کانال رگرسیون خطی

جزئیات خبر

تحلیل تکنیکال یک روش نموداری تحلیل بازار و تحلیل قیمت سهام است. در تحلیل تکنیکال قیمت سهام، وظیفه اصلی بر عهده اندیکاتورها است. اگر به نمودار قیمت سهام در بازار دقت کرده باشید، خواهید دید این نمودار از دو مؤلفه قیمت و زمان تشکیل ‌شده است؛ بنابراین نمودار قیمت سهم، نشان‌دهنده مکان هندسی نقاطی است که از دو عامل قیمت و زمان تشکیل ‌شده‌اند و ما می‌توانیم به کمک داده‌های نمودار و با استفاده از فرمول‌های ریاضی یا فرمول‌های آماری، نماگرهای جدیدی را از آن خلق کنیم.

مثلا می‌توانیم با استفاده از محاسبه میانگین‌های روزانه قیمت، یک نماگر از میانگین‌های قیمت 14 روز اخیر بسازیم. این نماگر در واقع اندیکاتور میانگین 14 روزه قیمت است.

اندیکاتورها به‌بیان دیگر ابزاری هستند که با اعمال یکسری روابط ریاضی مشخص روی قیمت سهم یا حجم معاملات یا هر دو شکل می‌گیرند.

در تحلیل تکنیکال قیمت سهام، وظیفه اصلی بر عهده اندیکاتورها است

به‌صورت جامع‌تر، اندیکاتورها توابع ریاضی هستند که براساس فرمول‌های خاص در جهت تحلیل قیمت سهام یا تحلیل شاخص‌های بازار به‌وسیله ابزارهای گرافیکی ترسیم و مورد استفاده قرار می‌گیرند. داده‌های ورودی اندیکاتورها از داده‌های قیمت، حجم معاملات و تغییرات آن‌ها در روزهای گذشته تشکیل می‌شود. در هر بازه زمانی اطلاعات قیمت آغاز(Open)، پایان(Close)، سقف(High)، کف(Low) یا تعدادی از مجموع این موارد در شکل‌گیری اندیکاتور دخالت دارند.

انواع اندیکاتورها

1- روندها (Trends)

برخی اندیکاتورها روند بازار یا جهت بازار را نشان می‌دهند و این روند می‌تواند افزایشی، کاهشی یا خنثی باشد. شاخص حرکت جهت‌دار یک نمونه از اندیکاتورهایی است که روند صعودی و نزولی را مشخص می‌کند. همچنین انواع میانگین‌های متحرک، شاخص رگرسیون خطی و شاخص روند قیمت و حجم، نمونه‌هایی از اندیکاتورهای تِرند هستند.

نمودار زیر برابری یورو و دلار را به همراه میانگین متحرک نمایی 20 روزه آن نشان می‌دهد. همان‌طور که اندیکاتور میانگین متحرک(خط قرمز) نشان می‌دهد، روند حرکت صعودی است.

نمودار زیر خط روند رگرسیون یا خط تعادل منحنی برابری یورو و دلار است که خط رگرسیون جهت حرکت منحنی را در میانه کانال صعودی نشان می‌دهد.

۲- اسیلاتورها (Oscillators)

اسیلاتورها یا نوسانگرها به مجموعه‌ای از اندیکاتورها اطلاق می‌شود که هدفشان درک و سنجش میزان هیجان خریداران و فروشندگان است. در حقیقت اسیلاتورها سعی دارند دماسنج هیجانات خریداران و فروشندگان فعال در سهام باشند و ما را از میزان هیجان خریدوفروش حاضر در معاملات آگاه کنند. همچنین اسیلاتورها اندیکاتورهایی هستند که حول یک خط مرکزی یا میان سطوح معینی نوسان می‌کنند و معمولاً به دو دسته اسیلاتورهای مرکزی و نواری تقسیم می‌شوند. همان‌طور که اشاره شد دو لغت اندیکاتور و اسیلاتور هم‌معنی و مترادف نیستند، بلکه اسیلاتورها یکی از زیر مجموعه‌های اندیکاتورها محسوب می‌شوند و این اولین تفاوت اسیلاتور و اندیکاتور است.

اسیلاتورهای مرکزی: در اسیلاتورهای مرکزی منحنی در بالا و پایین یک نقطه یا خط مرکزی نوسان می‌کند و برای شناسایی قدرت یا ضعف حرکت قیمت بکار می‌رود؛ به‌طوری‌که حرکت به بالای خط مرکزی تغییر قیمت صعودی و حرکت به پایین خط مرکزی تغییر قیمت نزولی را نشان می‌دهد. اندیکاتور MACD و ROC نمونه‌هایی از یک اسیلاتور مرکزی هستند که بالا و پایین خط صفر نوسان می‌کنند.

اسیلاتورهای نواری: این اسیلاتورها برای شناسایی سطوح اشباع خرید و اشباع فروش طراحی شده‌اند. از آنجایی‌که این اسیلاتورها بین دو حد مشخص نوسان می‌کنند، استفاده از آن‌ها درحرکت‌های روند دار مشکل است. اسیلاتورهای نواری برای بازارهایی که روند مشخص ندارند یا محدوده‌ای جهت معامله دارند بهتر عمل می‌کنند.

اندیکارتور RSI و اندیکاتور استوکاستیک، دو نمونه از اسیلاتورهای نواری هستند. در RSI نوارهای اشباع خرید و اشباع فروش به‌ترتیب در 70 و 30 تنظیم می‌شوند؛ به‌طوری‌که اگر منحنی RSI به زیر 30 برود نمایانگر قیمت در منطقه اشباع فروش است و اگر این منحنی بالای 70 قرار گیرد نمایانگر قیمت در منطقه اشباع خرید است. در نوسان‌نمای استوکاستیک حرکت منحنی به بالاتر از 80 و پایین‌تر از 20 به ترتیب منطقه اشباع خریدوفروش است.

نمودار بالا برابری دلار در مقابل ین ژاپن است. علاوه بر نمودار قیمت، نمودار شاخص قدرت نسبی(RSI) نیز ترسیم ‌شده است. مطابق هر دو نمودار در زمان‌هایی که بیش‌ازاندازه برابری دو ارز افزایش‌یافته و خرید سرمایه‌گذاران در منطقه اشباع خرید قرار دارد، نمودار RSIنیز بالای 70 است و در مقابل در زمان‌هایی که این نسبت برابری با کاهش انجام‌ شده، فروش سرمایه‌گذاران در منطقه اشباع فروش است، نمودار RSI نیز پایین‌تر از 30 قرار دارد.

۳- حجم (Volume)

دسته‌ای از اندیکاتورها هستند که حجم و ارزش معاملات را نیز مورد آنالیز قرار می‌دهند، مثلا در روندهای صعودی افزایش قیمت و افزایش حجم معاملات نشانه استحکام روند است و در مقابل افزایش قیمت و کاهش حجم نشانه واگرایی و ضعف روند و برگشت احتمالی قیمت است.

اندیکاتور جریان سرمایه(MFI)، اندیکاتور حجم تعادلی OBV و اندیکاتور تجمع و توزیع نمونه‌هایی از اندیکاتورهای مرتبط با حجم هستند.

بیل‌ویلیامز برای اینکه بتواند درک صحیحی از روانشناسی بازار داشته باشد، روش معامله‌ای مختص به خود را توسعه داد

۴- اندیکاتور بیل ویلیامز (Bill wiliams)

مجموعه‌ای از کانال رگرسیون خطی اندیکاتورهایی که بیل ویلیامز خالق آن‌ها بوده و به احترام تلاش‌های وی در یک خانواده قرار گرفته‌اند، این شاخص‌های ارائه شده به‌واسطه استراتژی‌ای که توسط بیل ویلیامز، معامله‌گر اسطوره‌ای، معرفی شدند خلق شده است. بیل‌ویلیامز برای اینکه بتواند درک صحیحی از روانشناسی بازار داشته باشد، روش معامله‌ای مختص به خود را توسعه داد. روشی که مبنایش استفاده از راهی منطقی برای تحلیل بازار و برهان غیرمنطقی آشفتگی است. شناخته شده‌ترین اندیکاتور این خانواده اندیکاتور Aligator است. البته در این خانواده دو اسیلاتور نیز وجود دارد،Accelerator Oscillator و Awesome Oscillator که در بازار ایران کمتر استفاده می‌شود.

اندیکاتورها را به‌گونه‌ای دیگر نیز می‌توان تقسیم‌بندی کرد:

اندیکاتور تأخیری(Laging)

این اندیکاتورها در روندهای بلندمدت بهترین قابلیت را دارند و در کوتاه‌مدت اخطارهای تغییرات قیمت را نمی‌دهند و صرفا به ما نشان می‌دهند که قیمت در روند صعودی یا روند نزولی قرار دارد. اندیکاتورهای دنباله‌رو یا اندیکاتورهای پیروی روند، روند اخطارهای خریدوفروش را دیر صادر می‌کنند، ولی با عدم توجه به تغییر جهت‌های مقطعی و کوتاه‌مدت ریسک معامله‌گر را کمتر کرده و او را در سمتی که بازار قرار دارد، نگه می‌دارند. اندیکاتور MACD یک اندیکاتور تأخیری است.

اندیکاتور پیشرو(Leading)

این نوع از اندیکاتورها برای پیش‌بینی سریع‌تر نرخ‌ها و تغییر جهت‌هایی که بعداً انجام خواهد شد به شما بیشتر کمک می‌کنند. اندیکاتورهای پیشرو اساساً وظیفه اندازه‌گیری مقدار خریدها و فروش‌های هیجانی مثلا یک جفت ارز را دارا هستند و با فرض اینکه یک جفت ارز در این مناطق قصد تغییر در مسیر حرکتی خود را دارد استفاده از اندیکاتورهای پیشرو می‌توانند این تغییر جهت را هشدار دهند. اندیکاتور شاخص قدرت نسبی یک اندیکاتور پیشرو است.

تفاوت بین طبقه بندی و رگرسیون

قبل از شروع کار بر روی مدل ماشین لرنینگ، باید تفاوت بین مسئله طبقه بندی و رگرسیون را درک کنیم. طبقه بندی و رگرسیون دو مشکل عمده پیش بینی هستند که معمولا در داده کاوی (Data Mining) مطرح می شوند.

اگرچه طبقه بندی و رگرسیون زیر چتر ماشین لرنینگ تحت نظارت (Supervised Machine Learning) قرار می گیرند و مفهوم مشترک استفاده از داده های گذشته را برای پیش بینی یا تصمیم گیری به اشتراک می گذارند، اینجا جایی است که شباهت آنها به پایان می رسد.

رگرسیون (Regression) در ماشین لرنینگ:

مشکل رگرسیون زمانی است که متغیر خروجی یک مقدار واقعی یا پیوسته باشد، مانند “حقوق” یا “وزن” یا “فروش”.

در ماشین لرنینگ، الگوریتم های رگرسیون سعی در محاسبه تابع نگاشت (f) از متغیرهای ورودی (x) به متغیرهای عددی یا پیوسته خروجی (y) دارند. در این حالت، y یک مقدار واقعی است که می تواند یک عدد صحیح یا یک نقطه شناور باشد. بنابراین، مسائل پیش بینی رگرسیون معمولا کمیت ها یا اندازه ها هستند.

به عنوان مثال، ممکن است که یک مجموعه داده در مورد خانه ها ارائه شود و از شما خواسته شود قیمت آنها را پیش بینی کنید. این یک وظیفه رگرسیون است زیرا قیمت یک خروجی پیوسته خواهد بود.

الگوریتم های معمول رگرسیون عبارتند از: رگرسیون خطی، رگرسیون بردار پشتیبان (SVR) و درختان رگرسیون.

(توجه – رگرسیون لجستیک، نام “رگرسیون” را در نام خود دارند اما الگوریتم رگرسیون نیستند.)

طبقه بندی (Classification) در ماشین لرنینگ:

مشکل طبقه بندی زمانی است که متغیر خروجی یک دسته (Category) کانال رگرسیون خطی باشد، مانند “سیاه” یا “آبی” یا “بیماری” و “بدون بیماری”.

در الگوریتم های طبقه بندی سعی می کنیم تابع نگاشت (f) را از متغیرهای ورودی (x) به متغیرهای خروجی گسسته یا طبقه ای (y) محاسبه کنیم.

به عنوان مثال، ما یک مجموعه داده خانه داریم و باید پیش بینی کنیم که آیا قیمت خانه ها “بیشتر یا کمتر از قیمت خرده فروشی توصیه شده” فروخته می شود. در اینجا، خانه ها به این صورت طبقه بندی می شوند که قیمت آنها به دو دسته مجزا تقسیم می شود: بالاتر یا پایین تر از قیمت گفته شده.

الگوریتمهای طبقه بندی معمول، رگرسیون لجستیک، بیز ساده، درخت تصمیم و K نزدیکترین همسایه هستند.

نرمال بودن داده ها در رگرسیون

یکی از پرکاربردترین روش‌های آماری برای تجزیه و تحلیل داده ها در علوم مختلف، رگرسیون خطی ساده یا چندگانه است. در تحلیل رگرسیون نوع روابط متغیرها و این که آیا یک متغیر می تواند در متغیر دیگر تأثیرگذار باشد یا خیر، بررسی می شود. به عبارت دقیق‌تر بر اساس اطلاع از یک یا چند متغیر مستقل، می‌توان یک معادله رگرسیونی نوشت و از آن برای پیش‌بینی مقادیر متغیر وابسته استفاده کرد. (برای مثال : پیش‌بینی وزن افراد به وسیله فشار خون، قند خون و چربی خون افراد / پیش‌بینی عملکرد شرکت بر اساس مسئولیت اجتماعی، اهرم مالی و ساختار مالکیت). برای استفاده از این روش آماری رگرسیون، پیش فرض هایی ذکر گردیده است که مهم ترین آن پیش فرض نرمال بودن است.

نرمال بودن داده های متغیر وابسته یا باقی مانده ها ؟

مسأله چالش برانگیز در رگرسیون خطی، پیش فرض نرمال بودن است. سؤال این است که در واقع نرمال بودن کدام یک از متغیرها باید به عنوان پیش‌فرض استفاده از رگرسیون خطی مد نظر قرار گیرد : نرمال بودن توزیع متغیر وابسته یا نرمال بودن توزیع مقادیر خطا (مانده ها) ؟ همان‌گونه که عنوان شد، در بعضی از منابع، نرمال بودن توزیع «متغیر وابسته» به عنوان پیش شرط استفاده از رگرسیون خطی بیان شده است. بسیاری از محققین نرمال بودن توزیع متغیر وابسته را «شرط لازم» برای استفاده از رگرسیون خطی ندانسته و نرمال بودن توزیع مقادیر خطا را مد نظر دانسته اند. در منابع دیگر نیز به نرمال بودن توزیع مقادیر خطا به عنوان یکی از پیش فرض های «اساسی» استفاده از رگرسیون خطی اشاره گردیده و همگی موافق هستند که در صورت عدم برقراری این پیش‌ فرض، نمی‌توان از رگرسیون استفاده نمود.

اما بحث نرمال بودن توزیع متغیر وابسته را چگونه می‌توان تحلیل نمود ؟ بار دیگر باید تأکید نمود که نرمال بودن توزیع مقادیر خطا، شرط اولیه (در کنار استقلال خطاها و عدم همخطی متغیرهای مستقل) برای استفاده از رگرسیون خطی ساده یا چندگانه است. نرمال بودن توزیع متغیر وابسته به عنوان یک شرط ثانویه و در زمان نرمال نبودن توزیع مقادیر خطا مطرح می‌شود و هدف از طرح آن، تلاش برای دستیابی به توزیع نرمال مقادیر خطا است.

زمانی که متغیر وابسته نرمال باشد امکان استفاده از رگرسیون وجود دارد ؟

کما این که چنین ذکر شده است که: «در صورتی مقادیر خطا توزیع نرمال نداشته باشند، آنگاه ممکن است انجام تبدیل در مورد متغیر وابسته با روش‌های سنتی و یا روش باکس-کاکس بتواند این مشکل را حل نماید». همان‌گونه که مشخص است، در اینجا از عبارات “ممکن” و “متغیر وابسته” استفاده شده است. به این ترتیب ممکن است حتی با وجود نرمال بودن توزیع متغیر وابسته (چه از ابتدا و چه از طریق استفاده از تبدیل) امکان استفاده از رگرسیون خطی (به واسطه نبود یکی از سه شرط نرمال بودن توزیع مقادیر خطا، نبود هم خطی بین متغیرهای مستقل و استقلال خطاها) فراهم نباشد. بنابراین برای استفاده از رگرسیون خطی باید توزیع مقادیر خطا نرمال باشد.

اگر این پیش شرط برقرار نباشد و متغیر وابسته از توزیع نرمال برخوردار باشد، شانس استفاده از این روش آماری کاملاً از بین می‌رود زیرا دیگر امکان استفاده از تبدیل‌ها وجود ندارد. در صورت نرمال نبودن توزیع متغیر وابسته، این شانس هنوز وجود دارد که با نرمال کردن آن، احتمال نرمال شدن توزیع مقادیر خطا نیز پدید آید و بتوانیم از رگرسیون خطی استفاده نماییم. البته در صورتی که تبدیل‌های مختلف موفق به نرمال کردن توزیع متغیر وابسته شوند، باز هم تضمینی برای نرمال بودن مقادیر خطا و امکان استفاده از روش آماری مدنظر وجود ندارد.

نرمال بودن توزیع متغیر وابسته؛ پیش فرض ثانویه رگرسیون

به این ترتیب می‌توان گفت که نرمال بودن توزیع متغیر وابسته، یک شرط اولیه نیست و صرفا می‌تواند به عنوان یک شرط ثانویه و با هدف ایجاد یک شانس مجدد (با فرایند یاد شده) مدنظر قرار داشته باشد. در واقع به نظر می‌رسد بیان شرط نرمال بودن توزیع متغیر وابسته برای افزایش شانس نرمال بودن توزیع مقادیر خطا باشد. هر چند که بیان آن به شکل “مطلق” باعث می‌شود تا پژوهشگران کمتر آشنا به مباحث آماری (در صورتی که تبدیل‌ها هم به آنها کمکی نکند) از رگرسیون خطی صرف نظر نموده و از روش‌های دیگری استفاده نمایند. در حالی که می‌توانستند با بررسی سه پیش شرط اصلی و در صورت برقراری آنها (حتی با وجود توزیع غیر نرمال متغیر وابسته) از رگرسیون خطی استفاده نمایند.

متأسفانه بعضی از اساتید آمار و اپیدمیولوژی نیز نرمال بودن توزیع متغیر وابسته را شرط لازم برای استفاده از رگرسیون خطی و مدل سازی از این طریق می‌دانند؛ حال آن که همان طور که توضیح داده شد، این یک برداشت اشتباه و گمراه کننده است و بحث نرمال بودن، صرفا برای توزیع مقادیر کانال رگرسیون خطی خطا “لازم” است.

بررسی پیشفرض نرمال بودن مانده‌ها

اجازه دهید با ارائه مثالی مفهوم این که چرا باید باقی مانده های بدست آمده از مدل رگرسیون دارای توزیع نرمال باشند را برایتان توضیح دهم. فرض کنید نمرات ریاضی و آی‌کیو تعداد 10 نفر از دانش آموزان را به صورت فرضی داشته باشیم. این نمرات به شرح زیر هستند :

جدول (1) داده های فرضی دانش آموزان

به وسیله‌ی این داده‌ها مدل رگرسیونی برای پیش بینی نمرات آی کیو به توسط نمرات ریاضی دانش آموزان به وسیله مدل زیر برآورد می‌شود :

حال از طریق جای گذاری نمرات ریاضی دانش آموزان در فرمول فوق مقادیر پیش بینی شده نمرات آی کیو در جدول (1) بدست می‌آید. از تفریق مقادیر واقعی آی کیو از مقادیر پیش بینی شده، مانده ها یافت می شود (ستون آخر جدول (1)). حال مسئله اساسی این است که چرا این اعداد باید نرمال باشند ؟

شکل (1) تابع چگالی نرمال

شکل (1) تابع چگالی توزیع نرمال را نشان می‌دهد. منحنی توزیع نرمال، زنگوله شکل است، نسبت به محور عمودی خود متقارن است و بیشتر داده‌ها را حول میانگین جای می‌دهد. با توجه به نمودار ملاحظه می‌شود میانگین برابر صفر است (وسط نمودار). همانطور که ملاحظه می‌کنید 95 داده‌ها حول صفر قرار دارند و فقط 5 درصد داده‌ها نسبت به میانگین اعدادی پرت هستند. حال اگر به مانده‌های جدول (1) نگاه کنیم می‌بینیم که همگی حول عدد صفر (میانگین) قرار دارند (اگر مانده‌ای عدد صفر اختیار کند بدین معناست که مقدار پیش‌بینی شده با مقدار واقعی برابر است.) بنابراین وقتی می‌گوییم یکی از پیش فرض‌های رگرسیون نرمال بودن مانده‌ها است بدین معنی است که اکثر مانده‌ها (95 درصد) نزدیک به صفر بوده و فقط اندکی از آن‌ها (5 درصد) از صفر دور باشند. به عبارت دیگر اکثر مقادیر پیش بینی شده نزدیک به مقادیر واقعی بوده و فقط اندکی از مقادیر پیش بینی شده با مقادیر واقعی تفاوت زیادی داشته باشد (بدین معنی که دقت پیش بینی بالا باشد).

نرمال بودن داده های متغیرهای مستقل ؟

در اینجا ذکر دو نکته کوتاه ولی مهم دیگر برای محققین عزیز که تمایل به استفاده از رگرسیون خطی و مدل یابی از این طریق را دارند، خالی از لطف نیست. اول این که، در سراسر این نوشته به نرمال بودن توزیع متغیرهای مستقل اشاره نشد. زیرا این امر، پیش شرط و لازمه رگرسیون خطی نیست.

دوم این که، باید توجه داشت که بین رگرسیون خطی چندگانه و رگرسیون چند متغیره تفاوت وجود دارد. حال آن که به اشتباه در بسیاری از کتب و مقالات به جای استفاده از رگرسیون خطی چندگانه از رگرسیون خطی چند متغیره استفاده می‌شود. “در بحث تخصصی، موقعی از رگرسیون چند متغیره صحبت می‌کنیم که چند متغیر وابسته داشته کانال رگرسیون خطی باشیم. به عبارت دیگر می‌خواهیم بین یک یا چند متغیر مستقل با چند متغیر وابسته رابطه‌ای توأم برقرار کنیم”.

در حالی که در رگرسیون خطی چندگانه، تأثیر یا رابطه چند متغیر مستقل و یک متغیر وابسته بررسی می‌شود. برای بررسی استقلال خطاها از آزمون دوربین واتسون استفاده می‌گردد. چنانچه مقدار آن در بازه 1.5 تا 2.5 قرار بگیرد به معنای عدم همبستگی بین خطاها است.

برای بررسی هم خطی (که نشان‌دهنده آن است که یک متغیر مستقل تابعی خطی از سایر متغیرهای مستقل است)، می‌توان عامل تورم واریانس و تولرانس را محاسبه نمود. به عنوان یک قاعده کلی، تولرانس کم‌تر از 1/0 و عامل تورم واریانس بزرگ‌تر از 10 نشان‌دهنده مشکل ساز بودن هم خطی هستند. به طور خلاصه، استفاده از رگرسیون خطی منوط به نرمال بودن توزیع خطا است.

چه زمانی از تبدیل برای نرمال کردن استفاده کنیم ؟

در صورتی که توزیع مقادیر خطا نرمال نباشد، حتی با وجود نرمال بودن توزیع متغیر وابسته، امکان استفاده از رگرسیون خطی وجود ندارد. زمانی که هم توزیع مقادیر خطا و هم توزیع متغیر وابسته نرمال نباشد، با استفاده از تبدیل‌های مختلف برای توزیع متغیر وابسته، سعی در ایجاد شانس برای نرمال کردن توزیع مقادیر خطا داریم. در واقع در این شرایط، هدف اصلی از نرمال کردن توزیع متغیر وابسته، نرمال کردن توزیع خطا است.

در پایان نویسندگان از دریافت نظرات صاحب‌نظران در این زمینه استقبال نموده و امیدوارند تا این نوشتار کوتاه و نظرات احتمالی سایر نویسندگان در روشن شدن نکات مبهم استفاده از رگرسیون خطی گره گشا باشند. به هرحال، تفاسیر مبهم یا نادرست سبب می‌شوند تا طیف گسترده‌ای از پژوهشگران نتوانند از روش‌های آماری مورد نظر خود استفاده نمایند.

مجله علمی دانشگاه علوم پزشکی رفسنجان

Tafakhori Z, Eftekharinia M, Jahanbakhsh H. Comparing the Accuracy of Conventional (E-Speed) and Digital (CMOS) Radiographies in Estimation of the Working Length of Root Canals of Mandibular Molar Teeth. JRUMS. 2016; 15 (7) :635-644
URL: http://journal.rums.ac.ir/article-1-3212-fa.html

تفاخری زهرا، افتخاری نیا محمد، جهانبخش حجت. مقایسه دقت رادیوگرافی‌های معمولی (E-speed)و دیجیتال (CMOS) در تعیین طول کارکرد کانال‌های ریشه دندان مولر فک پایین. مجله دانشگاه علوم پزشکی رفسنجان. 1395; 15 (7) :644-635

چکیده

زمینه و هدف: با توجه به اینکه تعیین طول کارکرد صحیح، یکی از عوامل مهم در موفقیت درمان کانال ریشه دندان می‌باشد، ازاین‌رو، مطالعه حاضر با هدف مقایسه رادیوگرافی‌های معمولی و دیجیتال در تعیین طول کارکرد کانال‌های ریشه دندان مولر فک پایین انجام شد.

مواد و روش‌ها: در این مطالعه برون‌تنی، 25 دندان بالغ مولر اول دائمی فک پایین دو ریشه انتخاب و سپس حفره دسترسی تهیه گردید. جهت تعیین طول کارکرد واقعی دندان‌ها، K-file های شماره 15 داخل کانال دندان‌ها قرار داده شدند. پس از جایگذاری دندان‌ها در داخل ساکت دندانی، از آنها رادیوگرافی معمولی و دیجیتال تهیه گردید و بر روی رادیوگرافی‌های معمولی و تصاویر CMOS ، از فاصله نوک کاسپ‌های هم‌سطح‌شده تا نوک فایل به ترتیب به‌وسیله کولیس با دقت 01/0 میلی‌متر و نرم‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌افزار اندازه‌گیری شد. داده‌ها با آزمون‌های آماری Greenhouse-Geisser ، t زوجی و رگرسیون خطی ساده تجزیه و تحلیل شدند.

یافته‌ها: یافته‌ها نشان دادند که اختلاف معنی‌داری بین دقت رادیوگرافی‌های معمولی و دیجیتال در تعیین طول کارکرد کانال ریشه دندان‌های مولر اول کانال رگرسیون خطی فک پایین با انحنای کمتر از 25 درجه وجود ندارد (05/0< p )؛ اما در ریشه‌های با بیشتر از 25 درجه انحناء، طول کارکرد در تصاویر دیجیتال (CMOS) به‌طور معنی‌داری بیشتر از رادیوگرافی معمولی (E-speed) و واقعی بودند (به ترتیب 001/0= p و 004/0= p ).

نتیجه‌گیری: بر اساس یافته‌های این مطالعه، می‌توان از رادیوگرافی دیجیتال CMOS جهت تعیین طول کارکرد ریشه‌هایی که انحنای زیادی ندارند، استفاده کرد؛ ولی در دندان‌های دارای ریشه با انحنای زیاد، بهتر است از رادیوگرافی معمولی برای تعیین طول کارکرد استفاده شود.

واژه‌های کلیدی: طول کارکرد، رادیوگرافی معمولی، رادیوگرافی دیجیتال CMOS ، مولر اول فک پایین

نوع مطالعه: پژوهشي | موضوع مقاله: دندان پزشكي
دریافت: 1394/12/22 | پذیرش: 1395/8/5 | انتشار: 1395/8/5

بررسی تاثیر تنوع کانال های توزیع برندهای لوکس خارجی بر ارزش برند و وفاداری مصرف کنندگان در بازار پوشاک کرمان

هدف پژوهش حاضر، بررسی ارزش برند و وفاداری مصرف­کنندگان به برندهای لوکس (از قبیل بوتیک‌ها، مراکز خرید، خرده­فروشی‌‌های اینترنتی، نمایندگی­ها) و کانال‌‌های توزیع موجود برای برندهای لوکس است. جامعة آماری این پژوهش، شامل مصرف‌کنندگان 19 تا 39 ساله در شهر کرمان است که پوشاک مارک‌دار مصرف می­کنند. برای این کار، 200 پرسشنامه به روش گلوله­برفی بین مصرف‌کنندگان توزیع شد و 114 پرسشنامه برای تجزیه و تحلیل اطلاعات به­کار برده شد. تجزیه و تحلیل فرضیه‌‌های پژوهش با استفاده از آنووا، تست دانکن و تحلیل رگرسیون خطی چندگانه صورت گرفت. با بررسی ارزش‌‌های برند در هریک از کانال‌‌های متنوع می­بینیم شرکت­کنندگان ارزش برند را به‌طور متفاوتی ارزیابی می‌کنند که به نوع کانال توزیع بستگی دارد. شرکت­کنندگان تفاوت معناداری در زمینة وفاداری برند، در نتیجة خرید از کانال‌های متنوع نشان ندادند. با بررسی تأثیر ارزش برند بر وفاداری مصرف‌کنندگان مشخص شد ارزش‌‌­های برند که بر وفاداری مصرف‌کنندگان تأثیر می‌گذارد، بستگی به نوع کانال توزیع دارد.

کلیدواژه‌ها

20.1001.1.20085907.1394.7.1.10.7

موضوعات

• 27. مدیریت کانال های توزیع، عرضه و نقاط فروش محصولات و خدمات
• 31. مدیریت نام و نشان (برند) تجاری

عنوان مقاله [English]

The effects of distribution channel diversification of luxury brand on consumers’ brand value and loyalty consumers in clothing market Kerman

نویسندگان [English]

• Ali Molahoseini 1
• Faride Tajaddini 2

The purpose of this research is to examine consumers’ brand value and brand loyalty toward luxury brands and current distribution channels for those brands (i.e. free standing, Shopping Center, Specialty store, Internet retailing). The population consisted of the costumers, aged 19-39 years, who use branded apparel that is in Kerman. About 200 questionnaires were distributed among the consumers through a snowballing technique and a total of 114 questionnaires were used for the data analysis. ANOVAs, Duncan test, and multiple regression analysis were employed to test the hypotheses. When testing brand values for each channel diversification case, participants evaluated brand value differently depending on the type of distribution channel. Participants did not show significantly different brand loyalty depending on distribution diversification cases. When the influence of brand value on brand loyalty was tested, کانال رگرسیون خطی brand values affected brand loyalty depending on the type of distribution channel.

کلیدواژه‌ها [English]

• Brand Value
• distribution channels
• Loyalty
• luxury brands

مراجع

Guoxin, L., Guofeng, L. & Zephaniah, K. (2011). Luxury fashion brand consumers in China: Perceived value, fashion lifestyle and willingness to pay. Journal of Business Research, 65.

Hosseyni, M. (2009). Import clothes; fashion victim or economic rent. 80% of kermanian clothes are imported (Report No. 1482094). It’s online at: http://www.mehrnews.com/news/1482094. (In Persian)

Jabbarzadeh Karbassi, B. (2011). Investigating the effective factors on willingness of buying gray market goods in South East of Iran. Thesis. Shahid Bahonar University of Kerman. Kerman. (In Persian)

Kim, M, Kim, S. & Lee, Y. (2010). The effect of distribution channel diversification of foreign luxury fashion brands on consumers’ brand value and loyalty in the Korean market. Journal of Retailing and Consumer Services, 17: 286–293.

Mardomsalari (2011). The Chinese domination of cloth market. It’s online at: http://mardomsalari.com/template1/News.aspx?NID=102585. (In Persian)

Mehrnews agency (2012). 14 million dollars were exported from the country through clothing trade/10 percent increasing of imported clothes. It’s online at: www.mehrnews.com. (In Persian)

Mohib Ali, D & farhangi, A. B. (1998). Management Market (management marketing), Institute of Amirkabir Press. Tehran. (In Persian)

Neslina, S. & Shankar, V. (2009). Key issues in multichannel customer management: Current knowledge and future directions. Journal of Interactive Marketing, 23: 70–81.

Noh, M. & Lee, E. J. (2011). Effect of brand difference on multichannel apparel shopping behaviors in a multichannel environment. International Journal of Business and Social Science, 2: 24-31.

Nurykandh, M. (2009).Loyalty on brand & corporate profitability. Journal of Technology & Development of Packaging Industry, 5(54): 97-99. (In Persian)

Park, S. H, Kim, Y. K. & Sanjukta, P. (2005). Effects of multi-channel consumers’ perceived retail attributes on purchase intentions of clothing products. Journal of Marketing Channels, 12(4): 23-43.

Soleimani, Gh. (2010). Gray market (parallel market). Journal of Commercial Surveys, 8(44): 66- 65. (In Persian)

Wallacea, D., Gieseb, J. & Johnsonb, J. (2004). Customer retailer loyalty in the context of multiple channel strategies. Journal of Retailing, 80: 249–263.

Wiedmann, K. P., Hennigs, N. & Astrid, S. (2007). Measuring consumers’ luxury value perception: a cross-cultural framework. Academy of Marketing Science Review, 7: 1-23.

Wood, L. (2000). Brands and brand equity: Definition and management. Journal of Management Decision, 38(9): 662-669.