تحلیل آماری رگرسیون پواسون

این آموزش توسط سایت کافه پروژه برای ارتقای سطح علمی دانشجویان و علاقه مندان به نرم افزار spss تنظیم شده و هدفش آشنایی با آزمون های موجود در  این نرم افزار و نحوه انجام این آزمون ها و کمک به دانشجویان و پژوهشگران برای حل مسائل تحقیقی با استفاده از آزمون های این نرم افزار است  لذا به جهت گستردگی مطالب  در چندین قسمت درحال برگذاری هست.و در هر قسمت بطور جداگانه آموزش های لازم داده خواهد شد

تحلیل آماری رگرسیون پواسون

تجزیه و تحلیل رگرسیون پواسون با استفاده از نرم افزار اس پی اس اس

مقدمه

از رگرسیون پواسون برای پیش‌بینی یک متغیر وابسته استفاده می‌شود که از «تعدادی از  داده‌ها» با یک یا چند متغیر مستقل تشکیل شده است. متغیری که می خواهیم پیش بینی کنیم، متغیر ملاک (یا گاهی اوقات  متغیر پاسخ، نتیجه، هدف یا متغیر وابسته) نامیده می شود. متغیرهایی که برای پیش‌بینی مقدار متغیر ملاک استفاده می‌کنیم، متغیرهای پیش بینی کننده (یا گاهی اوقات متغیرهای مستقل، شرح دهنده یا رگرسیون) نامیده می‌شوند. برخی از مثال‌هایی که می‌توان از رگرسیون پواسون استفاده کرد در زیر شرح داده شده‌اند:

مثال شماره یک : در یک تحقیقی ما  از رگرسیون پواسون برای بررسی تعداد دانش‌آموزانی که توسط چند تا مدرسه  به حالت تعلیق در آمده اند، بر اساس پیش‌بینی‌کننده‌هایی مانند جنسیت (دختران و پسران)، نژاد (سفید پوست، سیاه‌پوست، اسپانیایی تبار، جزیره‌ای آسیایی/اقیانوس آرام و آمریکایی استفاده کردیم. بومی هندی/آلاسکا)، زبان (انگلیسی زبان اول آنهاست، انگلیسی زبان اول آنها نیست) و وضعیت ناتوانی (معلول و غیر معلول). در اینجا، «میزان تعلیق» متغیر وابسته است، در حالی که «جنس»، «نژاد»، «زبان» و «وضعیت ناتوانی» همگی متغیرهای مستقل اسمی هستند

در ادامه قصد داریم آموزش نرم افزار spss و پروژه spss را به شما ارائه دهیم.لطفا تا پایان با ما همراه باشید و آموزش های ما را دنبال نمایید.

مثال شماره دوم: می‌توانیم از رگرسیون پواسون برای بررسی تعداد دفعاتی که تعدای از  افراد در بازپرداخت کارت اعتباری خود در یک دوره ۴ ساله برپایه پیش‌بینی‌کننده‌هایی مانند وضعیت اشتغال (شاغل، بیکار)، حقوق سالانه) عدول کرده‌اند، استفاده کنید. سن (بر حسب سال)، جنسیت (مرد و زن) و میزان  بیکاری در کشور (درصد بیکار). در اینجا، میزان پیش‌پرداخت کارت اعتباری» متغیر ملاک است، در حالی که «وضعیت اشتغال» و «جنسیت» متغیرهای مستقل اسمی و «حقوق سالانه»، «سن» و «میزان بیکاری در کشور» مستقل هستند.

پیشنهاد نرم افزار مشابه : برای انجام پروژه های تحلیل آماری نرم افزار دیگری وجود دارد که همانند spss کارایی بالایی دارد.انجام پروژه ایویوز محبوبیت زیادی در بین محققین و دانشجویان دارد و بسیاری از شرکتها از این نرم افزار برای کارهای آماری خود استفاده می کنند.

با دیگر خدمات سایت کافه پروژه آشنا شوید :

انجام پروژه مهندسی برق

انجام پروژه مهندسی کامپیوتر

انجام پروژه مهندسی پزشکی

انجام پروژه مهندسی صنایع

انجام پروژه مهندسی عمران

انجام پروژه مهندسی شیمی

انجام پروژه انسیس

انجام پروژه تری دی مکس

ادامه آموزش را دنبال نمایید…

مثال شماره سوم : می‌توانیم از رگرسیون پواسون برای بررسی تعدادی از  افرادی که جلوتر از شما هستند در صف در بخش حوادث و اورژانس (A&E) یک بیمارستان بر اساس پیش‌بینی‌کننده‌هایی مانند وضعیت ورود به A&E (آمبولانس یا خود چک کردن) استفاده کنیم. ، شدت آسیب محاسبه شده در طول تریاژ (خفیف، متوسط، شدید)، زمان روز و روز هفته. در اینجا، «میزان افراد جلوتر از شما در صف» متغیر ملاک است، در حالی که «حالت ورود» یک متغیر مستقل اسمی، «شدت آسیب محاسبه شده» یک متغیر مستقل ترتیبی، و «زمان روز» و « روز هفته” متغیرهای پیش بینی کننده پیوسته هستند

نکته: یک دیگر از خدماتی که توسط سایت کافه پروژه ارائه می شود کار ریوایز مقاله است. جهت ریوایز مقاله خود نیازمند آموزش کافه پروژه از ابتدا ملاحظه نمایید جهت مشاهده و آموزش های مرتبط با این پروژه  لازم است کلمه آموزش پروژه ریوایز مقاله را در بخش جستجو وارد نمایید و اینتر بزنید.همنچنین میتوانید سفارش مقاله علمی پژوهشی خود را نیز در سایت انجام دهید.کافه پروژه در زمینه نگارش مقاله مجریان قابلی را داراست.

مثال شماره چهارم: می‌توانید از رگرسیون پواسون برای شرح تعدادی از  دانش‌آموزانی که در یک برنامه MBA نمره کلاس اول دریافت می‌کنند، بر پایه پیش‌بینی‌کننده‌هایی مانند انواع دروس اختیاری که انتخاب کرده‌اند (عمدتاً کمی، عمدتاً کیفی، ترکیبی ازمتغیرهای کمی و کیفی) و معدل آنها در هنگام ورود به برنامه. در اینجا «تعداد دانش‌آموزان کلاس اول» متغیر ملاک است، در حالی که «دروس اختیاری» یک متغیر پیش بینی کننده اسمی و «معدل» یک متغیر مستقل پیوسته است.

با انجام رگرسیون پواسون، می‌توانید مشخص کنید که کدام یک از متغیرهای مستقل (در صورت وجود) تأثیر آماری معنی‌داری بر متغیرملاک شما دارند. برای متغیرهایپیش بینی کننده  طبقه‌بندی شده ، می‌توانید میزان  افزایش یا کاهش تعداد یک گروه را مشخص کنید (مثلاً مرگ و میر در میان «کودکان» سوار ترن هوایی) در برابر گروه دیگر (مثلاً مرگ و میر در میان «بزرگ‌سالان» سوار بر ترن هوایی). برای متغیرهای پیش بینی کننده پیوسته، می‌توانید تحلیل کنید که چگونه یک واحد افزایش یا کاهش در آن متغیر با میزان افزایش یا کاهش تعداد متغیر وابسته شما در ارتباط است (به عنوان مثال، کاهش ۱۰۰۰ دلاری حقوق – متغیر مستقل -). میزان تغییر در تعداد دفعاتی که افراد در بازپرداخت کارت اعتباری خود عدول کرده اند و آن را نپرداخته اند – متغیر وابسته).

نکته : سایت فریلنسینگ کافه پروژه یکی از بزرگترین سایتهای پروژه تحلیل آماری در ایران است که از وجود صدها فریلنسر متخصص کارهای آماری بهره می برد.جهت سفارش پروژه ثبت نام نمایید و پروژه خود را ایجاد کنید

پس از آشنایی مختصر و مفید با رگرسیون پواسون حالا به آموزش این آزمون در نرم افزار اس پی اس اس می پردازیم و به این منظور در ابتدا فرضیاتی آورده شده است

لذا. در ادامه به شرح و بررسی  این فرضیات می پردازیم.

آمار اس پی اس اس

فرضیات

زمانیکه که تصمیم می‌گیرید داده‌های خود را با استفاده از رگرسیون پواسون تجزیه و تحلیل کنید، قسمتی از مراحل شامل بررسی می‌شود تا اطمینان حاصل کنید که داده‌هایی که می‌خواهید تجزیه و تحلیل کنید واقعاً می‌توانند با استفاده از رگرسیون پواسون تجزیه و تحلیل شوند. شما حتما این کار را انجام دهید زیرا تنها زمانی استفاده از رگرسیون پواسون مورد قبول است که داده‌های شما از پنج فرضیه که برای رگرسیون پواسون لازم است تا نتیجه قابل قبولی به شما بدهد، در عمل، بررسی این پنج فرضیه بیشترین وقت شما را زمان انجام رگرسیون پواسون می گیرد. با این حال، ضروری است که این کار را انجام دهید، زیرا ناقص بودن یک یا چند مورد از این فرضیات (به عنوان مثال، برآورده نشدن) از داده‌ها غیر عادی نیست. با این حال، حتی زمانی که داده های شما بعضی از این فرضیات را با شکست روبرو می کند، اغلب راه حلی برای مقابله با آن وجود دارد. در  ابتدا این پنج فرضیه را مورد بررسی قرار می دهیم:

فرضیه شماره اول:

متغیر وابسته شما از داده های قابل شمارش تشکیل شده است. داده‌های قابل شمارش با داده‌های اندازه‌گیری شده در سایر انواع رگرسیون مشهور فرق دارد (به عنوان مثال، رگرسیون خطی و رگرسیون چندمتغیره به متغیرهای وابسته نیاز دارند که در مقیاس “پیوسته” اندازه‌گیری می‌شوند، رگرسیون لجستیک دوجمله‌ای به یک متغیر ملاک نیاز دارد که بر روی یک مقیاس “دوبعدی” اندازه‌گیری شود. مقیاس، رگرسیون ترتیبی به یک متغیر ملاک نیاز دارد که در مقیاس “ترتیبی” اندازه گیری می شود، و رگرسیون لجستیک چند جمله ای به یک متغیر ملاک نیاز دارد که در مقیاس “اسمی” اندازه گیری شود). در مقابل، متغیرهای قابل  شمارش به داده‌های عدد صحیح نیاز دارند که باید صفر یا بیشتر باشند. به زبان ساده، یک عدد صحیح را به عنوان یک عدد “کل” در نظر بگیرید (به طور مثال، ۰، ۱، ۵، ۸، ۳۵۴، ۸۸۸، ۲۳۴۰۰، و غیره). همچنین، از آنجایی که داده‌های  قابل شمارش باید «مثبت» باشند (یعنی شامل اعداد صحیح «غیر منفی» باشند)، نمی‌توانند ازاعداد «منفی» بوجود آیند (مثلاً اعدادی مانند -۱، -۵، -۸، -۳۵۴، -۸۸۸). و -۲۳۴۰۰ داده های  قابل شمارش در نظر گرفته نمی شود). علاوه بر این، گاهی اوقات توصیه می شود که رگرسیون پواسون فقط هنگامی انجام شود که تعداد میانگین مقدار عددی باشد (به عنوان مثال، کمتر از ۱۰). در مواردی که تعداد زیادی اعداد قابل شمارش وجود دارد، نوع دیگری از رگرسیون ممکن است مناسب تر باشد (به عنوان مثال، رگرسیون چندمتغیره، رگرسیون گاما، و غیره).

نمونه‌هایی از متغیرهای قابل  شمارش عبارتند از: تعدادی از  پروازهای با تاخیر بیشتر از دو ساعت در فرودگاه‌های اروپایی، تعدادی از  دانش‌آموزانی که توسط مدارس در فلان شهر به حالت تعلیق در آمده اند، تعداد دفعاتی که مردم شهری  در بازپرداخت کارت اعتباری خود در مدت پنج سال عدول  کرده‌اند. دوره، تعداد افرادی که جلوتر از شما در صف بخش حوادث و اورژانس (A&E) یک بیمارستان هستند، تعدادی از  دانش آموزانی که نمره کلاس اول (معمولاً کمتر از ۵) در یک برنامه MBA دریافت می کنند، و تعداد افرادی که در تصادفات ترن هوایی در فلا ن شهر کشته شدند.

فرضیه شماره دوم:

مشاهدات شما باید از مشاهدات دیگر استقلال داشته باشند. این بدان معناست که هر مشاهده مستقل از مشاهدات دیگر است. یعنی یک مشاهده نمی تواند هیچ اطلاعاتی را  در رابطه با  مشاهده دیگر ارائه دهد. این یک فرضیه بسیار مهم است. نبود مشاهدات مستقل بیشتراز یک موضوع برای  طراحی مطالعه است. یک روش برای آزمایش امکان استقلال مشاهدات، مقایسه اشتباهات مبتنی بر مدل استاندارد با اشتباهات قوی برای مشخص کردن اینکه آیا تفاوت های زیادی وجود دارد یا خیر.

فرضیه شماره سوم:

توزیع شمارش ها (مشروط به مدل استاندارد) از توزیع  رگرسیون پواسون اطاعت می کند. یکی از نتایج این امر این است که تعداد مشاهده شده و مورد انتظار باید یکسان باشند (در واقع، فقط بسیار مشابه). در اصل، این فرضیه می گوید که این  مدل تعداد مشاهده شده را به خوبی پیش بینی می کند. این فرضیه را می‌توان به روش‌های مختلفی آزمایش کرد، اما یکی از روش‌ها محاسبه مقدار مورد انتظار و رسم  آن‌ها با شمارش‌های مشاهده‌شده برای مشاهده مشابه  و یکسان بودن آنهاست.

 

پیشنهاد لینک : اگر دنبال کارهای تحقیقاتی در این حوزه هستید و کار نرم افزاری به کارتان نمی آید میتوانید به صفحه سفارش تحقیق سایت کافه پروژه مراجعه نمایید

در ادامه قصد داریم آموزش نرم افزار spss و انجام پروژه با نرم افزار spss را به شما ارائه دهیم.لطفا تا پایان با ما همراه باشید و آموزش های ما را دنبال نمایید.

برای مشاهده همه مطالب آموزشی در این رابطه کلمه آموزش spss را در بخش جستجوی سایت تایپ کرده و اینتر بزنید.

نحوه سفارش پروژه در سایت کافه پروژه :

اگر پروژه ای دارید که میخواهید آن را برون سپاری کنید کافی است در سایت کافه پروژه ثبت نام کنید و پروژه خود را ثبت نمایید.پروژه شما هر چه که باشد حتما مجری برای آن وجود دارد.جهت ثبت نام و ثبت سفارش پروژه خود برروی دکمه زیر کلیک نمایید.