پاسخگوی شما هستیم....
09128186605 - 88712381
Support@GraphPad.ir
https://t.me/GraphPad
با کانال گراف پد در ارتباط باشید....
گراف پدگراف پد
  • گراف پد
  • ویدئوها
  • آموزش‌ها
  • کتاب سال SPSS
  • مشاوره
  • دریافت گراف پد ۹
  • سبد خرید

  • گراف پد
  • ویدئوها
  • آموزش‌ها
  • کتاب سال SPSS
  • مشاوره
  • دریافت گراف پد ۹

رگرسیون لجستیک و پیش‌بینی بازار سهام

    خانه » آموزش گراف پد » رگرسیون لجستیک و پیش‌بینی بازار سهام
پیش‌بینی بازار سهام

رگرسیون لجستیک و پیش‌بینی بازار سهام

  • ارسال شده توسط گراف پَد
  • دسته بندی SPSS, بورس, رگرسیون لجستیک

زمان مطالعه: ۱۰ دقیقه 

 
ایده

بیایید یک ایده روی کاغذ داشته باشیم. فعلاَ روی کاغذ.

از یک سوال شروع می‌کنم. آیا امکان دارد در پایان هر روز بازار بورس، یک لیستی ارایه دهیم از تمام نمادهای معامله شده، به ترتیب اولویت و احتمال مثبت بودن فردا.

به بیان دیگر در این لیست، رتبه اول مربوط به نمادی باشد که بالاترین احنمال مثبت بودن فردا را دارد و به همین ترتیب تمام نمادها تا انتهای لیست، که در رتبه آخر نمادی قرار می‌گیرد که کمترین احتمال مثبت بودن فردا را دارد؟

پاسخ مثبت است. بله می‌توان در پایان هر روز، به هر نماد یک عدد نسبت داد که آن عدد بیانگر اندازه احتمال مثبت بودن فردا است.

اما چگونه؟ با چه ابزاری؟

سعی می‌کنم از پایه و مقدمات شروع کنم و بگویم. هر چند کمی طولانی است. اما پیشنهاد می‌کنم با دقت بخوانید.

در نوشته قبلی گفتم همه چیز رگرسیون است. پس از همان شروع می‌کنم.

رگرسیون چه بود؟ خیلی ساده.

 رگرسیون 

Y = f (X)

به معنای اینکه با استفاده از تابعی مانند f و مشاهده و اندازه‌گیری X مقدار عددی Y را پیش‌بینی کنیم. در هر مدل رگرسیونی، X در اختیار ما است و ما آن را می‌بینیم و اندازه می‌گیریم اما Y در اختیار ما نیست و ما باید از روی X مقدار Y را به دست بیاوریم.

می‌خواهیم از همین ابزار استفاده کنیم تا به ایده خودمان برسیم. یعنی پیش‌بینی احتمال مثبت بودن نماد در بازار فردا. گام به گام پیش می‌رویم.

  • الف) Y چیست؟

 

از Y شروع می‌کنیم. به جای Y خیلی ساده P مخفف Probability قرار می‌دهیم. چرا؟ چون می‌خواهیم یک احتمال پیش‌بینی کنیم. احتمال مثبت بودن نماد در روز بعد.

پس مدل رگرسیونی زیر را خواهیم داشت.

P = f (X)

در این مدل X ها را که داریم و درباره آن‌ها در ادامه صحبت می‌کنم، اما f یا همان تابعی که قرار است X را به P مرتبط کند چیست؟

  • ب) f چیست؟

 

بیایید درباره f حرف بزنیم. f از کجا ساخته می‌شود؟ چه تابعی قرار دهیم؟

برای پاسخ به این سوال اجازه دهید یکبار دیگر مدل رگرسیون را ببینیم.

Y = f (X)

در تئوری آماری اثبات می‌شود این‌که f چه باشد به جنس و ماهیت Y مربوط است. یعنی پاسخ به این سوال که از چه f ای استفاده می‌کنیم، به این برمی‌گردد اعداد Y چه هستند و چه جنسی دارند. چند مثال ببینیم.

 i) فرض کنید Y پیشامد Event رخدادن بیماری کووید ۱۹ باشد. قبلاَ در همین کانال نوشتم که به نظر می‌رسد که رخداد این بیماری دارای توزیع آماری پواسن Poisson باشد، امروزه این مطلب ثابت شده است. پس f ما در این مثال تابع پواسنی خواهد بود و مدل ما رگرسیون پواسنی.

ii) فرض کنید Y پیشامد فاصله زمانی بین دو زمین لرزه باشد. می‌دانیم فاصله بین دو زمین لرزه دارای توزیع آماری با نام نمایی Exponential است. پس f ما در این مثال تابع نمایی خواهد بود و مدل ما رگرسیون نمایی.

iii) بسیاری از پدیده‌های اطراف ما دو حالتی و اصطلاحاَ صفر و یکی هستند. یعنی یا رخ می‌دهد (یک) یا رخ نمی‌دهد (صفر). مثبت یا منفی، برد یا باخت، روشن یا خاموش، بیمار یا سالم. این پدیده‌ها و پیشامدها دارای توزیع آماری با نام برنولی Bernoulli هستند. ما در این پدیده‌ها به دنبال یافتن احتمال رخداد پیشامد هستیم. یعنی همان P که ابتدای متن از آن حرف زدم. ما در این نوشتار می‌خواهیم درباره این پدید‌ها حرف بزنیم.

یکبار دیگر مدل رگرسیونی که به مدل احتمالی تبدیل شد را ببینید.

P = f (X)

سوال ما این بود که در این مدل از چه f ای استفاده کنیم؟

تا اینجا به این نتیجه رسیدیم که پیشامدی که ما می‌خواهیم بررسی کنیم دو حالتی است، مثبت یا منفی. پس توزیع آن برنولی است. در تئوری آماری که البته چندان هم پیچیده نیست، نتیجه می‌شود وقتی توزیع پیشامد ما برنولی است، تابع f به صورت زیر خواهد بود. اسم آن را تابع لجستیک می‌نامیم.

f (X) = eX / (1+eX)

علامت / به معنای تقسیم است.

پس مدل احتمالی ما به صورت زیر خواهد بود.

P = eX / (1+eX)

در این مدل با استفاده از X که آن‌ها را می‌دانیم، مقدار P را به دست می‌آوریم.

در این‌جا دوست دارم دو نکته بگویم.

i) احتمال، مادر آمار است. به این نکته توجه کنید که ما در ابتدا فقط دو عدد داشتیم، صفر (پیشامد رخ نمی‌دهد) یا یک (پیشامد رخ می‌دهد). اما حالا مدل احتمالی داریم. یعنی بی‌نهایت عدد از بازه (۱ . ۰). مثلا عدد ۰.۲۷ یعنی پیشامد با احتمال ۲۷ درصد رخ می‌دهد یا ۰.۶۳ یعنی پیشامد با احتمال ۶۳ درصد رخ می‌دهد و به همین ترتیب.

ii) احتمال یک اندازه است. همین کلمه اندازه و این تعریف، علوم آماری را دگرگون کرده و جرقه پیشرفت آمار شده است. از هواشناسی تا زمین‌شناسی در حیطه علوم آماری قرار دارد. از پاسخ مثبت به این سوال که آیا موجودات فضایی وجود دارند تا احتمال رخدادن زمین لرزه در کف اقیانوس‌ها چقدر است، در مفاهیم و کاربردهای علوم آماری قرار می‌گیرند. فرصتی شد بعداَ درباره آن بیشتر خواهم نوشت.

یه ادامه متن خودمان بپردازیم.

به این‌جا رسیدیم که مدل احتمالی ما به صورت زیر خواهد بود.

P = eX / (1+eX)

در این مدل با استفاده از X که آن‌ها را می‌دانیم، مقدار P را به دست می‌آوریم. P‌ هم همان احتمال رخدادن پیشامد مورد نظر ما است. ما این پیشامد را مثبت بودن نماد در روز بعد تعریف می‌کنیم.

به منظور کاربرد این مدل احتمالی در واقعیت و بر روی دیتا، آن را به یک مدل رگرسیون احتمالی که نام آن را رگرسیون لجستیک Logistic Regression می‌گذاریم، تبدیل می‌کنیم.

مدل رگرسیون لجستیک به صورت زیر خواهد بود. منظور از exp همان عدد نِپِر یا e است.

P = exp {b0 + b1 X} / (1+ exp {b0 + b1 X})

 یکبار دیگر مدل لجستیک بالا را مرور کنیم.

P که احتمال است و احتمال رخداد پیشامد یا همان مثبت بودن نماد در فردا را نشان می‌دهد.

X اعدادی هستند که ما آن‌ها را می‌دانیم، مثلاَ قیمت پایانی سهم در امروز، یا هر چیز دیگر.

b0 و b1 نیز ضرایب رگرسیونی هستند که توسط نرم‌افزارها محاسبه می‌شوند. نگران آن‌ها نباشید.

به این ترتیب و در نهایت می‌توانیم با استفاده از این مدل رگرسیون لجستیک، به یافتن و براورد احتمال مثبت بودن نماد در روز بعد بپردازیم.

  • پ) X چیست؟

 

 حال به موضوع X ها می‌پردازیم. گفتیم آن‌ها را داریم و عوامل اثرگذار بر P یا همان احتمال مثبت شدن فردا هستند. من X‌ها را به دو دسته تقسیم می‌کنم. آن‌ها چه هستند؟
 

X های داخلی.

آن‌ها فاکتورهایی از جنس خود نماد هستند. به عنوان مثال عبارتند از

قیمت پایانی، اولین و آخرین قیمت، کمترین و بیشترین قیمت امروز

تعداد، حجم و ارزش معاملات امروز

خرید و فروش حقیقی و حقوقی امروز

نسبت فروشنده به خریدار امروز

موارد بالا برای یک روز است. به طور حتم قیمت فردا تاثیرپذیر از روزهای قبل نیز هست. پس همه فاکتورهای بالا را برای یک دوره تناوب به دست آورید. مثلاَ اگر امروز دوشنبه است، اعداد فاکتورهای بالا را برای همه روزها تا دوشنبه هفته قبل به دست بیاورید.

فاکتورهای دیگری نیز وجود دارند، مانند

حجم مبنا، میانگین حجم ماه و درصد سهام شناور

EPS و PE به همراه PE گروه

اخبار و گزارشات منتشر شده از سهم. این یک مفهوم کیفی است. اما آن را کمی می‌کنیم. می‌توانیم آن را با کدهای ۱ تا ۷ ارزیابی کنیم. کد ۷ یعنی خبرهای خوب و مثبت و کد ۱ یعنی اخبار و گزارشات منفی.

آن‌ها را هم به دست می‌آوریم.

 

 X های بیرونی. 
 
آن‌ها فاکتورهایی از جنس خارج نماد هستند. به عنوان مثال عبارتند از

درصد شاخص کل و هم وزن امروز (می‌توان آن را برای یک تناوب نیز محاسبه کرد. به دقت کار اضافه می‌کند.)

قیمت ارز و طلای امروز

تورم ماهانه

ریسک سیاسی. این نیز یک مفهوم کیفی است. اما آن را کمی می‌کنیم. می‌توانیم آن را با کدهای ۱ تا ۷ ارزیابی کنیم. کد ۷ یعنی بالاترین ریسک سیاسی و اوضاع نامساعد سیاسی و روانی جامعه و کد ۱ شرایط عادی و نرمال.

روز هفته. احتمالا موثر باشد. امروز چندشنبه است؟ شاید واقعاَ رفتار سهم روز چهارشنبه با شنبه متفاوت باشد. نمی‌دانیم. تست می‌کنیم.

 به این ترتیب تعداد X های زیادی را وارد مدل می‌کنیم. هر آن‌چه که خودتان فکر می‌کنید بر روی نماد موثر است را نیز وارد مدل احتمالی نماد کنید. از تعداد زیاد آن‌ها نترسید، مهم نیست. هر کدام که به درد بخور نبود، نرم‌افزار حذف خواهد کرد و X های اصطلاحاَ معنادار و مفید را نگه خواهد داشت.

و در پایان

 مدل رگرسیون لجستیک زیر را خواهیم داشت.

P = exp {b0 + b1 X1 + …. + bk Xk} / (1+ exp {b0 + b1 X1 + …. + bk Xk})

به معنای این‌که به تعداد k تا کمیت اثرگزار X داریم که می‌خواهیم با استفاده از آن‌ها، احتمال مثبت بودن قیمت نماد در روز بعد را به دست آوریم.

این ابزار بسیار دقیق خواهد بود. به دلیل اینکه خود رگرسیون لجستیک، یک تحلیل احتمالی دقیق است. از طرف دیگر سعی کرده‌ایم X های اثرگزار زیادی در مدل وارد کنیم.

این فرایند را برای همه نمادهای بازار انجام می‌دهیم. به این ترتیب ما برای هر نماد یک مدل احتمالی از نوع رگرسیون لجستیک خواهیم داشت. با استفاده از آن‌ها می‌توانیم احتمال مثبت بودن سهم در فردا را به دست بیاوریم و بنابراین ایده و لیست ما که همه نمادها را به ترتیب اولویت احتمال مثبت بودن فردا، دسته‌بندی کنیم ایجاد خواهد شد.

مدل‌های رگرسیون لجستیک هر روز خود را بهبود خواهند داد، امروز فردا را پیش‌بینی می‌کنند و با به دست آمدن اطلاعات فردا، پس فردا پیش‌بینی خواهد شد و به همین ترتیب روزهای آینده.

 

ارایه خدمات تحلیل آماری با SPSS

گراف پد ارایه خدمات تحلیل‌های آماری با نرم‌افزار SPSS در تحقیقات و مطالعات را انجام می‌دهد. جهت دریافت نکات بیشتر و نحوه کار می‌توانید مختصری از کار خود را ارسال نمایید. به سرعت تقاضای شما را بررسی و نتایج تحلیل داده‌ها را به صورت اختصاصی و کامل ارسال خواهیم کرد.

  • اشتراک گذاری:
گراف پَد
گراف پد جمعی از رتبه‌های برتر آزمون دکترا آمار دانشگاه‌های ایران | برجسته در موسسه بین‌المللی تحقیقات | دارای نماد اعتماد الکترونیک از مرکز توسعه تجارت الکترونیکی ایران و مجوز رسمی ثبت به شماره ۴۱۸۸۱ و شناسه ملی ۱۴۰۰۶۸۳۲۳۱۹

ممکن است همچنین دوست داشته باشید

  • One-way MANCOVA GLM Multivariate 266 GraphPad.ir
    آنالیز کوواریانس چندگانه یک طرفه One-way MANCOVA با SPSS
    25 دی, 1399
  • Two-way ANCOVA GLM Univariate 29 GraphPad.ir
    آنالیز کوواریانس دو طرفه Two-way ANCOVA با SPSS
    2 دی, 1399
  • Two-way MANOVA GLM Multivariate 35 GraphPad.ir
    آنالیز واریانس چندگانه دو طرفه Two-way MANOVA با SPSS
    22 آذر, 1399

iconfinder_5362_-_Slack_1313557

شماره تماس و پیام

09128186605
Space_-_Filled_Outline_-_38-36-512

دریافت کتاب ویدئویی SPSS

cinema_movie_film_entertainment_theater_show_video_watching-512

کتاب ویدئویی آموزش کامل گراف‌پد


Statistics set graphpad.ir

دریافت مجموعه آمار

نوشته‌های محبوب

آنالیز کوواریانس چند گانه یک طرفه
آنالیز کوواریانس چندگانه یک طرفه One-way MANCOVA با SPSS
25دی1399
پیش‌بینی بازار سهام
رگرسیون لجستیک و پیش‌بینی بازار سهام
12دی1399
آنالیز کوواریانس دو طرفه
آنالیز کوواریانس دو طرفه Two-way ANCOVA با SPSS
02دی1399
Two way MANOVA
آنالیز واریانس چندگانه دو طرفه Two-way MANOVA با SPSS
22آذر1399
One way MANOVA
آنالیز واریانس چندگانه یک طرفه One-way MANOVA با SPSS
22آذر1399
ستاره های معنی داری
قرار دادن ستاره های معنی داری در نمودارهای گراف پد پریسم
08آذر1399
رگرسیون چندگانه
رگرسیون چندگانه Multiple Regression با گراف پد
29مهر1399
آنالیز واریانس یک طرفه
آنالیز واریانس یک طرفه One-way ANOVA با SPSS
17مهر1399
آنالیز واریانس دو طرفه
آنالیز واریانس دو طرفه Two-way ANOVA با SPSS
21شهریور1399
ضریب همبستگی
ارتباط و ضریب همبستگی Correlation در گراف پد
10شهریور1399
روش های پیشرفته آماری
ضریب کاپا در نرم‌افزار SPSS
04شهریور1399
کرونا ویروس و آزمون Two Proportions در Minitab
01شهریور1399
تحلیل کوواریانس
ویدئو. آنالیز کوواریانس ANCOVA با نرم‌افزار SPSS
27تیر1399
رگرسیون پواسن
تحلیل مدل رگرسیون پواسن Poisson Regression با نرم‌افزار گراف پد
24تیر1399
شاخص تفاضلی
بررسی گراف شاخص تفاضلی بورس تهران در سال 99
18تیر1399
رگرسیون لجستیک چندگانه
رگرسیون لجستیک چندگانه Multiple Logistic Regression نرم افزار گراف پد
14تیر1399
Lack of Fit
عدم برازش Lack of Fit مدل با استفاده از نرم افزار Minitab
12تیر1399
شاخص کل هم وزن
بررسی درصد شاخص کل و هم وزن در بورس تهران
10تیر1399
Grubbs Test
تشخیص داده پرت با استفاده از Grubbs’ Test در Minitab
09تیر1399
XY Entering replicate data
ویدئو. مثال آموزشی XY Entering Replicate Data با گراف پد
09تیر1399
شاخص کل بورس
طراحی مدل پیش بینی بر شاخص کل بورس تهران
01تیر1399
Heat map prism
روندهای مشابه در گروه حمل و نقل بورس تهران، رسم Heat Map با GraphPad Prism
31خرداد1399
آنالیز تشخیصی
آنالیز تشخیصی (Discriminate Analysis) در نرم‌افزار SPSS
30خرداد1399
Box and Whiskers Plot
نمودار Box and Whiskers Plot نرم افزار گراف پد
28خرداد1399
رگرسیون پواسن
رگرسیون پواسن Poisson regression و مدل‌بندی تعداد پیشامدهای COVID-19
25خرداد1399
نماد رنیک
پیش‌بینی قیمت سهام رنیک در بورس تهران در سری زمانی
24خرداد1399
نماد سیمرغ
پیش‌بینی قیمت سهام سیمرغ در بورس تهران در سری زمانی
23خرداد1399
تحلیل کوواریانس گراف پد
رگرسیون چندگانه GraphPad به جای تحلیل کوواریانس SPSS
08خرداد1399
دتولید بموتو اتکام
تحلیل و مدل سری زمانی چند نماد بورسی بموتو ، اتکام ، دتولید
02خرداد1399
نرخ باروری
نرخ باروری و شاخص‌های توسعه اقتصادی، بررسی روند بلندمدت 60 ساله ایران
01خرداد1399
پیش‌بینی قیمت سهام شستا در بورس تهران در سری زمانی
17فروردین1399
Logistic Regression
رگرسیون لجستیک ساده Simple Logistic Regression نرم افزار گراف پد
12اسفند1398
XY Entering mean (or median) and error values
XY Entering mean (or median) and error values با گراف پد
29بهمن1398
one phase exponential decay
ویدئو. آموزش Nonlinear regression – one phase exponential decay گراف پد
28بهمن1398
قیمت سهام
پیش‌بینی قیمت سهام با استفاده از سری زمانی Minitab
26بهمن1398
Frequency distribution
توزیع فراوانی Frequency distribution در گراف پد
23بهمن1398
Descriptive statistics
آماره‌های توصیفی Descriptive Statistics با گراف پد
21بهمن1398
Forest Plot
نمودار جنگلی Forest Plot با گراف پد
20بهمن1398
Bland-Altman
Bland – Altman Method Comparison با گراف پد
15بهمن1398
منحنی ROC
منحنی ROC ، نقطه برش ، حساسیت و ویژگی
12بهمن1398
Repeated Measures one-way ANOVA
ویدئو. مثال آموزشی Repeated Measures one-way ANOVA با گراف پد
01بهمن1398
ordinary one way anova
ویدئو. مثال آموزشی Ordinary one-way ANOVA با گراف پد
24دی1398
آموزش Graphpad Prism
چرا با گراف پد پریسم کار می‌کنیم؟
16دی1398
t test paired
ویدئو. مثال آموزشی T test – Paired با گراف پد
15دی1398
t test unpaired
ویدئو. مثال آموزشی T test – Unpaired
10دی1398
Entering replicate data
ویدئو. مثال آموزشی Column Entering Replicate Data
09دی1398
Entering mean
ویدئو. Column Entering mean (or median) and error values با گراف پد
05دی1398
Binding Saturation
ویدئو. مثال آموزشی Binding – Saturation binding to total and nonspecific
08آذر1398
اندازه گیری مکرر
ویدئو اندازه‌گیری مکرر Repeated Measure با SPSS
05آذر1398
Two way ANOVA با گراف پد پریسم
ویدئو Three-way ANOVA با گراف پد پریسم
22آبان1398
تحلیل Nested
تحلیل‌های Nested در Prism
15آبان1398
Heat Map
ویدئو Heat Map با GraphPad Prism
09آبان1398
RIA or ELISA
ویدئو. مثال آموزشی RIA or ELISA – Interpolate unknown from sigmoidal curve
05آبان1398
Two way ANOVA با گراف پد پریسم
Two-way ANOVA با گراف پد پریسم 8
29مهر1398
ECF در مدل‌های دوز - پاسخ
ECF در مدل‌های دوز – پاسخ با Prism
20مهر1398
نسبت EC50 و IC50
ویدئو. براورد نسبت EC50 و IC50 در مدل دوز پاسخ با Prism (مدل EC50 Shift)
11مهر1398
Multiple T Test
ویدئو Multiple T Test با گراف پد پریزم
09مهر1398
دوز پاسخ لگاریتمی
ویدئو. دوز پاسخ Dose Response لگاریتمی و غیرلگاریتمی با GraphPad
09مهر1398
پایایی پرسشنامه
تحلیل پایایی (Reliability) پرسشنامه در نرم‌افزار SPSS
05مهر1398
تحلیل با SPSS
ویدئو. چه تحلیل‌هایی با SPSS انجام می‌دهیم؟
20شهریور1398
گروه بندی با SPSS
گروه‌بندی داده‌ها با استفاده از نرم‌افزار SPSS
20شهریور1398
مقایسه منحنی ها
مقایسه منحنی ها در مدل‌های خطی و غیرخطی
17شهریور1398
ویدئو آموزش رگرسیون غیرخطی
ویدئو. مثال آموزشی Eliminating outliers during nonlinear regression
07شهریور1398
آزمون های نمونه ای با Minitab
ویدئو. آزمون‌های تک و دو نمونه‌ای با استفاده از Minitab
04شهریور1398
رفع ابهام از مدل دوز پاسخ
ویدئو. رفع ابهام Ambiguous از پارامترهای مدل دوز پاسخ با GraphPad
04شهریور1398
آزمون نرمال
آزمون نرمال بودن داده‌ها با گراف پد پریسم
14تیر1398
تحلیل‌های پارامتری و ناپارامتری
تحلیل‌های پارامتری و ناپارامتری با گراف پد پریسم
11تیر1398
کای دو
آزمون کای دو Chi-square با گراف پد پریسم
10تیر1398
آزمون های پارامتری
ویدئو. تحلیل‌ها و آزمون‌های مقایسه پارامتری با نرم‌افزار SPSS
10تیر1398
Specific Binding Saturation
ویدئو. مثال آموزشی Binding – Saturation binding specific binding only
09تیر1398
براورد اندازه نمونه
ویدئو. براورد اندازه نمونه تحقیق با استفاده از Minitab
08تیر1398
رگرسیون
طراحی مدل رگرسیون خطی Linear Regression با گراف پد پریسم
05تیر1398
ورود داده ها به SPSS
ویدئو. ورود داده‌ها و شروع کار با نرم‌افزار SPSS
03تیر1398
خوشه بندی
خوشه بندی داده‌ها (Clustering) در نرم‌افزار SPSS
01تیر1398
آزمون دقیق فیشر
آزمون دقیق فیشر Fishers exact test با گراف پد پریسم
16خرداد1398
Analyze a stack P values
آنالیز Analyze a stack P values با گراف پد
12خرداد1398
تفاوت Prism 8
تفاوت صفحه ورودی Prism 8 با ورژن‌های قبلی
22دی1397
Import داده‌ها از اکسل به پریزم
12دی1397
Regression Interpolate
رگرسیون Interploate در نرم‌افزار پریسم
05دی1397
آزمون one sample t test
آزمون One Sample T Test در پریسم
28آذر1397
ورود داده ها به پریسم
ورود داده‌ها به نرم‌افزار GraphPad
28آذر1397
تحلیل میانگین و واریانس
تحلیل‌های مبتنی بر چند عدد در Prism
22آذر1397
Export در گراف پد پریسم
Export کردن گراف‌ها به تصاویر در پریسم
20آذر1397
Repeated Measure
مطالعات Repeated Measure (اندازه‌گیری با تکرار مکرر)
19آذر1397
نمونه کارها در گراف پد پریسم
نمونه کارها در GraphPad Prism
15آذر1397
تحلیل AUC
آنالیز AUC با گراف پد پریسم
13آذر1397
مقایسات Interaction
مقایسات Interaction در گراف پد پریسم
11آذر1397
Exclude کردن داده‌ها در گراف پد پریسم
11آذر1397
داده های گمشده در SPSS
داده های گمشده در SPSS
26آبان1397
خوشه بندی سوالات
خوشه بندی سوالات (Variables) با نرم‌افزار Minitab
24مهر1397
logo-eduma-the-best-lms-wordpress-theme

09128186605

Support@GraphPad.ir

ثبت‌نام کلاس‌های حضوری

  • آموزش پیشرفته گراف پد پریسم
  • آموزش مقدماتی نرم‌افزار SPSS
  • دوز-پاسخ (Dose-Response)
  • براورد اندازه نمونه با Minitab
  • آموزش پیشرفته نرم‌افزار SPSS
  • تحلیل‌های XY با GraphPad

پشتیبانی

  • پروفایل
  • دانلودها
  • حساب کاربری
  • ایمیل بفرستید
  • درخواست مشاوره
  • آنالیز تشخیصی

مقالات آموزشی

  • دوز پاسخ
  • آنالیز کوواریانس
  • Binding – Saturation
  • تحلیل‌های پارامتری
  • Heat Map با Prism
  • رگرسیون با گراف پد

با گراف پَد

  • مجموعه‌های آموزشی
  • سفارش کار تحلیلی
  • کلاس خصوصی آموزش و تحلیل با گراف‌پَد پریسم
  • درباره گراف پَد
  • کلاس آموزش SPSS

GraphPad.ir Powered by Data Pooya Allameh

  • GraphPad
  • Prism
  • SPSS
  • Minitab
  • Dose – Response