06-09-2013, 10:34 PM
والا من خودم هم نمیدونم دقیقا =)))
من برای پایان نامه ام دنبال تاثیر حدود 15 پارامتر مختلف مثل ارتفاع محصول، تراکم محصول، وضعیت مزرعه و سرعت حرکت دستگاه و ... بر روی ایجاد ضایعات در قسمت های مختلف دستگاه هستم. حالا این وسط برخی از این پارامتر های مستقیم روی ایجاد ضایعات تاثیر دارن برای بعضی هاشون هم نه تاثیری ندارن و بخاطر مشکلات طراحی و ساخت دستگاه هست که ضایعات ایجاد میشه.
چون عامل هام زیاد بودن و تعداد پارامتر هام هم به همین صورت . طبق نظریه استاد راهنما اومدم این مراحل رو با استفاده از کتاب spss انجام دادم
این جملات بخشیش از کتاب اقای اسماعیلی هست که من استناد کردم بهشون
بعد از کار[/sup]Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.a. Rotation converged in 7 iterations.
تا رسیدم به این جدولComponent Score Coefficient Matrix
که در واقع همه متغییر هام رو به 4 متغییر کلی که متشکل از متغییر های خودم بود بدست آوردم.
و بعدش با استفاده از رگرسیون تاثیر این 4 متغییر رو روی ضایعات بررسی کردم.
حالا مشکل من توی تحلیل این داده ها هستش اینکه نتایج رو چجوری بسط بدم به این نتایج رگرسیون، ضرایب اون 4 متغییر رو چجوری حساب کنم. برای مدل که رگرسیون بهم داده اگر بخوام بهینه سازیش کنم از کجاش شروع کنم و ...
من برای پایان نامه ام دنبال تاثیر حدود 15 پارامتر مختلف مثل ارتفاع محصول، تراکم محصول، وضعیت مزرعه و سرعت حرکت دستگاه و ... بر روی ایجاد ضایعات در قسمت های مختلف دستگاه هستم. حالا این وسط برخی از این پارامتر های مستقیم روی ایجاد ضایعات تاثیر دارن برای بعضی هاشون هم نه تاثیری ندارن و بخاطر مشکلات طراحی و ساخت دستگاه هست که ضایعات ایجاد میشه.
چون عامل هام زیاد بودن و تعداد پارامتر هام هم به همین صورت . طبق نظریه استاد راهنما اومدم این مراحل رو با استفاده از کتاب spss انجام دادم
این جملات بخشیش از کتاب اقای اسماعیلی هست که من استناد کردم بهشون
نقل قول:در مبحث رگرسيون خطي چندگانه، گاهي با تعداد بسيار زيادي متغير مستقل برخورد مي‌كنيم كه برخي از آنها همبستگي بالايي با هم دارند. در چنين وضعيتي ممكن است با مشكل هم‌خطي مواجه شويم. در اين صورت برآورد پارامترهاي مدل رگرسيون خطي چندگانه بي‌اعتبار خواهد بود. يكي از روش‌هاي رايج براي رفع مشكل، استفاده از مؤلفه‌هاي اصلي[1] به عنوان متغيرهاي پيش‌گو است (اسماعيليان، 1385).بعد از این کار این جداول استخراج شدنComponent Matrix[sup]a
در اين روش همه متغيرهاي مستقل بر روي چند محور جايگزين، تصوير شده و ضرايبي به آنها داده مي‌شوند. بالا بودن اين ضرايب نشان‌دهنده اهميت بيشتر آنها و علامت آنها نشان‌دهنده مثبت يا منفي بودن اهميت آنها مي‌باشد. آناليز مؤلفه‌هاي اصلي با روش ايجاد ماتريس فاصله با استفاده از ماتريس همبستگي[2] و مقدار ارزش
براي تعداد انتخاب محورها مقدار 1 انتخاب شد. همچنين متداول‌ترين روش چرخش داده‌ها روش واريماكس[3] بود كه در اينجا مورد استفاده قرار گرفت. پس از اجرا، تعداد چهار محور انتخاب شد. اين محورها به عنوان جايگزين متغيرها و به عنوان متغيرهاي مستقل با متغيرهاي وابسته به‌وسيله رگرسيون چندگانه مقايسه شدند.
[1] - Principal components[2] - Correlation matrix[3] - Varimax
بعد از کار[/sup]Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.a. Rotation converged in 7 iterations.
تا رسیدم به این جدولComponent Score Coefficient Matrix
که در واقع همه متغییر هام رو به 4 متغییر کلی که متشکل از متغییر های خودم بود بدست آوردم.
و بعدش با استفاده از رگرسیون تاثیر این 4 متغییر رو روی ضایعات بررسی کردم.
حالا مشکل من توی تحلیل این داده ها هستش اینکه نتایج رو چجوری بسط بدم به این نتایج رگرسیون، ضرایب اون 4 متغییر رو چجوری حساب کنم. برای مدل که رگرسیون بهم داده اگر بخوام بهینه سازیش کنم از کجاش شروع کنم و ...
