1
00:00:00,107 --> 00:00:03,926
♪ [موسيقى] ♪

2
00:00:20,880 --> 00:00:22,077
[توماس ستراتمان] مرحباً!

3
00:00:22,077 --> 00:00:24,268
في السلسلة القادمة من مقاطع الفيديو

4
00:00:24,268 --> 00:00:26,858
سنمنحك أداة جديدة مميزة

5
00:00:26,858 --> 00:00:30,414
لوضعها في مربع أدوات فهم البيانات:

6
00:00:30,414 --> 00:00:31,981
الانحدار الخطي.

7
00:00:32,885 --> 00:00:34,668
لنفترض أن لديك هذه النظرية.

8
00:00:34,668 --> 00:00:37,249
لقد شاهدت كيف يحصل الأشخاص
ذوو المظهر الجيد

9
00:00:37,249 --> 00:00:39,067
على امتيازات خاصة.

10
00:00:39,642 --> 00:00:40,878
مما يجعلك تتسائل،

11
00:00:40,878 --> 00:00:43,798
"في أي مكان آخر يمكن أن نرى هذه الظاهرة؟"

12
00:00:44,132 --> 00:00:45,637
ماذا عن الأساتذة؟

13
00:00:45,637 --> 00:00:48,259
هل من الممكن أن يحصل الأساتذة 
ذوو المظهر الجيد

14
00:00:48,259 --> 00:00:50,010
على امتيازات خاصة أيضًا؟

15
00:00:50,350 --> 00:00:53,899
هل من الممكن أن يعاملهم الطلاب بشكل أفضل

16
00:00:53,899 --> 00:00:57,209
من خلال منحهم بتقييمات أفضل للطلاب؟

17
00:00:57,866 --> 00:01:00,467
إذا كان الأمر كذلك،

18
00:01:00,467 --> 00:01:03,573
فهل تأثير المظهر على التقييمات
كبير جدا أم صغير جدا؟

19
00:01:04,159 --> 00:01:07,519
ونقول أن هناك أستاذًا جديدً
يبدأ في الجامعة.

20
00:01:07,519 --> 00:01:08,759
[رجل] كيف حالك يا صاح.

21
00:01:08,759 --> 00:01:11,810
ماذا يمكننا أن نتنبأ عن تقييمه

22
00:01:11,810 --> 00:01:13,371
بساطة من خلال مظهره؟

23
00:01:13,940 --> 00:01:17,216
بالنظر إلى أن هذه التقييمات
يمكن أن تحدد زيادة الأجور

24
00:01:17,671 --> 00:01:21,709
إذا كانت هذه النظرية صحيحة،
فقد نرى الأساتذة يلجأون

25
00:01:21,709 --> 00:01:24,519
إلى بعض التكتيكات المفاجئة لتعزيز درجاتهم.

26
00:01:24,519 --> 00:01:25,731
[لويد كريسماس] أجل!

27
00:01:25,731 --> 00:01:27,461
لنفترض أنك أردت معرفة

28
00:01:27,461 --> 00:01:30,801
ما إذا كانت التقييمات
تتحسن حقًا بمظهر أفضل.

29
00:01:31,441 --> 00:01:34,450
كيف ستشرع في اختبار هذه الفرضية؟

30
00:01:34,956 --> 00:01:36,552
يمكنك جمع البيانات.

31
00:01:36,761 --> 00:01:40,025
أولاً، ستطلب من الطلاب
تقييم مدى جمال مظهر الأستاذ

32
00:01:40,025 --> 00:01:42,076
على مقياس من 1 إلى 10

33
00:01:42,076 --> 00:01:44,807
مما يمنحك متوسط ​​درجة جمال.

34
00:01:45,229 --> 00:01:48,552
ثم يمكنك استرداد تقييمات

35
00:01:48,552 --> 00:01:50,421
التدريس الخاصة بالمعلم

36
00:01:50,421 --> 00:01:53,273
من خمسة وعشرين طالبًا.

37
00:01:53,273 --> 00:01:54,738
لنلقِ نظرة على هذين المتغيرين

38
00:01:54,981 --> 00:01:57,419
في نفس الوقت باستخدام مخطط التشتت.

39
00:01:57,852 --> 00:02:00,589
سنضع الجمال على محور x
وتقييمات المعلم على محورy.

40
00:02:01,223 --> 00:02:04,903
فعلى سبيل المثال تمثل هذه
النقطة الأستاذ الدكتور Peate

41
00:02:04,903 --> 00:02:06,423
[Bib Fortuna] De wana wanga

42
00:02:06,423 --> 00:02:08,811
الذي حصل على درجة جمال 3

43
00:02:08,811 --> 00:02:11,866
وتقييم 8.425.

44
00:02:12,084 --> 00:02:14,958
ثمة طريقة للخروج
وهي الأستاذ هيلمتشن.

45
00:02:14,958 --> 00:02:16,797
ياللسخرية من حسن المظهر!

46
00:02:16,797 --> 00:02:18,721
الذين حصلوا على
درجة جمال عالية جدًا

47
00:02:18,721 --> 00:02:20,872
لكن ليس تقييمًا جيدًا.

48
00:02:21,101 --> 00:02:22,283
هل يمكنك رؤية الاتجاه؟

49
00:02:22,283 --> 00:02:25,533
بينما ننتقل من اليسار إلى اليمين
على المحور الأفقي

50
00:02:25,533 --> 00:02:27,963
من القبيح إلى الرائع،

51
00:02:27,963 --> 00:02:31,186
نرى اتجاهًا صعوديًا في درجات التقييم.

52
00:02:31,870 --> 00:02:35,174
بالمناسبة، البيانات التي نستكشفها

53
00:02:35,174 --> 00:02:38,923
في هذه السلسلة ليست مفتعلة -
إنها تأتي من دراسة حقيقية

54
00:02:38,923 --> 00:02:40,897
أجريت في جامعة تكساس.

55
00:02:41,337 --> 00:02:46,023
إذا كنت تتساءل، فإن كلمة "pulchritude"

56
00:02:46,023 --> 00:02:47,880
فهي مجرد طريقة أكاديمية لتعريف الجمال.

57
00:02:48,405 --> 00:02:51,474
باستخدام المخططات المبعثرة،
قد يكون من الصعب أحيانًا

58
00:02:51,474 --> 00:02:55,594
تحديد العلاقة الدقيقة بين متغيرين

59
00:02:55,594 --> 00:02:59,104
خاصةً عندما ترتد القيم قليلاً

60
00:02:59,104 --> 00:03:01,318
أثناء انتقالنا من اليسار إلى اليمين.

61
00:03:02,000 --> 00:03:04,908
تتمثل إحدى طرق تجاوز هذا الارتداد

62
00:03:04,908 --> 00:03:08,144
في رسم خط مستقيم عبر سحابة البيانات

63
00:03:08,144 --> 00:03:10,775
بطريقة يلخص فيها هذا الخط البيانات

64
00:03:10,775 --> 00:03:12,613
بأكبر قدر ممكن.

65
00:03:13,295 --> 00:03:17,181
المصطلح الفني لهذا هو "الانحدار الخطي".

66
00:03:17,669 --> 00:03:20,888
سنتحدث لاحقًا عن كيفية إنشاء هذا الخط،

67
00:03:20,888 --> 00:03:24,278
ولكن في الوقت الحالي يمكننا افتراض

68
00:03:24,278 --> 00:03:26,456
أن الخط يناسب البيانات قدر الإمكان.

69
00:03:27,087 --> 00:03:29,536
إذن، ماذا يمكن أن يخبرنا هذا الخط؟

70
00:03:30,067 --> 00:03:32,596
أولاً، نرى على الفور

71
00:03:32,596 --> 00:03:35,358
ما إذا كان الخط يتجه لأعلى أو لأسفل.

72
00:03:36,107 --> 00:03:39,827
في مجموعة بياناتنا
نراه يتجه لأعلى.

73
00:03:40,794 --> 00:03:43,807
وبذلك يؤكد ما توقعناه سابقًا

74
00:03:43,807 --> 00:03:45,587
بمجرد النظر إلى مخطط التشتت.

75
00:03:46,070 --> 00:03:50,237
يعني المنحدر التصاعدي وجود ارتباط إيجابي

76
00:03:50,237 --> 00:03:53,026
بين المظهر ودرجات التقييم.

77
00:03:53,544 --> 00:03:55,907
بمعنى آخر، في المتوسط​​،

78
00:03:55,907 --> 00:03:59,469
يحصل الأساتذة ذوو المظهر الأفضل
على تقييمات أفضل.

79
00:03:59,768 --> 00:04:03,939
بالنسبة لمجموعات البيانات الأخرى،
قد نرى ارتباطا إيجابيا أقوى.

80
00:04:04,377 --> 00:04:07,420
أو قد ترى ارتباطًا سلبيًا.

81
00:04:07,857 --> 00:04:10,764
أو ربما لا يوجد ارتباط على الإطلاق.

82
00:04:11,158 --> 00:04:13,903
ولا يجب أن تكون خطوطنا مستقيمة.

83
00:04:14,389 --> 00:04:17,304
يمكنهم الانحناء لملاءمة
البيانات عند الضرورة.

84
00:04:17,770 --> 00:04:21,262
يمنحنا هذا الخط أيضًا
طريقة للتنبؤ بالنتائج.

85
00:04:21,579 --> 00:04:25,569
يمكننا ببساطة الحصول على درجة الجمال

86
00:04:25,569 --> 00:04:28,429
وقراءة ما ستكون عليه
نتيجة التقييم المتوقعة.

87
00:04:28,429 --> 00:04:30,229
لذا، بالعودة إلى أستاذنا الجديد.

88
00:04:30,229 --> 00:04:31,297
[لويد] تبدو مألوفة؟

89
00:04:31,297 --> 00:04:34,109
يمكننا أن نتوقع بدقة درجة تقييمه.

90
00:04:34,683 --> 00:04:36,749
"ولكن انتظر! انتظر!" يمكنك القول.

91
00:04:37,019 --> 00:04:38,749
"هل يمكننا الوثوق بهذا التوقع؟"

92
00:04:39,233 --> 00:04:41,665
إلى أي مدى يتنبأ

93
00:04:41,665 --> 00:04:43,515
متغير الجمال هذا بالتقييمات؟

94
00:04:44,844 --> 00:04:47,890
يمنحنا الانحدار الخطي
بعض الإجراءات المفيدة

95
00:04:47,890 --> 00:04:49,770
للإجابة على تلك الأسئلة

96
00:04:49,770 --> 00:04:52,039
التي سنغطيها في فيديو مستقبلي.

97
00:04:52,838 --> 00:04:55,439
علينا أيضًا أن نكون على
دراية بالمزالق الأخرى

98
00:04:55,439 --> 00:04:58,340
قبل أن نستخلص أي استنتاجات محددة.

99
00:04:58,833 --> 00:05:00,430
يمكنك أن تتخيل سيناريو

100
00:05:00,430 --> 00:05:03,639
حيث يكون الدافع وراء الارتباط

101
00:05:03,639 --> 00:05:06,900
الذي نراه هو في الحقيقة متغير ثالث تركناه.

102
00:05:07,344 --> 00:05:09,965
على سبيل المثال،
قد تكون صعوبة الدورة التدريبية

103
00:05:09,965 --> 00:05:12,456
وراء الارتباط الإيجابي

104
00:05:12,456 --> 00:05:15,645
بين تقييمات الجمال ودرجات التقييم.

105
00:05:16,052 --> 00:05:18,956
الدورات التمهيدية السهلة
تحصل على تقييمات جيدة.

106
00:05:19,228 --> 00:05:22,972
الدورات التدريبية الأكثر صعوبة
والأكثر تقدمًا تحصل على تقييمات سيئة.

107
00:05:23,660 --> 00:05:27,668
وقد يتم تعيين الأساتذة الأصغر سنًا
في الدورات التمهيدية.

108
00:05:28,080 --> 00:05:32,095
بعد ذلك، إذا حكم الطلاب
على الأساتذة الأصغر سنًا

109
00:05:32,095 --> 00:05:34,335
بأنهم أكثر جاذبية،

110
00:05:34,335 --> 00:05:37,383
فستجد ارتباطًا إيجابيًا بين
تقييمات الجمال ودرجات التقييم.

111
00:05:37,861 --> 00:05:40,388
لكن صعوبة الدورة التدريبية حقًا،

112
00:05:40,388 --> 00:05:43,537
المتغير الذي تركناه، وليس الجمال

113
00:05:43,537 --> 00:05:45,848
هو الذي يقود درجات التقييم.

114
00:05:46,346 --> 00:05:49,807
في هذه الحالة 
سيكون كل التمهيدي عبثًا -

115
00:05:50,289 --> 00:05:53,620
حالة من الارتباط الخاطئ للسببية -

116
00:05:53,620 --> 00:05:54,900
[لويد] انتظر لحظة.

117
00:05:54,900 --> 00:05:58,166
شيءً سنتحدث عنه أكثر في فيديو لاحق.

118
00:05:58,922 --> 00:06:02,069
وماذا لو كانت هناك متغيرات مهمة أخرى

119
00:06:02,069 --> 00:06:05,781
تؤثر على تصنيفات الجمال ونتائج التقييم؟

120
00:06:06,626 --> 00:06:09,575
قد ترغب في إضافة اعتبارات
مثل المهارة والعرق والجنس

121
00:06:09,846 --> 00:06:14,577
وما إذا كانت اللغة الإنجليزية
هي اللغة الأم للمعلم

122
00:06:14,577 --> 00:06:18,994
لعزل تأثير الجمال على التقييمات
بشكل أكثر وضوحًا.

123
00:06:19,408 --> 00:06:21,758
عندما ندخل في انحدار متعدد،

124
00:06:21,758 --> 00:06:24,477
سنكون قادرين على قياس

125
00:06:24,477 --> 00:06:26,219
تأثير الجمال على تقييمات المعلم

126
00:06:26,219 --> 00:06:28,368
مع مراعاة المتغيرات الأخرى

127
00:06:28,368 --> 00:06:30,737
التي قد تربك هذا الارتباط.

128
00:06:31,762 --> 00:06:35,509
بعد ذلك، سوف نتسخ أيدينا
من خلال اللعب بهذه البيانات

129
00:06:35,509 --> 00:06:39,070
لاكتساب فهم أفضل لما يمكن
أن يخبرنا به هذا الخط.

130
00:06:41,169 --> 00:06:42,445
[الراوي] مبروك!

131
00:06:42,445 --> 00:06:45,247
أنت على بعد خطوة واحدة

132
00:06:45,568 --> 00:06:47,139
من أن تكون نينجا بيانات!

133
00:06:47,139 --> 00:06:48,700
ومع ذلك لإتقان هذا، ستحتاج إلى

134
00:06:48,700 --> 00:06:50,404
تقوية مهاراتك ببعض أسئلة التدريب.

135
00:06:50,865 --> 00:06:53,976
جاهز لمهمتك القادمة؟
انقر فوق "الفيديو التالي".

136
00:06:54,313 --> 00:06:55,364
لا تزال هنا؟

137
00:06:55,598 --> 00:06:58,325
انتقل من فهم البيانات إلى
فهم عالمك عن طريق الاطلاع

138
00:06:58,325 --> 00:07:01,642
على مقاطع الفيديو الاقتصادية
الشائعة الأخرى في MRU.

139
00:07:01,892 --> 00:07:04,406
♪ [موسيقى] ♪