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 ساده Simple Logistic Regression نرم افزار گراف پد

    خانه » آموزش گراف پد » رگرسیون لجستیک ساده Simple Logistic Regression نرم افزار گراف پد
Logistic Regression

رگرسیون لجستیک ساده Simple Logistic Regression نرم افزار گراف پد

  • ارسال شده توسط گراف پَد
  • دسته بندی رگرسیون لجستیک

زمان مطالعه: 40 دقیقه 

 

یکی از تحلیل‌هایی که در ورژن‌های جدید گراف پد (8 به بعد) قرار گرفته است، مدل‌های رگرسیون لجستیک Logistic Regression است. همان‌گونه که می‌دانیم وقتی Variable پاسخ ما یعنی Y دو حالتی باشد (بله یا خیر، موفقیت یا شکست، رخداد یا عدم رخداد) و بخواهیم بین پاسخ با Variableهای مستقل یعنی Xها ارتباط و مدل‌بندی ایجاد کنیم، از مدل‌های رگرسیون غیرخطی با نام لجستیک استفاده می‌کنیم.

 

در زمینه تئوری‌های رگرسیون لجستیک، بحث‌های زیادی وجود دارد. شما را به خواندن و مطالعه این لینک در سایت گراف پد توصیه می‌کنم.

در مثال زیر با استفاده از نرم‌افزار گراف پد پریسم، به ارایه و انجام تحلیل رگرسیون لجستیک، پرداخته‌ایم. مطالعه ما در این بخش کاربردی و آموزش کار با نرم‌افزار و به دست آوردن براورد پارامترهای مدل است.

این مثال با نام Simple logistic regression در دسته تحلیل‌های XY و در بخش Correlation & regression linear and nonlinear قرار دارد. فایل مثال را می‌توانید از اینجا دانلود کنید.

وقتی مثال را Create می‌کنیم با داده‌های زیر روبه‌رو می‌شویم. همان‌گونه که مشاهده می‌کنید داده‌ها در دو ستون یکی X که بیانگر تعداد ساعات مطالعه دانش‌آموز جهت آزمون و دیگری Y که نشان‌دهنده قبولی یا عدم قبولی در آزمون است، قرار گرفته‌اند. در این مثال یافته‌های مربوط به 125 دانش‌آموز آمده است.

همان‌گونه که بالاتر نیز اشاره کردیم، هنگامی که کمیت پاسخ ما به صورت دو حالتی باشد، از مدل‌های رگرسیون لجستیک استفاده می‌کنیم. در این مثال نیز Y به حالت‌های یک، یعنی قبولی در آزمون و صفر به معنای رد شدن در آزمون، کدبندی شده است.

نکته‌ای که در این زمینه نرم افزار گراف پد به آن اشاره می‌کند (در پنجره سبزرنگ Note نیز نوشته شده است.) این است که کدهای کمیت Y به صورت 0 و 1 نوشته شود. کد 1 به معنای مثبت و رخداد و کد 0 به معنای منفی و عدم رخداد، بیان شود.

بنابراین آن‌چه که در رگرسیون لجستیک به دنبال آن هستیم این است که احتمال 1 شدن و یا همان رخداد را پیش‌بینی کنیم. به اختصار احتمال رخداد را با p نشان می‌دهیم. البته این p با مقدار احتمال P value که سطح معناداری و پذیرش یا رد فرض صفر را نشان می‌دهد، کاملاً متفاوت است.

به نسبت p/1-p نسبت (شکست/پیروزی) یا (منفی/مثبت) نیز گفته می‌شود. یک توضیح تئوری کوچک این‌که در مدل رگرسیون لجستیک، لگاریتم این نسبت با Xها رابطه خطی دارد، یعنی

اگر طرفین معادله بالا را نمایی کنیم، به روابط زیر می‌رسیم.

به این ترتیب می‌توانیم مقدار p یا همان احتمال رخداد پیشامد مورد نظر را به دست بیاوریم.

خُب، حال به مثال خود بپردازیم. هدف ما در این مثال، به دست آوردن و پیش‌بینی احتمال قبولی دانش‌آموزان بر مبنای تعداد ساعات مطالعه است. این کار با استفاده از Logistic Regression قابل انجام است.

در واقع در این مثال ما یک Y و تنها یک X داریم. به همین دلیل به آن Simple Logistic Regression گفته می‌شود. اگر تعداد Xها و کمیت‌های مستقل مطالعه بیشتر از یک بود، آن‌گاه مطالعه ما Multiple Logistic Regression نامیده می‌شد.

جهت انجام رگرسیون لجستیک، در شیت داده‌ها که با نام Study Data نامیده می‌شود، بر روی منوی Analyze کلیک کنید تا پنجره Analyze Data به صورت زیر برای ما باز شود.

در آن‌جا و از کادر XY analyses گزینه Simple logistic regression را انتخاب می‌کنیم. پنجره Parameters Simple Logistic Regression به صورت زیر برای ما باز می‌شود.

البته می‌توانستیم در همان شیت داده‌ها به صورت مستقیم وارد پنجره Parameters Simple Logistic Regression نیز شویم. برای این‌کار در بالای منوی Analyze بر روی ابزارک Fit a simple logistic regression model کلیک می‌کنیم.

  • Classification and prediction

با انتخاب گزینه‌های این بخش منحنی راک ROC Curve و سطح زیر این منحنی برای ما محاسبه شده و به دست می‌آید. در زمینه منحنی راک می‌توانید این لینک را در سایت گراف پد ببینید.

همچنین پیش‌بینی احتمال رخداد، به ازای هر سطر با استفاده از مدل رگرسیون لجستیک به دست آمده، بیان خواهد شد. به این مفهوم که انتظار داریم هر فرد مطالعه با چه احتمالی در آزمون موفق باشد.

  • Goodness-of-fit

به هر حال هر مدل رگرسیونی چه خطی و چه غیرخطی نیاز به ارزیابی و بررسی مناسبت مدل دارد. در این بخش با استفاده از آماره‌های موجود در نرم افزار گراف پد، به بررسی مدل لجستیک به دست آمده، می‌پردازیم.

  • Range

چنانچه علاقمند باشیم که Xها از اندازه خاصی تا مقدار خاصی در مطالعه قرار گیرند، تنظیمات این بخش را انتخاب می‌کنیم. به صورت پیش‌فرض نرم افزار گراف پد، انتخاب خاصی از کمترین و بیشترین X ندارد و همه آن‌ها را در مطالعه قرار می‌دهد.

  • Output

تعداد رقم‌های اعشار مقدار احتمال P value و نحوه و قالب نمایش آن، در این بخش قابل انجام است.

با OK کردن، شیت جدید با نام Simple logistic regression of Study Data در فولدر Results پنجره راهبری سمت چپ نرم‌افزار، ساخته می‌شود. این شیت دارای دو زبانه با نام‌های Tabular results و Row prediction است.

در ادامه به توضیح بخش‌های مختلف شیت Tabular results می‌پردازیم.

  • Best-fit values

این بخش مهم‌ترین نتایج تحلیل رگرسیون لجستیک را شامل می‌شود. پارامترهای β0 و β1 مدل در این بخش قرار گرفته است. مثبت شدن β1 بیانگر وجود ارتباط مستقیم بین تعداد ساعات مطالعه و قبولی در آزمون، می‌باشد.

با استفاده از اعداد به دست آمده برای همین پارامترها، می‌توان احتمال موفقیت در آزمون برای هر فرد را محاسبه کرد. به این ترتیب مدل رگرسیون لجستیک مثال ما به صورت زیر خواهد بود.

در این بخش نتیجه دیگری با نام X at 50% آمده است. این آماره بیانگر مقدار Xای است که برای آن احتمال رخداد 50 درصد، به دست می‌آید. به عبارت دیگر در این مثال یعنی چند ساعت مطالعه کنیم تا احتمال قبولی ما در آزمون برابر با 50 درصد باشد؟ پاسخ برابر با 3.369 ساعت خواهد بود.

  • Std. Error & 95% CI

انحراف معیار خطا به ازای هر کدام از پارامترهای مدل رگرسیون لجستیک در این بخش از تحلیل قابل مشاهده است. همچنین می‌توانید فواصل اطمینان 95 درصد برای پارامترهای  β0 و β1 مدل را ببینید.

  • Odds ratios & 95% CI

نسبت بخت و یا همان Odds Ratio که به اختصار به آن OR نیز گفته می‌شود، از مهمترین نتایج تحلیل رگرسیون لجستیک به حساب می‌آید. در جدول زیر نسبت بخت‌ها به همراه فواصل اطمینان 95 درصد آن‌ها بیان شده است.

آن‌چه که اهمیت فراوان دارد نسبت بخت برای پارامتر β1 است. این نسبت به صورت زیر به دست می‌آید.

به معنای دیگر، نسبت بخت به صورت نسبت موفقیت به شکست، تعبیر می‌شود. عدد آن نیز به صورت نمایی شده پارامتر β1 به دست می‌آید.

خُب، حال بیایید در این مثال به توضیح آن بپردازیم. عدد 3.934 به دست آمده برای OR نشان می‌دهد که اگر تعداد ساعات مطالعه یک ساعت افزایش یابد احتمال موفقیت در آزمون 3.9 برابر افزایش می‌یابد. فاصله اطمینان به دست آمده نیز در هر دو کران پایین و بالای خود از عدد یک بیشتر شده است. این مطلب تا همین جا به معنای معنادار بودن تاثیر مثبت ساعات مطالعه بر روی قبولی در آزمون است.

  • Is slope significantly non-zero

پاسخ به این سوال که آیا شیب مدل و یا همان β1 به دست آمده، معنادار است یا خیر، در این بخش قرار دارد. مقدار احتمال به دست آمده بیانگر رد فرضیه عدم معناداری و صفر بودن شیب رگرسیونی است. بنابراین آن‌چه که پذیرفته می‌شود غیرصفر بودن و معنادار بودن β1 است. به عبارت دیگر می‌پذیریم که تعداد ساعات مطالعه بر روی قبولی یا رد در آزمون، موثر است.

  • Likelihood ratio test

در هر مدل رگرسیونی چه خطی و چه غیرخطی، نیاز به ابزار و آزمونی برای بررسی معنادار بودن مدل هستیم. در مدل رگرسیون غیرخطی لجستیک از آزمونی با نام نسبت درستنمایی و یا همان Likelihood ratio جهت ارزیابی مدل استفاده می‌کنیم. P value <0.001 به دست آمده فرض صفر یعنی عدم معناداری مدل را رد کرده و نشان می‌دهد، مدل به دست آمده مناسب و معنادار است.

  • Area under the ROC Curve

چنانچه خاطرتان باشد در پنجره Parameters Simple Logistic Regression و به هنگام تنظیمات مدل، گزینه Classification and prediction را جهت رسم منحنی راک فعال کردیم. در جدول زیر اندازه AUC و مساحت زیر منحنی ROC امده است. در زمینه منحنی راک می‌توانید این لینک را در سایت گراف پد ببینید.

عدد حدود 0.89 برای Area نشان می‌دهد مدل لجستیک به دست آمده می‌تواند تا 89 درصد موارد را به درستی پیش‌بینی کند. مقدار احتمال P value <0.001 به دست آمده، نشان‌دهنده این است که مدل لجستیک توانایی مناسبی جهت تشخیص قبولی و یا رد در بین افراد مورد بررسی را دارا است.

در شکل زیر منحنی راک ROC Curve این مثال که در شیت با نام ROC curve: Simple logistic regression of Study Data در فولدر Graphs پنجره راهبری نرم‌افزار قرار دارد، آمده است.

  • Goodness of Fit & Equation

آماره‌های سنجش خوب بودن مدل و یا اصطلاحاً نیکویی برازش Goodness of Fit در این بخش آمده است.

همچنین می‌تواند مدل رگرسیون لجستیک را که به صورت زیر است، مشاهده کنید. (البته ما فرمول این مدل را در همان ابتدای نتایج و در بخش Best-fit values بیان کردیم.

همان‌گونه که قبلاً نیز بیان کردیم این معادله نشان می‌دهد افزایش یا کاهش X و یا همان تعداد ساعات مطالعه به چه میزان بر روی موفقیت در آزمون اثرگذار است. (یک ساعت مطالعه بیشتر، احتمال موفقیت در آزمون را 3.9 برابر افزایش می‌دهد.

  • Data summary

در این بخش خلاصه‌ای از داده‌های مثال رگرسیون لجستیک را مشاهده می‌کنید. جدول زیر بیان می‌کند که 125 سطر (فرد) مورد بررسی قرار گرفته است. داده گمشده Missing data که شامل افراد دارای عدم پاسخ است، در این مثال دیده نمی‌شود. 63 فرد کد 1 یعنی قبولی در آزمون و 62 نفر در آزمون رد شده‌اند.

تعداد دو پارامتر یعنی همان β0 و β1 نیز براورد شده است. نسبت تعداد افراد به پارامترها یعنی 125/2 برابر با 62.5 و نسبت تعداد افراد قبول و تعداد افراد رد شده در آزمون به تعداد پارامترهای براورد شده به ترتیب برابر با 31.5 و 31 است.

شیت نتایج، یک زبانه دیگر با نام Row prediction دارد. در این زبانه به ازای هر فرد (125 نفر) و تعداد ساعت مطالعه آن‌ها، احتمال قبولی در آزمون براساس مدل رگرسیون لجستیک به دست آمده، محاسبه شده است. به عنوان مثال برای فردی که تعداد ساعت مطالعه او 5.4 بوده است، احتمال موفقیت در آزمون برابر با 94.2 درصد به دست آمده است. به همین ترتیب برای بقیه افراد نیز می‌توان بر مبنای مدل لجستیک، احتمال موفقیت را به دست آورد.

خُب، آن‌چه در این مثال همچنان باقی مانده است، مشاهده و رسم گراف‌های متناظر با تحلیل رگرسیون لجستیک می‌باشد. در فولدر Graphs پنجره سمت چپ می‌توان عناوین دو شیت با نام‌های Study Data و ROC curve: Simple logistic regression of Study Data را مشاهده کرد.

در بالا و به هنگام بیان نتایج سطح زیر منحنی راک از گراف ROC curve: Simple logistic regression of Study Data صحبت کردیم. در ادامه با کلیک بر روی شیت Study Data پنجره زیر برای ما باز می‌شود.

از آن‌جا که مثال رگرسیون لجستیک در دسته تحلیل‌های XY قرار دارد، بنابراین کادر Graph family را بر روی همان XY قرار می‌دهیم. با OK کردن گراف زیر برای ما ساخته می‌شود.

گراف بالا ترکیبی از نقاط و یک منحنی می‌باشد. نقاط در دو سطح صفر به معنای رد شدن در آزمون و یک به معنای قبولی در آزمون قرار گرفته‌اند. محور X نیز تعداد ساعات مطالعه برای آزمون به ازای هر فرد را نشان می‌دهد. به وضوح افراد قبول شده، تعداد ساعات مطالعه بیشتری داشته‌اند.

منحنی گراف نیز احتمال موفقیت به ازای ساعات مطالعه را نشان می‌دهد. این Curve اصطلاحاً یک منحنی سیگموئیدی نامیده می‌شود.

چنانچه علاقمند باشیم عبارت با نام X at 50% که بیانگر Xای بود که احتمال موفقیت برای آن 50 درصد است را در گراف بالا مشاهده کنیم، بر روی محور X دبل کلیک کرده و تنظیمات زیر را در کادر Additional ticks and grid lines قرار می‌دهیم. عدد 3.369 نوشته شده همان مقدار X at 50% است که در بخش Best-fit values نتایج نرم‌افزار برای ما به دست آمده است.

با Apply و OK کردن خط نشانگر X at 50% نیز در گراف دیده می‌شود. با کمی ویرایش، می‌توانیم به گراف زیر برسیم.

Logistic Regression

 

ارایه خدمات تحلیل آماری با GraphPad Prism

گراف پد ارایه خدمات تحلیل‌های آماری با نرم‌افزار GraphPad 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

  • trading-portal-market-index-stock-trade-512
    رگرسیون لجستیک و پیش‌بینی بازار سهام
    12 دی, 1399
  • Proportion correct vs cutoff_ Multiple logistic regression of Titanic Data Set
    رگرسیون لجستیک چندگانه Multiple Logistic Regression نرم افزار گراف پد
    14 تیر, 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