در این مطلب، ویدئو تست ثبات رگرسیون (Chow Test) در اکسل 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: 00:02:57
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:02,250
سلام و خوش آمدید به چهارمین ویدیو از
2
00:00:02,250 –> 00:00:04,490
سری آموزش تحلیل رگرسیون ما
3
00:00:04,490 –> 00:00:07,140
برای تماشای ویدیوی قبلی روی
4
00:00:07,140 –> 00:00:08,580
حاشیه نویسی یا پیوند موجود در
5
00:00:08,580 –> 00:00:11,370
کادر توضیحات در این آموزش کلیک کنید، ما
6
00:00:11,370 –> 00:00:13,259
بر روی تکنیک پیشرفته ای به نام
7
00:00:13,259 –> 00:00:15,780
تست پایداری رگرسیون یا تست Chow تمرکز می کنیم
8
00:00:15,780 –> 00:00:17,910
تا به ما در تشخیص کمک کند. کمبودهای مدل ما
9
00:00:17,910 –> 00:00:19,529
و
10
00:00:19,529 –> 00:00:22,710
قابلیت اطمینان پیشبینی از دادههای نمونه مشابهی
11
00:00:22,710 –> 00:00:25,350
استفاده میکند که در ویدیوهای قبلی ما
12
00:00:25,350 –> 00:00:26,550
از 20 فروشنده مختلف جمعآوری شده
13
00:00:26,550 –> 00:00:29,580
14
00:00:29,580 –> 00:00:31,500
15
00:00:31,500 –> 00:00:33,149
16
00:00:33,149 –> 00:00:36,239
17
00:00:36,239 –> 00:00:38,010
است. مقادیر داده های ورودی ما
18
00:00:38,010 –> 00:00:40,590
برای هر متغیر در ستون های جداگانه قرار می گیرند
19
00:00:40,590 –> 00:00:42,960
و هر مشاهده یا
20
00:00:42,960 –> 00:00:45,530
فروشنده با ردیف جداگانه
21
00:00:45,530 –> 00:00:48,390
22
00:00:48,390 –> 00:00:50,760
23
00:00:50,760 –> 00:00:52,530
24
00:00:52,530 –> 00:00:55,890
نشان داده می شود.
25
00:00:55,890 –> 00:00:57,809
از آخرین آموزش و ورودی mask
26
00:00:57,809 –> 00:01:00,030
را برای Intel 0 و برای
27
00:01:00,030 –> 00:01:03,660
extraversio قرار دهید n برای 1 باشد، اجازه دهید
28
00:01:03,660 –> 00:01:06,780
مشاهده شماره 16 را نیز حذف کنیم، زیرا همانطور که
29
00:01:06,780 –> 00:01:08,310
قبلاً دیدیم ثابت شد که یک
30
00:01:08,310 –> 00:01:09,930
نقطه داده تأثیرگذار در مدل رگرسیونی ما
31
00:01:09,930 –> 00:01:14,340
است تا
32
00:01:14,340 –> 00:01:16,200
پایداری مدل رگرسیونی خود را بررسی کنیم، باید
33
00:01:16,200 –> 00:01:18,750
داده ها را به دو بخش غیر همپوشانی تقسیم کنیم.
34
00:01:18,750 –> 00:01:21,810
مجموعه داده مجموعه داده 1 و مجموعه داده تا
35
00:01:21,810 –> 00:01:24,330
جایی که مثال ما 10
36
00:01:24,330 –> 00:01:26,790
مشاهده اول را برای مجموعه داده 1 انتخاب می کند و
37
00:01:26,790 –> 00:01:28,380
4 مجموعه داده باقی م