صفحه محصول - پاورپوینت همبستگي كانونيكال

پاورپوینت همبستگي كانونيكال (pptx) 33 اسلاید

دسته بندی : پاورپوینت

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

تعداد اسلاید: 33 اسلاید

قسمتی از متن PowerPoint (.pptx) :

همبستگي كانونيكال به نام خدا فهرست مطالب مفهوم همبستگي كانونيكال مكانيزم آماري همبستگي كانونيكال مسئله نمونه چند نمونه تست آماري براي معني داري نتايج همبستگي كانونيكال همبستگي كانونيكال(canonical correlation) تا همين اواخر، تحليل همبستگي كانونيكال تقريبا يکي از فنون ناشناخته در آمار بود و شبيه ساير فنون آماري چند متغيره، ظهور برنامه هاي کامپيوتري گسترش کاربردهاي آن را در مسائل تحقيقاتي تسهيل نموده است. همبستگي كانونيكال قابليت کاربرد در داده هاي متريک و غيرمتريک هم براي متغيرهاي وابسته و هم براي متغيرهاي مستقل را دارا مي باشد. در همبستگي كانونيكال ابتدا بايد متغيرها را به دو دسته تقسيم كرد. ما مي توانيم بين دو دسته از متغيرها تمايز قائل شويم. يک دسته از متغيرها آنهايي هستند که علاقه به توضيح آنها داريم (که آنها را متغيرها وابسته مي نماميم و با Y نمايش مي دهيم)، دسته ديگر متغيرهايي هستند که کشف کننده يا توضيح دهنده هستند (آنها را متغيرهاي مستقل مي ناميم و با X نمايش مي دهيم). همبستگي كانونيكال(canonical correlation) همبستگي كانونيكال چيست؟ در سپتامبر 1935، هارلد هتلينگ، اهميت مفهوم همبستگي بين دو مجموعه از متغيرها را نشان داد. وي نظريه همبستگي بين دو مجموعه از متغيرها را با ارائه مثال هايي كه در آنها مفهوم همبستگي كانونيكال به كار مي رود، ارائه داد. در همبستگي کانونيکال ما به دنبال ارائه مجدد و ساده کردن داده ها هستيم. هدف ما يافتن دو ترکيب خطي از متغيرهاي اصلي است. يک ترکيب از اولين دسته متغيرها و يک ترکيب از دومين دسته (که متغيرها کانونيکال ناميده مي شود) به نحوي که بيانگر بزرگترين همبستگي ممکن باشد. همبستگي كانونيكال(canonical correlation) همبستگي كانونيكال کمترين محدوديت را بر انواع داده ها در حين اجرا اعمال مي کند. به دليل اينکه ديگر فنون، قيود بسيار دقيق تري بر داده ها اعمال مي کنند، محققان عموما بر اين باوردند که اطلاعات منتج از آنها کيفيت بهتري داشته و قابليت تفسير بيشتري دارد. تحليل رگرسيون چندگانه قادر به پيش بيني مقدار يک متغير وابسته يگانه (متريک) از يک تابع خطي از مجموعه متغيرهاي مستقل مي باشد. در برخي از مسائل تحقيقاتي، ممکن است متغير وابسته يگانه منظور نظر نباشد، بلکه مورد نظر محقق روابط ميان مجموعه هاي متغيرهاي مستقل و وابسته چندگانه باشد. تحليل همبستگي كانونيكال مدل آماري چند متغيره مي باشد که مطالعه روابط دروني ميان مجموعه هاي متغيرهاي وابسته چندگانه و متغيرهاي مستقل چندگانه را تسهيل مي کند همبستگي كانونيكال(canonical correlation) چند اصطلاح متغيرهاي كانونيكال ترکيبات خطي است که نمايش دهنده ي مجموع دو يا چندين متغير مي باشد و مي توان آن را براي متغيرهاي وابسته و مستقل تعريف نمود تابع كانونيكال ارتباط (همبستگي ) ميان دو ترکيب خطي (متغير كانونيكال ) مي باشد. هر تابع كانونيكال دو متغير كانونيكال دارد. يکي براي مجموعه ي متغيرهاي وابسته و ديگري براي مجموعه ي متغيرهاي مستقل. توابع كانونيكال از يکديگر مستقل مي باشند. همبستگي كانونيكال(canonical correlation) استخراج توابع كانونيكال اولين قدم آناليز همبستگي كانونيكال استنباط و استخراج يك يا چند تابع كانونيكال مي باشد . هر تابع شامل يك جفت متغير مي باشد ، يك متغير ، متغير هاي مستقل و ديگري متغيرهاي وابسته را نمايش مي دهد. اولين جفت متغير كانونيكال به گونه اي انتخاب مي شوند كه بيشترين همبستگي داخلي ممکن بين دو مجموعه متغير را داشته باشند . دومين جفت از متغير كانونيكال به گونه اي استخراج مي شوند كه بيشترين رابطه را بين دو مجموعه از متغيرها كه براي جفت اول از متغيرها حساب نشده اند ،داشته باشند. و به همين صورت ادامه مي يابد. ميزان ارتباط داخل جفت متغير ها توسط همبستگي كانونيكال منعكس مي شود . مكانيزم آماري همبستگي كانونيكال همبستگي كانونيكال(canonical correlation) همبستگي کانونيکال: مکانيزم همبستگي کانونيکال از رويکردي مشابه مدل رگرسيون استفاده مي نمايد. به جاي کمينه کردن مجموع مربعات انحرافات، ما به دنبال ترکيبي از متغيرهاي مستقل X هستيم که همبستگي بين متغيرها وابسته Y را بيشينه نمايد. فرض کنيد u1=Xb1 نمايانگر اولين تکريب خطي از اولين دسته متغيرها باشد و فرض کنيد t1=Ya1 نمايانگر اولين ترکيب خطي از دومين دسته متغيرها باشد. هدف ما يافتن b1,a1 به نحوي است که همبستگي متغيرهاي کانونيکال t1 وu1 يعني r(t1,u1) را بيشينه نمايد. Choose a1,b1 to maXimize r(t1,u1) فرض کنيد t2=Y a2 ,u2=Xb2 بيانگر دومين زوج از متغيرهاي کانونيکال باشد. هدف بيشينه کردن همبستگي بين u2,t2 يعني r(t2,u2). Choose a2,b2 to maXimize r(t2,u2) Such that R(t1,t2)=0 and r(u1,u2)=0