کتاب مبانی و کاربردهای روش حداقل مربعات تعمیم‌یافته در تحلیل داده‌ها با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

249,950 تومان
پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی و کاربردهای روش حداقل مربعات تعمیم‌یافته در تحلیل داده‌ها

موضوع کلی: آمار و تحلیل داده‌ها

موضوع میانی: روش‌های تخمین آماری

📋 سرفصل‌های دوره

  • 1. مقدمه ای بر تحلیل داده ها و روش های آماری
  • 2. مفاهیم پایه ای آمار استنباطی
  • 3. مبانی رگرسیون خطی ساده
  • 4. مفروضات رگرسیون خطی کلاسیک
  • 5. برآورد پارامترها در مدل رگرسیون
  • 6. آزمون فرض آماری در رگرسیون
  • 7. فاصله اطمینان برای پارامترها
  • 8. ارزیابی کیفیت برازش مدل
  • 9. تحلیل واریانس (ANOVA) در رگرسیون
  • 10. رگرسیون خطی چندگانه
  • 11. مفروضات مدل رگرسیون چندگانه
  • 12. برآورد پارامترها در مدل چندگانه
  • 13. آزمون فرض برای ضرایب رگرسیون
  • 14. تفسیر ضرایب رگرسیون چندگانه
  • 15. شاخص های ارزیابی مدل چندگانه
  • 16. مشکلات احتمالی در مدل رگرسیون
  • 17. همبستگی چندگانه (Multicollinearity)
  • 18. تشخیص و رفع همبستگی چندگانه
  • 19. متغیرهای مجازی (Dummy Variables)
  • 20. کاربرد متغیرهای مجازی در رگرسیون
  • 21. رگرسیون با متغیر وابسته کیفی
  • 22. مدل پروبیت (Probit Model)
  • 23. مدل لاجیت (Logit Model)
  • 24. مقدمه ای بر حداقل مربعات تعمیم یافته (GLS)
  • 25. ضرورت استفاده از GLS
  • 26. تفاوت GLS با OLS
  • 27. ماتریس کوواریانس خطاهای مدل
  • 28. فرض ناهمسانی واریانس (Heteroscedasticity)
  • 29. تشخیص ناهمسانی واریانس
  • 30. روش های برآورد در حضور ناهمسانی واریانس
  • 31. فرض خودهمبستگی خطاها (Autocorrelation)
  • 32. تشخیص خودهمبستگی خطاها
  • 33. روش های برآورد در حضور خودهمبستگی
  • 34. مدل های سری زمانی و خودهمبستگی
  • 35. مدل های فضایی و خودهمبستگی
  • 36. مفهوم ناهمسانی کوواریانس (Heterscedasticity of Covariance)
  • 37. مدل های پانل دیتا (Panel Data Models)
  • 38. مدل اثرات ثابت (Fixed Effects)
  • 39. مدل اثرات تصادفی (Random Effects)
  • 40. کاربرد GLS در مدل های پانل دیتا
  • 41. روش های برآورد GLS در پانل دیتا
  • 42. مقدمه ای بر گشتاورهای تعمیم یافته (Generalized Method of Moments - GMM)
  • 43. مبانی GMM
  • 44. ارتباط GMM با GLS
  • 45. کاربرد GMM در اقتصاد سنجی
  • 46. برآوردگرهای GMM
  • 47. آزمون های سازگاری در GMM
  • 48. حداقل مربعات وزنی (Weighted Least Squares - WLS)
  • 49. کاربرد WLS در حل ناهمسانی واریانس
  • 50. انتخاب وزن های مناسب در WLS
  • 51. حداقل مربعات تعمیم یافته وزنی (WLGS)
  • 52. مقدمه ای بر مدل های چند سطحی (Multilevel Models)
  • 53. کاربرد مدل های چند سطحی
  • 54. ساختار سلسله مراتبی داده ها
  • 55. برآورد پارامترها در مدل های چند سطحی
  • 56. قلمرو کاربرد GLS در مدل های چند سطحی
  • 57. تحلیل داده های ناظر شده (Observed Data Analysis)
  • 58. تحلیل داده های ساختار یافته
  • 59. تحلیل داده های غیر ساختار یافته
  • 60. مقدمه ای بر روش های بیزی (Bayesian Methods)
  • 61. کاربرد روش های بیزی در آمار
  • 62. تفاوت رویکرد بیزی و فراوانی گرا
  • 63. مقدمه ای بر استنتاج بیزی
  • 64. توزیع پیشین و پسین
  • 65. کاربرد GLS در استنتاج بیزی
  • 66. مقدمه ای بر تحلیل عاملی (Factor Analysis)
  • 67. مبانی تحلیل عاملی
  • 68. کاربرد تحلیل عاملی در داده کاوی
  • 69. مقدمه ای بر تحلیل مؤلفه های اصلی (Principal Component Analysis - PCA)
  • 70. مبانی PCA
  • 71. ارتباط PCA با کاهش ابعاد
  • 72. کاربرد PCA در پیش پردازش داده ها
  • 73. مقدمه ای بر خوشه بندی (Clustering)
  • 74. الگوریتم های خوشه بندی
  • 75. کاربرد خوشه بندی در بازاریابی
  • 76. مقدمه ای بر طبقه بندی (Classification)
  • 77. الگوریتم های طبقه بندی
  • 78. کاربرد طبقه بندی در تشخیص بیماری
  • 79. مقدمه ای بر شبکه های عصبی (Neural Networks)
  • 80. مبانی شبکه های عصبی
  • 81. کاربرد شبکه های عصبی در یادگیری ماشین
  • 82. مقدمه ای بر درخت های تصمیم (Decision Trees)
  • 83. مبانی درخت های تصمیم
  • 84. کاربرد درخت های تصمیم در پیش بینی
  • 85. مقدمه ای بر ماشین بردار پشتیبان (Support Vector Machines - SVM)
  • 86. مبانی SVM
  • 87. کاربرد SVM در تشخیص الگو
  • 88. مقدمه ای بر تحلیل سری های زمانی (Time Series Analysis)
  • 89. مبانی سری های زمانی
  • 90. مدل های ARIMA
  • 91. کاربرد GLS در مدل های سری زمانی
  • 92. مقدمه ای بر مدل های رگرسیون لجستیک تعمیم یافته (Generalized Logistic Regression)
  • 93. مبانی رگرسیون لجستیک تعمیم یافته
  • 94. کاربرد در تحلیل داده های کیفی
  • 95. مقدمه ای بر روش های نمونه گیری (Sampling Methods)
  • 96. انواع روش های نمونه گیری
  • 97. کاربرد در پیمایش های آماری
  • 98. مقدمه ای بر آزمون های ناپارامتری (Nonparametric Tests)
  • 99. مبانی آزمون های ناپارامتری
  • 100. کاربرد در شرایط مفروضات نقض شده
تگ‌ها: GLS OLS آمار کاربردی تحلیل داده تخمین آماری حداقل مربعات حداقل مربعات تعمیم‌یافته داده‌های طولی رگرسیون سری زمانی

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.