آموزش مقدماتی برنامه نویسی آر و پایتون با پانداس pandas و Tidyverse در علم داده

 

 

 

دانلود و مشاهده فیلم آموزش برنامه نویسی آر و پایتون 

عنوان: آموزش پردازش و دستکاری داده ها با پانداس و Tidyverse

مدرس: حسین خاندانی

 

آموزش بیگ دیتا و اکوسیستم هدوپ و آپاچی اسپارک در زبان آر - Big data with Spark and hadoop

آموزش پردازش داده های حجیم (بیگ دیتا) با استفاده از کتابخانه Sparklyr  اسپارک در زبان برنامه نویسی آر و معرفی کتابخانه Dplyr. همچنین در این آموزش با اکوسیستم هدوپ HADOOP و استک Apache Spark آشنا خواهید شد.

 

 

 

مشاهده و دانلود آموزش بیگ دیتا و اسپارک در زبان R

عنوان: آموزش بیگ دیتا با کتابخانه اسپارک در زبان برنامه نویسی R

مدرس: حسین خاندانی

 

 

آموزش مدل ها و رگرسیون های پانل دیتا (Panel Data) در زبان های آر و پایتون - Panel data in R and Python

 

 

 

دانلود ویدیو فارسی آموزش پانل دیتا در آر و پایتون
عنوان: آموزش پانل دیتا در زبان آر و پایتون
حجم: 20.7 مگابایت
مدرس: حسبن خاندانی

 

مشاهده با کیفیت بالا در آپارات ::> پانل دیتا در آر و پایتون<

 

 

دانلود نرم افزار R-Studio

 

آموزش تخمین و تحلیل مدل مارکف سوئیچینگ در آر و پایتون - Markov Switching in R python

 

آموزش تحلیل و تخمین مدل مارکف سوئیچینگ
عنوان: آموزش مدل مارکف سوئچینگ در آر و پایتون
توضیحات: Markov Switching with R and Python

حجم: 27.6 مگابایت

مدرس: حسین خاندانی

 

 مشاهده آنلاین ویدیو با کیفیت بالا در آکادمی علم داده (آپارات)

مدرس: حسین خاندانی

 

ویدیو آموزش تخمین و تحلیل مدل خودرگرسیون برداری VAR در نرم افزار آر و پایتون - R

 

 

 

دانلود آموزش مدل VAR در آر و پایتون

تحلیل تابع واکنش آنی و تجزیه واریانس در R و Python

مدرس: حسین خاندانی

 

 

آموزش تخمین داده ها و رگرسیون های سانسور شده یا Censored Regression Tobit in R در آٰر

 

آموزش مبانی نظری و تخمین رگرسیون ها و داده های سانسور شده Censored Regression در زبان برنامه نویسی R

 

 

 

آموزش داده ها و رگرسیون های سانسور شده در آر

مشاهده ویدیو آموزشی در آپارات
عنوان: آموزش تخمین رگرسیون و داده های سانسور شده
حجم: 39.4 مگابایت
توضیحات: رگرسیون های سانسور شده Censored Regression

مدرس: حسین خاندانی
 

 

 

آموزش ایجاد وب سایت داده محور و آماری با استفاده از R و R Blogdown بصورت خودکار

 

 

 

 

آموزش خودکار ایجاد وب سایت داده محور و آماری با آر
عنوان: آموزش ایجاد وب سایت داده محور در R
حجم: 38.4 مگابایت
توضیحات: آموزش تکنولوژی Rblogdown در Rstudio

مدرس: حسین خاندانی
 

آموزش تخمین رگرسیون لاجستیک در R - تخمین رگرسیون Ordered & Multinominal logistic Regression

 

 

آموزش تحمین انواع مدل های رگرسیون لاجستیک باینری Binominal رگرسیون چندگانه Mutinominal و رگرسیون ترنیبی یا رنبه بندی شده Ordered Nominal در زیان برنامه نویسی R

 

آموزش انواع رگرسیون های لاجسنیک در آر
عنوان: آموزش تخمین رگرسیون لاجستیک در آر R
توضیحات: رگرسیون های باینری چندگانه و ترتیبی در R

حجم: 41 مگابایت

مدرس: حسین خاندانی

 

مشاهده و دانلود از آپارات .::دانلود::.

آموزش متن کاوی فارسی در R - متن کاوی Persian Text Mining with R

 

آموزش متن کاوی یا Text Minig متون فارسی با استفاده از زبان برنامه نویسی R

 

 

 

آموزش متن کاوی فارسی با استفاده از زبان آر
عنوان: آموزش متن کاوی در زیان برنامه نویسی R
حجم: 38.7 مگابایت
مدرس: حسین خاندانی

آموزش پردازش داده های حجیم یا big data در R و پایتون - پیاده سازی رگرسیون لاجستیک در R

 

آموزش پردازش داده ها حجیم با بیگ دیتا (Big Data) در آر و پایتون با معماری شرکت مایکروسافت با پیاده سازی رگرسیون لاجیت یا لاجستیک

 

معرفی MRO- Microsoft R Open

معرفی Python Server معرفی R Server

معرفی Python R Tools for Visual Studio

 

آموزش پردازش داده های حجیم در آر و پایتون - بیگ دیتا
عنوان: آموزش بیگ دیتا بمنظور پیاده سازی الگوریتم های آماری و یادگیری ماشین
حجم: 25 مگابایت
توضیحات: پردازش داده های حجیم در آر و پایتون- رگرسیون لاجستیک

مدرس: حسین خاندانی
 

 

آموزش علم داده با آر و سری آموزش های تولید وب اپلیکیشن و داشبورد با R Shiny

سری آموزش جامع وب اپلیکشن نویسی و داشبورد با آر شاینی برای توسعه دهندگان (developer) حوزه علم داده Data Science

 

 

 

دانلود آموزش ایجاد وب اپلیکیشن داده محور با شاینی
عنوان: R shiny web app
حجم: 35.8 مگابایت
توضیحات: آموزش اپلیکیشن با R shiny

مدرس: حسین خاندانی
 

 

 

پارت دوم آموزش ایجاد اپلیکشن آماری و داده محور با R Shiny
عنوان: آموزش معماری کتابخانه و فریمورک R Shiny
حجم: 47.7 مگابایت

مدرس: حسین خاندانی

 

پارت سوم ویدیو فارسی زیرساخت و بستر استقرار نرم افزار و فریمورک های شاینی Shiny
فریمورک های شاینی و بسترهای Deploy - Rstudio connect and shinyapp.io

مدرس: حسین خاندانی

پارت چهارم معرفی انواع فریمورک ها و قالب های زیرمجموعه شاینی Shiny و Shiny Mobile
عنوان: آموزش معماری کتابخانه و فریمورک R Shiny
مدرس: حسین خاندانی

 

 

Shiny Dashboard

 

پارت پنجم ویدیو فارسی مدیریت کاربران وصفحه لاگین login شاینی و Shiny Manager
فریمورک های شاینی و مدیریت کاربران و دسترسی

مدرس: حسین خاندانی

 

 

پارت ششم ویدیو فارسی ساخت منوها sidebar با شاینی داشبورد ShinyDashboard
ساخت منوها و Sidebar panel . Dropdown Menu

مدرس: حسین خاندانی

 

پارت هفتم ویدیو فارسی توابع رندر و ماژول ها در شاینی داشبورد ShinyDashboard (دمو ایجاد)
فریمورک های شاینی و معرفی نحوه ایجاد تب ها و منوها بهمراه ایجاد محتوا و توابع رندر Render

مدرس: حسین خاندانی

 

FelxDashboard:

داشبورد و بی آی: ویدیو فارسی آموزش داشبورد و مصورسازی با Flex Dashboard
آموزش ساخت داشبورد تعاملی Interactive با FlexDashboard

مدرس: حسین خاندانی

 

آموزش خوشه بندی و کلاستریگ در ژوپیتر نوت بوک با R- آموزش نصب و فعال کردن کرنل R در Jupyter Notebook

در این ویدیو نحوه فعال نمودن کرنل R در ژوپیتر نوت بوک با پیاده سازی یک مثال خوشه بندی با استفاده از زبان R آموزش داده شده است. همچنین نحوه نصب کتابخانه و پکیج نیز در ویدیو مختصرا شرح داده شده است.

پروژه ژوپیتر که در سال ۲۰۱۴ توسط فرناندو پرز از آی‌پایتون اشتقاق یافت، از محیطهای اجرایی در ده‌ها زبان برنامه‌نویسی پشتیبانی می‌کند. نام این پروژه به سه زبان برنامه‌نویسی که مورد پشتبانی این پروژه هستند، یعنی جولیا، پایتون (زبان برنامه‌نویسی) و آر (R)، -(JuPyteR)-و همچنین گالیله نوت بوک (یادداشتهای گالیله) اشاره دارد. پروژه ژوپیتر محصولات کامپیوتری تعاملی دفتر یادداشت ژوپیتر، مرکز ارتباطات ژوپیتر، آزمایشگاه ژوپیتر، و نسل بعدی دفتر یادداشت ژوپیتر را ایجاد کرده و پشتیبانی می‌کند.

 

 

 

 

آموزش برنامه نویسی R در Jupyter Notebook
عنوان: آموزش کلاسترینگ و کد نویسی R در Jupyter Notebook
توضیحات: آموزش نصب و فعال کردن کرنل R در ژوپیتر

حجم: 29.4 مگابایت

مدرس: حسین خاندانی
 

 

 

آموزش مصور سازی اطلاعات و Data Visualization با ggplot2 و زبان برنامه نویسی R

 

 

آموزش فارسی مصورسازی اطلاعات با استفاده از دستور زبان گرافیکی Data Visualization with Grammar of Graphics for Data Science


معرفی و آموزش دستور زبان گرامر گرافیکی با استفاده از ggplot با استفاده از لایه های geometry

مزیت ها:
 برنامه نویسی آسان
 قابلیت سوار کردن انواع پلات های روی لایه ثابت
  تلفیق آسان انواع پلات ها
  تنوع بالای پلات ها و توابع geom

:مدرس: خاندانی

 

 

 

دانلود آموزش ویدیویی مصورسازی اطلاعات با GGplot در R
عنوان: آموزش ویدیویی مصورسازی اطلاعات با ggplot در R
توضیحات: آموزش تکنولوژی دستور زبان گرافیکی Grammar of Graphic در R

حجم: 43.1 مگابایت

مدرس: حسین خاندانی

 

 

پارت (2): ویدیو فارسی آموزش تکمیلی مصورسازی حرفه ای اطلاعات در R با ggplot2

توضیحات: آموزش تکنولوژی دستور زبان گرافیکی Grammar of Graphic در R

مدرس: حسین خاندانی

 

پارت (3): ویدیو فارسی آموزش 3 بعدی اطلاعات آماری و جغرافیایی در زبان R

 

توضیحات: آموزش تکنولوژی دستور زبان گرافیکی Grammar of Graphic در R

مدرس: حسین خاندانی

 

 

 

آموزش تخمین مدل SVAR structural vector autoregression و بیزین BVAR در ایویوز

 

 

 

مدل­های معادلات همزمان مبتنی بر رویکردی است که طبق آن، برخی متغیرها را درون­زا و برخی را برون­زا فرض می­کند. تعیین متغیرها به دو دسته درون­زا و برون­زا ممکن است پشتوانه نظری داشته باشد یا ممکن است سلیقه­ای باشد. حتی زمانی که پشتوانه نظری دارد، در خصوص آن تردیدهایی مطرح می­شود و ممکن است نتایج تجربی با مبانی نظری در تناقض باشد. به هر حال در شرایطی که مطمئن نیستیم چه متغیرهایی درون­زا و چه متغیرهایی برون­زا هستند، از رویکرد دیگری در مدل­سازی معادلات همزمان استفاده می­شود که معروف به مدل­های خودر گرسیون برداری (VAR) هستند. این رویکرد بر این نکته تأکید دارد که بایستی در مدل­سازی و به­ویژه در تعیین متغیرهای درون زا و برون زا، از اعمال سلیقه های فردی پرهیز شود و لذا همه متغیرها را درون زا در نظر می گیرد. مشابه معادلات همزمان، در روش خودرگریسون برداری، ابتدا یک مدل معادلات همزمان طراحی می شود که در آن همه متغیرها تابعی از مقادیر جاری و گذشته یکدیگر می باشند.

این مدل، معروف به مدل VAR ساختاری (SVAR) می باشد. از طرف دیگر، با حل مدل SVAR برای متغیرهای مورد نظر، فرم حل شده VAR به دست می­آید که معروف به VAR استاندارد است. در این مدل، هر یک از متغیرها تابعی از مقادیر گذشته همه متغیرهای موجود در مدل هستند. از آنجا که VAR استاندارد تابعی از مقادیر گذشته متغیرها است، با روش OLS قابل تخمین است، اما برای مدل SVAR چنین شرایطی برقرار نیست. یکی از موضوعات اصلی در این مدل­ها، قابلیت شناسایی مدل SVAR است. بدین معنی که با تخمین مدل VAR استاندارد بایستی بتوانیم به ضرایب مدل SVAR برسیم.

 

در این پست فیلم های آموزشی دوست عزیر و گرامی بند آقای دکتر ساسان قاراخانی به بصورت رایگان در اختیار پژوهشگران و متخصصین علم آمار، اقتصادسنجی و علوم داده Data Science قرار گرفته است. همچنین دوستان میتوانند بصورت آنلاین این ویدیو های آموزشی را در سایت آپارات مشاهده نمایند و از سایر ویدیوهای آموزشی نیز استفاده کنند. لینک های مشاهده آنلاین آموزش ها | لینک 1 مجموعه ویدیوها . همچنین دوستان میتوانند با عضویت در کانال اقتصادسنجی نوین به آدرس eghtesadsanjinovin@ نیز از این آموزش های بهره مند شوند.

با تشکر از کانل اقتصادسنجی نوین و دکتر قاراخانی

 

 

 

 

 

 

دانلود آموزش جامع ویدیویی مبانی نظری و تخمین BVAR
عنوان: آموزش جامع تخمین Bayesian Var در ایویوز
حجم: 106 مگابایت
مدرس: ساسان قاراخانی

 

دانلود آموزش ویدیویی تخمین مدل SVAR in Eviews
عنوان: آموزش تخمین SVAR در EViews
حجم: 22.5 مگابایت

مدرس: ساسان قاراخانی

 

آموزش برنامه نویسی R و R Studio | آموزش پیش پردازش داده ها و Data Cleaning با رویکرد Tidyverse در R

 

 

رویکردی نوین در برنامه نویسی
زبان برنامه نویسی دومین زبان برتر در زمینه Data Science  و حوزه یادگیری ماشین و داده کاوی محسوب می گردد. یکی از مزیت های این زبان که آن را در حوزه Data Science  بسیار محبوب نموده است منظومه تکنولوژی تایدی کردن اطلاعات با استفاده از رویکرد جدید برنامه نویسی Tidyvese است.

مزیت های این رویکرد و تکنولوژی برنامه نویسی بمنظور پیش پردازش داده ها:

 برنامه نویسی ساده و روان
 فرآیند ساده debugging
 مدیریت بهینه object
 مدیریت فضای Ram
 سرعت برنامه نویسی و پردازش سریع تر

 

 

 

 

 

آموزش داده کاوی و علوم داده با رویکرد برنامه نویسی Tidyverse in R
عنوان: آموزش داده کاوی و تمیزسازی داده با Tidyverse in R

آموزش تکنولوژی و پکیج Tidyverse در زبان برنامه تویسی R
حجم: 37 مگابایت

 

پارت اول (1):آموزش داده کاوی و علوم داده (Data Manipulation with R)
عنوان: آموزش داده کاوی و تمیزسازی داده با Tidyverse in R

آموزش تکنولوژی و پکیج Tidyverse در زبان برنامه تویسی R

 

 

پارت دوم (2):آموزش داده کاوی و علوم داده (Data Manipulation with R)
عنوان: آموزش داده کاوی و تمیزسازی داده با Tidyverse in R

آموزش تکنولوژی و پکیج Tidyverse در زبان برنامه تویسی R

مدرس: حسین خاندانی
 

ویدیو فارسی آموزش رگرسیون های فضای در استاتا و متلب-پانل فضایی Spatial Panel Regression

 

 

رگرسیون یا اقتصاد‌سنجی فضایی شاخه‌ای از اقتصادسنجی است که توسط پروفسور انسلین در سال 1988 به دنیای علم اقتصاد معرفی شد. وی در کتاب خود به نام "اقتصادسنجی فضایی، روش‌ها و مدل‌ها" به تشریح این روش اقتصادسنجی پرداخته است. تکنیک معرفی شده توسط وی دارای قابلیت‌های بهتری نسبت به اقتصادسنجی مرسوم مقطعی و سری‌زمانی است. تفاوت اساسی این شیوه از تجزیه و تحلیل بکارگیری اطلاعات و داده‌های طول و عرض جغرافیایی در محاسبات است. منظور از اثرات فضایی در محاسبات عواملی هستند که به مکان استقرار متغیرها مربوط می‌شوند. عامل اول مبحث وابستگی یا خودهمبستگی فضایی بین مشاهدات داده‌ای نمونه در نقاط مختلف است و عامل دوم ساختار یا ناهمسانی فضایی که ناشی از روابط مدل است که با حرکت بر روی صفحه مختصات همراه با داده نمونه‌ای تغییر می‌کند.

در این پست فیلم های آموزشی دوست عزیر و گرامی بند آقای دکتر ساسان قاراخانی به بصورت رایگان در اختیار پژوهشگران و متخصصین علم آمار، اقتصادسنجی و علوم داده Data Science قرار گرفته است. همچنین دوستان میتوانند بصورت آنلاین این ویدیو های آموزشی را در سایت آپارات مشاهده نمایند و از سایر ویدیوهای آموزشی نیز استفاده کنند. لینک های مشاهده آنلاین آموزش ها | لینک 1 | لینک 2 | لینک 3  . همچنین دوستان میتوانند با عضویت در کانال اقتصادسنجی نوین به آدرس eghtesadsanjinovin@ نیز از این آموزش های بهره مند شوند.

با تشکر از کانل اقتصادسنجی نوین و دکتر قاراخانی

 

 

 

 

مجموعه جامع ویدیویی آموزش رگرسیون های پانل فضایی
عنوان: آموزش تحلیل و رگرسیون های فضایی Spatial Regression
حجم: 395 مگابایت

مدرس: ساسان قاراخانی
 

 

آموزش علوم داده با رویکرد کاربردی در R Shiny - مثال متن کاوی - Data Science

:این ویدیو مقدمه ای بر علم دیتاساینس (Data Science)، معرفی تکنولوژی‌های R در این زمینه و نحوه نوشتن وب اپلیکیشن در زبان برنامه نویسی R است. مثال این آموزش در زمینه متن کاوی و تحلیل احساسات براساس متن است.

 

 

 

 دریافت ویدیو آموزشی اپلیکشن آماری با R shiny- متن کاوی
مدت زمان: 7 دقیقه 25 ثانیه

مقدمه ای بر R shiny و  Data Science

مدرس: حسین خاندانی

معرفی پلتفرم تحلیل داده نیمه اتوماتیک H2o و کلاینک Microsoft R::RTVS big data

افزایش سرعت 100 برابری پردازش داده های حجیم Big Data  با Microsoft R Revolution:

توصیف نرم افزار R - Microsoft R Revolution

• یک پلتفرم زبان برنامه‌نویسی آماری (یک زبان متن باز بهینه شده‌ی اختصاصی برای آمار و علم داده)
• یک جامعه بزرگ استفاده کننده (بیش از ۲.۵ میلیون کاربر متخصص در حوزه تحلیل داده و یادگیری ماشینی)
• یک اکوسیستم خود سازمانده و خود ارتقا دهنده (بیش از ۶۰۰۰ الگوریتم رایگان در دسترس)

شرکت Revolution Analytics که در سال ۲۰۰۷ تاسیس شده است، و تولیدکننده‌ی نرم‌افزاری آماری است که از هسته‌ی متن باز  open source و open core نرم افزار R استفاده می‌کند و اختصاصا برای استفاده‌های Enterprise کاربرد دارد. این شرکت با سرمایه‌‌گذاری شرکت intel توانست قابلیت‌های محصولی خود را توسعه دهد و در سال ۲۰۱۰ نرم‌افزار Revolution R Enterprise را در دو نسخه‌ی رایگان و تجاری عرضه کند. در سال ۲۰۱۵ شرکت Microsoft این شرکت را خرید و با ایجاد تغییرات اساسی در ساختار و مدل‌های یکپارچگی آن، قابلیت‌های R را به پلتفرم SQL ۲۰۱۶ اضافه کرد. در همین راستا، تغییراتی در برندینگ و طبقه‌بندی نرم‌افزاری ارائه‌شده‌ی قبلی مطابق آن‌چه در تصویر زیر می‌بینید، ایجاد شد و در حال حاضر نرم‌افزارهای شرکت Revolution Analytics در قالب برند مایکروسافت و به عنوان بخشی از محصولات این شرکت عرضه می‌شوند.

پلتفرم H2o:

پلتفرم H2o علاوه بر اینکه پکیج اصلی پیاده سازی یادگیری ماشین و یاد گیری عمیق (Deep Learning) و تمیزسازی داده ها در نرم افزار R می باشد. در نرم افزارهای پایتون و جاوا JAVA نیز کتابخانه آن پیاده سازی شده است. علاوه بر این پلتفرم H2o ماهیتی مستقل دارد و تحت وب و بصورت کلود Cloud کار تحلیل داده و پردازش داده ها (حجیم یا غیر حجیم) را انجام میدهد و ظاهری بسیار مدرن و پیشرفته دارد (H2o Amazon). 

مزیت پلتفرم H2o:

انجام فرآیند پیش پردازش و پیاده سازی الگوریتم های داده کاوی بر روی اطلاعات بصورت نیمه اتوماتیک انجام می شود.

 

 

دانلود ویدیو پلتفرم تحلیل نیمه اتوماتیک داده H2o
عنوان: H2o R Data Science
حجم: 11.4 مگابایت
 

 

دانلود ویدیو معرفی تحلیل داده Microsoft R
عنوان: Microsoft R for Visual Studio::R Revolution
حجم: 8.11 مگابایت
 

کتاب آموزش نرم افزار کامفار (ارزیابی طرح‌های اقتصادی_اقتصاد مهندسی)

 

 

 

دانلود کتاب آموزش نرم افزار کامفار (دکتر نادری)
عنوان: کتاب راهنمای نرم افزار کامفار
حجم: 15.6 مگابایت (138 صفحه)
مولف: دکتر مرتضی نادری

آموزش تخمین مدل اثرات ثابت یک و دو طرفه پانل دیتا در نرم افزار استاتا (Fixed effects two_way & One_way)

 

.

 

 

آموزش اثرات ثابت یک و دوطرفه در STATA
عنوان: آموزش پانل اثرات ثابت یک و دوطرفه در استاتا
حجم: 683 کیلوبایت
تهیه کننده: حسین خاندانی

آموزش جامع پانل دیتا و فروض کلاسیک در نرم افزار متلب Matlab

آموزش جامع پانل دیتا در متلب

 

 

 

آموزش جامع Panel data در نرم افزار Matlab
عنوان: آموزش جامع پانل دیتا و فروض کلاسیک در نرم افزار متلب
حجم: 1.78 مگابایت
تهیه کننده:  حسین خاندانی

 

دانلود تولباکس پانل دیتا در نرم افزار Matlab
حجم: 551 کیلوبایت
 

آزمون ریشه واحد پانل دیتا در حالت وابستگی مقطعی

 

 

 

آزمون ریشه واحد پانل دیتا در حالت وابستگی مقطعی

عنوان: آزمون ریشه واحد پانل در حالت وابستگی مقاطع (CIPS & CADF)
حجم: 935 کیلوبایت
تهیه کننده: حسین خاندانی

تشخیص خودهمبستگی و نحوه رفع مشکل خودهمبستگی با استفاده از روش FGLS (کوکران اورکات)

 

 

 

آموزش برطرف نمودن مشکل خودهمبستگی با استفاده از تخمین fGLS
عنوان: آزمون‌های تشخیص خودهمبستگی و تخمین GLS
حجم: 3.92 مگابایت

تهیه کننده: حسین خاندانی
 

آموزش بررسی فروض کلاسیک مدل‌های پانل دیتا در نرم افزار R-Studio (خودهمبستگی و ناهمسانی واریانس)

 

 

 

دانلود آموزش تست فروض کلاسیک در R-Studio
عنوان: آموزش فروض کلاسیک در نرم افزار
حجم: 1.54 مگابایت
توضیحات: آموزش تخمین و رفع نقض فروض

تهیه کننده: حسین خاندانی

آموزش تخمین مدل مارکوف سوئیچینگ در نرم افزار ایویوز همراه با تفسیر

 

 

 

 

دانلود آموزش کاربردی مدل سوئیچینگ مارکف بخش اول
عنوان: آموزش مدل مارکف سوئیچینگ MS-AR
حجم: 855 کیلوبایت

تهیه کننده: حسین خاندانی

 

دانلود آموزش کاربردی مدل سوئیچینگ مارکف بخش دوم
عنوان: آموزش ویدیویی مارکف سوئیچینگ در ایویوز
حجم: 11.1 مگابایت
توضیحات: آموزش ویدیویی در ایویوز (منبع: سایت ایویوز)
 

 

آموزش پانل دیتا (Panel data) در نرم افزار R Studio- آزمون F لیمر، هاسمن و ضریب لاگرانژ

در پست زیر روش تخمین انواع مدلهای پانل از جمله مدل Pool، اثررات بین گروهی (be)، اثرات ثابت (FE) یا درون گروهی (within) و تصادفی (RE) یک و دو طرفه و آزمون های مرتبط با آن آموزش داده شده است. از جمله این آزمون ها F لیمر و Hausman می باشد.

 

 

 

آموزش پانل دیتا در نرم افزار RStudio
عنوان: آموزش پانل دیتا در نرم افزار R
حجم: 1.4 مگابایت

تهیه کننده: حسین خاندانی
 

آموزش روش FGLS در نرم افزار Eviews در شرایط ناهمسانی واریانس

در فایل زیر میتوانید آزمون های مربوط به تشخیص ناهمسانی واریانس و روش رفع آن را آموزش ببینید.

 

 

 

​آموزش رفع ناهمسانی واریانس یه روش EGLS
عنوان: آموزش روش FGLS
حجم: 1.23 مگابایت

تهیه کننده: حسین خاندانی

آموزش انتخاب نوع توابع تولید و هزینه و تخمین و تفسیر تابع ترانسلوگ در ایویوز

آموزش انتخاب بین مدل های مختلف کاب-داگلاس، ترانسلوگ، فرم درجه دوم تعمیم یافته، ترانسندنتال، لئونتیف، لئونتیف تعمیم یافته و توابع CES و نحوه تخمین و تفسیر این نوع توابع در ایویوز (EVIEWS)

 

* معرفی انواع توابع

 

* بررسی مزیت و محدودیت های هر تابع

 

* اولویت بندی بر اساس انعطاف پذیری

 

* نحوه انتخاب بهترین مدل از بین مدل های متفاوت

 

 

 

 

 

 

 

آموزش تخمین  و تفسیر تابع ترانسلوگ در نرم افزار

عنوان: آموزش تخمین و تفسیر ضرایب تابع ترانسلوگ
حجم: 734 کیلوبایت

تهیه کننده: حسین خاندانی

 

انتخاب نوع صحیح تابع از بین توابع مختلف اقتصادی
عنوان: آموزش انتخاب مدل بهینه از بین چندین مدل
حجم: 896 کیلوبایت
 

 

دانلود Eviews 9 (ایویوز 9) با کرک کامل

 

 

 

 دانلود ایویوز 9 نسخه 32 بیتی (Eviews 9)

عنوان:  Eviews 9 (32 bit
حجم: 193 مگابایت

 دانلود کرک ایویوز Eviews 9
عنوان: دانلود فایل کرک 32 بیتی ایویوز 9
حجم: 216 کیلوبایت
 

 

 دانلود ایویوز 9 نسخه 64 بیتی (Eviews 9) به همراه کرک 64 بیتی

عنوان: Eviews 9 (64 bit
حجم: 200 مگابایت

 

پسورد فایل فشرده: www.downloadly.ir

 

 

آموزش رگرسیون هم انباشته DOLS در نرم افزار eviews

استاک و واتسون (Stock & Watson, 1993) با تعدیل روش حداقل مربعات معمولی، روشی برای برآورد رابطة میان متغیرهای دارای روندهای تصادفی را پیشنهاد کرده‌اند و آن را حداقل مربعات معمولی پویا (DOLS) یا حداقل مربعات معمولی تعمیم‌یافته (GOLS) نامیده‌اند. مقصود از پویا بودن، آن است که در این روش الگوی زمانی واکنش یک متغیر وابسته، نسبت به تغییرات متغیر (یا متغیرهای) مستقل مورد توجه قرار می‌گیرد. این رگرسیون زمانی مورد استفاده قرار می گیرد که متغیرهای نامانا باشند و تنها وجود یک بردار هم انباشتگی مورد تایید قرار گیرد اما نکته قوت آن نسبت به روش هم انباشتگی انگل-گرنجر و یوهانسن این است که لازم نیست متغیرهای از یک درجه مانا باشند. در فایل زیر میتوانید بخش اول آموزش این روش را دانلود نمایید.

 

 

 

 

 

 

 

آموزش رگرسیون هم انباشته DOLS در نرم افزار Eviews (بخش اول)
عنوان: آموزش روش DOLS در نرم افزار Eviews
حجم: 368 کیلوبایت
تهیه کننده: حسین خاندانی

 

بخش دوم آموزش رگرسیون هم انباشته DOLS (بخش دوم)
عنوان: آموزش تخمین dols در ایویوز
حجم: 553 کیلوبایت
تهیه کننده: حسین خاندانی