دانلود پاورپوینت آموزش تحلیل عاملی و کاربرد آن Factor Analysis - تجزیه و تحلیل چند متغیره (ارشد- دکتری )

اختصاصی از فی فوو دانلود پاورپوینت آموزش تحلیل عاملی و کاربرد آن Factor Analysis - تجزیه و تحلیل چند متغیره (ارشد- دکتری ) دانلود با لینک مستقیم و پر سرعت .

42 صفحه پاورپوینت قابل ویرایش

فایلی که برای دانلود قرار داده شده پاورپویت بسیار کامل فارسی از  مبحث  تحلیل عاملیFactor Analysis و کاربرد آن میباشد که از کتاب Methods of Multivariate Analysis نوشته ALVIN C. RENCHER جمع آوری شده است

تحلیل عاملی چیست

Factor Analysis 

دسته ای از روش های آماری چند متغیره که هدف اولیه آنها، تعریف ساختار نهفته در ماتریس داده ها است.

 

تعیین تأثیرگذارترین متغیرها در زمانیکه تعداد متغیرهای مورد بررسی زیاد و روابط بین آنها ناشناخته باشد، استفاده می شود 

با این تکنیک می توان تعداد زیادی متغیر را در یک یا چند عامل یا بعد توضیح داد.

داده های اولیه برای تحلیل عاملی، ماتریس همبستگی بین متغیرها است

متغیرهای وابسته به هم در یک گروه قرار می گیرند. این متغیرها با دیگر متغیرها یا وابستگی ندارند یا وابستگی کمی دارند

در تحلیل عاملی ،برخلاف رگرسیون چندگانه ،تحلیل تشخیصی یا همبستگی کانونی کلیه متغیرها به صورت همزمان مد نظر قرار می گیرند.

در تحلیل عاملی اکتشافی، پژوهشگر درصدد کشف ساختار زیرنبایی مجموعة نسبتاً بزرگی از متغیرهاست و پیش فرض اولیه آن است که هر متغیری ممکن است با هر عاملی ارتباط داشته باشد

 

در تحلیل های عاملی، هدف پژوهشگر تایید ساختار عاملی ویژه ای می باشد، درباره تعداد عامل ها به طور آشکار فرضیه های بیان می‌شود و برازش ساختار عاملی مورد نظر در فرضیه با ساختار کواریانس متغیرهای اندازه گیری شده مورد آزمون قرار می‌گیرد

 

این فایل به درخواست دانشجویان کارشناسی ارشد و دکتری مهندسی صنایع آماده شده است

Correlation ranking procedure for factor selection in PC-ANN modeling and application to aqueous Solubility evaluation

اختصاصی از فی فوو Correlation ranking procedure for factor selection in PC-ANN modeling and application to aqueous Solubility evaluation دانلود با لینک مستقیم و پر سرعت .

نویسند‌گان: A. Najafi ، S. Sobhan Ardakani
خلاصه مقاله:
A correlation ranking procedure is proposed for selection of factors in principal component-artificial neural network (PC-ANN). The model was applied in the aqueous Solubility (-logS) evaluation of diverse Organic molecules. Experimental values for the observed -logS values for organic molecules can range from about -0.380 (oxalic acid) to 10.410 (2,2',3,3',4,5,5',6,6'-PCB) -log units. Ten different Sh indices were calculated for each molecule. Principal component analysis of the Sh data matrix showed that the seven PCs could explain 99.97% of variances in the Sh data matrix. The extracted PCs were used as the predictor variables (input) for PCR and ANN models. The ANN model could explain 97.63% of variances in the solubility data, while the value obtained from PCR procedures were 84.27%. For the PCR studies, the data set was divided into a training set of 320 compounds for model building and an external prediction set of 60 compounds for model validation. Both subsets were chosen to ensure that a diverse set of compounds was present. For the ANN studies, a cross-validation set of 50 compounds was chosen, leaving 270 compounds in the training set, and the prediction set remained the same. Models to predict the solubility is constructed using PCR and PC-ANN with errors comparables to the experimental errors of the solubility data. The root mean-square-errors (RMSerror) associated with the calibration, prediction, and validation set compounds used for the PC-ANN model were 0.314, 0.450, and 0.314 -logS units, respectively.

کلمات کلیدی: QSPR, Topological Indices, Aqueous Solubility, PCR, PC-ANN.