دانلود 1 جزوه رگرسیون خطی

توجه : یک فیلم آموزشی کامل هم رایگان پیوست می باشد موفق باشید و پیروز

 

فایل مورد نظردر قالب pdf  با حجم 22.1 مگابایت می باشد. دوستان گرامی و دانشجویان  ارجمند و عزیز در صورت تمایل می توانید این فایل بسیار با ارزش را به صورت مستقیم از سایت بیست میشم تهیه بفرمائید.

 

رگرسیون خطی ساده — مفهوم و محاسبات به زبان ساده

رﮔﺮﺳﯿﻮن ﺧﻄﯽ ﺳﺎده

دانلود 1 جزوه رگرسیون خطی

جزوه درس رگرسیون

آموزش درس رگرسیون

مباحث رگرسیون خطی ساده

 

انواع آزمون های رگرسیون : رگرسیون آزمونی است آماری که به بررسی و مدل‌سازی میان دو متغیر (مستقل و وابسته) می‌پردازد. انواع آزمون های رگرسیون به دنبال سنجش تأثیر و میزان اثرگذاری متغیر(های) مستقل بر وابسته است. بنابراین، از طریق رگرسیون می‌توان پی برد که آیا می‌توان متغیر وابسته را از روی متغیر مستقل پیش بینی کرد، و میزان این بیش بینی احتمالاً چقدر است. 

انواع آزمون های رگرسیون برای شرایط متفاوت پیش‌بینی شده است. در هرکدام از این انواع، ممکن است ضریب رگرسیون معنادار نباشد، یعنی آن‌که متغیر مستقل تأثیری معنادار روی متغیر وابسته نداشته باشد.که پیش از این در دوره های spss آکادمی تحلیل آماری پیرامون معناداری این ضرایب بحث مفصل انجام گرفته است. در ادامه، به رایج‌ترین انواع رگرسیون اشاره خواهد شد.

رگرسیون خطی ساده (Simple Linear Regression) زمانی از این آزمون استفاده می‌شود که پژوهشگر می‌خواهد تأثیر «یک» متغیر مستقل بر روی «یک» متغیر وابسته را مورد سنجش قرار دهد. به این آزمون «رگرسیون دومتغیره» (Bivariate Regression) هم گفته می‌شود. پژوهشگر باید توجه داشته باشد، زمانی می‌توان از آزمون رگرسیون (ساده و چندگانه) استفاده کرد که اولاً مقیاس گردآوری داده فاصله‌ای یا نسبی باشد و دوماً ارتباط میان دو متغیر به لحاظ آماری معنادار باشد که البته نرم افزار spss قبل از بررسی تاثیر این رابطه را بررسی می کند

رگرسیون چندمتغیره (Multiple Regression): زمانی که تعداد متغیرهای مستقل دو و یا بیشتر باشد، دیگر رگرسیون خطی ساده نمی‌تواند نتایج دقیقی از تأثیر این متغیرها به‌دست دهد. در چنین شرایطی از رگرسیون چندمتغیره استفاده می‌شود. رگرسیون چندمتغیره با نام «رگرسیون چندگانه» نیز شهرت دارد. همانطور که در دوره های آکادمی بیان شد متغیر های مستقل به 5 روش متفاوت وارد مدل رگرسیونی می شوند و هر یک از این روش ها کاربرد متفاوتی خواهد داشت. روش هم‌زمان (Enter Method)، روش گام‌به‌گام (Stepwise Method)، روش حذفی (Remove Method)، روش پس رونده (Backward method)، و روش پیش رونده (Forward Method)  این 5 روش ورود متغیر های مستقل به مدل رگرسیونی می باشد.

رگرسیون لجستیک (Logestic Regression) دو وجهی و چند وجهی: اما گاهی اوقات اتفاق می افتد که متغییر وابسته تحقیق در مقیاس فاصله ای/نسبی نبوده و مقیاس آن به صورت اسمی( دووجهی یا چندوجهی) است. یکی از سوالات شرکت کنندگان در دوره های کاربردی SPSS آکادمی تحلیل آماری شرکت می کنند این است که در چنین حالتی با توجه به اینکه پیش فرض اساسی تحلیل رگرسیون مقیاس فاصله ای /نسبی متغییر وابسته است چه باید کرد. رگرسیون لجستیک پیش بینی کننده متغیر وابسته دو وجهی و یا چند وجهی اسمی خواهد بود. البته با توجه به بحث های گسترده در دوره های آکادمی تحلیل آماری بهتر است در این شرایط بجای استفاده از مدل های رگرسیون لجستیک در نرم افزار های مثل spss از نرم افزار های با تخمین های مخصوص به این شرایط مثل mplus استفاده نماییم.

رگرسیون تخمین منحنی (Curve Estimation) : رگرسیون برآورد منحنی از خانواده تحلیل رگرسیون غیر خطی است. این نوع رگرسیون زمانی مورد استفاده قرار می گیرد که رابطه بین متغیر وابسته و متغیر های مستقل به صورت غیر خطی است و بنابراین، نمی توانیم از رگرسیون های خطی استفاده نماییم. در مقالات بعدی این نوع رگرسیون را بطور کامل آموزش خواهم داد.

رگرسیون ترتیبی (ordinal regression): در برخی از پژوهش‌ها و به‌خصوص پژوهش‌های پیمایشی، ممکن است که متغیر وابسته در سطح سنجش ترتیبی باشد. یعنی شرط اول اجرای رگرسیون‌های چندگانه که همانا کمی بودن(فاصله‌ای یا نسبی بودن) است را نداشته باشد. یعنی ما می‌توانیم که به طبقات این متغیر رتبه دهیم اما هرگز نمی‌توانیم فاصله‌ی بین رتبه‌ها را مشخص نماییم.مثلاً متغیر رضایت بجای اینکه توسط یکسری شاخص و سؤال در پرسشنامه سنجیده شده باشد که در انتها بتوان این سؤالات را با فرایند rcompute به سمت یک متغیر کمی پیوسته حرکت داد، خود شامل یک طیف سه گزینه‌ای رضایت بالا، متوسط یا پایین جهت سنجش است. در این شرایط نیز بجای استفاده از مدل های رگرسیون ترتیبی در نرم افزار های مثل spss از نرم افزار های با تخمین های مخصوص به این شرایط مثل mplus استفاده نماییم.

رگرسیون پروبیت (Probit Regression) : زمانی که خروجی یا متغیر وابسته دارای دو بعد باشد از این نوع رگرسیون استفاده خواهد شد. این نوع رگرسیون با عنوان «مدل‌های پروبیت» نیز شناخته شده است. برای مثال، زمانی که بخواهیم متغیرهای مؤثر بر عضو شدن یا نشدن کاربران در کتابخانه را بررسی کنیم، این نوع رگرسیون مناسب‌تر خواهد بود. این رگرسیون مشابه رگرسیون‌های لجستیک است.

از آنجایی که ممکن است علاوه بر متغیرهای مستقل، عوامل زیاد و ناشناخته‌ دیگری نیز در تعیین مقدار متغیر وابسته نقش داشته باشند، مدل رگرسیونی را با مناسب‌ترین تعداد متغیر مستقل در نظر گرفته و میزان خطا را به عنوان نماینده عوامل تصادفی دیگری که قابل شناسایی نبودند در نظر می‌گیریم که انتظار است کمتر در تغییرات متغیر وابسته نقش داشته باشند.برای سنجش شدت رابطه بین متغیر وابسته و مستقل می‌توان از ضریب همبستگی استفاده کرد.

هر چه ضریب همبستگی به ۱ یا ۱- نزدیکتر باشد،‌ شدت رابطه خطی بین متغیرهای مستقل و وابسته شدیدتر است. البته اگر ضریب همبستگی نزدیک به ۱ باشد جهت تغییرات هر دو متغیر یکسان است که به آن رابطه مستقیم می‌گوییم و اگر ضریب همبستگی به ۱- نزدیک باشد، جهت تغییرات متغیرها معکوس یکدیگر خواهد بود و به آن رابطه عکس می‌گوییم. ولی در هر دو حالت امکان پیش‌بینی مقدار متغیر وابسته برحسب متغیر مستقل وجود دارد.

مدل رگرسیونی

دانلود 1 جزوه رگرسیون خطی بیان میدارد یکی از پرکاربردترین روش های آماری در علوم مختلف، اجرای انواع روش های رگرسیون برای تعیین رابطه ی بین یک متغیر وابسته با یک یا چند متغیر مستقل می باشد . متغیر وابسته ، پاسخ و متغیرهای مستقل ، متغیرهای توضیحی نیز نامیده می شوند.

اجرای یک مدل رگرسیونی با تعریف مدل رگرسیون امکان پذیر است. مدل رگرسیون ساده با متغیر وابسته یY وp-1  متغیر مستقل X1,X2,…,Xp-1 است.

به عنوان مثال فرض کنید یک محقق قصد دارد اثر دو متغیر سن و وزن را بر فشارخون اندازه گیری نماید. برای این مطالعه مقادیر سن و وزن برای n=500 نفر اندازه گیری می شود. در این مطالعه سن و وزن متغیرهای مستقل یا پیشگو و متغیر فشارخون متغیر وابسته می باشد.

دانلود 1 جزوه رگرسیون خطی

ماتریس X مقادیر مشاهده شده ی p-1  متغیر را برای n نفر نشان می دهد. بردار Y نیز مقادیر مشاهده  شده ی متغیر وابسته برای نمونه ای به حجم n می باشد.

در یک مدل رگرسیونی Β_j ها پارامترهای مدل بوده و به کمک روش های مختلفی مانند روش حداقل مربعات و روش درستنمایی ماکزیمم برآورد می شوند. ε_i ها نیز جملات خطا نامیده می شوند و دارای توزیع نرمال با میانگین صفر و واریانس σ² هستند.

معادله ی رگرسیون با تعریف ماتریس متغیرهای توضیحی و بردارهای متغیر پاسخ ، پارامترهای مدل و جملات خطا به صورت زیر تعریف می شود :

 

رﮔﺮﺳﯿﻮن ﺧﻄﯽ ﺳﺎده

دانلود 1 جزوه رگرسیون خطی

همبستگی و رگرسیون pdf

رگرسیون خطی ساده — مفهوم و محاسبات به زبان ساده

جزوه درس رگرسیون

همبستگی و رگرسیون pdf

جزوه کامل رگرسیون خطی

آموزش درس رگرسیون

گرسیون چیست؟

در سال ۱۸۷۷ فرانسیس گالتون برای اولین بار از رگرسیون استفاده کرد، نتیجه برامده از تحقیقات او نشان داد که کودکانی که در خانوادهای با والدین بلند قامت به دنیا می آیند به قد متوسط گرایش دارند. با رگرسیون می توانیم روابط نادقیق بین متغیر ها را شناسایی کنیم. . در مباحث مربوط به رگرسیون ما به دنبال یافتن رابطه بین متغیر وابسته (پاسخ) و مجموعه‌ای از متغیرهای مستقل (پیشگو) هستیم.

به عنوان مثال در حوادث مربوط به رانندگی در جاده‌ها، عوامل وضعیت هوا، کیفیت جاده، وضعیت راننده، استحکام خودرو و زمان تصادف که متغیرهای پیشگو هستند، بر میزان خسارت که متغیر پاسخ هست تاثیر می‌گذارند.

نتیجه رگرسیون، معادله‌ای است که بهترین پیشگویی یک متغیر وابسته را از روی چند متغیر مستقل نشان می‌دهد.

متغیرهای مستقل می‌توانند پیوسته و یا گسسته باشند اما متغیر وابسته در اکثر مواقع پیوسته است. با توجه به نوع متغیرها و اهداف پژوهش، نوع مدل رگرسیونی می‌تواند متفاوت باشد.

ساده‌ترین مدل‌ رگرسیونی، رگرسیون خطی است که شامل دو نوع خطی ساده و خطی چندگانه می‌باشد.

مدل‌های رگرسیونی خطی یک چارچوب وسیع و غنی را در بر می‌گیرند که نیاز تحلیل‌های زیادی را برآورده می‌کند و پاسخ می‌دهد.

 

همبستگی و رگرسیون pdf

 

اما رگرسیون خطی برای همه مسائل نمی‌تواند مناسب باشد، زیرا بعضی از اوقات متغیر پاسخ و متغیرهای رگرسیونی با تابع غیرخطی معلوم به هم مربوط می‌شوند. مانند زمانی که متغیر وابسته ما دو سطح داشته باشد.

یعنی پاسخ‌ها تنها شامل دو حالت، مانند وجود یا عدم وجود، خرید یا عدم خرید، بهبود یا عدم بهبود و… (که آنها را با مقادیر ۰ و ۱ نشان می دهیم) است.

در این مواقع از رگرسیون لجستیک استفاده می‌کنیم.

الگوهای رگرسیون لجستیک برای بیان پیش‌بینی متغیرهای دو حالتی الگوهای مناسبی هستند.این روش در ابتدا در کاربردهای پزشکی و برای احتمال وقوع یک بیماری مورد استفاده قرار می‌گرفت.

لیکن امروزه در تمام زمینه‌های علمی کاربرد وسیعی یافته است. به عنوان مثال مدیر تبلیغاتی می‌خواهد بداند در خرید یا عدم خرید یک محصول یا برند، چه متغیرهایی مهم هستند؟

غیر از رگرسیون لجستیک انواع دیگری از مدل‌های رگرسیون غیرخطی نیز وجود دارند که شامل:

مدل‌های توانی، معکوس، لگاریتمی، سهمی، نمایی، مرکب، رشد، منحنی S و … است.

 

توجه : یک فیلم آموزشی کامل هم رایگان پیوست می باشد موفق باشید و پیروز

دانلود 1 جزوه رگرسیون خطی

 

جزوه کامل رگرسیون خطی

 

 

 

پیش‌فرض‌های انجام رگرسیون:

1. نسبت مشاهدات متغیرهای مستقل: تعداد مشاهدات لازم برای آزمون، به نوع مدل رگرسیونی که به کار می‌برید، بستگی دارد.
2. برای رگرسیون استاندارد یا مرتبه‌ای به طور آرمانی می‌بایستی تعداد مشاهدات ما ۲۰ برابر تعداد متغیرهای مستقل (پیشگو) باشد، در حالی که برای رگرسیون گام به گام مشاهدات بیشتری مورد نیاز است.
3. کمترین تعداد مشاهدات مورد نیاز یا به عبارت دیگر، کمترین حجم نمونه باید حداقل ۵ برابر تعداد متغیرهای مستقل باشد.
4. نقاط پرت: مشاهدات دور افتاده، به طور جدی بر مدل رگرسیونی اثر می‌گذارند و باید حذف و یا اصلاح شوند تا این اثر کاهش یابد. نقاط پرت تک متغیره را می‌توان با رسم نمودار پراکنش و یا جدول فراوانی یافت.
5. نقاط پرت چند متغیره را می‌توان با استفاده از روش‌های آماری، همانند فاصله ماهالانوبیس و یا روش‌های گرافیکی، همانند نمودارهای پراکنش باقیمانده‌ها پیدا کرد.
6. چند هم خطی بین متغیرهای مستقل و تکینی: چند هم خطی همان همبستگی شدید (نزدیک به یک) میان متغیرهای مستقل است، در حالی‌که تکینی (singularity) زمانی رخ می‌دهد که همبستگی کاملی (دقیقا یک) بین متغیرهای مستقل وجود داشته باشد.
7. این مسائل در چگونگی تفسیر هر رابطه میان متغیرهای مستقل و متغیر وابسته اثر می‌گذارند و آنها را می‌توان با بررسی ماتریس همبستگی، مربع همبستگی‌های چندگانه و تولرانس نمایان کرد.
8. اکثر برنامه‌های کامپیوتری مقادیر پیش فرضی برای چند هم خطی دارند و متغیرهایی را که چنین مشکلی دارند، وارد مدل نمی‌کنند.
9. نرمال بودن، خطی بودن، همگنی واریانس‌ها و استقلال باقیمانده‌ها: با رسم نمودارهای پراکنش باقیمانده‌ها می‌توانیم این موارد را بررسی کنیم. فرض می‌شود تفاضل میان مقادیر متغیر وابسته‌ی مشاهده شده و پیش‌بینی شده به صورت نرمال توزیع شده است.
10. به علاوه فرض می‌شود که باقیمانده‌ها رابطه‌ی خطی با امتیازهای متغیر وابسته پیش‌بینی شده دارند و واریانس باقیمانده‌ها برای تمام امتیازهای پیش‌بینی شده، یکسان است.
11. انحرافات جزئی از فرض خطی بودن چندان مهم نیست.

 

دانلود 1 جزوه رگرسیون خطی

جزوه درس رگرسیون

همبستگی و رگرسیون pdf

جزوه کامل رگرسیون خطی

 

رگرسیون خطی چیست؟

در این قسمت رگرسیون خطی ساده و چندگانه مورد بررسی قرار می‌گیرد. در رگرسیون خطی ساده فقط یک متغیر پیش‌بینی کننده داریم. در حالی که در رگرسیون خطی چندگانه بیش از یک متغیر پیش‌بینی کننده داریم.

به عنوان مثال وقتی می‌خواهیم بررسی کنیم که آیا میزان ضریب هوشی دانش‌آموزان بر معدل آنها تاثیرگذار هست یا نه؟ از رگرسیون خطی ساده استفاده می‌کنیم.

اما زمانی که می‌خواهیم بررسی کنیم، آیا میزان ضریب هوشی و ساعت مطالعه در هفته دا‌نش‌آموزان بر معدل آنها تاثیرگذار هست یا نه؟ از رگرسیون خطی چندگانه استفاده می‌کنیم.

در حالت اول برای پیش‌بینی متغیر پاسخ تنها یه متغیر مستقل داریم اما در حالت دوم برای پیش‌بینی متغیر پاسخ دو متغیر ضریب هوشی و ساعت مطالعه در هفته را داریم.

 

 

دانلود 1 جزوه رگرسیون خطی

 

 

 

 

 

 

مثال کاربردی رگرسیون خطی ساده در SPSS

قبل از انجام رگرسیون خطی ساده، قدم اول بررسی رابطه بین دو متغیر است. برای بررسی این رابطه نمودار پراکندگی بین دو متغیر را رسم می‌کنیم. یکی از ساده‌ترین روش‌ها برای بررسی هبستگی و رابطه بین متغیرها با یکدیگر رسم نمودار پراکندگی است.

ا بررسی این نمودار، خطی یا غیر خطی و مثبت یا منفی بودن رابطه بین دو متغیر را متوجه می‌شویم. همچنین با رسم نمودار پراکندگی می‌توانیم نقاط پرت را نیز شناسایی کنیم. در رسم نمودار پراکندگی، متغیر مستقل یا پیشگو در محور افقی و متغیر وابسته یا پاسخ در محور عمودی قرار می‌گیرد.

 

رگرسیون خطی ساده — مفهوم و محاسبات به زبان ساده

رﮔﺮﺳﯿﻮن ﺧﻄﯽ ﺳﺎده

ساپورت

 

 

جزوه درس رگرسیون

 

دانلود 1 جزوه رگرسیون خطی

آموزش درس رگرسیون

 

رگرسیون خطی چندگانه و مثال کاربردی در SPSS

در رگرسیون خطی چندگانه به‌دنبال پیش‌بینی تغییرات بیش از یک متغیر مستقل بر روی یک متغیر وابسته هستیم. به طور کلی برای برآورد پارامترهای مدل رگرسیون خطی چندگانه باید از روش ماتریسی استفاده نمود که این روش‌ها را معمولا با نرم‌افزار انجام داده و پارامترها را برآورد می‌کنند. معادله خط رگرسیون چندگانه به صورت مقابل است:

به فرآیندی که با آن بتوان مناسب‌ترین مدل رگرسیون را هم از لحاظ دقت کافی و هم از لحاظ حداقل تعداد متغیرهای مستقل یافت، روش انجام رگرسیون می‌گوییم. برای یافتن مناسب‌ترین مدل رگرسیون خطی چندگانه روش‌های متعددی وجود دارد که چهار نوع از مهم‌ترین آنها عبارتند از:

 

• روش ورودی (Enter)
• روش پیش‌رو (Forward)
• روش پس‌رو (Backward)
• روش گام‌ به گام (Stepwise)

 

در روش ورودی تنها مدل رگرسیون یک گام دارد و در آن گام ورود همان متغیرهای پیشنهاد شده توسط محقق در معادله رگرسیون مدنظر است. در این روش هدف یافتن مدل نهایی نیست، بلکه محقق می‌خواهد وجود یک رابطه بین متغیرها را که طبق یک فرضیه مطرح شده است، تایید یا رد نماید. بنابراین این روش برای مطالعات تاییدی به‌کار می‌رود.

روش پیش‌رو به این ترتیب طراحی شده است که ابتدا یک متغیر مستقل وارد معادله می‌شود. این متغیر باید بیشترین همبستگی را با متغیر وابسته داشته باشد.

آنگاه در مراحل بعد نیز هر بار تنها یک متغیر مستقل که همبستگی زیادی با متغیر وابسته دارد، به معادله اضافه می‌شود. این کار تا آنجا ادامه می‌یابد که متغیر مستقلی که روی متغیر وابسته تاثیر دارد، باقی نماند.

روش پس‌رو، عکس روش پیش‌رو است. یعنی در این روش ابتدا همه متغیرهای مستقل پیشنهاد شده توسط محقق در معادله در نظر گرفته شده و از یک معادله رگرسیون خطی چندگانه بهره‌برداری می‌شود.

آنگاه برای دست یافتن به مدل مناسب، متغیرهایی که ضرورت ندارند، یکی یکی از مدل کنار گذاشته می‌شوند. این کار تا زمانی ادامه می‌یابد که متغیر مستقل غیرمهمی برای خروج از مدل باقی نماند.

 

به این ترتیب که در این روش ابتدا یک متغیر مستقل (متغیری که همبستگی زیادی با متغیر وابسته دارد) وارد مدل شده و ضرورت آن برای باقی ماندن در مدل بررسی می‌شود.

سپس متغیر دوم وارد شده و ضرورت حذف آن نیز بررسی می‌گردد. این کار تا آنجا ادامه می‌یابد که هیچ متغیر مستقلی شرط ورود به مدل و خروج از آن را نداشته باشد.

حال با بیان یک مثال مراحل رگرسیون خطی چندگانه را در SPSS با هم مرور می‌کنیم.

می‌خواهیم بررسی کنیم که آیا ویژگی‌های شخصیتی مدیر که شامل ثبات عاطفی، برون گرایی، تجربه اندوزی، روحیه توافق و وجدان کاری است بر بهره‌وری عملیات نیروهای زیرمجموعه تاثیر می‌گذارد یا خیر؟

مراحل انجام رگرسیون خطی چندگانه در SPSS مشابه رگرسیون خطی ساده است با این تفاوت که در قسمت متغیرهای مستقل به جای یک متغیر مستقل، تعداد بیشتری متغیر مستقل وارد می‌شود و اینکه باید برای تعیین روش انجام رگرسیون یکی از روش‌های گفته شده در بالا را انتخاب کنیم.

در مرحله اول بعد از ورود داده‌ها در نرم‌افزار SPSS، از منو Analyze گزینه Regression و سپس Linear… را انتخاب می‌کنیم. پس از آن متغیر وابسته بهره‌وری عملیات نیروهای زیرمجموعه را در قسمت Dependent و متغیرهای مستقل ثبات عاطفی، برون گرایی، تجربه اندوزی، روحیه توافق و وجدان کاری را در قسمت Independents وارد می‌کنیم و در قسمت Method یکی از روش‌های مربوطه شامل روش ورودی (Enter)، روش پیش‌رو (Forward)، روش پس‌رو (Backward) و یا روش گام‌ به گام (Stepwise) را انتخاب می‌کنیم. سپس مشابه مراحل گفته شده در رگرسیون خطی ساده با انتخاب گزینه‌ها مدل رگرسیونی را اجرا می‌کنیم.

 

جزوه درس رگرسیون

دانلود 1 جزوه رگرسیون خطی

همبستگی و رگرسیون pdf

انواع رگرسیون :

 

انواع آزمون های رگرسیون : رگرسیون آزمونی است آماری که به بررسی و مدل‌سازی میان دو متغیر (مستقل و وابسته) می‌پردازد. انواع آزمون های رگرسیون به دنبال سنجش تأثیر و میزان اثرگذاری متغیر(های) مستقل بر وابسته است. بنابراین، از طریق رگرسیون می‌توان پی برد که آیا می‌توان متغیر وابسته را از روی متغیر مستقل پیش بینی کرد، و میزان این بیش بینی احتمالاً چقدر است. انواع آزمون های رگرسیون برای شرایط متفاوت پیش‌بینی شده است. در هرکدام از این انواع، ممکن است ضریب رگرسیون معنادار نباشد، یعنی آن‌که متغیر مستقل تأثیری معنادار روی متغیر وابسته نداشته باشد.که پیش از این در دوره های spss آکادمی تحلیل آماری پیرامون معناداری این ضرایب بحث مفصل انجام گرفته است. در ادامه، به رایج‌ترین انواع رگرسیون اشاره خواهد شد.

رگرسیون خطی ساده (Simple Linear Regression) زمانی از این آزمون استفاده می‌شود که پژوهشگر می‌خواهد تأثیر «یک» متغیر مستقل بر روی «یک» متغیر وابسته را مورد سنجش قرار دهد. به این آزمون «رگرسیون دومتغیره» (Bivariate Regression) هم گفته می‌شود. پژوهشگر باید توجه داشته باشد، زمانی می‌توان از آزمون رگرسیون (ساده و چندگانه) استفاده کرد که اولاً مقیاس گردآوری داده فاصله‌ای یا نسبی باشد و دوماً ارتباط میان دو متغیر به لحاظ آماری معنادار باشد که البته نرم افزار spss قبل از بررسی تاثیر این رابطه را بررسی می کند

رگرسیون چندمتغیره (Multiple Regression): زمانی که تعداد متغیرهای مستقل دو و یا بیشتر باشد، دیگر رگرسیون خطی ساده نمی‌تواند نتایج دقیقی از تأثیر این متغیرها به‌دست دهد. در چنین شرایطی از رگرسیون چندمتغیره استفاده می‌شود. رگرسیون چندمتغیره با نام «رگرسیون چندگانه» نیز شهرت دارد. همانطور که در دوره های آکادمی بیان شد متغیر های مستقل به 5 روش متفاوت وارد مدل رگرسیونی می شوند و هر یک از این روش ها کاربرد متفاوتی خواهد داشت. روش هم‌زمان (Enter Method)، روش گام‌به‌گام (Stepwise Method)، روش حذفی (Remove Method)، روش پس رونده (Backward method)، و روش پیش رونده (Forward Method)  این 5 روش ورود متغیر های مستقل به مدل رگرسیونی می باشد.

رگرسیون لجستیک (Logestic Regression) دو وجهی و چند وجهی: اما گاهی اوقات اتفاق می افتد که متغییر وابسته تحقیق در مقیاس فاصله ای/نسبی نبوده و مقیاس آن به صورت اسمی( دووجهی یا چندوجهی) است. یکی از سوالات شرکت کنندگان در دوره های کاربردی SPSS آکادمی تحلیل آماری شرکت می کنند این است که در چنین حالتی با توجه به اینکه پیش فرض اساسی تحلیل رگرسیون مقیاس فاصله ای /نسبی متغییر وابسته است چه باید کرد. رگرسیون لجستیک پیش بینی کننده متغیر وابسته دو وجهی و یا چند وجهی اسمی خواهد بود. البته با توجه به بحث های گسترده در دوره های آکادمی تحلیل آماری بهتر است در این شرایط بجای استفاده از مدل های رگرسیون لجستیک در نرم افزار های مثل spss از نرم افزار های با تخمین های مخصوص به این شرایط مثل mplus استفاده نماییم.

رگرسیون تخمین منحنی (Curve Estimation) : رگرسیون برآورد منحنی از خانواده تحلیل رگرسیون غیر خطی است. این نوع رگرسیون زمانی مورد استفاده قرار می گیرد که رابطه بین متغیر وابسته و متغیر های مستقل به صورت غیر خطی است و بنابراین، نمی توانیم از رگرسیون های خطی استفاده نماییم. در مقالات بعدی این نوع رگرسیون را بطور کامل آموزش خواهم داد.

رگرسیون ترتیبی (ordinal regression): در برخی از پژوهش‌ها و به‌خصوص پژوهش‌های پیمایشی، ممکن است که متغیر وابسته در سطح سنجش ترتیبی باشد. یعنی شرط اول اجرای رگرسیون‌های چندگانه که همانا کمی بودن(فاصله‌ای یا نسبی بودن) است را نداشته باشد. یعنی ما می‌توانیم که به طبقات این متغیر رتبه دهیم اما هرگز نمی‌توانیم فاصله‌ی بین رتبه‌ها را مشخص نماییم.مثلاً متغیر رضایت بجای اینکه توسط یکسری شاخص و سؤال در پرسشنامه سنجیده شده باشد که در انتها بتوان این سؤالات را با فرایند compute به سمت یک متغیر کمی پیوسته حرکت داد، خود شامل یک طیف سه گزینه‌ای رضایت بالا، متوسط یا پایین جهت سنجش است. در این شرایط نیز بجای استفاده از مدل های رگرسیون ترتیبی در نرم افزار های مثل spss از نرم افزار های با تخمین های مخصوص به این شرایط مثل mplus استفاده نماییم.

رگرسیون پروبیت (Probit Regression) : زمانی که خروجی یا متغیر وابسته دارای دو بعد باشد از این نوع رگرسیون استفاده خواهد شد. این نوع رگرسیون با عنوان «مدل‌های پروبیت» نیز شناخته شده است. برای مثال، زمانی که بخواهیم متغیرهای مؤثر بر عضو شدن یا نشدن کاربران در کتابخانه را بررسی کنیم، این نوع رگرسیون مناسب‌تر خواهد بود. این رگرسیون مشابه رگرسیون‌های لجستیک است.

 

 

 

 

IRT 7,000 – خرید نهایی کردن خرید مورد به سبد خرید اضافه شد