فلش‌کارت‌های آموزشی از مبانی تا کاربرد: کتاب جامع تحلیل داده‌های چند متغیره

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره از مبانی تا کاربرد: دوره جامع تحلیل داده‌های چند متغیره

موضوع کلی: آمار و تحلیل داده‌ها

موضوع میانی: تحلیل داده‌های چند متغیره

📋 سرفصل‌های دوره

• 1. معرفی دوره و اهداف آن
• 2. مبانی آمار توصیفی و استنباطی (مرور)
• 3. مقدمه‌ای بر تحلیل داده‌های چند متغیره
• 4. چرا تحلیل چند متغیره؟ مزایا و کاربردها
• 5. انواع داده‌ها و مقیاس‌های اندازه‌گیری در تحلیل چند متغیره
• 6. مرور ماتریس‌ها و جبر خطی (اصول ضروری)
• 7. معرفی نرم‌افزارهای تحلیل چند متغیره (R, Python, SPSS)
• 8. مفاهیم اساسی داده‌های چند متغیره: بردار میانگین و ماتریس کوواریانس
• 9. توزیع نرمال چند متغیره
• 10. آشنایی با انواع فرضیه‌ها در تحلیل چند متغیره
• 11. ورود و سازماندهی داده‌ها
• 12. پاکسازی داده‌ها: شناسایی و مدیریت مقادیر پرت (Outliers)
• 13. پاکسازی داده‌ها: شناسایی و مدیریت داده‌های گمشده (Missing Data)
• 14. استراتژی‌های جایگزینی داده‌های گمشده
• 15. تبدیل داده‌ها: نرمال‌سازی و استانداردسازی
• 16. ترسیمات و نمودارهای توصیفی برای داده‌های چند متغیره (بخش اول)
• 17. ترسیمات و نمودارهای توصیفی برای داده‌های چند متغیره (بخش دوم)
• 18. تحلیل‌های توصیفی اولیه: میانگین، واریانس، کوواریانس و همبستگی
• 19. ماتریس‌های همبستگی و کوواریانس: تفسیر و کاربرد
• 20. مقدمه‌ای بر آزمون‌های نرمالیتی چند متغیره
• 21. مرور رگرسیون خطی ساده
• 22. مفاهیم و اهداف رگرسیون چندگانه
• 23. مدل‌سازی رگرسیون چندگانه: معادله و فرضیات
• 24. تخمین پارامترها در رگرسیون چندگانه
• 25. آزمون فرضیه‌ها و معناداری مدل در رگرسیون چندگانه
• 26. تفسیر ضرایب رگرسیون و مقدار R-squared
• 27. تشخیص مشکلات مدل: همخطی چندگانه (Multicollinearity)
• 28. تشخیص مشکلات مدل: ناهمسانی واریانس و خودهمبستگی
• 29. متغیرهای طبقه‌ای در رگرسیون چندگانه
• 30. تحلیل متغیرهای تعاملی (Interaction Terms) در رگرسیون
• 31. مرور تحلیل واریانس (ANOVA) یک‌طرفه و دوعاملی
• 32. مفاهیم و اهداف تحلیل واریانس چند متغیره (MANOVA)
• 33. فرضیات MANOVA: نرمالیته، همگنی ماتریس‌های کوواریانس
• 34. آماره‌های آزمون در MANOVA (Wilks' Lambda, Pillai's Trace, Hotelling's Trace, Roy's Largest Root)
• 35. تفسیر نتایج MANOVA و شناسایی متغیرهای مؤثر
• 36. آزمون‌های تعقیبی (Post-Hoc Tests) در MANOVA
• 37. تحلیل واریانس با اندازه‌گیری‌های تکراری (Repeated Measures ANOVA - مقدمه)
• 38. مفاهیم و اهداف تحلیل کوواریانس چند متغیره (MANCOVA)
• 39. فرضیات MANCOVA و نحوه اجرای آن
• 40. تفسیر نتایج MANCOVA و کنترل اثر متغیرهای مزاحم
• 41. مقدمه‌ای بر تحلیل تشخیص (Discriminant Analysis)
• 42. اهداف تحلیل تشخیص: طبقه‌بندی و پیش‌بینی عضویت گروهی
• 43. فرضیات تحلیل تشخیص: نرمالیته، همگنی ماتریس‌های کوواریانس
• 44. تابع تشخیص خطی و نحوه استخراج آن
• 45. ارزیابی معناداری توابع تشخیص
• 46. تفسیر ضرایب توابع تشخیص و ساختار همبستگی
• 47. طبقه‌بندی موارد جدید با استفاده از توابع تشخیص
• 48. ماتریس طبقه‌بندی و نرخ طبقه‌بندی صحیح
• 49. مقایسه تحلیل تشخیص با رگرسیون لجستیک
• 50. کاربردهای تحلیل تشخیص در علوم مختلف
• 51. مقدمه‌ای بر رگرسیون لجستیک (Binary Logistic Regression)
• 52. تفاوت رگرسیون لجستیک با رگرسیون خطی
• 53. تابع پیوند (Link Function) و تبدیل لجیت (Logit Transformation)
• 54. تفسیر ضرایب رگرسیون لجستیک و نسبت شانس (Odds Ratio)
• 55. ارزیابی برازش مدل در رگرسیون لجستیک (Hosmer-Lemeshow Test, ROC Curve)
• 56. پیش‌بینی احتمال رویداد با استفاده از مدل
• 57. رگرسیون لجستیک چند جمله‌ای (Multinomial Logistic Regression)
• 58. رگرسیون لجستیک ترتیبی (Ordinal Logistic Regression)
• 59. انتخاب متغیرها و مدل‌سازی گام به گام در رگرسیون لجستیک
• 60. کاربردهای پیشرفته رگرسیون لجستیک
• 61. مقدمه‌ای بر تحلیل مؤلفه‌های اصلی (Principal Component Analysis - PCA)
• 62. اهداف PCA: کاهش ابعاد و ساخت متغیرهای جدید
• 63. مفاهیم اساسی: واریانس، کوواریانس، مقادیر ویژه و بردارهای ویژه
• 64. مراحل اجرای PCA: استخراج مؤلفه‌ها
• 65. معیارهای انتخاب تعداد مؤلفه‌ها (Kaiser Criterion, Scree Plot)
• 66. چرخش مؤلفه‌ها (Rotation) و انواع آن (Varimax, Promax)
• 67. تفسیر مؤلفه‌های اصلی و بارگذاری‌ها (Loadings)
• 68. امتیازات مؤلفه‌ها (Component Scores) و کاربرد آنها
• 69. PCA برای داده‌های همبسته و ناهمبسته
• 70. محدودیت‌ها و نکات پیشرفته در PCA
• 71. مقدمه‌ای بر تحلیل عاملی (Factor Analysis - FA)
• 72. تفاوت تحلیل عاملی اکتشافی (EFA) و تأییدی (CFA)
• 73. تفاوت تحلیل عاملی با تحلیل مؤلفه‌های اصلی
• 74. فرضیات تحلیل عاملی اکتشافی
• 75. روش‌های استخراج عامل‌ها (Principal Axis Factoring, Maximum Likelihood)
• 76. انتخاب تعداد عامل‌ها و چرخش عامل‌ها (Rotation)
• 77. تفسیر عامل‌ها و بارگذاری‌های عاملی (Factor Loadings)
• 78. امتیازات عاملی (Factor Scores) و استفاده از آنها
• 79. اعتبار و پایایی مدل عاملی
• 80. مقدمه‌ای بر تحلیل عاملی تأییدی (CFA) با نرم‌افزارهای تخصصی
• 81. مقدمه‌ای بر تحلیل خوشه‌ای (Cluster Analysis)
• 82. اهداف تحلیل خوشه‌ای: گروه‌بندی موارد مشابه
• 83. معیارهای شباهت و فاصله در تحلیل خوشه‌ای (Euclidean, Manhattan, Cosine)
• 84. روش‌های خوشه‌بندی سلسله مراتبی (Hierarchical Clustering): Ward's Method, Single Linkage, Complete Linkage
• 85. دندروگرام‌ها (Dendrograms) و تفسیر آنها
• 86. روش‌های خوشه‌بندی غیرسلسله مراتبی (Non-Hierarchical Clustering): K-Means
• 87. تعیین تعداد بهینه خوشه‌ها در K-Means
• 88. ارزیابی پایداری و اعتبار خوشه‌ها
• 89. تفسیر نتایج تحلیل خوشه‌ای و پروفایل‌سازی خوشه‌ها
• 90. کاربردهای تحلیل خوشه‌ای و ملاحظات عملی
• 91. تحلیل همبستگی کانونی (Canonical Correlation Analysis - CCA): مفاهیم و اهداف
• 92. فرضیات و مراحل اجرای CCA
• 93. تفسیر نتایج CCA: روابط بین مجموعه‌های متغیرها
• 94. ارزیابی اهمیت و اعتبار توابع کانونی
• 95. کاربردهای CCA در پژوهش‌های چند متغیره
• 96. مقیاس‌گذاری چند بعدی (Multidimensional Scaling - MDS): مفاهیم و اهداف
• 97. انواع MDS: متریک و غیرمتریک
• 98. تفسیر نقشه‌های MDS و تعیین ابعاد
• 99. مقدمه‌ای بر مدل‌سازی معادلات ساختاری (Structural Equation Modeling - SEM) و تحلیل مسیر (Path Analysis)
• 100. نکات پیشرفته در انتخاب مدل، گزارش‌دهی و ملاحظات اخلاقی در تحلیل‌های چند متغیره