< Return to Video

Intro to Linear Regression

  • 0:00 - 0:04
    ♪ [موسيقى] ♪
  • 0:21 - 0:22
    [توماس ستراتمان] مرحباً!
  • 0:22 - 0:24
    في السلسلة القادمة من مقاطع الفيديو
  • 0:24 - 0:27
    سنمنحك أداة جديدة مميزة
  • 0:27 - 0:30
    لوضعها في مربع أدوات فهم البيانات:
  • 0:30 - 0:32
    الانحدار الخطي.
  • 0:33 - 0:35
    لنفترض أن لديك هذه النظرية.
  • 0:35 - 0:37
    لقد شاهدت كيف يحصل الأشخاص
    ذوو المظهر الجيد
  • 0:37 - 0:39
    على امتيازات خاصة.
  • 0:40 - 0:41
    مما يجعلك تتسائل،
  • 0:41 - 0:44
    "في أي مكان آخر يمكن أن نرى هذه الظاهرة؟"
  • 0:44 - 0:46
    ماذا عن الأساتذة؟
  • 0:46 - 0:48
    هل من الممكن أن يحصل الأساتذة
    ذوو المظهر الجيد
  • 0:48 - 0:50
    على امتيازات خاصة أيضًا؟
  • 0:50 - 0:54
    هل من الممكن أن يعاملهم الطلاب بشكل أفضل
  • 0:54 - 0:57
    من خلال منحهم بتقييمات أفضل للطلاب؟
  • 0:58 - 1:00
    إذا كان الأمر كذلك،
  • 1:00 - 1:04
    فهل تأثير المظهر على التقييمات
    كبير جدا أم صغير جدا؟
  • 1:04 - 1:08
    ونقول أن هناك أستاذًا جديدً
    يبدأ في الجامعة.
  • 1:08 - 1:09
    [رجل] كيف حالك يا صاح.
  • 1:09 - 1:12
    ماذا يمكننا أن نتنبأ عن تقييمه
  • 1:12 - 1:13
    بساطة من خلال مظهره؟
  • 1:14 - 1:17
    بالنظر إلى أن هذه التقييمات
    يمكن أن تحدد زيادة الأجور
  • 1:18 - 1:22
    إذا كانت هذه النظرية صحيحة،
    فقد نرى الأساتذة يلجأون
  • 1:22 - 1:25
    إلى بعض التكتيكات المفاجئة لتعزيز درجاتهم.
  • 1:25 - 1:26
    [لويد كريسماس] أجل!
  • 1:26 - 1:27
    لنفترض أنك أردت معرفة
  • 1:27 - 1:31
    ما إذا كانت التقييمات
    تتحسن حقًا بمظهر أفضل.
  • 1:31 - 1:34
    كيف ستشرع في اختبار هذه الفرضية؟
  • 1:35 - 1:37
    يمكنك جمع البيانات.
  • 1:37 - 1:40
    أولاً، ستطلب من الطلاب
    تقييم مدى جمال مظهر الأستاذ
  • 1:40 - 1:42
    على مقياس من 1 إلى 10
  • 1:42 - 1:45
    مما يمنحك متوسط ​​درجة جمال.
  • 1:45 - 1:49
    ثم يمكنك استرداد تقييمات
  • 1:49 - 1:50
    التدريس الخاصة بالمعلم
  • 1:50 - 1:53
    من خمسة وعشرين طالبًا.
  • 1:53 - 1:55
    لنلقِ نظرة على هذين المتغيرين
  • 1:55 - 1:57
    في نفس الوقت باستخدام مخطط التشتت.
  • 1:58 - 2:01
    سنضع الجمال على محور x
    وتقييمات المعلم على محورy.
  • 2:01 - 2:05
    فعلى سبيل المثال تمثل هذه
    النقطة الأستاذ الدكتور Peate
  • 2:05 - 2:06
    [Bib Fortuna] De wana wanga
  • 2:06 - 2:09
    الذي حصل على درجة جمال 3
  • 2:09 - 2:12
    وتقييم 8.425.
  • 2:12 - 2:15
    ثمة طريقة للخروج
    وهي الأستاذ هيلمتشن.
  • 2:15 - 2:17
    ياللسخرية من حسن المظهر!
  • 2:17 - 2:19
    الذين حصلوا على
    درجة جمال عالية جدًا
  • 2:19 - 2:21
    لكن ليس تقييمًا جيدًا.
  • 2:21 - 2:22
    هل يمكنك رؤية الاتجاه؟
  • 2:22 - 2:26
    بينما ننتقل من اليسار إلى اليمين
    على المحور الأفقي
  • 2:26 - 2:28
    من القبيح إلى الرائع،
  • 2:28 - 2:31
    نرى اتجاهًا صعوديًا في درجات التقييم.
  • 2:32 - 2:35
    بالمناسبة، البيانات التي نستكشفها
  • 2:35 - 2:39
    في هذه السلسلة ليست مفتعلة -
    إنها تأتي من دراسة حقيقية
  • 2:39 - 2:41
    أجريت في جامعة تكساس.
  • 2:41 - 2:46
    إذا كنت تتساءل، فإن كلمة "pulchritude"
  • 2:46 - 2:48
    فهي مجرد طريقة أكاديمية لتعريف الجمال.
  • 2:48 - 2:51
    باستخدام المخططات المبعثرة،
    قد يكون من الصعب أحيانًا
  • 2:51 - 2:56
    تحديد العلاقة الدقيقة بين متغيرين
  • 2:56 - 2:59
    خاصةً عندما ترتد القيم قليلاً
  • 2:59 - 3:01
    أثناء انتقالنا من اليسار إلى اليمين.
  • 3:02 - 3:05
    تتمثل إحدى طرق تجاوز هذا الارتداد
  • 3:05 - 3:08
    في رسم خط مستقيم عبر سحابة البيانات
  • 3:08 - 3:11
    بطريقة يلخص فيها هذا الخط البيانات
  • 3:11 - 3:13
    بأكبر قدر ممكن.
  • 3:13 - 3:17
    المصطلح الفني لهذا هو "الانحدار الخطي".
  • 3:18 - 3:21
    سنتحدث لاحقًا عن كيفية إنشاء هذا الخط،
  • 3:21 - 3:24
    ولكن في الوقت الحالي يمكننا افتراض
  • 3:24 - 3:26
    أن الخط يناسب البيانات قدر الإمكان.
  • 3:27 - 3:30
    إذن، ماذا يمكن أن يخبرنا هذا الخط؟
  • 3:30 - 3:33
    أولاً، نرى على الفور
  • 3:33 - 3:35
    ما إذا كان الخط يتجه لأعلى أو لأسفل.
  • 3:36 - 3:40
    في مجموعة بياناتنا
    نراه يتجه لأعلى.
  • 3:41 - 3:44
    وبذلك يؤكد ما توقعناه سابقًا
  • 3:44 - 3:46
    بمجرد النظر إلى مخطط التشتت.
  • 3:46 - 3:50
    يعني المنحدر التصاعدي وجود ارتباط إيجابي
  • 3:50 - 3:53
    بين المظهر ودرجات التقييم.
  • 3:54 - 3:56
    بمعنى آخر، في المتوسط​​،
  • 3:56 - 3:59
    يحصل الأساتذة ذوو المظهر الأفضل
    على تقييمات أفضل.
  • 4:00 - 4:04
    بالنسبة لمجموعات البيانات الأخرى،
    قد نرى ارتباطا إيجابيا أقوى.
  • 4:04 - 4:07
    أو قد ترى ارتباطًا سلبيًا.
  • 4:08 - 4:11
    أو ربما لا يوجد ارتباط على الإطلاق.
  • 4:11 - 4:14
    ولا يجب أن تكون خطوطنا مستقيمة.
  • 4:14 - 4:17
    يمكنهم الانحناء لملاءمة
    البيانات عند الضرورة.
  • 4:18 - 4:21
    يمنحنا هذا الخط أيضًا
    طريقة للتنبؤ بالنتائج.
  • 4:22 - 4:26
    يمكننا ببساطة الحصول على درجة الجمال
  • 4:26 - 4:28
    وقراءة ما ستكون عليه
    نتيجة التقييم المتوقعة.
  • 4:28 - 4:30
    لذا، بالعودة إلى أستاذنا الجديد.
  • 4:30 - 4:31
    [لويد] تبدو مألوفة؟
  • 4:31 - 4:34
    يمكننا أن نتوقع بدقة درجة تقييمه.
  • 4:35 - 4:37
    "ولكن انتظر! انتظر!" يمكنك القول.
  • 4:37 - 4:39
    "هل يمكننا الوثوق بهذا التوقع؟"
  • 4:39 - 4:42
    إلى أي مدى يتنبأ
  • 4:42 - 4:44
    متغير الجمال هذا بالتقييمات؟
  • 4:45 - 4:48
    يمنحنا الانحدار الخطي
    بعض الإجراءات المفيدة
  • 4:48 - 4:50
    للإجابة على تلك الأسئلة
  • 4:50 - 4:52
    التي سنغطيها في فيديو مستقبلي.
  • 4:53 - 4:55
    علينا أيضًا أن نكون على
    دراية بالمزالق الأخرى
  • 4:55 - 4:58
    قبل أن نستخلص أي استنتاجات محددة.
  • 4:59 - 5:00
    يمكنك أن تتخيل سيناريو
  • 5:00 - 5:04
    حيث يكون الدافع وراء الارتباط
  • 5:04 - 5:07
    الذي نراه هو في الحقيقة متغير ثالث تركناه.
  • 5:07 - 5:10
    على سبيل المثال،
    قد تكون صعوبة الدورة التدريبية
  • 5:10 - 5:12
    وراء الارتباط الإيجابي
  • 5:12 - 5:16
    بين تقييمات الجمال ودرجات التقييم.
  • 5:16 - 5:19
    الدورات التمهيدية السهلة
    تحصل على تقييمات جيدة.
  • 5:19 - 5:23
    الدورات التدريبية الأكثر صعوبة
    والأكثر تقدمًا تحصل على تقييمات سيئة.
  • 5:24 - 5:28
    وقد يتم تعيين الأساتذة الأصغر سنًا
    في الدورات التمهيدية.
  • 5:28 - 5:32
    بعد ذلك، إذا حكم الطلاب
    على الأساتذة الأصغر سنًا
  • 5:32 - 5:34
    بأنهم أكثر جاذبية،
  • 5:34 - 5:37
    فستجد ارتباطًا إيجابيًا بين
    تقييمات الجمال ودرجات التقييم.
  • 5:38 - 5:40
    لكن صعوبة الدورة التدريبية حقًا،
  • 5:40 - 5:44
    المتغير الذي تركناه، وليس الجمال
  • 5:44 - 5:46
    هو الذي يقود درجات التقييم.
  • 5:46 - 5:50
    في هذه الحالة
    سيكون كل التمهيدي عبثًا -
  • 5:50 - 5:54
    حالة من الارتباط الخاطئ للسببية -
  • 5:54 - 5:55
    [لويد] انتظر لحظة.
  • 5:55 - 5:58
    شيءً سنتحدث عنه أكثر في فيديو لاحق.
  • 5:59 - 6:02
    وماذا لو كانت هناك متغيرات مهمة أخرى
  • 6:02 - 6:06
    تؤثر على تصنيفات الجمال ونتائج التقييم؟
  • 6:07 - 6:10
    قد ترغب في إضافة اعتبارات
    مثل المهارة والعرق والجنس
  • 6:10 - 6:15
    وما إذا كانت اللغة الإنجليزية
    هي اللغة الأم للمعلم
  • 6:15 - 6:19
    لعزل تأثير الجمال على التقييمات
    بشكل أكثر وضوحًا.
  • 6:19 - 6:22
    عندما ندخل في انحدار متعدد،
  • 6:22 - 6:24
    سنكون قادرين على قياس
  • 6:24 - 6:26
    تأثير الجمال على تقييمات المعلم
  • 6:26 - 6:28
    مع مراعاة المتغيرات الأخرى
  • 6:28 - 6:31
    التي قد تربك هذا الارتباط.
  • 6:32 - 6:36
    بعد ذلك، سوف نتسخ أيدينا
    من خلال اللعب بهذه البيانات
  • 6:36 - 6:39
    لاكتساب فهم أفضل لما يمكن
    أن يخبرنا به هذا الخط.
  • 6:41 - 6:42
    [الراوي] مبروك!
  • 6:42 - 6:45
    أنت على بعد خطوة واحدة
  • 6:46 - 6:47
    من أن تكون نينجا بيانات!
  • 6:47 - 6:49
    ومع ذلك لإتقان هذا، ستحتاج إلى
  • 6:49 - 6:50
    تقوية مهاراتك ببعض أسئلة التدريب.
  • 6:51 - 6:54
    جاهز لمهمتك القادمة؟
    انقر فوق "الفيديو التالي".
  • 6:54 - 6:55
    لا تزال هنا؟
  • 6:56 - 6:58
    انتقل من فهم البيانات إلى
    فهم عالمك عن طريق الاطلاع
  • 6:58 - 7:02
    على مقاطع الفيديو الاقتصادية
    الشائعة الأخرى في MRU.
  • 7:02 - 7:04
    ♪ [موسيقى] ♪
Title:
Intro to Linear Regression
Description:
more » « less
Video Language:
English
Team:
Marginal Revolution University
Project:
Understanding Data
Duration:
07:05

Arabic subtitles

Revisions

Our website uses cookies for analysis purposes.