فلش‌کارت‌های آموزشی ابزارهای نرم‌افزاری برای بررسی و اصلاح پیش‌فرض‌های رگرسیون در ارزیابی املاک

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ابزارهای نرم‌افزاری برای بررسی و اصلاح پیش‌فرض‌های رگرسیون در ارزیابی املاک

موضوع کلی: مدل‌سازی آماری و ارزیابی املاک

موضوع میانی: پیش فرض های رگرسیون خطی

📋 سرفصل‌های دوره

• 1. مقدمه ای بر ارزیابی املاک
• 2. مفهوم پیش فرض های رگرسیون
• 3. اهمیت پیش فرض های رگرسیون در ارزیابی
• 4. انواع پیش فرض های رگرسیون
• 5. پیش فرض خطی بودن
• 6. پیش فرض استقلال خطاها
• 7. پیش فرض همسانی واریانس خطاها
• 8. پیش فرض نرمال بودن توزیع خطاها
• 9. روش های شناسایی پیش فرض های رگرسیون
• 10. آزمون های آماری برای بررسی پیش فرض ها
• 11. نمودارهای پراکندگی
• 12. نمودار باقیمانده ها در مقابل مقادیر پیش بینی شده
• 13. نمودار باقیمانده ها در مقابل متغیرهای مستقل
• 14. نمودار هیستوگرام باقیمانده ها
• 15. نمودار Q-Q باقیمانده ها
• 16. تست Durbin-Watson
• 17. تست Breusch-Pagan
• 18. تست White
• 19. تست Shapiro-Wilk
• 20. نرم افزارهای آماری برای بررسی پیش فرض ها
• 21. نرم افزار R
• 22. نرم افزار Python
• 23. نرم افزار SPSS
• 24. نرم افزار Stata
• 25. نرم افزار EViews
• 26. ابزارهای EViews برای بررسی پیش فرض ها
• 27. فایل داده های ارزیابی املاک
• 28. وارد کردن داده ها در EViews
• 29. انتخاب مدل رگرسیون
• 30. اجرای رگرسیونOLS
• 31. مشاهده نتایج اولیه رگرسیون
• 32. بررسی نمودار باقیمانده ها در EViews
• 33. بررسی نمودار پراکندگی در EViews
• 34. بررسی هیستوگرام باقیمانده ها در EViews
• 35. بررسی نمودار Q-Q باقیمانده ها در EViews
• 36. اجرای آزمون Durbin-Watson در EViews
• 37. تفسیر نتیجه آزمون Durbin-Watson
• 38. اجرای آزمون Breusch-Pagan در EViews
• 39. تفسیر نتیجه آزمون Breusch-Pagan
• 40. اجرای آزمون White در EViews
• 41. تفسیر نتیجه آزمون White
• 42. اجرای آزمون Shapiro-Wilk در EViews
• 43. تفسیر نتیجه آزمون Shapiro-Wilk
• 44. روش های اصلاح نقض پیش فرض ها
• 45. اصلاح نقض پیش فرض خطی بودن
• 46. تبدیلات متغیرها (لگاریتم، توان)
• 47. اضافه کردن جملات چندجمله ای
• 48. استفاده از متغیرهای مجازی
• 49. اصلاح نقض پیش فرض استقلال خطاها
• 50. مدل های سری زمانی (ARIMA)
• 51. مدل های فضایی
• 52. اصلاح نقض پیش فرض همسانی واریانس خطاها
• 53. رگرسیون وزنی (Weighted Least Squares)
• 54. رگرسیون با خطاهای استاندارد مقاوم (Robust Standard Errors)
• 55. اصلاح نقض پیش فرض نرمال بودن توزیع خطاها
• 56. تبدیلات متغیرها
• 57. استفاده از مدل های ناپارامتری
• 58. روش های حذف یا جایگزینی داده های پرت
• 59. شناسایی داده های پرت
• 60. روش های حذف داده های پرت
• 61. روش های جایگزینی داده های پرت (میانگین، میانه)
• 62. تاثیر اصلاح پیش فرض ها بر نتایج ارزیابی
• 63. بررسی مجدد مدل پس از اصلاح
• 64. مقایسه نتایج قبل و بعد از اصلاح
• 65. تفسیر نتایج اصلاح شده
• 66. کاربرد نرم افزارهای مختلف در اصلاح
• 67. کاربرد R برای اصلاح پیش فرض ها
• 68. استفاده از پکیج های R (car, lmtest)
• 69. اعمال تبدیل در R
• 70. اجرای رگرسیون وزنی در R
• 71. محاسبه خطاهای استاندارد مقاوم در R
• 72. کاربرد Python برای اصلاح پیش فرض ها
• 73. استفاده از کتابخانه های Python (statsmodels, scikit-learn)
• 74. اعمال تبدیل در Python
• 75. اجرای رگرسیون وزنی در Python
• 76. محاسبه خطاهای استاندارد مقاوم در Python
• 77. کاربرد SPSS برای اصلاح پیش فرض ها
• 78. گزینه های اصلاح در SPSS
• 79. تفسیر نتایج SPSS پس از اصلاح
• 80. کاربرد Stata برای اصلاح پیش فرض ها
• 81. دستورات اصلاح در Stata
• 82. تفسیر نتایج Stata پس از اصلاح
• 83. مطالعه موردی: ارزیابی املاک مسکونی
• 84. جمع آوری داده های املاک مسکونی
• 85. شناسایی پیش فرض های مدل رگرسیون
• 86. اجرای مدل رگرسیون اولیه
• 87. بررسی نقض پیش فرض ها در مدل اولیه
• 88. اعمال روش های اصلاح مناسب
• 89. اجرای مدل اصلاح شده
• 90. مقایسه و تفسیر نتایج دو مدل
• 91. مطالعه موردی: ارزیابی املاک تجاری
• 92. جمع آوری داده های املاک تجاری
• 93. شناسایی پیش فرض های مدل رگرسیون
• 94. اجرای مدل رگرسیون اولیه
• 95. بررسی نقض پیش فرض ها در مدل اولیه
• 96. اعمال روش های اصلاح مناسب
• 97. اجرای مدل اصلاح شده
• 98. مقایسه و تفسیر نتایج دو مدل
• 99. ملاحظات پیشرفته در بررسی و اصلاح پیش فرض ها
• 100. مدل های خطای متغیر (Errors-in-variables models)