رگرسیون ۱

Regression I

---

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