روشهای نمونه گیری احتمالی

امتیاز کاربران

ستاره غیر فعالستاره غیر فعالستاره غیر فعالستاره غیر فعالستاره غیر فعال

در این قسمت داریم در ادامه مطالب پست قبلی یعنی روشهای نمونه گیری تعریف هریک از روشهای نمونه گیری احتمالی یعنی

1)نمونه گیری تصادفی ساده(Simple Random Sampling)

2)نمونه گیری تصادفی سیستماتیک (منظم)(Systematic Sampling)

3)نمونه گیری تصادفی طبقه بندی(Stratified Sampling)

4)نمونه گیری تصادفی خوشه  ای (چند مرحله ای)(Cluster Sampling)

 را فارغ از تئوری های ریاضیاتی و فرمولهای محاسباتی ارائه نماییم. 

رگرسیون سلسله مراتبی و کاربرد آن

امتیاز کاربران

ستاره فعالستاره فعالستاره فعالستاره فعالستاره فعال

ر رگرسیون چندگانه سلسله مراتبی ، محقق ترتیبی را که متغیرهای پیشگو در قالب دو مجموعه  وارد مدل می شوند مشخص می کند. لذا با استفاده از این رویه می توان کیفیت مدل و اثر متغیری یا گروهی از متغیرها را بعد از  کنترل اثر متغیر(های) مرحله اول  بررسی نمود. 

 محقق برای این متغیر(ها)،متغیرهای مرحله اول، مدل رگرسیونی چندگانه را اجرا می نماید( توجه: بنا به نیاز می توان رویه های گوناگون enter، stepwise،remove، backward  یا forward را انتخاب نمود).  از روی خروجی مربوطه برای این مدل ، مدل مرحله اول، می توان میزان تغییراتی که توجه آن توجیه شده  است را بدست آورد(منظور بررسی ضریب تعیین می باشد). محقق مدل مرحله دوم را با ترکیب متغیرهای اولیه به همراه مجموعه متغیرهای جدید اجرا می نماید و از بررسی نتایج این دو مرحله و مقایسه مقدار تغییرات توجیه شده به سوال زیر پاسخ می دهد:

 

آیا مدل رگرسیونی با کنترل اثر متغیر(های) خاصی، در سطح مجموعه ای از متغیرهای پیشگوی دیگر معتبر است؟ 

 در انتها می توان نکات زیر را برای این رویه بیان نمود:

1-رگرسیون چندگانه سلسله مراتبی به محقق این امکان را می دهد که ترتیب استفاده از فهرستی از متغیرهای پیشگو را مشخص نماید.

2-  این اقدام در نرم افزار SPSS با مشخص کردن دو مجموعه از متغیرها در دو بلوک به راحتی قابل انجام است.

3- در مرحله اول، می تواند تغییرات تنها یک متغیر کنترل گردد و لازم نیست حتما مجموعه ای از آنها را استفاده نمود.

4-رگرسیون چندگانه سلسله مراتبی برای محاسبه ضرایب مسیر در تحلیل مسیر ساده استفاده می شود.

5-این رویه به تحلیل چند سطحی (multi-level analysis) نیز نامیده میشود.

 

شما می توانید حال این سوال را بررسی نمایید: مقایسه بین رگرسیون گام به گام و این رویه چه نتیجه ای را در بر دارد؟

 

(منبع و تاریخ انتشار: وبلاگ بینش آماری، در  نجشنبه ۲۰ تیر۱۳۹۲ توسط نورالله تازیکه میاندره)

جهت درخواست آموزش نرم افزارها و تئوری های آماری و یا انجام پروژه های آماری از یکی از روش های زیر می توانید با تیم آی آر آمار در ارتباط باشید. لازم به توضیح می باشید فرآیند مشاوره و همچنین پاسخگویی به سوالات کوتاه به صورت کاملا رایگان ارائه می گردد.

 

شماره تماس:   09300023999

رایانامه:  این آدرس ایمیل توسط spambots حفاظت می شود. برای دیدن شما نیاز به جاوا اسکریپت دارید 

الگوریتم متروپلیس-هستینگ (MH)

امتیاز کاربران

ستاره فعالستاره فعالستاره فعالستاره فعالستاره فعال

همان طور  که می دانیم  الگوریتم متروپولیس-هستینگ (MH) شامل مراحل زیر می‌باشد:

  • \[Y_t \sim q(y|x^t)\]  را تولید کنید.
  • \[X^{t+1}=\begin{cases} Y^t, & \text{with probability} \quad \rho(x^t,Y_t), \\ x^t, & \text{with probability} \quad 1-\rho(x^t,Y_t), \end{cases}\]

که در آن \(\rho(x,y)=\min \left( \frac{f(y)}{f(x)}*\frac{q(x|y)}{q(y|x)},1 \right)\).

 حال چنانچه \(q\) دارای توزیع متقارن باشد؛ نسبت \(q(x|y)/q(y|x)\)  برابر مقدار یک خواهد شد؛ در این حالت مقدار احتمال برابر \(\rho(x,y)=\min( f(y)/f(x),1) \) خواهد بود . و   این حالت خاص، بنام الگوریتم متروپولیس  شناخته می شود.

برآوردگر نقطه‌ای

امتیاز کاربران

ستاره فعالستاره فعالستاره فعالستاره فعالستاره فعال

تعریف برآوردگر نقطه‌ای : هر تابعی از نمونه ی تصادفی مثل  \(W\left( {{X_1},...,{X_n}} \right)\)  یک برآوردگر نقطه‌ای می‌باشد؛ بر این اساس هر آماره‌ (statistic)، یک برآوردگر نقطه‌ای می‌باشد.

توجه داشته باشید که در این  تعریف هیچ اشاره‌ای به ارتباط بین برآوردگر و پارامتر مورد برآورد نشده است. هر چند می‌توان به عنوان یک بیان در تعریف ارائه گردد. چنین بیانی مجموعه برآوردگرها را محدود می‌کند. همچنین در تعریف هیچ اشاره‌ای بر دامنه \(W\left( {{X_1},...,{X_n}} \right)\) نشده است هر چند قاعدتاً باید دامنه آماره و پارامتر بر هم منطبق باشند. لازم به ذکر است که مثال نقض نیز وجود دارد و لذا همیشه دامنه‌ها یکی نمی‌باشد. حال باید به تفاوت بین برآوردگر و برآورد بپردازیم. یک برآوردگر تابعی از نمونه‌ی تصادفی است در حال که یک برآورد یک مقدار مشاهده شده از یک نمونه محقق شده و یافته یک برآوردگر است. بصورت نمادین، وقتی که یک نمونه انتخاب شد، یک برآوردگر تابعی از متغیرهای تصادفی \({X_1},...,{X_n}\) است، در حالی که یک برآورد تابعی از مقادیر مشاهده شده‌ی \({x_1},...,{x_n}\) می‌باشد. 

مواقعی، یک کاندید واضع و مبرهن برای برآوردگر نقطه‌ای از یک پارامتر خاص وجود دارد(به عنوان مثال میانگین نمونه‌ای یک انتخاب مناسب برای میانگین جامعه استمی‌باشد). اما چنانچه از این موقعیت‌های ساده‌ای بگذریم ارتباط مستقیم بین برآورد و برآوردگر شفاف نخواهد بود و این موضوع ممکن است گمراه‌کننده باشد. بنابراین داشتن بعضی تکنیک‌ها که حداقل  تعدادی کاندیدای معقول در اختیار محقق قرار دهند؛ مفید خواهد بود. نظر به اینکه این تکنیکها هیچ تضمینی برای ارائه گزینه‌ی مناسب ندارند. برآوردگرهای نقطه ایی که با استفاده از این تکنیک‌ها معرفی می‌گردند می بایست قبل از استفاده و کاربرد واقعی مورد ارزیابی و صحه گذاری قرار گیرند.

در ادامه به معرفی روش‌های برآوردیابی می‌پردازیم.

فرضیه ها در رگرسیون چندگانه خطی

امتیاز کاربران

ستاره فعالستاره فعالستاره فعالستاره فعالستاره فعال

رگرسیون خطی چندگانه (Multiple regression) تعمیمی از رگرسیون خطی ساده (simple linear regression) میباشد. این روش آماری زمانی استفاده می شود که محقق قصد دارد در توصیف و پیشگویی مقادیر یک متغیر، از چند متغیر مستقل (دو و یا بیشتر) استفاده نماید. به بیانی ساده می توان بیان نمود: رگرسیون چندگانه  به شما این امکان را می دهد که برازش کلی (واریانس و تغییرات توصیفی)، مدل مورد نظر را تعیین نمایید و نسب توزیع هر یک از متغیرهای مستقل را در واریانس کل توزیع داده شده، مشخص ساخت. 

به سادگی و در زمانی اندک، می توان رگرسیون چندگانه را با نرم افزارهای آماری از جمله SPSS Statistics انجام داد، و به تفسیر نتایج آزمون های آن پرداخت. با این حال، قبل از انجام این تحلیل،  فرضیه های مختلفی که در مورد داده ها می بایست صدق کند تا تحلیل معتبری از رگرسیون چندگانه را داشته باشید؛ بررسی گردد.

تعیین حجم نمونه با فرمول کوکران

امتیاز کاربران

ستاره فعالستاره فعالستاره فعالستاره فعالستاره فعال

براي تعيين حجم نمونه در تحقيقات از روشهاي مختلفي استفاده مي شود. دو روش متداول براي اين كار استفاده از فرمول كوكران و جدول مورگان است. یکی از آسان‌ترین و متداول‌ترین روش‌های تعيين حجم نمونه فرمول کوکران است که در زير قابل مشاهده است:

در این فرمول:

                        \[n = \frac{{\frac{{{z^2}pq}}{{{d^2}}}}}{{1 + \frac{1}{N}\left( {\frac{{{z^2}pq}}{{{d^2}}} - 1} \right)}}\]                                

                                                             

N: تعداد جامعه آماری
P: مقدار 0.5
q: 1-p
d: در سطح خطای 5% برابر 0.05
Z2: 3.8416

 

دفاتر ما

تماس با ما آمادگی داریم تا با شبکه ای از همکاران و مشاوران در هر یک از شهرهای بزرگ (تهران-اصفهان-مشهد-زنجان-... )در کنار شما باشیم 

 با ما در تماس باشید

نظر کاربران

  • مهدی یار

    با تشکر از تمامی زحمات دست اندرکارن و زحمت کشان، برای همگی آرزوی سلامتی و بهروزی دارم
  • پری کرمی

    به کارهای خوبتون ادامه بدید. لطفا برای ارسال مطالب و درج اون قسمتی را تعبیه کنید
  • فاطمه بهرامی

    آقای تازیکه امیدوارم در کار خود موفق و پیروز باشد.
  • 1
  • 2
  • 3

آخرین نظرات

  • سلام خسته نباشید من فیلم اموزشی نرمافزار ایزی فیت رو خیلی ...

    ادامه مطلب ..و

     
  • احسنت بر شما. آموزش بسیار خوبی بود. * نتیجه گیری: مطابق نتایج ...

    ادامه مطلب ..و

آمار سایت