صفحه محصول - پاورپوینت شانس

پاورپوینت شانس (pptx) 17 اسلاید

دسته بندی : پاورپوینت

نوع فایل : PowerPoint (.pptx) ( قابل ویرایش و آماده پرینت )

تعداد اسلاید: 17 اسلاید

قسمتی از متن PowerPoint (.pptx) :

بنام خدا شانس (Odds) شانس یک روش برای بیان احتمال است. شانس وقوع یک پیشامد برابر است با احتمال وقوع آن به احتمال عدم وقوع آن . . برای مثال اگر احتمال داشتن شغل برای یک مرد 60 درصد باشد، بدین معنی است که شانس داشتن شغل برای او 1.5 است. نسبت شانس (Odds Ratio) نسبت دو شانس بر روی هم را نسبت شانس گویند. برای مثال اگر شانس داشتن شغل یرای مردان 1.5 و برای زنان 0.5 باشد. نسبت شانس داشتن شغل برای مردان نسبت به زنان 3 به دست می آید و برعکس شانس داشتن شغل برای زنان نسبت به مردان 1/3 خواهد بود. Properties of the Odds Ratio نسبت شانس می تواند هر عدد غیر منفی باشد. زمانی که دو متغیر X و Y از هم مستقل هستند، نسبت شانس یک است. نکته: X و Y دو حالته هستند. تفاوت رگرسیون خطی با رگرسیون لجستیک در رگرسیون خطی، متغیر وابسته باید کمی و دارای توزیع تقریبی نرمال باشد. در شرایطی که متغیر وابسته دو حالته است مانند بهبودی از یک بیماری، مثبت بودن جواب آزمایش، قبولی در امتحان از رگرسیون لجستیک استفاده می کنیم. در رگرسیون لجستیک هدف پیش بینی وقوع یک پیشامد با داشتن متغیرهای مستقل است. برای مثال می خواهیم مشخص کنیم چه عواملی بر احتمال مثبت بودن یک آزمایش تاثیر گذار است. در رگرسیون لجستیک هیچ یک از پیش فرض های رگرسیون خطی مورد نیاز نیست اگرچه تبدیل یک واحد کمی به متغیر دو حالته باعث از دست رفتن اطلاعات می شود و همین باعث می شود که در رگرسیون لجستیک به حجم نمونه تقریبا دو تا سه برابری رگرسیون خطی نیاز باشد. نکته بسیار مهم این است که از آنجایی که در رگرسیون لجستیک احتمال رخداد پیشامد Y=1 اندازه گیری می شود. در کد بندی داده ها مقدار یک و صفر درست وارد شوند. یک مثال ساده برای بیان رابطه بین نسبت شانس و رگرسیون لجستیک با توجه به این جدول ملاحضه می شود که شانس داشتن شغل برای مردان 60/40 یا 1.5 و شانس داشتن شغل برای زنان 33/67 یا تقریبا 0.49 است. برای برازش مدل لجستیک به این داده ها کافی است داده ها را بصورت شکل زیر وارد نرم افزار کنیم و سپس بر اساس متغیر فراوانی وزن می دهیم. برای انجام یک رگرسیون لجستیک ساده پس از ورود اطلاعات از منوی زیر، پنجره مربوطه را باز می کنیم. Analyze\ Regression\ Binary Logistic در پنجره مورد نظر متغیر شغل را که متغیر وابسته است را داخل کادر Dependent و متغیر جنسیت را که یک متغیر مستقل است را داخل کادر Covariates می گذاریم و سپس دگمه OK را می زنیم. خروجی در صفحه بعدی می باشد. این خروجی اطلاعاتی در رابطه با حجم نمونه و تعداد مقادیر گم شده می دهد. این جدول نحوه ی کد بندی صحیح را برای متغیر وابسته نشان می دهد. (مهم) این جدول نحوه ی دسته بندی متغیر وابسته بدون اطلاع داشتن از جنسیت فرد می باشد. (خیلی مهم)