تحلیل رگرسیون شاید مهم ترین ابزار آمار کسب و کار مورد استفاده در صنعت باشد. رگرسیون موتور پشت بسیاری از برنامه های کاربردی تجزیه و تحلیل داده است که برای بسیاری از اشکال پیش بینی و پیش بینی استفاده می شود. این چهارمین دوره تخصصی "آمار و تحلیل کسب و کار" است. این دوره شما را با ابزار بسیار مهمی به نام رگرسیون خطی آشنا می کند. شما یاد خواهید گرفت که از رویه های مختلفی مانند رگرسیون های متغیر ساختگی، متغیرهای تبدیل و اثرات متقابل استفاده کنید. همه اینها با استفاده از مثال‌های قابل فهم در مایکروسافت اکسل معرفی و توضیح داده شده‌اند. تمرکز این دوره به جای مشتقات دقیق ریاضی بر درک و کاربرد است. توجه: این دوره از جعبه ابزار "تجزیه و تحلیل داده ها" استفاده می کند که با نسخه ویندوز مایکروسافت اکسل استاندارد است. همچنین با نسخه مک 2016 یا جدیدتر اکسل استاندارد است. با این حال، با نسخه های قبلی اکسل برای مک استاندارد نیست. هفته 1 ماژول 1: تحلیل رگرسیون: مقدمه در این ماژول با مدل رگرسیون خطی آشنا می شوید. ما یک مدل رگرسیون می سازیم و با استفاده از اکسل آن را تخمین می زنیم. ما از مدل تخمین زده شده برای استنتاج روابط بین متغیرهای مختلف و استفاده از مدل برای پیش بینی استفاده خواهیم کرد. این ماژول همچنین مفهوم خطاها، باقیمانده ها و R-square را در یک مدل رگرسیونی معرفی می کند. موضوعات تحت پوشش عبارتند از: • معرفی رگرسیون خطی • ساخت یک مدل رگرسیون و تخمین آن با استفاده از اکسل • استنتاج با استفاده از مدل برآورد شده • استفاده از مدل رگرسیون برای پیش بینی • Errors، Residuals و R-square هفته 2 ماژول 2: تحلیل رگرسیون: آزمون فرضیه و خوبی برازش این ماژول آزمون های فرضیه های مختلفی را ارائه می دهد که می توانید با استفاده از خروجی رگرسیون انجام دهید. این تست ها بخش مهمی از استنتاج هستند و ماژول آنها را با استفاده از مثال های مبتنی بر اکسل معرفی می کند. مقادیر p همراه با اندازه‌های خوب تناسب R-square و R-square تعدیل شده معرفی می‌شوند. در پایان ماژول "رگرسیون متغیر ساختگی" را معرفی می کنیم که برای ترکیب متغیرهای طبقه بندی در یک رگرسیون استفاده می شود. موضوعات تحت پوشش عبارتند از: • آزمون فرضیه در رگرسیون خطی • معیارهای «خوبی تناسب» (R-square، R-square تعدیل شده) • رگرسیون متغیر ساختگی (با استفاده از متغیرهای طبقه بندی شده در یک رگرسیون) هفته 3 ماژول 3: تحلیل رگرسیون: متغیرهای ساختگی، چند خطی این ماژول با استفاده از رگرسیون متغیر ساختگی ادامه می یابد. شما می توانید تفسیر خروجی رگرسیون را در حضور متغیرهای طبقه بندی درک کنید. نمونه هایی برای تقویت مجدد مفاهیم مختلف معرفی شده کار شده است. این ماژول همچنین توضیح می دهد که Multicolinearity چیست و چگونه با آن برخورد کنیم. موضوعات تحت پوشش عبارتند از: • رگرسیون متغیر ساختگی (با استفاده از متغیرهای طبقه بندی شده در یک رگرسیون) • تفسیر ضرایب و مقادیر p در حضور متغیرهای ساختگی • چند خطی بودن در مدل های رگرسیونی هفته 4 ماژول 4: تجزیه و تحلیل رگرسیون: پسوندهای مختلف این ماژول درک شما را از رگرسیون خطی گسترش می‌دهد و تکنیک‌هایی مانند میانگین‌مرکزی متغیرها و ایجاد مرزهای اطمینان برای پیش‌بینی‌ها با استفاده از مدل رگرسیون را معرفی می‌کند. یک پسوند رگرسیون قدرتمند به نام «متغیرهای تعامل» معرفی و با استفاده از مثال توضیح داده شده است. ما همچنین تبدیل متغیرها را در یک رگرسیون مطالعه می کنیم و در آن زمینه مدل های log-log و semi-log regression را معرفی می کنیم. موضوعات تحت پوشش عبارتند از: • میانگین مرکزیت متغیرها در مدل رگرسیون • ایجاد مرزهای اطمینان برای پیش بینی ها با استفاده از مدل رگرسیون • اثرات متقابل در یک رگرسیون • تبدیل متغیرها • مدل های رگرسیون log-log و semi-log

مطالعات اپیدمیولوژیک می تواند بینش های ارزشمندی در مورد فراوانی یک بیماری، علل بالقوه آن و اثربخشی درمان های موجود ارائه دهد. انتخاب یک طرح مطالعه مناسب می تواند شما را در هنگام تلاش برای پاسخ به چنین سوالی، راه طولانی ببرد. با این حال، این به هیچ وجه کافی نیست. یک مطالعه به دلایل مختلف می تواند نتایج مغرضانه ای به همراه داشته باشد. این دوره مقدمه ای بر برخی از این عوامل ارائه می دهد و راهنمایی هایی در مورد نحوه برخورد با سوگیری در تحقیقات اپیدمیولوژیک ارائه می دهد. در این دوره آموزشی با انواع اصلی سوگیری و تأثیر آنها بر یافته های مطالعه شما آشنا می شوید. سپس بر مفهوم مداخله گر تمرکز خواهید کرد و روش های مختلفی را برای شناسایی و کنترل مخدوش در طرح های مطالعاتی مختلف بررسی خواهید کرد. در آخرین ماژول این دوره، درباره پدیده اصلاح اثر، که کلید درک و تفسیر نتایج مطالعه است، بحث خواهیم کرد. ما این دوره را با بحث گسترده‌تری در مورد علیت در اپیدمیولوژی به پایان خواهیم رساند و نشان خواهیم داد که چگونه می‌توانید از همه ابزارهایی که آموخته‌اید برای تصمیم‌گیری در مورد اینکه آیا یافته‌های شما نشان‌دهنده یک ارتباط واقعی است و اینکه آیا این می‌تواند علتی در نظر گرفته شود، استفاده کنید.