💡 نکات جذاب و کاربردی در آنالیز بقا (Survival Analysis) با مثال‌های ملموس

✨ تابع بقا (Survival Function) - قلب آنالیز بقا
🔹 فرمول زیبا: S(t) = P(T > t)
🔹 مثال پزشکی: اگر S(5) = 0.7 باشد، یعنی ۷۰٪ بیماران حداقل ۵ سال زنده می‌مانند.
🔹 نکته: این تابع همیشه نزولی است، یعنی با افزایش زمان، احتمال بقا کاهش می‌یابد.

⚡️ تابع خطر (Hazard Function) - شناسایی لحظات بحرانی
🔹 فرمول هوشمندانه: h(t) = P(t ≤ T < t+Δt | T ≥ t) / Δt
🔹 مثال صنعتی: اگر h(12) = 0.1 باشد، یعنی دستگاه‌های سالم پس از ۱۲ ماه، ۱۰٪ احتمال خرابی در ماه بعد را دارند.
🔹 نکته: برخلاف تابع بقا، این تابع می‌تواند نوسان کند، مثلاً خطر عود سرطان در ماه‌های خاصی افزایش می‌یابد.

📈 روش کاپلان-مایر (Kaplan-Meier) - ترسیم منحنی بقا
🔹 نکته طلایی: داده‌های سانسورشده (Censored Data) را به راحتی مدیریت می‌کند، مثلاً بیمارانی که مطالعه را ترک کرده‌اند.
🔹 مثال بالینی: منحنی نشان می‌دهد ۵۰٪ بیماران پس از ۱۰ ماه زنده هستند (نقطه میانه بقا).
🔹 ترفند: اگر دو منحنی کاپلان-مایر همدیگر را قطع کنند، نشان‌دهنده تفاوت خطر در زمان‌های مختلف است.

📊 آزمون Log-Rank - مقایسه گروه‌ها
🔹 کاربرد: مقایسه منحنی بقا بین دو گروه درمانی (مثلاً داروی جدید در برابر قدیمی).
🔹 نکته تستی: اگر مقدار p-value کمتر از ۰.۰۵ باشد، تفاوت معنی‌دار است.
🔹 مثال: مقایسه بقای بیماران تحت دو نوع شیمی‌درمانی.
🧬 مدل کاکس (Cox PH) - تحلیل چندمتغیره بقا
🔹 فرمول انقلابی: h(t) = h0(t) × e^(β1 X1 + β2 X2)
🔹 مثال تحقیقاتی: اگر β = ۰.۲ باشد، به ازای هر سال افزایش سن، خطر مرگ ۱.۲۲ برابر می‌شود (یعنی ۲۲٪ افزایش خطر).
🔹 نکته: این مدل به فرض تناسب خطرات (PH) نیاز دارد، که باید با آزمون Schoenfeld بررسی شود.

🎯 نکات طلایی برای تحلیل‌های عملی
✅ داده‌های سانسورشده: سانسور حق‌محور زمانی رخ می‌دهد که مطالعه قبل از وقوع رویداد پایان یابد، مانند بیمارانی که تا پایان تحقیق زنده مانده‌اند.
✅ زمان شروع (Time Zero): باید برای همه بیماران یکسان باشد، مثلاً تاریخ تشخیص بیماری، نه تاریخ تولد.
✅ میانه زمان بقا (Median Survival Time): زمانی که ۵۰٪ افراد رویداد را تجربه کرده‌اند.

🔍 مثال کاربردی در صنعت
💡 آنالیز بقای لامپ‌ها: ابتدا خطر خرابی کم است (دوره کارکرد عادی)، سپس ناگهان افزایش می‌یابد (دوره فرسودگی).

✨ نکته پایانی:
"آنالیز بقا مانند یک ساعت‌شناس دقیق است - نه تنها زمان رویدادها، بلکه الگوی وقوع آن‌ها را نیز آشکار می‌کند!"
🤔 سؤال فکری:
اگر منحنی بقای گروه A همیشه بالاتر از گروه B باشد اما آزمون Log-Rank معنی‌دار نشود، چه تفسیری دارد؟
✍️ پاسخ: ممکن است حجم نمونه کم باشد یا خطرات در زمان‌های خاصی متفاوت باشند!

┏━━━━━
🌐  @Amar_kadeh 📖✍️
┗━━━━━━━━━━

🔴انجام پروژه های مختلف با نرم افزار های📲
R،spss،python ،minitab ،matlab،java،sql،c++ ،stata ،amos،power bi،Qlik view،jmp، win bugs،ایویوز ، pls و ...
شبکه عصبی
هوش مصنوعی
انجام انواع کارهای پایان نامه فصل چهارم
مشاوره پایان نامه
و پروپوزال نویسی

فوتشاپ
icdl
انجام کلیه کارهای اینترنتی
تایپ،پاورپوینت، تحقیق، وورد، ویرایش متون، ترجمه مقالات ،تبدیل ویس به متن

🆔 @Amar_kadeh_admin

🟣🟣ایدی مالک:
@moradi_yeganeh

💰 قیمت پیشنهادی : توافقی

🔴همکاری با خدمات دانشجویی

کانال رضایت و دریافت نمونه کار های قبلی👇🏻👇🏻
https://www.tg-me.com/Amarkadeh_working


┏━━━━━
🌐  @Amar_kadeh 📖✍
 ┗━━━━━━━━━━

تیم ما امتحان نمیده وقت نگیرید ممنونم👋 قانونی نیست

دوستان این پرسشنامه برای پایان نامه یکی از دانشجویان ارشدمونه در خصوص بررسی رابطه ویژگی های شخصیتی با انگیزه مشارکت در فعالیت های ورزشی در ورزشکاران شهر تهران تنظیم شده است.

لذا در صورتی که:
📌بین ۱۸ تا ۴۵ سال سن دارید
📌حداقل در ۶ ماه گذشته به مدت حداقل ۳ جلسه ۴۵ دقیقه ای در هفته به انجام فعالیت ورزشی مشغول بودید
📌ساکن مناطق ۲۲ گانه تهران هستید

https://survey.porsline.ir/s/QY3d9DjN

ممنون میشم برید داخلش 5دقیقه زمان میبره پرسشنامه پر کنید.❤️

دوستان ممنون میشم در حد پنج دقیقه پرسشنامه رو پر کنید قرعه کشی هم داره

انواع رگرسیون:

📊 ۱. رگرسیون خطی ساده (Simple Linear Regression)
🔍 تعریف:
رابطه بین یک متغیر وابسته (Y) و یک متغیر مستقل (X) را با یک خط مستقیم مدل می‌کند.

فرمول:
Y = a + bX + ε

💡 مثال جذاب:
فرض کنید می‌خواهید قیمت خانه را فقط با استفاده از متراژ پیش‌بینی کنید.

🔹 کاربرد: وقتی فقط یک عامل مؤثر دارید.
🔹 نکته تستی: شیب خط نشان می‌دهد که با افزایش X، Y چقدر تغییر می‌کند.


📊 ۲. رگرسیون خطی چندگانه (Multiple Linear Regression)
🔍 تعریف:
رابطه بین یک متغیر وابسته و چندین متغیر مستقل را مدل می‌کند.

فرمول:
Y = a + b₁X₁ + b₂X₂ + ... + bₙXₙ + ε

💡 مثال جذاب:
پیش‌بینی قیمت خانه با استفاده از متراژ، سن خانه و فاصله از مرکز شهر.

🔹 کاربرد: وقتی چندین عامل تأثیرگذار وجود دارد.
🔹 نکته تستی: مراقب همخطی (Collinearity) بین متغیرهای مستقل باشید.


📊 ۳. رگرسیون لجستیک (Logistic Regression)
🔍 تعریف:
برای پیش‌بینی یک خروجی دوگانه (بله/خیر، 0/1، موفق/ناموفق) استفاده می‌شود.

فرمول:
P(Y=1) = 1 / (1 + e⁻(a + bX))

💡 مثال جذاب:
پیش‌بینی اینکه یک مشتری محصولی را خریداری می‌کند یا خیر، بر اساس سن، درآمد و سابقه خرید.

🔹 کاربرد: طبقه‌بندی داده‌ها.
🔹 نکته تستی: خروجی احتمال است (مثلاً 75% شانس خرید).

📊 ۴. رگرسیون چندجمله‌ای (Polynomial Regression)
🔍 تعریف:
وقتی رابطه بین X و Y خطی نیست، از یک معادله چندجمله‌ای استفاده می‌شود.

فرمول:
Y = a + b₁X + b₂X² + b₃X³ + ...

💡 مثال جذاب:
پیش‌بینی رشد جمعیت یک شهر که رشد غیرخطی دارد.

🔹 کاربرد: روابط غیرخطی.
🔹 نکته تستی: اگر درجه زیاد باشد، ممکن است Overfitting شود.

📊 ۵. رگرسیون رتبه‌ای (Ordinal Regression)
🔍 تعریف:
برای پیش‌بینی یک متغیر وابسته ترتیبی (Ordinal) استفاده می‌شود.

💡 مثال جذاب:
پیش‌بینی رضایت مشتری (خیلی بد، بد، متوسط، خوب، خیلی خوب) بر اساس خدمات دریافتی.

🔹 کاربرد: داده‌های ترتیبی.
🔹 نکته تستی: شبیه لجستیک ولی برای بیش از دو دسته ترتیبی.

📊 ۶. رگرسیون پواسون (Poisson Regression)
🔍 تعریف:
برای مدل‌کردن داده‌های شمارشی (Count Data) استفاده می‌شود.

💡 مثال جذاب:
پیش‌بینی تعداد مشتریانی که هر روز به یک فروشگاه می‌آیند.

🔹 کاربرد: داده‌های شمارشی با توزیع پواسون.
🔹 نکته تستی: مناسب برای داده‌هایی که صفر و مقادیر صحیح دارند.

📊 ۷. رگرسیون کاکس (Cox Regression)
🔍 تعریف:
برای مطالعات بازمان بقا (Survival Analysis) استفاده می‌شود.

💡 مثال جذاب:
پیش‌بینی مدت زمانی که یک مشتری از یک خدمات استفاده می‌کند قبل از لغو آن.

🔹 کاربرد: تحلیل بقا.
🔹 نکته تستی: این روش با داده‌های سانسور شده (Censored Data) کار می‌کند.

🧠 تفاوت‌های کلیدی در یک نگاه:

خطی ساده: عددی – رابطه خطی بین دو متغیر
خطی چندگانه: عددی – رابطه بین یک خروجی و چند ورودی
لجستیک: دوگانه – طبقه‌بندی (بله/خیر)
چندجمله‌ای: عددی – رابطه غیرخطی
رتبه‌ای: ترتیبی – متغیرهای دسته‌ای با ترتیب
پواسون: شمارشی – پیش‌بینی تعداد اتفاق‌ها
کاکس: زمان بقا – مطالعات بقا و خطر

🎯 نکته آخر:
انتخاب درست نوع رگرسیون به نوع متغیر وابسته و ماهیت مسئله بستگی دارد.
┏━━━━━
🌐  @Amar_kadeh 📖✍️
┗━━━━━━━━━━

سکوی پرتاب، آمار

🎙پادکست🎙
اپیزود پایانی درس کاربینی

درس کاربینی
استاد: نصرالله ایران پناه
مدعو: اباذر خلجی
تهیه و تنظیم: محمد رهنما، علی ذوالفقاری
---------------------------------------------------
_ دانشگاه اصفهان
_ عالیس
_سپاهان باتری
_گلنور

با تشکر فراوان از جناب آقای دکتر ایران‌پناه

🎧🎙📉📊
┏━━━━━
🌐  @Amar_kadeh 📖✍️
 ┗━━━━━━━━━━

فلش کارت آماری آزمون های #استخدامی:


📌 فلاش کارت ۱:
"همبستگی مساوی با علیت نیست!"
دو متغیر می‌تونن همبستگی داشته باشن ولی هیچ رابطه علت-معلولی بینشون وجود نداشته باشه.


📌 فلاش کارت ۲:
"قانون اعداد بزرگ"
هرچی تعداد آزمایش‌ها بیشتر بشه، میانگین مشاهدات به مقدار مورد انتظار نزدیک‌تر می‌شه.


📌 فلاش کارت ۳:
"ضریب تعیین (R²)"
درصدی از واریانس متغیر وابسته که توسط مدل رگرسیونی قابل توضیح است.


📌 فلاش کارت ۴:
"توزیع نرمال استاندارد"
میانگین = 0، انحراف معیار = 1
برای استانداردسازی داده‌ها و استفاده از جدول Z استفاده می‌شه.



📌 فلاش کارت ۵:
"خطای نوع اول (Type I Error)"
رد کردن فرض صفر وقتی در واقع درست است.
احتمال آن با α (سطح معنی‌داری) مشخص می‌شود.


┏━━━━━
🌐  @Amar_kadeh 📖✍️
┗━━━━━━━━━━

فلش کارت آماری آزمون های #استخدامی:

1️⃣ پارادوکس سیمپسون
📌 وقتی رابطه بین دو متغیر در زیرگروه‌ها برعکس رابطه کلی می‌شود!
🔹 مثال: دارویی ممکن است برای مردان و زنان مفید باشد، اما برای کل جامعه مضر باشد.

2️⃣ قانون ۶۸-۹۵-۹۹.۷
🌀 در توزیع نرمال:
✔️ ۶۸٪ داده‌ها در μ ± 1σ
✔️ ۹۵٪ داده‌ها در μ ± 2σ
✔️ ۹۹.۷٪ داده‌ها در μ ± 3σ

3️⃣ خطای استاندارد vs انحراف معیار
🎯 انحراف معیار = پراکندگی داده‌ها
🧐 خطای استاندارد = دقت برآورد میانگین (SE = σ/√n)

4️⃣ آزمون t جفتی
📌 وقتی یک گروه را در دو زمان مختلف اندازه‌گیری می‌کنیم (مثلاً قبل/بعد درمان)
🔹 فرمول:
💡 t = (x̄_d) / (s_d / √n)

5️⃣ مفروضات رگرسیون خطی
✅ خطی بودن
✅ استقلال خطاها
✅ همسانی واریانس‌ها
✅ نرمال بودن باقیمانده‌ها

┏━━━━━
🌐  @Amar_kadeh 📖✍️
┗━━━━━━━━━━

🎥 کارگاه تخصصی: انواع مطالعات و تعیین حجم نمونه

⭕️ جلسه اول (از دو جلسه)

🟢 مدرس: خانم ترکش
🔴 میزبان: دانشکده توانبخشی دانشگاه علوم پزشکی اصفهان

🚀 فرصتی عالی برای یادگیری و ارتقای مهارت‌های پژوهشی!

📅 منتظر جلسه دوم باشید! 🔜🔥

┏━━━━━
🌐  @Amar_kadeh 📖✍️
┗━━━━━━━━━━

🎥 کارگاه تخصصی: انواع مطالعات و تعیین حجم نمونه

⭕️ جلسه دوم

🟢 مدرس: خانم ترکش
🔴 میزبان: دانشکده توانبخشی دانشگاه علوم پزشکی اصفهان

🚀 فرصتی عالی برای یادگیری و ارتقای مهارت‌های پژوهشی!

┏━━━━━
🌐  @Amar_kadeh 📖✍️
┗━━━━━━━━━━