پاورپوینت روشهاي كاهش متغيرها (pptx) 25 اسلاید

دسته بندی : پاورپوینت

نوع فایل : PowerPoint (.pptx) ( قابل ویرایش و آماده پرینت )

تعداد اسلاید: 25 اسلاید

قسمتی از متن PowerPoint (.pptx) :

بنام خدا روشهاي كاهش متغيرها مطالعات اقليمي همواره با داده‌هاي بسيار زيادي روبرو است كه در مواردي تحليل حجم اين اطلاعات كاري بسيار مشكل و با توسل به روش‌هاي غيررايانه‌اي غيرممكن است. از طرفي نيز به علت وجود برخي ارتباطات و روابط فيمابين داده‌ها در مواردی تكرار متغيرها صورت مي گيرد. از اينرو راهكارهايي براي كاهش داده‌ها در مطالعات مختلف و از جمله مطالعات اقليمي مطرح شده است كه با استفاده از آنها مي‌توان تعداد متغيرها را بدون اينكه در ماهيت متغيرهاي مورد مطالعه تغييراتي ايجاد شود به تعداد معقولي كاهش داد. بطور مثال ممكن است براي طبقه‌بندي ‌اقليمي از تعداد زيادي متغير استفاده نمود در حاليكه اين تحليل مي‌تواند با استفاده از راهكارهاي كاهش متغيرها حتي‌الامكان كاهش پيدا كند. انواع روش های کاهش داده ها تحليل مؤلفه‌هاي اصلي(PCA) ‌Principle Component analysiss و تحليل عاملي Factor analysis مورد استفاده قرار مي‌گيرد: تحليل مؤلفه‌هاي اصلي تكنيك تحليل مؤلفه‌هاي اصلي براي اولين بار توسط كارل پيرسون ((Karl Pearson در سال 1903 ارائه شده است كه روش‌هاي محاسبات عملي بعدها توسط هتلينگ در سال 1933 توضيح داده شد). هدف از اين تحليل، يافتن تركيباتي از متغيرهاي مورد مطالعه مي‌باشد كه از طريق آنها بتوان شاخص‌هاي مستقلي را استخراج نمود. بطور مثال اگر داده‌هايي را براي طبقه‌بندي ‌اقليمي استفاده مي‌شود، بتوان داده‌هاي مربوط به دما مانند حداكثر و حداقل دما، دماي متوسط و غيره را در شاخصي تحت عنوان شاخص دما تبيين و مورد استفاده قرار داد. در تحليل يا تجزيه مؤلفه‌هاي اصلي كليه متغيرها به طور مساوي در نظر گرفته شده و برخلاف روش رگرسيون چند‌متغيره، متغيرها به دو گروه مستقل و وابسته تقسيم نمي‌شوند بلكه هر مؤلفه اصلي استخراج شده مقداري از واريانس كل را بيان مي‌كند. بنابراين اولين مؤلفه اصلي در برگيرنده بيشترين اطلاعات و داراي بالاترين مقدار واريانس است و همچنين آخرين مؤلفه داراي كمترين واريانس مي‌باشد. در محاسبه مؤلفه‌هاي اصلي و تحليل عوامل از دو ارزش مهم تحت عناوين مقادير ويژه eigen values و بردارهاي ويژه eigen vectores استفاده مي‌شود. مقدار ويژه عبارت است از مجموع مجذورات ضرايب همبستگي همه متغيرها با يك عامل معين. عدد حاصل، ارزش ويژه عامل مورد نظر است كه قدرت آن عامل را از نظر تبيين واريانس مجموعه متغيرها نشان مي‌دهد. تحلیل عاملی تحليل عامل‌ها اهداف مشابه تحليل مؤلفه‌هاي اصلي را در بردارد. تفاوت مهمي كه بين اين دو روش وجود دارد اين است كه تحليل مؤلفه‌هاي اصلي براساس هيچ نوع مدل خاص آماري استوار نيست، در صورتي كه تجزيه به عامل‌ها بر پاية يك مدل نسبتاً ويژه تكيه دارد. براي اولين بار تحليل عاملي توسط چارلز اسپيرمن (Charles Spearman) ارائه گرديد. مراحل انجام تحلیل عاملی  تشکیل ماتریس داده ها محاسبه ماتریس همبستگی ها استخراج عامل ها دوران عامل ها نام گذاری عامل ها رتبه بندی محاسبه ماتریس همبستگی ها برای انجام محاسبات در مراحل بعدی و ارتباط درونی بین شاخص ها از ماتریس همبستگی استفاده می شود. اگر همه شاخص ها در جهت مثبت مرتب شده باشند و کیفیت بیشتر نشانگر وضع بهتر باشد، همبستگی ها مثبت خواهد بود. یعنی افزایش مقادیر هر یک از شاخص ها با افزایش مقادیر شاخص های دیگر خواهد بود. همبستگی میان m شاخص را می توان به صورت ماتریس نوشت. مقادیر قطر آن همگی 1 و اعداد زیر قطرآن تکرار اعداد بالای قطر است زیرا همبستگی هر شاخص، با خود شاخص یک وهمبستگی شاخص 2 به 1 همواره مساوی همبستگی شاخص 1 با شاخص 2 است.