پرش به مطلب اصلی

رگرسیون ۱

Regression I​

نام درس:رگرسیون ۱مقطع:کارشناسی
پیش‌نیاز:مبانی محاسبات علمی ،آمار و احتمال ۱گروه درس:تخصصی اختیاری
هم‌نیاز:نداردنوع درس:نظری
تعداد واحد:3تعداد ساعت:48
حل تمرین:

سرفصل درس:

نمودار پراکنش، رگرسیون خطی ساده، برآوردهای حداقل مربعات، برآورد درست نمایی ماکسیمم و ویژگی آنها، معرفی و بررسی پذیره های زیربنایی مدل در رگرسیون خطی، آزمون فرضیه و بازه اطمینان برای پارامترهای مدل، بازه پیش بین برای تک مشاهدات و میانگین آنها، رگرسیون ساده بدون عرض از مبدا، ضریب تعیین. رگرسیون خطی چندگانه، بیان مدل رگرسیون خطی چندگانه با نماد ماتریسی، برآوردهای حداقل مربعات و ماکسیمم درستنمایی پارامترها، ویژگی برآوردگرها، برآورد ضرائب مدل رگرسیون خطی چندگانه با متغیرهای استاندارد شده و تفسیر آن، جدول آنالیز واریانس، آزمون های معنی داری ضرائب مدل، تحلیل باقیماندهها و بررسی پذیرههای زیربنایی مدل رگرسیون خطی چندگانه، ضریب تعیین، مشتقات آن و تعبیر آنها. همبستگی های جزئی، روش های گزینش متغیرهای توضیحی در مدل رگرسیون خطی چندگانه (انواع روش ها: هم ورود، پیش رو، پس رو، قدم به قدم)، معرفی رویکرد تائیدی. معیارهای مختلف در انتخاب مدل Cp، مالوس، PRESS، AIC ، وتبدیل برخی از مدل های رگرسیون غیرخطی (بر حسب متغیرها) به مدل خطی.

راهبردهای تدریس و یادگیری متناسب با محتوا و هدف:

تدریس و سخنرانی؛ حل مثال و مسائل مربوط به درس؛ مشارکت دانشجویان در مباحث درسی از طریق حل مسئله و انجام آزمونهای کوتاه. این درس نیاز به انجام پروژه و تحلیل داده‌های واقعی توسط دانشجو دارد. همراه با آموزش نظری، مطالب درس به مهارت تحلیل دادهها و تسلط دانشجویان به نرم افزارهای آماری نیاز دارد که استاد درس بایستی در آزمایشگاه نرم افزار ارائه دهد و دانشجویان فعالیتهای تعریف شده را انجام دهند. این درس نیاز به انجام پروژه و تحلیل داده‌های واقعی توسط دانشجو دارد.

ملزومات، تجهیزات و امکانات مورد نیاز برای ارائه: کلاس درس و آزمایشگاه رایانه مجهز

منابع:

  • مونتگمری، د.، پک، آ و جافری، و. (۱۳۹۵). مقدمه ای بر تحلیل رگرسیون خطی، ترجمه: اسماعیل زاده، نبز، انتشارات دانشگاه کردستان.

  • امینی، م. زمانی، ح. روزبه، م. (۱۳۹۸). تحلیل رگرسیون پیشرفته با R، انتشارات پارسیان.

  • Kutner, M. Nachtsheim, C. Neter J. and Li W. (2012). Applied Linear Statistical Models, 5th Edition, McGraw- Hill.

  • Olive, D. (2017). Linear Regression, Springer.

  • Lilja, D. J. (2016). Linear Regression Using R: An Introduction to Data Modeling. Libraries Publishing.

  • Weisberg, S. (2013). Applied linear regression. John Wiley.

  • Chatterjee, S., & Hadi, A. S. (2013). Regression analysis by example. John Wiley.