IBM SPSS -tilastot. Taso 5. Monimuuttujatilastollinen analyysi - kurssi 34 990 RUB. erikoislääkäriltä, koulutus 32 ak. h., Päivämäärä: 17.9.2023.
Miscellanea / / December 05, 2023
Kurssilla tarkastellaan monimuuttujia tilastollisia menetelmiä, jotka myös luokitellaan tiedonlouhintamenetelmiksi. Näiden menetelmien avulla voidaan löytää piilotettuja ja epäselviä kuvioita suurista tietomääristä ja tehdä johtamispäätöksiä näiden mallien perusteella.
Keskustelu 1. Johdanto
Keskustelu 2. SPSS: n lyhyt historia
Keskustelu 3. Kenelle SPSS-kurssit on tarkoitettu?
Keskustelu 4. Specialistin SPSS-kurssien edut
Keskustelu 5. Tilastolliset menetelmät tietojen analysointiin käyttämällä IBM SPSS Statistics -ohjelmaa
Keskustelu 6. Kehittynyt tietojen analyysi IBM SPSS Statisticsin avulla
Keskustelu 7. Tietojen esittäminen taulukoissa IBM SPSS Statisticsissa
Keskustelu 8. Otostutkimusten suorittaminen IBM SPSS Statisticsin Complex Samples -moduulilla
Keskustelu 9. Tehokkaita tekniikoita tiedostojen ja tietojen hallintaan IBM SPSS Statisticsissa
Keskustelu 10. Johtopäätös
Sinä tulet oppimaan:
- Suorita klusterianalyysi eri menetelmillä
- Suorita tekijä- ja komponenttianalyysi
- Tee erotteluanalyysi ja luokittelu sen perusteella
- Rakenna päätöspuita ja analysoi niitä
- Rakenna moniulotteisia dispersiomalleja
Ammattitaitoinen opettaja-ammattilainen, jolla on laaja ja monipuolinen työkokemus sekä yli 10 vuoden opetuskokemus. Selittää oppimateriaalia mukaansatempaavasti, ymmärrettävästi käyttäen monia mielenkiintoisia esimerkkejä omasta käytännöstään. Kirkkaus...
Ammattitaitoinen opettaja-ammattilainen, jolla on laaja ja monipuolinen työkokemus sekä yli 10 vuoden opetuskokemus. Selittää oppimateriaalia mukaansatempaavasti, ymmärrettävästi käyttäen monia mielenkiintoisia esimerkkejä omasta käytännöstään. Alina Viktorovnan esityksen kirkkaus ja eloisuus auttaa kuuntelijoita nopeasti ja täysin omaksumaan opetussuunnitelman. Opettaja vastaa yksityiskohtaisesti kaikkiin yleisön esittämiin kysymyksiin ja kommentoi tarkasti analysoitavia tilanteita.
Alina Viktorovnalla on useita korkeakouluja "tietotekniikka" ja "ekonomisti" erikoisuuksilla. Hänellä on teknisten tieteiden kandidaatin tutkinto teollisuuden teknisten prosessien automaation ja ohjauksen alalta. Osallistunut tilastollisten mallien kehittämiseen lasilevytuotannon teknologisen prosessin automatisoimiseksi, projekteissa tilastollisten menetelmien käyttöönotto prosessien ohjaamiseksi autoteollisuudessa (tehtailla kuten AvtoVAZ, KamAZ, GAZ ja jne.). Analysoi Venäjän federaation alueiden terveydenhuoltojärjestelmää. Osallistuu analyytikkona projektiin, jossa pyritään tunnistamaan koululaisten yrittäjyyssuuntauksia.
Hän on kehittänyt monia koulutus- ja metodologisia komplekseja ja osallistunut toistuvasti pätevien teosten puolustamisen sertifiointikomission työhön. 17 tieteellisen työn kirjoittaja, mukaan lukien tieteelliset artikkelit venäläisissä ja ulkomaisissa julkaisuissa. Hänellä on saksalaisen Q-DAS-yhtiön sertifikaatti tilastollisen prosessinhallinnan erikoiskoulutuksen järjestämisestä BOSCH-yritykselle.
Alina Viktorovna hallitsee moitteeton menetelmät liiketoimintaprosessien kuvaamiseen, järjestelmämallinnukseen, staattisiin tietojenkäsittelymenetelmiin ja IS-suunnittelustandardeihin. Hän antaa tunneilla esimerkkejä eri työalueilta, jotta materiaali on yhtä ymmärrettävää eri alojen opiskelijoille.
Moduuli 1. Klusterianalyysi ja sen soveltaminen (2 ak. h.)
- Moniulotteiset luokitusmenetelmät
- Klusterianalyysin käsite ja sovellusalueet
- Klusterianalyysitehtävät
- Klusterianalyysimenetelmät
- Klusterianalyysin edut ja haitat
- Klusterianalyysin vaiheet
- Alkutiedot klusterianalyysiin
- Mittaa esineiden välisen etäisyyden
- Luokituksen laadun analyysi
Moduuli 2. Hierarkkinen klusterianalyysi (4 ac. h.)
- Hierarkkisen klusterianalyysin ominaisuudet
- Klusterianalyysin hierarkkisten menetelmien algoritmi
- Mittaa klusterien välisen etäisyyden
- Toimenpideetäisyydet
- Eron mittarit
- Samankaltaisuustoimenpiteet
- Toimenpide Hierarkkinen klusterianalyysi
- Hierarkkisen klusterianalyysimenetelmän valinta
- Hierarkkisen klusterianalyysin tulokset
- Hierarkkisen klusterianalyysin tulosten graafinen esitys
- Tilastojen määrittäminen hierarkkista klusterianalyysia varten
- Uusien muuttujien tallentaminen
Moduuli 3. Luokittelu k-means-menetelmällä (2 ac. h.)
- K-means-menetelmän olemus ja piirteet
- K-means-menetelmän algoritmi
- Toimenpide Klusterianalyysi k-means-menetelmällä
- Toimenpiteen tulokset Klusterianalyysi k-means-menetelmällä
- Iteraatioiden määrän asettaminen
- Lisäparametrien asettaminen
- Tulokset lisäasetusten näyttämisestä
- Uusien muuttujien tallentaminen
- Tulosten graafinen esitys
Moduuli 4. Kaksivaiheinen klusterianalyysi (4 ak. h.)
- Kaksivaiheisen klusterianalyysin ominaisuudet
- Kaksivaiheisen klusterianalyysin edellytykset
- Algoritmi kaksivaiheiseen klusterianalyysiin
- Menettely Kaksivaiheinen klusterianalyysi
- Yhteenveto mallin tuloksista
- Klusterin rakenteen arviointi
- Katso tietoja klustereista
- Näytä tiedot klustereista
- Lähtöohjaus
- Kaksivaiheisen klusterianalyysin tulos
- Cluster Viewer -lisäpaneeli
- Havaintojen valinta klustereittain
- Kaksivaiheisen klusterianalyysimenettelyn parametrit
Moduuli 5. Dimensiovähennysmenetelmät: tekijä- ja komponenttianalyysi (4 ak. h.)
- Tekijäanalyysin käsite
- Tekijäanalyysin tarkoitus ja tavoitteet
- Tekijäanalyysin vaiheet
- Tekijäanalyysin käytön edellytykset
- Komponenttianalyysialgoritmi
- Tekijäanalyysialgoritmi
- Tekijä- ja komponenttianalyysien vertailu
- Tekijä- ja komponenttianalyysien käytön edellytykset
- Menettelytekijäanalyysi
- Tekijäanalyysimenettelyn tulokset
- Säännöt tekijöiden valintaa varten
- Tekijäanalyysimenetelmän valinta
- Tekijänkiertoongelma
- Tekijänkierron säätö
- Factor-analyysimenettelyn parametrit
- Kuvaavien tilastojen tuottaminen
- Tekijän arvojen säästäminen
Moduuli 6. Vastausperusteinen luokitus: erotteluanalyysi (4 ak. h.)
- Segmentointi vastausten perusteella
- Vastauspohjaiset segmentointimenetelmät
- Alkutiedot erotteluanalyysiä varten
- Diskriminanttianalyysin ja logistisen regression yhtäläisyydet
- Diskriminanttianalyysin ja logistisen regression väliset erot
- Diskriminanttianalyysin tarkoitus ja tavoitteet
- Diskriminanttianalyysin edellytykset
- Diskriminanttianalyysin vaiheet
- Diskriminanttianalyysin menetelmät
- Alkutiedot
- Lineaarinen diskriminanttianalyysimalli
- Menettely Diskriminanttianalyysi
- Diskriminanttianalyysimenettelyn tulokset
- Diskriminanttianalyysimenettelyn tilastot
- Vaiheittaisen valintamenettelyn menetelmä Diskriminanttianalyysi
- Luokittelu erotteluanalyysin tulosten perusteella
- Luokittelutilastot
- Uusien muuttujien tallentaminen
Moduuli 7. Monimuuttujavarianssianalyysi (4 ac. h.)
- Monimuuttuja varianssianalyysi
- OLM-moniulotteisen prosessin parametrien asettaminen
- Monimuuttujavarianssianalyysin tärkeimmät tulokset
- ANOVA toistuvin mittauksin
- GLM-menettely - toistuvat mittaukset
- Parametrien asettaminen OLM-toistuvaan mittaukseen
Moduuli 8. Päätöspuihin perustuvat luokitusmallit (8 ak. h.)
- Päätöspuun rakentamismenetelmän ydin
- Päätöspuun käyttöalueet
- Päätöspuumenetelmän käytön ominaisuudet ja edellytykset
- Päätöspuun rakentamismenetelmät
- Päätöspuun rakentamismenetelmien vertailu
- Menettelyn luokituspuut
- Päätöspuiden tulkinta ja tutkiminen
- Mallin riittävyyden tarkistaminen
- Luokituspuut-menettelyn tulosteen mukauttaminen
- Luokituspuut-menettelyn asetukset ja parametrit
- Säännöt havaintojen luokittelusta
- Luokituspuut-menettelyn kriteerit
- Regressiopäätöspuut
- Regressiopäätöspuiden rakentaminen