دیدگاه
درباره سایت
آخرین مطالب
- تحلیل عاملی Factor Analysis
- تعیین اعشار در LISREL
- وارد کردن داده ها از Excel به SPSS
- ساخت جدول N در N در SPSS
- تولد دو سالگی وبلاگ دیدگاه نوین
- مقایسه بتای استاندارد در مطالعات مختلف
- در نوشتن تحقیق ، چگونه از منابع و مآخذ استفاده کنیم؟
- در نوشتن تحقیق ، چگونه از منابع و مآخذ استفاده کنیم؟
- تعیین حجم نمونه در تی تک نمونه با نرم افزار G*Power
- یکسان سازی مقیاس ها با Z-Score و نحوه بکارگیری در SPSS
امکانات وب
ابتدا مدل underidentified
یک مدل تحلیل عاملی را فرض کنید. یک سازه به نام رضایت شغلی که با دو شاخص سنجیده می شود . چون دو شاخص هست بنام ایکس یک و ایکس دو اگر ماتریس واریانس کواریانس بگیریم سه پارامتر خواهیم داشت . اما در مدل ما چهار پارامتر داریم که دو تای اضافه شده واریانس دو شاخص هستند . بنابراین
در مدل سازی معادلات ساختاری گاهی اتفاق می افتد که متغیر وابسته ی شما تنها یک متغیر شاخص یا همان گویه دارد . در این حالت باید به دو نکته دقت کرد . اولین نکته این است که برای ان یک گویه ی وابسته در آموس یک سازه بسازیم . نکته ی دوم اینکه ممکن است در اموس در این حالت مدل ران نشود و شما برای رفع این مشک
بعضی دوستان با نصب نرم افزار LISREL با مشکلات مختلفی مواجه هستن که تقریبا در ابتدای کار من هم درگیر این موضوع بودم .
تقریبا اکثر نرم افزار های LISREL موجود در اینترنت برای دانلود مشکل دارند. پیشنهاد میکنم مجموعه نرم افزار های ریاضیات شرکت گردو را خریداری بفرمایید که نرم افزارهای مختلفی هست از جمله
مقدمه :
برای تحلیل داده ها حتما لازم نیست شما با داده های خام کار کنید. میتوانید از ماتریس واریانس_کواریانس استفاده کنید . در لیزرل نیز مانند بسیاری از نرم افزارها می توانید از سینتکس یا دستور یا به زبان لیزرل SIMPLIS استفاده کنید که یعنی لیزرل ساده .
دستور زیر را در مسیر زیر در در لیزرل کپی کنید
ازمون های شبکه ی عصبی مصنوعی امروزه کاربرد زیادی خارج از زیست شناسی پیدا کرده است . به عنوان مثال پیش بینی متغیر یا متغیرهای وابسته به وسیله تعداد بسیار زیادی متغیر مستقل که با روش های معمول مدل بندی انها بسیار وقت گیر وقت گیر و همچنین دشوار و پیچیده است . مزیت دیگر ان این است که احتیاج به بررسی مفروضه ها نیست.
در اینده سعی خواهم کرد ضمن معرفی شبکه های هوش مصنوعی مقایسه ای با رگرسیون داشته باشم .
گزینه های مختلفی برای برخورد با داده های گمشده وجود دارد که دو نوع ان انتساب رگرسیونی یا Regression و حداکثر درست نمایی یا Maximum Likelihood می باشد .
در انتساب رگرسیونی ما مقادیر پیش بینی شده با معادله رگرسیونی را جایگزین داده گمشده می کنیم و در حداکثر احتمال بر اساس حداکثر درستنمایی داده های گم