در این مطلب، ویدئو اکسل 2010 آمار 90: رگرسیون خطی شماره 4: محاسبه شیب، مقطع Y، معادله تخمینی 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: 00:18:36
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,060 –> 00:00:02,850
به ویدیوی آمار 90 اکسل 2010 خوش آمدید،
2
00:00:02,850 –> 00:00:05,400
اگر می خواهید
3
00:00:05,400 –> 00:00:07,710
این workbook را دانلود کنید، روی لینک زیر ویدیو کلیک کنید
4
00:00:07,710 –> 00:00:10,530
سلام، در این ویدیو، این
5
00:00:10,530 –> 00:00:12,660
ویدیوی رگرسیون خطی شماره چهار است،
6
00:00:12,660 –> 00:00:14,509
ما شیب و فاصله
7
00:00:14,509 –> 00:00:18,330
y را برای رگرسیون خطی ساده تخمینی خود محاسبه می کنیم.
8
00:00:18,330 –> 00:00:21,060
معادله در حال حاضر
9
00:00:21,060 –> 00:00:22,859
دو ویدیوی آخر ما چند نمودار
10
00:00:22,859 –> 00:00:25,519
انجام دادیم و کوواریانس و
11
00:00:25,519 –> 00:00:28,140
ضریب همبستگی را محاسبه کردیم و دیدیم که چگونه
12
00:00:28,140 –> 00:00:29,939
این نمودار را بسازیم که همه
13
00:00:29,939 –> 00:00:34,020
نقاط پراکندگی از متغیر x و y
14
00:00:34,020 –> 00:00:35,489
ما هستند، بنابراین ما از این مجموعه داده برای چند سال گذشته استفاده کردهایم.
15
00:00:35,489 –> 00:00:37,309
فیلمهای دما وجود دارد،
16
00:00:37,309 –> 00:00:40,129
بنابراین از یک فروشگاه مواد غذایی، ما
17
00:00:40,129 –> 00:00:43,170
دما را در روزهای معین و
18
00:00:43,170 –> 00:00:46,379
فروش سوپ مرغ داشتیم، بنابراین میخواستیم ببینیم
19
00:00:46,379 –> 00:00:48,270
چه رابطهای بین این
20
00:00:48,270 –> 00:00:51,360
متغیرها وجود دارد و مدلی بسازیم که بتوانیم
21
00:00:51,360 –> 00:00:55,320
از آن برای پیشبینی استفاده کنیم، بنابراین ما Chardon
22
00:00:55,320 –> 00:00:58,260
در مورد چگونگی صحبت کردیم. هنگامی که نمودار پراکندگی را
23
00:00:58,260 –> 00:01:02,850
انجام می دهیم، نشانگرهای خود را دریافت می کنیم، سپس می توانیم با
24
00:01:02,850 –> 00:01:06,330
موتور نمودار ایجاد کنیم که از
25
00:01:06,330 –> 00:01:08,820
خط روند اضافه کرده و معادله تخمینی واقعی را
26
00:01:08,820 –> 00:01:11,280
بدست آوریم که حتی می توانیم روی آن بنویسیم. نمودار
27
00:01:11,280 –> 00:01:13,200
معادله ما وجود دارد که
28
00:01:13,200 –> 00:01:14,820
در این ویدیو به دنبال آن هستیم و
29
00:01:14,820 –> 00:01:17,640
موتور نمودار به طور خودکار این کار را انجام می دهد. ما همچنین
30
00:01:17,640 –> 00:01:21,060
با کوواریانس و
31
00:01:21,060 –> 00:01:24,750
همبستگی در هنگام ترسیم نوار x و نوار y در مورد آن صحبت کردیم،
32
00:01:24,750 –> 00:01:29,189
این یک نشانه بصری از محل
33
00:01:29,189 –> 00:01:31,020
قرارگیری نشانگرها در نمودار می دهد. و
34
00:01:31,020 –> 00:01:34,560
چه رابطه غیرمستقیم باشد یا منفی
35
00:01:34,560 –> 00:01:40,500
یا مستقیم یا
36
00:01:40,500 –> 00:01:42,659
مثبت و نحوه کار
37
00:01:42,659 –> 00:01:46,200
اینها نقاط ما هستند که هر کدام یک X
38
00:01:46,200 –> 00:01:48,750
و یک y دارند اما اگر جلو برویم و
39
00:01:48,750 –> 00:01:51,750
انحرافات از نوار X را برای
40
00:01:51,750 –> 00:01:55,530
X و از آن محاسبه کنیم. نوار Y برای Yهایی
41
00:01:55,530 –> 00:01:57,920
که با کوواریانس دیدیم، در واقع میتوانیم
42
00:01:57,920 –> 00:02:01,380
انحرافهای X و Y را
43
00:02:01,380 –> 00:02:04,079
در مقایسه با میانگین آنها ضرب
44
00:02:04,079 –> 00:02:07,140
کنیم و به ما
45
00:02:07,140 –> 00:02:10,649
برتری منفی یا مثبت را درست میدهد و بنابراین
46
00:02:10,649 –> 00:02:12,120
ما کوواریانس را انجام دادیم و دیدیم که
47
00:02:12,120 –> 00:02:13,260
وجود دارد مشکل با واحد است، بنابراین
48
00:02:13,260 –> 00:02:15,510
ما ضریب همبستگی را محاسبه می کنیم،
49
00:02:15,510 –> 00:02:19,290
این مقدار دقیقاً در اینجا عدد سه را به ما می دهد
50
00:02:19,290 –> 00:02:22,019
20 منفی یک و یک، بنابراین اگر
51
00:02:22,019 –> 00:02:23,879
کاملاً منفی یک باشد، همه آن
52
00:02:23,879 –> 00:02:26,190
نشانگرها هستند. درست در حال حاضر که
53
00:02:26,190 –> 00:02:27,720
هرگز اتفاق نمی افتد،
54
00:02:27,720 –> 00:02:30,500
اما اگر چیزی را دریافت کنیم که شما می دانید
55
00:02:30,500 –> 00:02:33,900
به شدت منفی نزدیک به یک منفی است،
56
00:02:33,900 –> 00:02:36,120
می دانیم که مدل غیر مستقیم خواهد بود
57
00:02:36,120 –> 00:02:38,220
و قدرت بسیار خوب خواهد بود
58
00:02:38,220 –> 00:02:40,650
، به عنوان مثال در اینجا
59
00:02:40,650 –> 00:02:44,629
محاسبات ما از آخرین ویدیو است که ما
60
00:02:44,629 –> 00:02:48,239
نقطه منفی را دریافت کردیم. یک عدد 4 به طوری که عدد
61
00:02:48,239 –> 00:02:50,430
منهای به منفی یک نزدیکتر از صفر باشد،
62
00:02:50,430 –> 00:02:52,829
به این معنی که ما در اینجا یک رابطه منفی بسیار قوی
63
00:02:52,829 –> 00:02:58,530
داریم،
64
00:02:58,530 –> 00:03:00,780
فراموش می کنیم که چه چیزی به دست آوردیم، ما نه امتیاز گرفتیم،
65
00:03:00,780 –> 00:03:03,329
چیزی چیزی اما رابطه ما
66
00:03:03,329 –> 00:03:05,160
قوی و مستقیم بود
67
00:03:05,160 –> 00:03:07,530
اکنون اینجا انحرافات
68
00:03:07,530 –> 00:03:10,620
برتری در ربع یک و سه است هر زمان
69
00:03:10,620 –> 00:03:14,000
که اتفاق بیفتد، پس شما یک رابطه مثبت مستقیم دریافت می کنید،
70
00:03:14,000 –> 00:03:17,370
خوب،
71
00:03:17,370 –> 00:03:19,950
بنابراین این فرمول هایی است که ما در ویدیوی گذشته استفاده کردیم
72
00:03:19,950 –> 00:03:22,410
و واقعاً در حال ضرب کردن
73
00:03:22,410 –> 00:03:25,560
انحرافات این محاسبه درست در اینجا
74
00:03:25,560 –> 00:03:28,829
بود که به نوعی محرک
75
00:03:28,829 –> 00:03:32,160
مفهومی دلیل این محاسبه بود. احساس می
76
00:03:32,160 –> 00:03:35,970
کنیم نوار x انحرافات خود را
77
00:03:35,970 –> 00:03:39,720
برای انحرافات X برای Y ها محاسبه کرده ایم و سپس
78
00:03:39,720 –> 00:03:42,419
آنها را برای این مثال ضرب می کنیم در اینجا می
79
00:03:42,419 –> 00:03:44,910
بینیم که ما میتوانیم
80
00:03:44,910 –> 00:03:47,220
اعداد منفی را غالب کنیم، بنابراین وقتی آنها را جمع
81
00:03:47,220 –> 00:03:49,380
میکنیم، یک عدد منفی بزرگ به دست میآوریم، بنابراین حداقل
82
00:03:49,380 –> 00:03:52,049
به ما میگوید که
83
00:03:52,049 –> 00:03:56,760
با افزایش x، Y کاهش مییابد، یک رابطه منفی غیرمستقیم است.
84
00:03:56,760 –> 00:03:58,829
85
00:03:58,829 –> 00:04:00,359
بنابراین
86
00:04:00,359 –> 00:04:05,010
ما از کوواریانس نمونه
87
00:04:05,010 –> 00:04:06,690
محاسبه کردیم و آن را محاسبه کردیم و از آن
88
00:04:06,690 –> 00:04:08,819
ضریب همبستگی
89
00:04:08,819 –> 00:04:11,040
شیب و قطع y را برای چیزی
90
00:04:11,040 –> 00:04:13,019
که در این ویدیو دنبال می کنیم محاسبه می کنیم،
91
00:04:13,019 –> 00:04:15,419
از همان ترفند مفهومی استفاده می کنیم در اینجا
92
00:04:15,419 –> 00:04:19,709
فرمول ما برای شیب است، اما توجه کنید که چه چیزی در آن وجود دارد.
93
00:04:19,709 –> 00:04:23,419
انحرافات عددی برای x و y
94
00:04:23,419 –> 00:04:26,670
اکنون ضرب شده است که چرا این شکل خاص
95
00:04:26,670 –> 00:04:31,800
در اینجا همان چیزی می شود که B
96
00:04:31,800 –> 00:04:34,710
sub-1 نامیده می شود یا شیب خط ما
97
00:04:34,710 –> 00:04:36,780
در واقع از نتیجه این استفاده می کند تا
98
00:04:36,780 –> 00:04:41,100
سپس از شیب در اینجا به پایین استفاده کنید و یک نوار Y را وصل کنید.
99
00:04:41,100 –> 00:04:43,910
و یک نوار X به ما می دهد و به ما یک
100
00:04:43,910 –> 00:04:46,380
قطع y می دهد اینها در واقع
101
00:04:46,380 –> 00:04:48,570
روش های محاسبه در سلول ها هستند بدون
102
00:04:48,570 –> 00:04:50,250
استفاده از موتور نمودار کوچک ما، بنابراین
103
00:04:50,250 –> 00:04:51,900
ما اعداد خود را داریم و می توانیم آنها را
104
00:04:51,900 –> 00:04:54,120
برای مدل شماره خود استفاده کنیم. چرا این
105
00:04:54,120 –> 00:04:59,730
فرمول خاص در اینجا این است کتاب درسی ما
106
00:04:59,730 –> 00:05:02,220
در اینجا از این متغیرها برای توصیف
107
00:05:02,220 –> 00:05:03,780
آنچه معادله رگرسیون خطی تخمینی ساده نامیده می شود
108
00:05:03,780 –> 00:05:05,400
109
00:05:05,400 –> 00:05:09,290
110
00:05:09,290 –> 00:05:14,550
111
00:05:14,550 –> 00:05:18,060
استفاده می کند.
112
00:05:18,060 –> 00:05:20,910
ما برای y-intercept و B sub 1 برای
113
00:05:20,910 –> 00:05:22,890
شیب در کتاب های درسی دیگر استفاده می کنیم، ممکن
114
00:05:22,890 –> 00:05:27,810
است فرمول y برابر با MX به علاوه B است
115
00:05:27,810 –> 00:05:30,570
که در آن m شیب و B است،
116
00:05:30,570 –> 00:05:33,120
با این حال این
117
00:05:33,120 –> 00:05:35,490
معادله ای است که می خواهیم به آن بپردازیم. متغیرهایی
118
00:05:35,490 –> 00:05:37,110
که اکنون دوباره از آنها استفاده خواهیم کرد اینها
119
00:05:37,110 –> 00:05:41,330
فرمولهایی هستند که در اینجا برای شیب و
120
00:05:41,330 –> 00:05:43,440
y-intercept چگونه به این نتیجه رسیدند
121
00:05:43,440 –> 00:05:49,590
، یک اثبات عالی در صفحه 667 با استفاده از
122
00:05:49,590 –> 00:05:51,810
حساب دیفرانسیل و کتابهای درسی ما
123
00:05:51,810 –> 00:05:54,180
نشان می دهد که این فرمول را نشان می دهد که ما می خواهیم
124
00:05:54,180 –> 00:05:59,640
Y مشاهده شده را به حداقل برسانیم. منهای Y پیش بینی کرد
125
00:05:59,640 –> 00:06:01,980
حالا که محاسبه خاص
126
00:06:01,980 –> 00:06:07,260
فقط هر مقدار زیر را که من مشاهده کردم را در نظر بگیرید و سپس
127
00:06:07,260 –> 00:06:10,200
مقدار پیش بینی شده را کم کنید اگر
128
00:06:10,200 –> 00:06:11,430
آنهایی را که به شما می دهد باقیمانده را کم کنید حالا
129
00:06:11,430 –> 00:06:13,770
بیایید ببینیم که از نظر بصری چه معنایی دارد این
130
00:06:13,770 –> 00:06:18,210
تخمین ما است خط خورده شده اما توجه داشته باشید که
131
00:06:18,210 –> 00:06:20,160
همه نشانگرها مستقیماً روی خط
132
00:06:20,160 –> 00:06:22,500
نیستند اگر بودند در این مورد
133
00:06:22,500 –> 00:06:24,470
منفی بود یک
134
00:06:24,470 –> 00:06:26,970
رابطه منفی غیرمستقیم کامل اما
135
00:06:26,970 –> 00:06:29,340
درست نیستند بنابراین این
136
00:06:29,340 –> 00:06:31,880
روشی برای تخمین زمانی است که ما این
137
00:06:31,880 –> 00:06:34,590
معادله را برای سپس میتوانیم از آن برای تخمین زدن استفاده کنیم،
138
00:06:34,590 –> 00:06:37,050
اما تفاوت بین
139
00:06:37,050 –> 00:06:39,270
فی مشاهدهشده و مقدار پیشبینیشده،
140
00:06:39,270 –> 00:06:41,550
بنابراین یک مقدار پیشبینیشده دقیقاً
141
00:06:41,550 –> 00:06:43,740
همانجا باشد، فاصله بین آنها
142
00:06:43,740 –> 00:06:46,259
باقیمانده نامیده میشود، بنابراین
143
00:06:46,259 –> 00:06:47,880
برخی از ما زیر خط
144
00:06:47,880 –> 00:06:51,210
قرار میگیرند. بالاتر بودن، پس کاری که این
145
00:06:51,210 –> 00:06:54,090
اثبات در صفحه شش و شش انجام می دهد این است که
146
00:06:54,090 –> 00:06:56,569
تمام باقیمانده ها را می گیرد و آن را به حداقل می رساند
147
00:06:56,569 –> 00:06:59,370
و در واقع لازم است این
148
00:06:59,370 –> 00:07:03,620
فرمول را جایگزین کنیم زیرا آن
149
00:07:03,620 –> 00:07:07,680
قطع به اضافه شیب ضربدر X در واقع
150
00:07:07,680 –> 00:07:09,750
برابر با کلاه Y است. سپس
151
00:07:09,750 –> 00:07:12,630
این را در اینجا وصل میکنید و اثبات آن را به حداقل میرساند
152
00:07:12,630 –> 00:07:15,770
تا شیب این خط را کاملاً تخمین بزنیم،
153
00:07:15,770 –> 00:07:18,210
بنابراین لازم نیست
154
00:07:18,210 –> 00:07:20,789
نگران آن اثبات باشیم، اما حداقل
155
00:07:20,789 –> 00:07:23,280
توجه داشته باشید که ما در مورد یک دسته ab صحبت کردهایم.
156
00:07:23,280 –> 00:07:26,910
اینکه چقدر ضرب شود و انحرافات به
157
00:07:26,910 –> 00:07:29,570
نوعی معقول است معیار
158
00:07:29,570 –> 00:07:32,099
خوبی برای این است که آیا مستقیم یا
159
00:07:32,099 –> 00:07:34,560
مثبت یا غیرمستقیم یا منفی خواهد بود،
160
00:07:34,560 –> 00:07:36,720
بنابراین اینها همه محاسباتی است
161
00:07:36,720 –> 00:07:41,599
که ما در آخرین ویدیو انجام
162
00:07:41,599 –> 00:07:44,690
163
00:07:44,690 –> 00:07:47,340
دادیم. شیب ما همچنین به دلیل اینکه
164
00:07:47,340 –> 00:07:50,460
انحراف استاندارد را برای x و
165
00:07:50,460 –> 00:07:53,400
y دراز سمت راست محاسبه کردیم، قبلاً این
166
00:07:53,400 –> 00:07:55,820
مقدار را داشتیم این انحرافات برای x
167
00:07:55,820 –> 00:07:59,340
مربع هستند و سپس آنها را اضافه می کنیم و این
168
00:07:59,340 –> 00:08:00,990
دقیقاً همان چیزی است که در اینجا
169
00:08:00,990 –> 00:08:04,560
در مخرج برای شیب استفاده
170
00:08:04,560 –> 00:08:05,880
می کنیم. وقتی همه این
171
00:08:05,880 –> 00:08:08,849
محاسبات را انجام دادید آماده هستید، فقط برای
172
00:08:08,849 –> 00:08:14,490
شیب برابر است با مجموع حاصلضرب
173
00:08:14,490 –> 00:08:19,440
انحراف تقسیم بر X انحراف
174
00:08:19,440 –> 00:08:23,130
مجموع X انحراف رونق مربع وجود دارد
175
00:08:23,130 –> 00:08:28,650
شیب ما منهای 100 نقطه 56 درست زمانی که
176
00:08:28,650 –> 00:08:31,860
اینجا بلند شدیم، اما دوباره این است در سلول، بنابراین
177
00:08:31,860 –> 00:08:33,450
اکنون میتوانیم از این برای ماشینحساب استفاده
178
00:08:33,450 –> 00:08:34,950
کنیم، میتوانیم y intercept را محاسبه
179
00:08:34,950 –> 00:08:38,010
کنیم، این فرمول ما درست در اینجا است،
180
00:08:38,010 –> 00:08:41,549
بنابراین ما نوار Y را از آن کم میکنیم.
181
00:08:41,549 –> 00:08:41,909
182
00:08:41,909 –> 00:08:48,420
شیب ما ضربدر X نوار
183
00:08:48,420 –> 00:08:51,500
کنترل
184
00:08:51,500 –> 00:08:54,330
-وارد ما است و زمانی که شیب و
185
00:08:54,330 –> 00:08:56,990
قطع y خود را داشته باشیم، اکنون میتوانی