تحلیل آماری

تحلیل آماری استفاده از داده‌های آماری شامل متغیرها و وقایع برای تعیین روابط احتمالی یا آماری به روش کمی است.

مشاوره در زمینه تحلیل آماری افتخار ماست.
بهترین مشاوره تجزیه و تحلیل آماری افتخار ماست.

تعریف تجزیه و تحلیل آماری چیست؟

تجزیه و تحلیل آماری به روش‌های زیادی انجام می‌شود. مانند معادله‌های رگرسیونی، مقایسه میانگین، محاسبه همبستگی، تحلیل نسبت و غیره. هدف از این روش‌ها انجام کمی، یا ریاضی، داده برای تعیین همبستگی بین یک یا چند متغیر و یا پیش‌بینی احتمال رخداد آینده در وضعیت‌های مشابه است.

تحلیل آماری اغلب در کسب‌ و کار برای ارزیابی شرکت و در بسیاری از تصمیم‌های تجاری مانند نگهداری و ارزیابی سهام مورد استفاده قرار می‌گیرد. نوسان سهام حوزه‌ای است که در آن شرکت‌ها مرتباً از این تحلیل های آماری برای استخراج نتایج استفاده می‌کنند. شرکت‌ها همچنین این داده‌ها را در طول فرآیند مدیریت ریسک می‌کنند، تا احتمال وقوع یک ریسک مشخص توسط یک شرکت را ارزیابی کرده و میزان ریسک آن قابل قبول باشد. شرکت‌ها همچنین از معادله‌های رگرسیونی استفاده می‌کنند تا برخی از فرضیه‌های کلی خود را در مورد تاثیر یک عامل خاص بر دارایی‌های آن‌ها یا قیمت بازار سهام مورد آزمایش قرار دهند.

اگر متخصص نیستم برای تحلیل آماری چه راهی وجود دارد؟

در صورتی که فرصت و یا تخصص انجام تحلیل آماری را نداشته باشیم، می توانیم از روش واگذاری پروژه و اخذ مشاوره از متخصصین ما هدف خود را محقق نمایید. در این ارتباط چه در زمینه پژوهشهای سازمانی و شرکتی و چه در تحقیقات دانشجویان و دانش پژوهان این شرکت آمادگی دارد تا آنچه در طی سالها تجربه به دست آورده است، در اختیار هموطنان عزیز قرار دهد. امیدواریم تا در این امید همراه همه ما باشد.

داده های بورس اوراق بهادار تهران ۸۸ تا ۹۵

داده های بورس اوراق بهادار تهران

داده های آماری متغیرهای حسابداری و مالی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران از سال ۸۸ الی ٬۹۵ در قالب فایل اکسل٬ مناسب برای انجام پروژه ها و پایان نامه های دانشجویی رشته های حسابداری٬ مدیریت مالی و اقتصاد. فعالیت مالی شرکتهای عضو بورس اوراق بهادار و ثبت صورتهای مالی انتهای دوره آنها باعث ایجاد داده می شود. داده ها بعد از خلاصه سازی و پردازش قابلیت تبدیل به اطلاعات را دارند. ولی این فرآیندی زمان بر و مشمول هزینه می باشد.

پژوهشگران، دانشجویان و اساتید محترم میتوانند با استفاده از این اطلاعات پژوهش و تحقیق خود را با صرف انرژی و هزینه کمتر انجام دهند. داده های داخل فایل ارائه شده به نسبت و شاخص های تیپ مالی تبدیل شده و به راحتی در دسترس شما می باشد و بعد از انتخاب متغیرهای تحقیق میتوانید آنها را مستقیما وارد نرم افزار های تحلیلی و آماری کرده و نتایج را به دست بیاورید.

داده های شرکتهای بورس اوراق بهادار تهران طی سالهای ۸۸-۹۶

لیست متغیرها

متغیرهایی که در این فایل داده های آماده آماری آنها جمع آوری شده است و دریافت داده های بورس اوراق را در اختیار میگذارد، برای ۱۳۳ شرکت و هر سال ارائه شده است که  عبارتند از:

برای شرکت – سال – صنعت متغیرهای

شرکت ارزش روز FL
سال ارزش بازار به میلیون ROA
صنعت تاریخ تاسیس  سال R&D
وجوه نقد و موجودی‌های نزد بانک‌ها سود و زیان انباشته FI
خالص دارایی‌های ثابت جمع حقوق صاحبان سهام در پایان سال مالی EMP
جمع کل دارایی‌ها قیمت ابتدای دوره INTANG
جمع کل بدهی‌ها سود تقسیمی سال قبل Δ NOL
فروش % بازدهی NOL
فروش سال قبل درصد سهام نزد تامین اجتماعی ΔSLAE
بهای تمام شده کالای فروش رفته درصد سهام نزد صندوق بازنشستگی PROFIT
سود ناویژه درصد سهام نزد صندوقها (بجز صندوق بازنشستگی کشوری) Lev
هزینه‌های عمومی و اداری درصد سهام نزد دولت MTB
خالص درآمدها و هزینه‌های عملیاتی درصد سهام نزد شرکتهای سرمایه گذاری Size
هزینه‌های مالی درصد سهام نزد بیمه ایران و مرکزی CASH
سود (زیان) ویژه پس از کسر مالیات درصد سهام شرکتهای بیمه و بانکها (بجز بیمه ایران و مرکزی) OCF
قیمت پایانی رتبه افشاء INVCF

داده کاوی نوین و کاربردی

داده کاوی چیست؟

داده کاوی یک فن‌آوری امیدبخش و نسبتا جدید است. داده کاوی به عنوان فرآیندی برای کشف دانش ارزشمند پنهان از طریق تجزیه و تحلیل مقادیر زیاد داده‌ها تعریف می‌شود، که در پایگاه‌های داده یا انبار داده، با استفاده از تکنیک‌های داده کاوی مختلف مانند یادگیری ماشین، هوش مصنوعی (AI)و اماری مورد استفاده قرار می‌گیرد. بسیاری از سازمان‌ها در صنایع مختلف از مزایای استخراج داده از قبیل تولید، بازاریابی، شیمیایی، هوافضا و غیره استفاده می‌کنند تا بهره‌وری کسب‌وکار خود را افزایش دهند. بنابراین، نیاز به فرآیند استخراج داده استاندارد به طور چشمگیری افزایش یافت. یک فرآیند داده کاوی باید قابل‌اطمینان باشد و باید توسط افراد تجاری با دانش کم و یا بدون دانش پیش‌زمینه معدن‌کاری داده‌ها تکرار شود. در نتیجه، در سال ۱۹۹۰، یک فرآیند استاندارد برای استخراج داده (crisp – DM)اولین بار پس از عبور از چندین کارگاه علمی و مشارکت بیش از ۳۰۰ سازمان منتشر شد.

جزئیات یک فرآیند داده کاوی CRISP

فرآیند استاندارد صنعتی برای داده کاوی (crisp – DM)متشکل از شش فاز است که به عنوان یک فرآیند چرخه‌ای به عنوان شکل زیر در نظر گرفته می‌شود:

درک کسب‌وکار

اول، لازم است اهداف تجاری را به روشنی درک کرده و نیازها و نیازهای کسب‌وکار را مشخص کنید.

سپس، ما باید وضعیت فعلی را با یافتن منابع، فرضیات، محدودیت‌ها و عوامل مهم دیگر ارزیابی کنیم که باید در نظر گرفته شوند.

سپس، از اهداف تجاری و شرایط فعلی، ما باید اهداف داده کاوی را برای رسیدن به اهداف کسب‌وکار در موقعیت فعلی ایجاد کنیم. در نهایت، یک برنامه داده کاوی خوب باید برای رسیدن به اهداف تجاری و هم داده کاوی ایجاد شود. برنامه باید تا آنجا که ممکن است دقیق باشد.

درک داده‌ها

 اول، مرحله درک داده‌ها با مجموعه داده‌های اولیه شروع می‌شود، که ما از منابع داده‌های موجود جمع‌آوری می‌کنیم تا به ما کمک کند با داده‌ها آشنا شویم. برخی فعالیت‌های مهم باید شامل بار داده و یکپارچه‌سازی داده‌ها باشد تا جمع‌آوری داده‌ها با موفقیت انجام شود.

سپس، ویژگی‌های “ناخالص” یا “سطح” داده‌های بدست‌آمده باید به دقت مورد بررسی قرار گیرد و گزارش شود.

سپس، داده‌ها باید با پرداختن به سوالات استخراج داده مورد بررسی قرار گیرند، که می توان آن‌ها را با استفاده از پرس و جو، گزارش دهی و تجسم سازی مورد بررسی قرار داد. در نهایت، کیفیت داده‌ها باید با پاسخ دادن به برخی سوالات مهم مانند ” آیا داده‌های بدست‌آمده کامل هستند؟ آیا هیچ مقدار از داده‌های بدست‌آمده موجود در داده‌های بدست‌آمده وجود ندارد؟ ”

آماده‌سازی داده

آماده‌سازی داده‌ها معمولا حدود ۹۰ % زمان پروژه را مصرف می‌کند. نتیجه فاز آماده‌سازی داده‌ها، مجموعه داده نهایی است. هنگامی که منابع داده موجود شناسایی شدند، باید انتخاب، تمیز، ساخته و فرمت شده در فرم مورد نظر انتخاب شوند. عملیات اکتشاف داده‌ها در یک عمق بزرگ‌تر ممکن است در طول این مرحله انجام شود تا به الگوها براساس درک کسب‌وکار توجه شود.

مدلسازی

اول، تکنیک‌های مدل‌سازی باید برای استفاده برای مجموعه داده آماده انتخاب شوند.

سپس، سناریوی تست باید برای اعتبار سنجی کیفیت و اعتبار مدل تولید شود.

سپس یک یا چند مدل با اجرای ابزار مدل‌سازی بر روی مجموعه داده آماده ایجاد می‌شوند. در نهایت، مدل‌ها باید با دقت مورد ارزیابی قرار گیرند تا مطمین شوند که مدل‌های ایجاد شده، ابتکارات کسب‌وکار را برآورده می‌کنند.

ارزیابی

در مرحله ارزیابی، نتایج مدل باید در مرحله اهداف کسب‌وکار در مرحله اول ارزیابی شوند. در این مرحله، الزامات کسب‌وکار جدید ممکن است به دلیل الگوهای جدیدی که در نتایج مدل یا از عوامل دیگر کشف شده‌اند، افزایش یابد. کسب درک کسب‌وکار یک فرآیند تکرارشونده در داده کاوی است. تصمیم نهایی یا نرفتن باید در این مرحله برای حرکت به مرحله آماده‌سازی اتخاذ شود.

استقرار

دانش یا اطلاعات، که ما از طریق فرآیند داده کاوی به دست می‌آوریم، باید به گونه‌ای ارائه شود که سهامداران بتوانند آن را زمانی که می‌خواهند از آن استفاده کنند. براساس الزامات کسب‌وکار، مرحله آماده‌سازی می‌تواند به سادگی ایجاد یک گزارش یا پیچیدگی به عنوان فرآیند استخراج داده تکراری در سراسر سازمان باشد. در مرحله آماده‌سازی، برنامه‌های استقرار، نگهداری و نظارت باید برای اجرا و نیز پشتیبانی آینده ایجاد شوند. از نقطه‌نظر پروژه، گزارش نهایی پروژه باید تجربیات پروژه را خلاصه کرده و پروژه را بازبینی کند تا ببیند نیاز به بهبود درس‌های آموخته‌شده را دارد. CRISP-DM یک چارچوب یکپارچه برای مستندسازی و دستورالعمل‌های تجربه ارائه می‌دهد. علاوه بر این، DM ها می‌توانند در صنایع مختلف با انواع مختلف داده اعمال شود.

برای سفارش دوره آموزشی با ما تماس بگیرید.http://infoedu.ir/%d8%aa%d9%85%d8%a7%d8%b3-%d8%a8%d8%a7-%d9%85%d8%a7/

رگرسیون ساده چیست؟

رگرسیون ساده برای آزمون رابطه بین یک متغیر وابسته و یک یا چند متغیر مستقل به کار می رود.

بعد از تعیین و تبیین یک رابطه، مدل رگرسیون به دست آمده می تواند، بعد از مشخص شدن مقادیر متغیرهای مستقل به پیش بینی متغیرهای مستقل بپردازد.

همه ما رگرسیون را در زندگی روزمره بکار می بریم. یک مادر می داند که رژیم شیرین باعث افزایش سطح کالری و انرژی کودکانش خواهد شد. هوشیاری و سرجالی به هنگام بیدار شدن صبحگاهی به ساعت خواب افراد بستگی دارد. این رابطه سنجی ها می تواند از طریق توسعه یک مدل ریاضی به دقت و پیش بینی دقیقتر کمک کند.

به طور مثال فرض کنید که داروسازی می خواهد بداند برای وزن های مختلف بدن انسان(متغیر مستقل) چه میزان دارو متغیر(متغیر وابسته) تجویز کند. هدف از اجرای رگرسیون در اینجا پیدا کردن فرمولی است که رابطه این متغیر را تعیین کند. بعد از پیدا کردن این فرمول ها می توانیم برای وزن های مختلف دوز دارو را تجویز کنیم.

داده های شرکتهای بورس اوراق بهادار تهران طی سالهای ۸۸-۹۶

داده های بورس اوراق بهادار

داده های آماری متغیرهای حسابداری و مالی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران از سال ۸۸ الی ٬۹۶ در قالب فایل اکسل٬ مناسب برای انجام پروژه ها و پایان نامه های دانشجویی رشته های حسابداری٬ مدیریت مالی و اقتصاد. فعالیت مالی شرکتهای عضو بورس اوراق بهادار و ثبت صورتهای مالی انتهای دوره آنها باعث ایجاد داده می شود. داده ها بعد از خلاصه سازی و پردازش قابلیت تبدیل به اطلاعات را دارند. ولی این فرآیندی زمان بر و مشمول هزینه می باشد.

پژوهشگران، دانشجویان و اساتید محترم میتوانند با استفاده از داده های بورس، پژوهش و تحقیق خود را با صرف انرژی و هزینه کمتر انجام دهند. داده های شرکت های بورس اوراق بهادار تهران به صورت خام از سایتهای مرتبط با سازمان بورس قابل واکشی می باشد. اما جمع بندی این داده ها در یک فایل پروژه ای زمان بر می باشد. داده های داخل فایل ارائه شده به نسبت و شاخص های تیپ مالی تبدیل شده و به راحتی در دسترس شما می باشد و بعد از انتخاب متغیرهای تحقیق میتوانید آنها را مستقیما وارد نرم افزار های تحلیلی و آماری کرده و نتایج را به دست بیاورید.

نمونه فایل داده های شرکت های بورس اوراق بهادار را به صورت رایگان می توانید جهت حصول اطمینان از این لینک دریافت نمایید.

برای تهیه داده های بورس با متغیرهای خاص پروژه خود می توانید با ما تماس بگیرید.

لیست متغیرهای موجود در فایل

لیست موجود به صورت ذیل می باشد:

دانلود داده های مالی حسابها و اسناد پرداختنی تجاری سال گذشته در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی جمع دارایی‌های جاری در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی هزینه استهلاک  در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی جمع کل دارایی‌ها سالا گذشته در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی وجه نقد عملیاتی در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی موجودی مواد و کالا در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی خالص دارایی‌های ثابت در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی جمع بدهی‌های جاری در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی فروش سال گذشته در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی سود تقسیمی سال گذشته در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی ارزش بازار به میلیون در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی سود (زیان) ویژه قبل از کسر مالیات سال گذشته در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی هزینه عملیاتی در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی سود (زیان) ویژه قبل از کسر مالیات در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی جمع کل دارایی‌ها در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی جمع حقوق صاحبان سهام در پایان سال مالی در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی سود (زیان) ویژه پس از کسر مالیات در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی مالیات بر درآمد پرداختی در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی جمع کل بدهی‌ها در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی سود تقسیمی در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی حسابها و اسناد پرداختنی تجاری در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی % بازدهی در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی تعداد کارکنان در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی وجوه نقد و موجودی‌های نزد بانک‌ها در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی ارزش روز در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی موجودی مواد و کالا سال گذشته در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی تعداد سهام در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی تاریخ تاسیس فقط سال  در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی قیمت پایانی در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی موجودی مواد و کالا سال قبل در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی جمع کل دارایی‌ها سال قبل در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی بدهی‌های غیر جاری در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی فروش در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی فروش سال قبل در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی بهای تمام شده کالای فروش رفته در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی هزینه‌های عمومی و اداری در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی مالیات در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی جمع جریان خالص فعالیتهای سرمایه گذاری در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی درصد سهام نزد تامین اجتماعی  در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی درصد سهام نزد صندوق بازنشستگی  در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی درصد سهام نزد صندوقها (بجز صندوق بازنشستگی کشوری) در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی درصد سهام نزد دولت  در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی درصد سهام نزد شرکتهای سرمایه گذاری ۱۳۹۳ در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی درصد سهام نزد بیمه ایران و مرکزی  در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی درصد سهام شرکتهای بیمه و بانکها (بجز بیمه ایران و مرکزی)  در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی نرخ قانونی مالیات در سالهای ۱۳۸۸ تا ۱۳۹۶

دانلود داده های مالی نرخ واقعی مالیات در سالهای ۱۳۸۸ تا ۱۳۹۶

متغیرهایی که در این فایل داده های آماده آماری آنها جمع آوری شده است و دریافت داده های بورس اوراق را در اختیار میگذارد، برای ۱۳۳ شرکت و هر سال ارائه شده است که  عبارتند از:

برای شرکت – سال – صنعت متغیرهای

سال هزینه عملیاتی تعداد سهام درصد سهام نزد صندوقها (بجز صندوق بازنشستگی کشوری)
شرکت سود (زیان) ویژه قبل از کسر مالیات تاریخ تاسیس فقط سال درصد سهام نزد دولت
حسابها و اسناد پرداختنی تجاری سال گذشته جمع کل دارایی‌ها قیمت پایانی درصد سهام نزد شرکتهای سرمایه گذاری ۱۳۹۳
جمع دارایی‌های جاری جمع حقوق صاحبان سهام در پایان سال مالی موجودی مواد و کالا سال قبل درصد سهام نزد بیمه ایران و مرکزی
هزینه استهلاک سود (زیان) ویژه پس از کسر مالیات جمع کل دارایی‌ها سال قبل درصد سهام شرکتهای بیمه و بانکها (بجز بیمه ایران و مرکزی)
جمع کل دارایی‌ها سالا گذشته مالیات بر درآمد پرداختی بدهی‌های غیر جاری نرخ قانونی مالیات
وجه نقد عملیاتی جمع کل بدهی‌ها فروش نرخ واقعی مالیات
موجودی مواد و کالا سود تقسیمی فروش سال قبل
خالص دارایی‌های ثابت حسابها و اسناد پرداختنی تجاری بهای تمام شده کالای فروش رفته
جمع بدهی‌های جاری درصد بازدهی هزینه‌های عمومی و اداری
فروش سال گذشته تعداد کارکنان مالیات
سود تقسیمی سال گذشته وجوه نقد و موجودی‌های نزد بانک‌ها جمع جریان خالص فعالیتهای سرمایه گذاری
ارزش بازار
به میلیون
ارزش روز درصد سهام نزد تامین اجتماعی
سود (زیان) ویژه قبل از کسر مالیات سال گذشته موجودی مواد و کالا سال گذشته درصد سهام نزد صندوق بازنشستگی

امتحانات هواپیمایی کشوری

بوکلت های جدید B1 و B2 امتحانات هواپیمایی کشوری

این مجموعه سوالات مربوط به آزمون های سازمان هواپیمایی کشوری می باشد که در رشته اویونیک و تعمیر و نگهداری برگزار می گردد. فارغ التحصیلان پس از اخذ مدرک باید در این آزمون شرکت کنند و بعد از دریافت  مدرک B1 و B2 می توانند در ایرلاین ها استخدام شوند. این آزمون ها برگرفته از سوالاتی می باشد که در یک مجموعه کامل گردآوری شده است. ماژولهای ۱ تا ۱۰ بین دو رشته مشترک می باشد و ماژول ۱۱ و ۱۵ اختصاصی رشته تعمیر و نگهداری برای آزمون B1 و ماژول های ۱۳ و ۱۴ اختصاصی رشته اویونیک جهت آزمون B2 آماده گردیده است، که در ضمیمه قسمتی  از ماژول یک به عنوان نمونه قرار داده شده است.

ماژول های این مجموعه به شرح ذیل می باشد:

B1 & B2 Module 01 – Mathematics
B1 & B2 Module 02 – Physics
B1 & B2 Module 03 – Electrical Fundamental
B1 & B2 Module 04 – Electronic Fundamental
B1 & B2 Module 05 – Digital Techniques
B1 & B2 Module 06 – Material
B1 & B2 Module 07 – Maintenance Practice
B1 & B2 Module 08 – Basic Aerodynamics
B1 & B2 Module 09 – Human Factors
B1 & B2 Module 10 – Aviation Legislation
B1 Module 11 – Aero plane Aerodynamics, Structures & System
B2 Module 13 – Aerodynamics, Structures & System
B2 Module 14 – Propulsion
B1 Module 15 – Gas Turbine Engine

 

قیمت :

دروه کامل B1 = ۱٫۰۰۰٫۰۰۰ ریال

دوره کامل B2 = در حال آماده سازی ماژول ۱۳

ماژول های ۱ تا ۱۰ = ۷۰۰٫۰۰۰ ریال

فایل نمونه را از اینجا دانلود کنید.

پانل دیتا چیست؟

Statistics

جهت انجام تجزیه و تحلیل مدل های پانل دیتا با ما تماس بگیرید.

نویسنده: عبدالرسول خان احمدی

قبل از معرفی مدل های پانل دیتا لازم است ماهیت این داده ها و چرایی و چگونی به وجود امدن انها را بررسی کنیم.

ماهیت پنل دیتا:

ما همواره در بررسی های خود با دو ساختار مجزای آزمایش روبرو بوده ایم:

  • قصد داریم مدلی برای داده های خود در یک زمان خاص برازش دهیم.
    به عنوان مثال فرض کنید می خواهیم یک تابع تولید ساده را برآورد کنیم. تولید تابعی از موجودی سرمایه، نیروی کار و مهارت های مدیریتی است. اگر تولید بنگاه ها را بر روی موجودی سرمایه و تیروی کار در یک زمان رگرس کنیم تورش ایجاد می شود. زیرا یک متغیر مهم یعنی مهارت مدیریتی از مدل حذف شده است. برای رفع این مشکل بهتر است که میزان تولید طی چند سال را برای این بنگاه ها رگرس کنیم.
    در این حالت ما با داده های پانل کار می کنیم. یعنی برای هر بنگاه میزان تولید، موجودی سرمایه و نیروی کار را در طی زمان به دست می آوریم و تلفیقی، ترکیبی از بنگاه ها (مقاطع) و سری زمانی داریم. به این داده های ترکیبیپانل دیتا، داده های ترکیبی، داده های آمیخته گفته می شود.
  • قصد داریم مدلی برای داده های خود در طی زمان بدست آوریم.
    به عنوان مثال فرض کنید قصد داریم روند تولید، صادرات، نرخ تورم یا … را برای یک کشور، بنگاه، شرکت به دست آوریم. همچینین پیش بینی هایی در مورد آینده انجام دهیم؛ ولی به دلایل متعدد از قبیل نبود داده های کافی نتوانیم از مدل سری های زمانی استفاده کنیم. در این حالت برای از بین بردن مشکل کمبود داده از کشورها، بنگاه ها، شرکت ها (مقاطع مختلف) در تحلیل خود استفاده می کنیم؛ به داده های حاصل پانل دیتا، داده های ترکیبی، داده های آمیخته گفته می شود.

همان گونه که مشخص است، پس از ترکیب ما می توانیم از هر دو روش برای برآورد استفاده نماییم. بنابراین با این مجموعه داده ها می توان اثراتی را شناسایی یا اندازه گیری کرد که در داده های مقطعی محض یا سری زمانی خالص قابل شناسایی نیست.

نکته قابل تامل در داده های پانل این است که ما نه تنها می توانیم اثرات ثابت و تصادفی را برای مقاطع مختلف بررسی کرده و مدل را برازش دهیم. بلکه می توان اثرات ثابت و تصادفی را برای زمان های گوناگون نیز بررسی و زمان را به عنوان یک عامل تعیین کننده در نظر گرفت.

مزایای مدل های پانل دیتا:

با توجه به توضیحات قسمت قبل می توان مزایای زیر را برای مدل های پانل معرفی کرد:

  1. تعداد مشاهدات و داده ها زیاد بوده و اعتماد به برآوردها بیشتر است.
  2. به محققان اجازه می دهد مدل های پیشرفته تری را تبیین کرده و آزمون کنند.
  3. با این مجموعه داده ها می توان اثراتی را شناسایی یا اندازه گیری کرد که در داده های مقطعی محض یا سری زمانی خالص قابل شناسایی نیست.
  4. استفاده از داده های پانل تورش برآورد را از بین برده یا کم می کند.

تحلیل آماری داده ها با نرم افزار EVIEWS

219835_KH0iaaFf

تحلیل آماری با نرم افزار ایویوز

eviews یک بسته اقتصادی، آمار و پیش‌بینی مدرن است که ابزارهای تحلیلی قدرتمند را در یک رابط انعطاف‌پذیر، آسان – به کاربرد ارایه می‌دهد.

با استفاده از eviews، شما می‌توانید به سرعت و به طور موثر داده‌های خود را مدیریت کنید. تحلیل اقتصادسنجی و آماری، تولید پیش‌بینی یا شبیه‌سازی مدل را انجام داده و نمودارها و جداول با کیفیت بالا برای انتشار یا گنجاندن در دیگر کاربردها را تولید کنید.

eviews با جریان کار ساده طراحی شده‌است. simplies – user نوآورانه – interface هر مرحله از فرآیند، از داده‌های ورودی و ورود داده گرفته تا تجسم داده‌ها، تحلیل آماری، برآورد، پیش‌بینی، پیش‌بینی، پیش‌بینی مدل کیفیت انتشار، خروجی ارایه کیفیت انتشار.

برای ورود داده ها از اکسل فقط فایل اکسل خود را بر روی eviews بکشید و به طور خودکار داده‌ها را وارد می شود. آیا باید هیستوگرام از داده‌های خود را تولید کنید؟ چند کلیک ماوس، و شما این کار را انجام دادید. می‌خواهید یک میز فرمت شده سفارشی خود را به پاور پوینت متصل کنید؟ به سادگی جدول را کپی و کپی کنید و به پاور پوینت بگویید که جدول زمانی که داده‌های eviews تغییر می‌کنند جدول را به روز رسانی کنید.

انجام تحلیل تحقیق های حسابداری و اقتصادی

نرم افزار ایویوز بهترین انتخاب برای انجام تحقیق ها و پایان نامه های حسابداری و اقتصاد است و ما این کار را با حرفه ای ترین روش در کوتاه ترین زمان انجام خواهیم داد.

روش جک نایف و بوت استرپ

روشهای جک نایف، بوت استرپ و بازنمونه گیری در تحلیل داده های پیچیده

در تحلیل داده های پیچیده، معمولا الگوهای نمونه گیری ساختاری غیر i.i.d را برای داده ها در نظر می گیرند. لذا تکنیک های موجودی که برآورد نقطه ای و یا فواصل اطمینان وجود دارند معمولا برای این نوع از داده ها قابل اجرا نمی باشد. برای حل این مشکل می توان از روش های نمونه گیری مانند نمونه گیری تکراری یا بازنمونه گیری استفاده کرد که در آنها برآورد پارامتر بدون نیاز به شرط i.i.d بودن داده ها انجام می گیرد. از این روش ها می توان با قدرت محاسباتی زیاد همچنین دوری جستن از تئوری های پیچیده برای برآورد پارامتر مورد استفاده قرار گیرند.

روشهای بازنمونه گیری، خصوصا بوت استرپ و جک نایف، روش هایی هستند که بوسیله آنها می توان به راحتی برآوردگرهایی برای واریانس یافت و همچنین می توان فواصل اطمینان ناپاراتری را برای پارامترهای مورد نظر در جامعه به دست آورد. این روش ها از تئوری بسیار ساده ای نتیجه شده اند و استفاده از بازنمونه گیری را برای پارامتر مورد نظر  = (F) بر اساس یک نمونه تصادفی n تایی از i.i.d از جامعه ای با توزیع نامشخص F معرفی نمود و آن را بوت استرپ نامید. او نشان داد که این روش می تواند از دیگر رقبای خود بهتر باشد اما در این باره بحث های متفاوتی نیز وجود دارد که برای توضیح بیشتر می توان به” لو  و وو  “مراجعه کرد.

باز مقیاس گذاری بوت استرپ

بسیار ی از آمارها قابل نوشتن به صورت یعنی تابعی از میانگین نمونه هستند. ضرایب رگرسیون نسبت میانگین ها  و ضریب همبستگی از این نوع اند.

رائو و وو {۹} برای برآورد واریانس یک برآورد گر مانند  روشی با الگوریتم زیر در نظر گرفته اند:

۱)      استخراج نمونه ای با جایگذاری از نمونه اصلی

۲)      باز مقیاس گذاری هر عضو باز نمونه گیری شده.

۳)      محاسبه برآوردگر اصلی توسط بردار مقادیر باز مقیاس گذاری شده.

فاکتورهای باز مقیاس گذاری طوری انتخاب می شوند که واریانس بازنمونه گیری با واریانس معمولی در حالت

برآوردگرهای خطی برابر باشد.

در نمونه گیری طبقه ای اگر  مقادیر نمونه اصلی در طبقه ام و  نمونه ای تصادفی ساده از آن باشد، عامل باز مقیاس گذاری به صورت زیر تعریف می شود:

با استفاده از این عامل مقادیر بازنمونه گیری به صورت زیر با زمقیاس گذاری می شوند :

که در آن و به ترتیب میانگین نونه اصلی و باز نمونه گیر در طبقه h ام هستند. پس از این مرحله میانگین باز مقیاس گذاری، یعنی

محاسبه شده و سپس برآوردگر اصلی با استفاده از این میانگین بدست می آید

رائو و وو  ثابت کردند که با این الگوریتم برآوردگر نااریب برای توابع خطی از میانگین نمونه قابل دستیابی است. همچنین آنها الگوریتم های مختلفی را برای کلاس بزرگی از مدل های نمونه گیری با احتمالات نابرابر ارائه دادند. البته این روش معایبی دارد که برخی از مهمترین آنها عبارتند از :

۱)      محاسبه فاکتور باز نمونه گیری در الگوهای پیچیده نمونه گیری می تواند مشکل ساز باشد.

۲)      این روش حافظ دامنه تغییرات پارامتر نیست.

بوت استرپ با جایگذاری

این روش که دارای ساختار ساده ای است توسط مک کارتی و اسنودن معرفی شد. در الگوی نمونه گیری طبقه ای روش جک نایف با جایگذاری به این صورت است که نمونه ای تصادفی با جایگذاری در هر طبقه به حجم نمونه اصلی در آن طبقه به طور مستقل انتخاب می شود. پس از استخراج نمونه جک نایف بقیه مراحل مشابه قبل انجام می شود. از مزایای این روش می توان به سازگار بودن آن با ساختار بوت استرپ که نمونه ها به صورت با جایگذاری انتخاب می شوند اشاره کرد. این روش حالت خاصی از روش M.M است که بعدهای توسط سیتر معرفی شد. بنابر‌این تمام مورادی که برای روش M.M گفته می شود در این الگو نیز صادق است. حال می‌توان با نمونه حاصل و انجام رگرسیون به برآورد ضرایب دست یافت.

 

معیار اطلاعات آکائیک (AIC)

*معیار اطلاعات آکائیک

*تعریف معیار در ویکی

معیار اطلاعات آکائیک (AIC)

یک میزان از کیفیت نسبی مدل آماری از یک مجموعه از داده‌ها می‌باشد. در واقع معیار اطلاعات آکائیک (AIC) ابزاری برای انتخاب مدل است.AIC یک معادله بین برازش و پیچیگی مدل را توضیح می‌دهد. این آماره بر اساس پراکنش اطلاعات بنا شده است.

وقتی که مدل انتخابی را برای ارائه فرآیند تولید داده استفاده می‌شود، یک برآورد وابسته به اطلاعات از دست رفته پیشنهاد می کند.

AIC یک آزمون برای صحت فرض صفر ما نیست به عنوان مثال AIC نمی تواند چیزی در مورد کیفیت مطلق مدل ارائه کند. اگر همه مدل های انتخابی برازش ضعیفی داشته باشند AIC نمی تواند هشداری در این مورد نخواهد داد.

تعریف : به صورت کلی AIC را اینگونه می نویسیم . AIC = 2 K – ۲ ln L

وقتی که K تعداد پارامترها در مدل آماری و L ماکزیمم تابع در درستنمایی مدل برآورده می باشد. بین چند مدل انتخابی برای داده ها، آماری ارجاع می باشد که کمترین مقدار AIC  را داشته باشد.

با این وجود AIC  به تنهایی نیکویی برازش مدل را نشان نمی‌دهد. اما شامل خطایی است که با ازای آن تعداد پارامترهای برآوردگر افزایش می‌یابد. این خطا به نوعی مانع Overfitting  می‌شود.

( افزایش تعداد پارامترهای آزاد در مدل نیکویی برازش را بهبود می‌بخشد صرف نظر از تعداد پارامترهای آزاد در فرآیندهای آزاد در فرآیندهای تولید داده.)

AIC  بر اساس نظریه داده‌ها بنا شده است. ما به طور قطع نمی‌توانیم انتخاب کنیم به خاطر اینکه ما f رو نمی‌شناسیم. آکائیک نشان داد که با وجود اینکه می‌نویسیم برآورد کنیم بوسیله AIC   که چه مقدار اطلاعات کمتر یا بیشتر بوسیله G از دست رفته است.

این نیز قابل توجه است که نتایج AIC   چقدر ساده است

پس برآورد تنها به صورت مجانی ارزش دارد. اگر تعداد دادها کم باشد تصحیح مورد نیاز است.

روش اجراء :

برای اجرای AIC  ما شروع می‌کنیم با یک مجموعه مدل‌های انتخابی و سپس پیدا می‌کنیم مقادیر AIC مدل‌ها را غالبا در انتخاب یک مدل مقداری از اطلاعات برای توصیف مدل واقعی از دست می‌روند.

و ما مایل به انتخاب حدی هستیم که کمترین اطلاعات از دست رفته را داشته باشد. ما با قطعیت نمی‌توانیم انتخاب کنیم ولی می توانیم کاهش اطلاعات را مینیمم کنیم.

فرض کنیم مقادیر AIC به صورت AIC1, AIC2, … AICi,… AICn برای n مدل انتخابی باشند. آنگاه  را مینیمم این مقادیر باشد. سپس می‌تواند مقدار احتمال مینیمم سازی از دست دادگی اطلاعات را برای iامین مدل نشان می‌دهد.

به عنوان مثال فرض کنید که سه مدل داریم که آماره AIC برای این سه مدل به مقادیر زیر منتج شده‌اند ۱۰۰ و ۱۰۲ و ۱۱۰٫ بنابراین مدل دوم EXP((100-102)/2)=0.368 برابر برای مینیمم سازی از دست دادن اطلاعات محتمل تر است و مدل سوم EXP((100-110)/2)=0.007 برابر محتمل از مدل اول است برای مینیمم کردن از دست دادن اطلاعات.

در این مثال ما می‌توانیم مدل سوم را از ادامه بررسی خارج کنیم و حالا سه نکته پیش رو داریم :

۱-    ما می‌توانیم  داده‌های بیشتری جمع آوری کنیم و امیدوار باشیم که این امر می‌تواند به روشن شدن تفاوت دو مدل اول.

۲-    ما می‌توانیم به سادگی نتیجه بگیریم که این داده‌ها به اندازه کافی برای انتخاب مدل حمایت دارند.

۳-    ما می‌توانیم یک میانگین وزنی برای دو مدل اول به صورت ۱ و ۳۶۸/۰ اختیار کنیم و استنباط آماری را بر اساس مدل چندگانه وزن انجام دهیم.

مقدار  احتمال نسبی مدل i ام می‌باشد.

اگر همه مدلهای مورد بررسی دارای تعداد پارامترهای یکسان باشند AIC ممکن است خیلی شبیه آزمون نسبت درستنمایی به نظر برسد. به طور خاص، آزمون نسبت درستنمایی فقط برای مدل های تودرتو ارزشمند است در حالی که AIC این محدودیت را ندارد. وقتی مدل نمونه کوچک می‌باشد از اصلاح زیر استفاده می کنیم.

در حالتی که n (حجم نمونه) کوچک و یا K (تعداد پارامتر) بزرگ باشد این اصلاح ترجیح داده می‌شود .

ارتباط با کی دو

ما معمولاً  مایل هستیم که در بین چند مدل، مدلی را انتخاب کنیم که تابع درستنمایی در آن فرض نرمال بودن توزیع خطاها (با میانگین صفر) و مستقل از هم. این فرض باعث برازش مدل کی‌دو می‌شود. برای برازش کی‌دو تابع درستنمایی به صورت زیر داریم:

که در آن C یک مقدار ثابت و مستقل در مدل است و متغیر وابسته فقط در استفاده از داده های خاص است. برای مثال آن تغییر نمی‌کند اگر داده‌ها تغییر نکند. بنابراین AIC برابر است با

به عنوان تنها تفاوت در AIC معنی دار می‌باشد و ثابت C می‌تواند نادیده گرفته شود و به ما اجازه می‌دهد که از  برای مقایسه مدل استفاده کنیم.

از ویکی‌پدیا، دانشنامهٔ آزاد

معیار اطلاعاتی آکائیکه (به انگلیسی: Akaike information criterion، یا به طور مخفف AIC)

معیاری برای سنجش نیکویی برازش است. این معیار بر اساس مفهوم انتروپی بنا شده‌است و نشان می‌دهد که استفاده از یک مدل آماری به چه میزان باعث از دست رفتن اطلاعات می‌شود. به عبارت دیگر، این معیار تعادلی میان دقت مدل و پیچیدگی آن برقرار می‌کند. این معیار توسط هیروتسوگو آکائیکه برای انتخاب بهترین مدل آماری پیشنهاد شد.[۱]

با توجه به داده‌ها، چند مدل رقیب ممکن است با توجه به مقدار AIC رتبه بندی شوند و مدل دارای کمترین AIC بهترین است. از مقدار AIC می‌توان استنباط نمود که به عنوان مثال سه مدل بهتر وضعیت نسبتاً یکسانی دارند و بقیه مدل‌ها به مراتب بدتر هستند، اما معیاری برای انتخاب مقدار آستانه‌ای برای AIC که بتوان مدلی را به واسطه داشتن AIC بزرگتر از این مقدار رد کرد وجود ندارد.[۲]