كاربرد درخت‌هاي رده‌بندي در پيش‌بيني ترجيح جنسي فرزنداوري زنان در آستانه‌ي ازدواج ايران

Applying Classification Trees for Prediction of Sex Preference in Iran

استفاده ‌از درخت تصميم وقتي با وجود مشاهدات و متغيرهاي گوناگون نتوان از روش‌هاي كلاسيك استفاده نمود، اهميت و جايگاه ويژه‌اي مي‌يابد. تحليل اكتشافي، تشخيص مدل، پيش‌بيني و تصميم‌گيري در مورد داده‌ها با اندازه‌ي زياد، از كاربردهاي مهم اين روش است. درخت تصميم وقتي متغير پاسخ رسته‌اي ‌باشد به درخت رده‌بندي معروف است. هدف اصلي اين مطالعه، مقايسه‌ي سه روش مختلف استخراج درخت‌هاي رده‌بندي CART، CHAID و QUEST به منظور پيش‌بيني ترجيح جنسي فرزندان زنان در آستانه‌ي ازدواج با يكديگر با استفاده از نرم‌افزار SPSS نسخه‌ي ۲۲ است. داده‌هاي اين مطالعه را ۶۳۶۰ زن مراجعه‌كننده به مراكز بهداشتي به ‌منظور دريافت مشاوره‌ي پيش از ازدواج تشكيل دادند كه با روش نمونه‌گيري چندمرحله‌اي و به‌صورت تصادفي در سال ۱۳۹۳ در كل كشور گرداوري شد. نتايج نشان داد كه هر سه الگوريتم درخت‌ رده‌بندي از دقت تقريباً مشابهي در پيش‌بيني ترجيح جنسي براي فرزندان برخوردارند، اما با توجه به انطباق بيش‌تر مدلCART به فرضيه‌‌هاي موجود، اين مدل به‌عنوان مدل نهايي در نظر گرفته شد.CART روش ناپارامتري با قابليت تفسيرپذيري آسان است كه امكان محاسبات سريع و حصول به نتايج دقيق را فراهم مي‌نمايد. بر اساس نتايج حاصل از اين درخت، تعداد فرزندان ايده‌آل، سطح تحصيلي و سن زنان متغيرهاي تأثيرگذار بر ترجيح جنسي به دست آمد.

Employing a decision tree when classical methods are not applicable in the presence of various observations and variables becomes vital and important. Exploratory analysis, model detection, prediction and make decisions about large data are the most common usage of this method. If the response variable is categorical variable, it is known as classification tree. Comparing three different extraction methods, CART, CHAID, and QUEST of classification trees to predict sex preference for children of pre-marriage women by SPSS 22 was the main objective of this study. The data on this study consist of 6360 women referred to health centers to get premarital counseling which was collected by the multi-stage random sampling in 2014 in the whole country. The results showed that accuracy of all three classification tree algorithms in predicting sex preference for children are almost the same, but with regard to compliance CART to the existing theories, this model was considered as the final model. CART is a non-parametric method with easy interpretation feature that enables quick calculations and acquisitions to provide accurate results. According to the results of this tree, the ideal number of children, education level and women age are variables that affect sex preference.