سایت تخصصی آمار فربد: آموزش نرم افزارSPSS

جستجو پیرامون این موضوع:   
[ برگشت به صفحه اصلی | انتخاب موضوع جدید ]

رگرسیون PLS در SPSS

رگرسیون PLS در SPSS

نرم افزار SPSS رگرسیون PLS را در دو حالت خیلی مفید توصیه می‌کند؛ هنگامی‌که متغیرهای پیش‌بین‌ دارای همبستگی بالایی بوده یا هنگامی‌که تعداد شاخص‌های پیش‌بین‌ از تعداد موارد بیشتر باشد. به عبارت دیگر هرگاه متغیرهای مستقل دارای همخطی باشند از این رگرسیون استفاده می شود.

الگوریتم PLSیک عامل پنهان (بطور فنی؛ مولفه‌هایی از تحلیل مؤلفه‌های اصلی به‌کار برده شده) را برای مجموعه‌ای از متغیرهای مستقل و وابسته استخراج می‌کند به‌طوری که تبیین کواریانس بین دو متغیر پنهان حداکثر می‌شود.

رگرسیون pls

مسیر اجرای آن بصورت زیر می باشد:

Analyze >Regression >Partial Least Squares

ادامه مطلب

تحلیل مسیر

تحلیل مسیر

تحليل مسير يك رويكرد مدل­سازي براي تبيين روابط بين متغيرهاي مشاهده شده است. در رويكرد مدل­سازي تحليل مسير فرض بر اين است كه متغيرهاي مستقل هيچگونه خطاي اندازه­گيري ندارند. در مقابل، ممكن است كه متغيرهاي وابسته داراي خطاي اندازه­گيري باشند به گونه­اي كه اين مسأله در قالب مولفه­های خطا در معادلات مدل در نظر گرفته مي­شود. البته، موضوع خطاي اندازه گيري يا مولفه های خطا براي متغيرهاي وابسته در مدل­هاي تحليل مسير به اين معني است كه بخشي از واريانس آن متغيرها توسط متغيرهاي مستقل موجود در مدل قابل تبيين نمي­باشد. يكي از ويژگي­هاي مخصوص مدل­هاي تحليل مسير اين است كه در آن از متغيرهاي پنهان (مکنون )استفاده نمي­شود. تحليل مسير، سابقه نسبتاٌ طولاني دارد. اين اصطلاح براي اولين بار در اوايل دهه 1900 توسط يك زيست شناس انگليسي به نام سوول رايت مورد استفاده قرار گرفت (ريكاف و ماركولايدز ، 2006 )  گسترش،روش­هاي رگرسيون، و در حقيقت، كاربرد رگرسيون چند متغيري در ارتباط با تدوين بارز مدل­هاي علي است. هدف آن بدست آوردن برآوردهاي كمي روابط علي بين مجموعه­اي از متغيرهاست. روابط بين متغيرها در يك جهت جريان مي­يابد و به عنوان مسيرهاي متمايزي در نظر گرفته مي­شود. مفاهيم عمده تحليل مسير در بهترين صورت از طريق ويژگي عمده آن يعني نمودار مسير كه پيوندهاي علي احتمالي بين متغيرها را آشكار مي­سازد، تبيين مي­شود (هومن، 1385)

منبع: مدلسازی معادلات ساختاری در داده های پرسشنامه ای به کمک amos 22 - انتشارات مهرگان قلم

ادامه مطلب

تحلیل واریانس دوطرفه

تحلیل واریانس دوطرفه

تحلیل واریانس دوطرفه[1] نظریات اساسی تحليل واريانس یک­طرفه را با دو متغیر یا فاکتور مستقل گسترش می­دهد. وقتی دو فاکتور در محدوده­ای قرار می­گیرند که به آن طرح عاملی گفته می­شود، هر سطح از یک فاکتور با سطح فاکتور دیگر ترکیب می­شود.

تحلیل واریانس دوطرفه مثل تحلیل واریانس یک­طرفه روی متغیر وابسته­ی منفردی اجرا می­شود که روی یک بازه یا مقیاس نسبی اندازه­گیری می­شود. هدف تحلیل واریانس دوطرفه نتیجه­گیری در مورد تاثیر فاکتور­ها، به تنهایی یا به صورت ترکیبی روی میانگین متغیر وابسته است. در مثال ما که نوع فاکتور­های رویه و بارشناختی ترکیب می­شوند، در صورتیکه متغیر وابسته تعداد کلمات مطالعاتی فراخوان شده باشد، با اجرايتحلیل واریانس دو طرفه، هدف، دانستن این موضوع است که کدام نوع از رویه و بار­شناختی می­تواند روی میانگین تعداد کلمات مطالعاتی فراخوان شده، تاثیر داشته باشد.

سوالات زیادی درباره­ی اینکه فاکتور­های تحلیل واریانس دوطرفه چگونه بر مقادیر میانگین متغیر وابسته تاثیر می­گذارند، به وجود می­آید. به هر حال، با تحلیل­های ذکر شده می­توان فهمید که چه چیز­هایی به عنوان تاثیر اصلی هر فاکتور و تاثیر متقابل هر دو فاکتور شناخته می­شوند. تاثیر اصلی به صورت تاثیر یک فاکتور روی متغیر وابسته بدون توجه به تاثیر فاکتور دیگر تعریف می­شود. تاثیر اصلی یک فاکتور اساساً معادل با تحلیل واریانس یک طرفه است

منبع: کتاب تحلیل داده های پرسشنامه ای به کمک spss23 انتشارات عابد ، مهرگان قلم



[1]. Analysis of Variance (ANOVA)

ادامه مطلب

رگرسیون پواسون

رگرسیون پواسون

در آناليز رگرسيون در حالتي كه متغير وابسته گسسته و نامنفي باشد مدل رگرسيون پواسون مورد استفاده قرار مي گيرد. مدل رگرسيون پواسون به عنوان نمونه اي از مدل هاي خطي تعميم يافته است كه مدل هاي رگرسيوني را به خانواده نمايي توزيع ها بسط مي دهد كه هر دو توزيع نرمال و پواسون را شامل مي شوند. شرط اصلي استفاده از مدل رگرسيون پواسون معادل بودن ميانگين و واريانس متغير وابسته مي باشد. وقتي كه ميانگين و واريانس داده ها بطور تقريبي برابر نباشند مدل پواسون برآوردهاي ناصحيحي از واريانس جملات و استنباط هاي گمراه كننده در باره رگرسيون پواسون ايجاد مي كند. براي حل اين مشكل مي توان از مدل رگرسيوني دوجمله اي منفي استفاده كرد.

 

ساده ترین مدل برای داده های شمارشی، مدل رگرسیون پواسن می باشد. مدل رگرسیون پواسن به عنوان نمونه ای از مدل های تعمیم یافته خطی است که مدل های رگرسیونی را به خانواده نمایی توزیع هایی بسط می دهد که هر دو توزیع نرمال و پواسن را شامل می شوند.

روش رگراسیون پواسن مابین آنالیز مبتنی بر داده های پیوسته و آنالیز مبتنی بر داده های دو حالتی قرار گرفته است. در رگرسیون پواسن متغیر وابسته شمارشی بوده و دارای توزیع پواسن می باشد که این موضوع اساس استنباط را تشکیل می دهد. معادله رگرسیون پواسن؛ یک متغیر شمارشی یا یک نرخ را به یک سری متغیرهای مستقل مربوط می سازد و ساختاری را برای تحلیل آماری ارائه می دهد. در مدل رگرسیون پواسن، لگاریتم نرخ بر اساس مجموع وزنی متغیرهای مستقل(متغیرهای خطی) مدل بندی می شود. در واقع این مدل، میانگین متغیر وابسته را برحسب متغیرهای مستقل، مدل بندی می کند(دنتون و همکاران 1994)

محدوده اصلی مدل رگرسیون پواسن براین شرط استوار است که واریانس متغیر وابسته با میانگین آن برابر باشد، اما در بسیاری از پدیده ها بسیار پراکنده اند. بعبارت دیگر ممکن است واریانس به طور معنی داری بزرگتر از میانگین باشد. وقتی که میانگین و واریانس داده ها بطور تقریبی مساوی نباشند، واریانس های ضریب برآورد شده در مدل پواسن اریب خواهند بود. در این حالت دیگر بر ارزش رگرسیون پواسن برروی داده ها مناسب نمی باشد، ولی این محدودیت را با استفاده از توزیع دو جمله ای منفی از میان برداشت(گاردنر1995).

ادامه مطلب

معادلات برآوردی تعميم يافته( GEE )

معادلات برآوردی تعميم يافته

رویکرد مدل‌های خطی تعمیم یافته، مدل خطی عمومی را بسط می‌دهند به گونه ای که متعییر وابسته بطور خطی با عامل‌ها و کوواریانسها بوسیله یک تابع پیوند مشخص مرتبط می باشد. به علاوه، این مدل‌ها به متغییر وابسته اجازه می دهند که تویع غیر نرمال داشته باشند.

مدل‌های خطی تعمیم یافته بطور گسترده مدل‌های آماری پرکاربرد را در بر می‌گیرد از قبیل رگرسیون خطی برای پاسخ‌هایی که به صورت نرمال توزیع شده اند، مدل‌های لجستیک برای داده‌های دوتایی (دودویی) و مدل‌های لگاریتم خطی برای داده های شمارشی (نوعی از داده آماری که در آن مشاهدات صرفاً می‌توانند مقادیر اعداد صحیح غیر منفی بگیرند)

یکی از روش‌ها در مدل سازی داده های همبسته، روش معادلات برآوردی تعمیم یافته(GEE) است. در این روش، همبستگی میان مشاهدات درون یک فرد با فرض یک ساختار همبستگی فرضی مدل سازی می شود. کارایی برآورد پارامترها ی روش معادلات برآوردی تعمیم یافته تحت تاثیر نوع ساختار همبستگی قرار دارد. برای بهبود کارایی برآورد پارامترها، روش ترکیبیGEE، پیشنهاد شده است، که در آنGEEها با ماتریس های همبستگی مختلف با استفاده از درستنمایی تجربی(EL) با هم ترکیب شده و برآوردهای کاراتری حاصل می شود.

ادامه مطلب