گراف پد

رگرسیون مولفه‌های اصلی Principal Component Regression (PCR)

 

رگرسیون مولفه‌های اصلی Principal Component Regression (PCR) یک روش رگرسیون سریع، کارآمد و بهینه بر اساس کوواریانس است و معمولاً هنگامی استفاده می‌شود که Variableهای توضیحی زیادی که با یکدیگر همبسته هستند، در مطالعه وجود دارند. رگرسیون PCR روشی است که Variableهای پیش‌بینی را به مجموعه کوچکتری از پیش‌بینی کننده‌ها کاهش می‌دهد. سپس از این مجموعه کوچک شده، برای انجام رگرسیون استفاده می‌‌کند. به این مجموعه‌های کوچک شده که از Independent Variableها ساخته می‌شود مولفه های اصلی Principal Component گفته می‌شود.

iconspace_Presentation_1_54px-512

مثال و فایل نرم‌افزار

فایل‌ها و مثال با نرم‌افزار Prism
iconspace_Computer_54px-512

ویدئو

65 دقیقه

مطالب رگرسیون مولفه های اصلی (PCR)

Principal Component Regression

    html nested lists in direction rtl
  • Principal Component (PC)
  • Collinearity Diagnostics
  • Dependent & Independent Variables
  • Cumulative Y Variance (R-square)
  • Proportion of Variance Explained
  • Parameters, Weights, Loadings
  • Eigenvalue & Eigenvalue
  • PCR results & PC Scores
  • Biplot & Proportion of variance
  • Loadings Plot
 

رگرسیون مولفه‌های اصلی

    html nested lists in direction rtl
  • رگرسیون PCR چیست و چه کاربردی دارد
  • تفاوت‌ها و شباهت‌های PCR با OLS, PCA, PLS
  • بیان مثال و تنظیمات نرم‌افزار
  • طراحی مولفه‌های اصلی در مدل PCR
  • جدول نسبت واریانس توضیح داده شده
  • جدول پارامترهای براورد شده مدل PCR
  • تشخیص و تشکیل اجزای هر مولفه اصلی
  • نتایج جداول Loadings در PCR
  • نمرات PC، مقادیر و بردارهای ویژه
  • گراف‌ها و نمودارهای PCR
  • همبستگی و مدل رگرسیون خطی در PCR
 

تماس و مشاوره با گراف‌پد