =>33
تا 2019 یا 20 شروع می کنیم.
11
33 =>36
بنابراین در چنین نوع هایی از دادههای ما
12
36 =>40
دو متغیر داریم، یکی متغیر تاریخ
13
40 =>42
و دومی
14
42 =>45
متغیر مطالعه است و ممکن است
15
45 =>45
16
45 =>48
متغیرهای کمکی دیگری در مدل ما وجود داشته باشد
17
48 =>53
مانند نشانگر
18
53 =>59
موارد جدید یا بیماری عفونی،
19
59 =>01:03
بنابراین ابتدا یک متغیر
20
01:03 =>01:07
بر روی آن توسط گزینه ایجاد میکنیم. از داده ها و
21
01:07 =>01:08
سپس به تعریف
22
01:08 =>01:12
تاریخ و زمان بروید و می توانید
23
01:12 =>01:15
داده های روزانه یا هفته ها و روزها
24
01:15 =>01:19
و هفته ها و پنج روز کاری
25
01:19 =>01:23
و ساعت و روز ایجاد کنید و گزینه های زیادی
26
01:23 =>01:24
27
01:24 =>01:27
برای ایجاد متغیر تاریخ وجود دارد که می خواهم
28
01:27 =>01:28
گزینه
29
01:28 =>01:32
سال ماه را در
30
01:32 =>01:36
این مطالعه انتخاب کنم و ماه را به عنوان 2012 انتخاب کنید
31
01:36 =>01:40
32
01:40 =>01:43
و ماه ژانویه است
33
01:43 =>01:47
یعنی ما از ژانویه 2012 شروع می کنیم
34
01:47 =>01:51
و سپس روی ok کلیک کنید
35
01:51 =>01:56
ما یک متغیر جدید
36
01:56 =>01:59
از
37
01:59 =>02:02
ماه و تاریخ سال ایجاد کردیم تا از ژانویه 2012 شروع شود
38
02:02 =>02:03
39
02:03 =>02:09
و در پایان آن جولای 2019،
40
02:10 =>02:13
بنابراین این دادههای سری زمانی شما است
41
02:13 =>02:16
که شامل تعداد موارد
42
02:16 =>02:17
روزانه برخی از
43
02:17 =>02:20
بیماریهای عفونی است،
44
02:20 =>02:23
مانند
45
02:23 =>02:28
عصر امروز که روزانه 19 مورد
46
02:28 =>02:32
در کشورهای مختلف
47
02:32 =>02:35
یا در سراسر جهان مشاهده
48
02:35 =>02:38
میکنیم، بنابراین تحلیل را
49
02:38 =>02:42
از پیشبینی شروع میکنیم و سپس میتوانید
50
02:42 =>02:46
از ایجاد مدل سنتی
51
02:46 =>02:49
یا تجزیه فصلی استفاده کنید، ابتدا
52
02:49 =>02:51
تجزیه فصلی را
53
02:51 =>02:53
برای دادهها بررسی کردم
54
02:53 =>02:57
و موارد جدید روزانه
55
02:57 =>02:58
قبلاً به کادر متغیر ارسال شدهاند
56
02:58 =>03:02
و
57
03:02 =>03:05
میتوانید مدل ضربی یا
58
03:05 =>03:06
مدل افزایشی
59
03:06 =>03:09
را انتخاب کنید که میخواهم مدل افزودنی را انتخاب کنم
60
03:09 =>03:10
و میانگین متحرک ما در
61
03:10 =>03:13
همه نقاط برابر است به این معنی است که ما به همه نقاط داده یکسان می دهیم
62
03:13 =>03:14
63
03:14 =>03:19
و سپس روی ok کلیک می کنیم
64
03:1