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

منحنی ROC ، نقطه برش ، حساسیت و ویژگی

    خانه » آموزش گراف پد » منحنی ROC ، نقطه برش ، حساسیت و ویژگی
منحنی ROC

منحنی ROC ، نقطه برش ، حساسیت و ویژگی

  • ارسال شده توسط گراف پَد
  • دسته بندی ROC Curve

زمان مطالعه: 25 دقیقه 

 

منحنی راک ROC Curve که از آن با نام منحنی مشخصه عملکرد سیستم Receiver Operating Characteristics نام برده می‌شود، از ابزارهای تشخیصی عملکرد یک سیستم و یا یک تست و روش درمانی، به حساب می‌آید. با استفاده از نتایج به دست آمده از منحنی ROC می‌توان مفاهیمی مانند نقطه برش Cutoff ، حساسیت Sensitivity و ویژگی Specificity یک تست را به دست آوریم.

 

قبل از بیان این مثال در نرم‌افزار گراف پد، خوب است چند اصطلاح مهم مورد استفاده در این زمینه را تعریف کنیم. ابتدا جدول زیر را ببینید.

این جدول که نام آن را واقعیت / پیش‌بینی می‌گذاریم در ستون‌های خود دو حالت فرد بیمار و یا فرد سالم باشد را نشان می‌دهد. در سطرها نیز می‌توان نتیجه تست و آزمایش را که یکی بیماری را در فرد نشان می‌دهد و دیگری سلامت را در فرد نشان می‌دهد، مشاهده کرد.

  • در حالت TP که نام آن مثبت صحیحی است وضعیتی را نشان می‌دهد که فرد واقعاً بیمار است و آزمایش نیز به درستی بیماری را نشان می‌دهد.
  • به همین ترتیب TN یا منفی صحیح نیز حالتی است که فرد واقعاً سالم است و آزمایش نیز به درستی او را سالم نشان می‌دهد.

دو حالت اشتباه می‌تواند در اینجا رخ دهد.

  • یکی FP یا مثبت غلط که فرد سالم است اما آزمایش به اشتباه بیماری را نشان می‌دهد و دیگری FN که فرد بیمار است اما آزمایش به اشتباه فرد را سالم نشان می‌دهد.

با این تعاریف، حال بیایید مفاهیم حساسیت Sensitivity و ویژگی Specificity را تعریف کنیم. اولین نکته اینکه هر دو این مفاهیم از جنس احتمال و در نتیجه عددی بین صفر و یک و یا بین صفر و 100 درصد هستند.

حساسیت به احتمال مثبت شدن صحیح نتیجه آزمایش وقتی که فرد بیمار است، اشاره می‌کند. یعنی می‌توان آن را به صورت زیر به دست آورد. حساسیت را نرخ مثبت صحیح نیز می‌نامند.

ویژگی نیز به احتمال منفی شدن صحیح نتیجه آزمایش وقتی که فرد سالم است، اشاره می‌کند. ویژگی به صورت زیر به دست آورد. ویژگی را نرخ منفی صحیح نیز می‌گویند.

 در اینجا یک مفوم دیگر نیز مطرح است و آن متمم ویژگی یعنی (ویژگی – 1) می‌باشد. این مفوم به احتمال مثبت شدن غلط نتیجه آزمایش وقتی که فرد سالم است، اشاره می‌کند. این مفهوم را نرخ مثبت غلط و یا به اختصار FPR به عبارت (False Positive Rate)، نیز می‌گویند و از رابطه زیر به دست می‌آید.
 حال در اینجا می‌توان منحنی ROC را تعریف کرد. منحنی راک که به صورت شکل زیر است، جهت بیان نرخ مثبت صحیح در برابر نرخ مثبت کاذب به کار می‌رود. محور عمودی این منحنی حساسیت Sensitivity و محور افقی آن همان (ویژگی – 1) قرار می‌گیرد. یک خط نیم‌ساز نیز در این منحنی دیده می‌شود.
 

 

منحنی ROC دارای سه بخش است، در ادامه آن‌ها را توضیح خواهیم داد.

  • بالای خط نیمساز.

در این بخش نقاطی قرار گرفته‌اند که مقدار حساسیت آن‌ها نسبت به FPR بیشتر است. به معنای آن‌که در این بخش، نرخ مثبت صحیح بیشتر از نرخ مثبت کاذب است. قرار گرفتن نقاط در این محیط مطلوب ما خواهد بود.

  • روی خط نیمساز.

در این بخش مقدار عددی نرخ مثبت صحیح و نرخ مثبت کاذب با یکدیگر برابر است. به عبارتی از هر 100 نفر بیمار، آزمایش در 50 نمونه به درستی بیماری را تشخیص می‌دهد و در 50 نمونه نیز به غلط سلامت افراد را نشان می‌دهد. این نقاط چندان مطلوب ما نیستند.

  • پایین خط نیمساز.

در این بخش نقاطی قرار گرفته‌اند که مقدار حساسیت آن‌ها نسبت به FPR کمتر است. یعنی در این بخش، نرخ مثبت صحیح کمتر از نرخ مثبت کاذب است. قرار گرفتن نقاط در این بخش اصلاً مطلوب ما نیست.

خوب است در همین جا و قبل از شروع بحث مثال گراف پد با مفهومی به نام سطح زیر منحنی راک Area under the ROC curve که معمولاً به اختصار AUC نامیده می‌شود، نیز آشنا شویم. در ابتدا شکل زیر را ببینید.

این شکل همان ROC Curve بالا است که سطح زیر منحنی آن مشخص شده است. ما به این سطح AUC می‌گوییم. مقدار عددی AUC به وضوح عددی بین صفر تا یک است و نشان می‌دهد قدرت تشخیص یک تست چقدر است. اگر این عدد به یک نزدیک باشد به معنای آن است که داده‌ها عموماً در بالای خط نیمساز قرار گرفته‌اند و میزان نرخ مثبت صحیح بالا است. اعداد AUC نزدیک به 0.5 همان برابری نرخ مثبت صحیح و نرخ مثبت کاذب را نشان می‌دهد و اعداد کمتر از 0.5 بیانگر بالاتر بودن نرخ مثبت کاذب در مقایسه با نرخ مثبت صحیح است.

در زمینه اندازه‌های عددی AUC می‌توان جدول زیر را مدنظر قرار داد.

اندازه عددی AUC در منحنی راک قدرت تشخیص تست
0.9 تا 1 عالی
0.8 تا 0.9 خوب
0.7 تا 0.8 نسبتاً خوب
0.6 تا 0.7 ضعیف
0.5 تا 0.6 بی‌فایده
کمتر از 0.5 غیر قابل استناد

 

حال با بیان این توضیحات ابتدایی، می‌خواهیم به مثال نرم‌افزار گراف پد در زمینه ROC Curve بپردازیم. در این مثال سعی می‌کنیم علاوه بر رسم منحنی راک به مفهومی به نام نقطه برش Cutoff نیز بپردازیم.

این مثال با نام ROC Curve در دسته تحلیل‌های Column و در بخش Special uses of column tables صفحه ورودی نرم‌افزار گراف پد قرار دارد. فایل مثال را می‌توانید از اینجا دانلود کنید.

وقتی مثال را Create می‌کنیم با داده‌های زیر روبه‌رو می‌شویم. همان‌گونه که مشاهده می‌کنید و در Note مثال نیز آمده است، داده‌ها در دو ستون Control و Patients که از یکدیگر مستقل هستند، بیان شده است. در گروه کنترل 45 نفر و در گروه بیماران 55 نفر آمده است. بنابراین همان‌گونه که گراف پد نیز به آن اشاره می‌کند در یک مطالعه ROC Curve لزومی ندارد تعداد افراد دو گروه با یکدیگر برابر باشند.

در این مثال می‌خواهیم یک نقطه برش که با استفاده از آن بتوانیم نتایج آزمایش را به دو گروه نرمال و غیرنرمال، جدا کنیم، به دست آوریم. برای این منظور منحنی ROC را نیز رسم خواهیم کرد. در این مثال و در ادامه با مفهومی با نام سطح زیر منحنی راک Area under the ROC curve که معمولاً به اختصار AUC نامیده می‌شود، آشنا خواهیم شد.

برخلاف بسیاری از مثال‌های گراف پد که پس از مشاهده داده‌ها به سراغ بخش Graphs از پنجره سمت راست (Navigator Panel) می‌رفتیم و انواع نمودارهای قابل رسم با نرم‌افزار را مشاهده می‌کردیم، این‌بار و در مثال ROC Curve ابتدا آنالیز آماری انجام داده و پس از آن به دنبال مشاهده گراف رسم شده و به دست آوردن نتایج در فولدر Results خواهیم بود.

جهت انجام تحلیل در این مثال در شیت داده‌ها از منوی Analyze در بالای صفحه، گزینه ROC Curve را انتخاب می‌کنیم.

پنجره زیر با نام Parameters: ROC Curve برای ما باز می‌شود. در این پنجره به اختصار تنظیمات تحلیل منحنی راک آمده است.

  • Data sets.

به سادگی مشخص می‌کنیم که ستون اندازه‌های کنترل و اندازه‌های بیمار برای ما کدام باشد. در این مثال چون دو ستون بیشتر نداریم، بنابراین Control values همان ستون Controls و Patients values همان ستون Patients خواهد بود.

  • Confidence intervals.

فاصله اطمینان ما چند درصد باشد. به سادگی از کشو باز شده می‌توان ضریب اطمینان دلخواه برای فاصله اطمینان را نیز مشخص کرد. گراف پد در این زمینه از روشی با نام Wilson/Brown استفاده می‌کند.

  • Results.

نمایش منحنی راک به صورت درصدی Percentage باشد و یا کسری Fraction. به صورت پیش فرض نمایش درصدی جلوه بهتری دارد.

  • Output.

این‌جا با چیز خاصی روبه‌رو نیستیم و در اکثر پنجره‌های تنظیمات گراف پد نیز می‌آید. این بخش درباره نحوه و تعداد نمایش مقادیر احتمال نتایج صحبت می‌کند.

در پایان OK کرده و به بیان نتایج نرم‌افزار می‌پردازیم. در ابتدا در فولدر Graphs از پنجره سمت چپ نرم‌افزار (Navigator Panel)، می‌توان منحنی راک رسم شده برای این داده‌ها را مشاهده کرد. این منحنی را در مطالب قبلی مشاهده کردیم. گراف پد به صورت پیش فرض منحنی زیر را رسم می‌کند.

چنانچه تمایل داشته باشیم نحوه نمایش و قالب گراف را عوض کنیم، در بالای منحنی و در منوی Change با انتخاب گزینه Choose a different type of graph می‌توان قالب‌های دیگر نمایش ROC Curve را انتخاب کنیم. این قالب‌ها را می‌توانید در تصویر زیر مشاهده کنید. با کلیک کردن بر روی هر قالب، می‌توان آن را مشاهده کرد.

حال بیایید به بررسی نتایج به دست آمده از تحلیل ROC Curve در نرم‌افزار گراف پد بپردازیم. برای این منظور در فولدر Results از پنجره راهبری شیت با نام ROC of ROC curve data را باز می‌کنیم. نتایج این شیت در دو زیانه با نام‌های Area و Sensitivity & Specificity به صورت زیر آمده است.

ابتدا به توضیح زبانه Area می‌پردازیم. همان‌گونه که در تصویر بالا می‌بینید این زبانه دارای دو بخش به صورت زیر است.

  • Area under the ROC curve.

اندازه عددی AUC و یا همان مساحت زیر نمودار راک در این بخش امده است. عدد 0.9467 بیانگر آن است که تست ما تا حد زیادی دارای عملکرد مناسبی در شناسایی صحیح افراد سالم و بیمار است. انحراف معیار خطا و فاصله اطمینان 95 درصد برای همین آماره AUC در ادامه آمده است. گراف پد این دو آماره را بر مبنای یک روش ناپارامتری که مبتنی بر توزیع داده‌ها در گروه‌های Control و Patients نیست، به دست می‌آورد. در این زمینه می‌توانید لینک را ببینید.

سوالی که در این بخش می‌تواند مطرح باشد این است که P value به دست آمده در اینجا چیست؟ بارها به این نکته اشاره شده است که هر کجا و در نتایج هر نرم‌افزاری با P value یا مقدار احتمال روبه‌رو شدید، به دنبال آزمون و فرضیه مبتنی بر آن مقدار احتمال باشید. در این‌جا نیز ما با فرضیات زیر روبه‌رو هستیم. در واقع P value حاصل آزمون فرضیه زیر است، به آن دقت کنید.

خُب، حال سوال این است که این فرضیه چیست؟ بیایید از فرض صفر و برابر 0.5 بودن AUC شروع کنیم. در مطالب قبلی عنوان کردیم که اگر در منحنی راک، همه داده‌ها روی خط نیمساز باشند یعنی نرخ مثبت صحیح و نرخ مثبت کاذب با یکدیگر برابر باشد، بنابراین مساحت زیر منحنی راک یا همان AUC برابر با 0.5 خواهد شد. پس فرض صفر به معنای آن است که تست تشخیصی ما دارای اندازه‌ای برابر هم در نرخ مثبت کاذب و هم در نرخ مثبت صحیح باشد. همان‌گونه که در تفسیر جدول AUC بیان کردیم، اندازه عددی 0.5 برای AUC به معنای بی‌فایده و غیرقابل استناد بودن آن تست تشخیصی است.

پس به عبارت ساده‌تر فرض صفر به معنای آن است که تست تشخیصی ما که قرار است افراد بیمار و سالم را از یکدیگر جداکند، به درد نمی‌خورد و قدرت جداکنندگی به درستی پایین و به عبارت بهتر شانسی دارد ( از هر دو مورد یکی را درست و دیگری را اشتباه تشخیص می‌دهد.) با این حساب تعریف فرض مقابل نیز به دست می‌آید. اندازه عددی AUC مخالف با 0.5 به معنای آن است که تست ما توانایی مناسبی جهت تشخیص بیماری و سلامت در بین افراد اندازه‌گیری شده را دارا است.

به این ترتیب راز P value در تحلیل ROC Curve کشف می‌شود. مقدار احتمال به دست آمده به ما کمک می‌کند تا بتوانیم فرض صفر را پذیرفته و یا رد کنیم. در این مثال اندازه P value برابر با 0.001> شده است. بنابراین به وضوح و در سطح معنی‌داری پنج درصد فرض صفر رد می‌شود و می‌پذیریم که تست مورد استفاده در این مثال، توانایی مناسبی جهت تشخیص بیماری و سلامت در افراد اندازه‌گیری شده، دارد. البته این مطلب بدون مشاهده P value نیز قابل فهم بود. علاوه بر اینکه خود Area عدد بالایی (0.9467) به دست آمده است، کران پایین فاصله اطمینان Area یعنی (0.8996) نیز همچنان با 0.5 فاصله زیادی دارد.

  • Data. در این بخش به سادگی تعداد افراد بیمار، سالم و موارد نامعلوم از آن‌ها یعنی همان Missing نیز آمده است. مطلب خاصی ندارد.

حال بیایید به زبانه دیگر نتایج، یعنی Sensitivity & Specificity بپردازیم. در جدول زیر این نتایج آمده است. در ادامه به توضیح آن‌ها می‌پردازیم.

این جدول نتایج کاملی از نقطه برش و یا همان Cutoff در ستون اول، حساسیت، ویژگی و فواصل اطمینان 95 درصدی آن‌ها به همراه نسبت درستنمایی، ارایه می‌کند. یک ردیف را رنگی کرده‌ایم، به توضیح آن می‌پردازیم. با فهم آن بقیه سطرها نیز فهمیده خواهد شد.

خُب، در سطر رنگی شده و در ستون اول آن عبارت 95.05 < نوشته شده است. حتماً می‌پرسید به معنای چیست و به چه چیزی اشاره می‌کند. پاسخ این است که بر مبنای این نتیجه، نقطه برش، عدد 95.05 خواهد بود و اعداد بیشتر از این عدد در تست تشخیصی به عنوان بیمار و اعداد کمتر از آن سالم، تشخیص داده می‌شوند. عدد 98.18 در Sensitivity نشان می‌دهد که اگر ما 95.05 را به عنوان نقطه برش بپذیریم، در آن صورت حساسیت تست برابر با 98.18 درصد خواهد شد. به همین ترتیب ویژگی این تست با در نظر گرفتن نقطه برش 95.05 برابر با 37.78 درصد می‌شود. فواصل اطمینان نیز برای حساسیت و ویژگی به ازای این نقطه برش، آمده است.

سعی می‌کنیم خودمان این اعداد را به دست آوریم. به هر حال فهم دقیق این مطلب به ما در درک بهتر منحنی ROC کمک خواهد کرد.

فرض کنید Cutoff تست ما همان عدد 95.05 باشد. پس افراد بیشتر از این عدد بیمار و کمتر از این عدد سالم تشخیص داده می‌شوند. حال بیایید به اعداد واقعی و مشاهده شده نگاه کنیم. در شیت داده‌ها و در ستون Patients تعداد 55 بیمار قرار دارد. در بین آن‌ها تنها یک نفر دارای عدد کمتر از 95.05 (سطر شماره 29) و بقیه 54 نفر دارای عدد بیشتر نقطه برش هستند. در بین افراد سالم و در ستون Control نیز 17 نفر کمتر از نقطه برش و بقیه 28 نفر بالاتر از نقطه برش 95.05 هستند. بنابراین به سادگی می‌توان جدول مشاهده / واقعیت را که در ابتدای متن از آن نام بردیم، در این‌جا رسم کرد.

بر مبنای این جدول و نقطه برش 95.05 بیایید اندازه‌های حساسیت و ویژگی را به دست آوریم. در ادامه می‌توانید آن را مشاهده کنید.

به وضوح می‌توانید اندازه‌های 98.18% برای حساسیت و 37.78% برای ویژگی به ازای نقطه برش 95.05 را مشاهده کنید.

به همین ترتیب نرم‌افزار گراف پد به ازای هر نقطه برش که اندازه‌های بیشتر از آن بیانگر تشخیص بیماری و اندازه‌های کمتر از آن نشان‌دهنده تشخیص سلامت می‌باشد را مشاهده کنید.

در همین‌جا بیایید توضیحی هم درباره نسبت درستنمایی بدهیم. این عدد به صورت رابطه زیر به دست می‌آید.

به عبارتی نسبت درستنمایی حاصل تقسیم محور عمودی به محور افقی در هر آرایه منحنی ROC است.

در تحلیل ROC Curve یک سوال مهم وجود دارد. سوال این است که بالاخره ما کدام نقطه را به عنوان بهترین نقطه برش و Cutoff بپذیریم. همان‌گونه که در زبانه  Sensitivity & Specificity مشاهده می‌کنید به ازای هر نقطه برش، اعداد مربوط به حساسیت و ویژگی آن آمده است، اما یافتن بهترین نقطه برش بسیار مهم است. این نقطه باید عددی باشد که حساسیت و ویژگی آن بیشترین باشند.

جهت تعیین Cutoff بهینه ما با شاخصی به نام شاخص یودن Youden روبه‌رو هستیم. بر مبنای این شاخص، نقطه برشی بهینه و مطلوب ما است که مجموع حساسیت و ویژگی آن بیشترین باشد. دقت در نتایج بالا نشان می‌دهد عدد 109.5 با Sensitivity برابر با 90.91% و Specificity برابر با 91.11% در سطر 41 می‌تواند به عنوان بهترین نقطه برش مطرح باشد.

چنانچه عدد 109.5 را به عنوان Cutoff این مثال و تست تشخیصی بپذیریم، به معنای آن است که برای هر فردی که عدد اندازه‌گیری شده بالای 109.5 به دست بیاید آن فرد را بیمار و برای هر فردی که کمتر از 109.5 به دست بیاید آن فرد را سالم در نظر می‌گیریم. این نقطه برش می‌تواند تا 91 درصد افراد بیمار را به درستی بیمار تشخیص دهد و تقریبا به همان اندازه 91 درصد افراد سالم را سالم تشخیص دهد. این اندازه‌ها و درصدهای درستی مقادیر بالایی هستند و بیانگر آن هستند که ما توانسته‌ایم نقطه برش بهینه و خوبی به دست آوریم. از طرف دیگر در مطالب قبلی نیز به این نتیجه رسیدیم که تست مورد استفاده در این مثال، توانایی مناسبی جهت تشخیص بیماری و سلامت در افراد اندازه‌گیری شده، دارد (P value < 0.001).

 

ارایه خدمات تحلیل آماری با GraphPad Prism

ما در گراف پَد ارایه خدمات تحلیل‌های آماری با نرم‌افزار Graphpad Prism در تحقیقات و مطالعات را انجام می‌دهیم. جهت دریافت نکات بیشتر و نحوه کار می‌توانید تماس بگیرید. 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

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