လက်ကျန်များ/အတိုးနှုန်းဇယားဆိုသည်မှာ အဘယ်နည်း။ (အဓိပ္ပါယ် & #038; ဥပမာ)

အကြွင်းအကျန်များနှင့် သုံးစွဲနိုင်မှုပမာဏသည် ဆုတ်ယုတ်မှုပုံစံတစ်ခုတွင် သြဇာကြီးမားသော စောင့်ကြည့်မှုများကို ဖော်ထုတ်နိုင်စေမည့် ရောဂါရှာဖွေရေးဇယား အမျိုးအစားတစ်ခုဖြစ်သည်။

ဤအရာသည် ကိန်းဂဏန်းဆိုင်ရာ ပရိုဂရမ်းမင်းဘာသာစကား R တွင် ဤကွက်ကွက်အမျိုးအစား ပေါ်လာပုံဖြစ်သည်-

ဒေတာအတွဲရှိ စောင့်ကြည့်မှုတစ်ခုစီကို ကွက်ကွက်အတွင်းရှိ အမှတ်တစ်ခုတည်းအဖြစ် ပြသထားသည်။ x-axis သည် အမှတ်တစ်ခုစီ၏ လွှမ်းမိုးမှုကို ပြသပြီး y-axis သည် အမှတ်တစ်ခုစီ၏ စံသတ်မှတ်ထားသော ကျန်ရှိနေမှုကို ပြသသည်။

Leverage သည် ဒေတာအတွဲမှ သတိပြုစရာတစ်ခုကို ဖယ်ရှားလိုက်လျှင် ဆုတ်ယုတ်မှုပုံစံ၏ ကိန်းဂဏန်းများ ပြောင်းလဲသွားမည့်အတိုင်းအတာကို ရည်ညွှန်းသည်။

မြင့်မားသော စွမ်းအားဖြင့် လေ့လာတွေ့ရှိချက်များသည် ဆုတ်ယုတ်မှုပုံစံ၏ ကိန်းဂဏန်းများအပေါ် ပြင်းထန်စွာ လွှမ်းမိုးမှုရှိသည်။ ဤလေ့လာတွေ့ရှိချက်များကို ဖယ်ရှားပါက မော်ဒယ်၏ ကိန်းဂဏန်းများသည် သိသိသာသာ ပြောင်းလဲသွားမည်ဖြစ်ပါသည်။

စံချိန်စံညွှန်းသတ်မှတ်ထားသော အကြွင်းအကျန်များသည် စူးစမ်းမှုတစ်ခုအတွက် ခန့်မှန်းထားသောတန်ဖိုးနှင့် လေ့လာမှု၏ အမှန်တကယ်တန်ဖိုးကြားတွင် စံသတ်မှတ်ထားသော ကွာခြားချက်ကို ရည်ညွှန်းသည်။

မှတ်သားထားသင့်သည်မှာ မှတ်သားထားသင့်သည်မှာ စံသတ်မှတ်ထားသော ကျန်ရှိနေသော တန်ဖိုးတစ်ခုအတွက် ပကတိတန်ဖိုး မြင့်မားသော်လည်း leverage အတွက် တန်ဖိုးနည်းပါသည်။

Residuals နှင့် Leverage Graph ကို မည်သို့အဓိပ္ပာယ်ဖွင့်မည်နည်း။

ဤဂရပ်ပေါ်ရှိ အမှတ်တစ်ခုသည် Cook အကွာအဝေး (အနီစက်များ) ၏ အပြင်ဘက်တွင် ကျရောက်ပါက ၎င်းကို သြဇာကြီးမားသော စောင့်ကြည့်မှုတစ်ခုအဖြစ် သတ်မှတ်သည်။

အစောပိုင်းတွင် ပြသထားသည့် ကျန်ရှိသော ပမာဏနှင့် နှိုင်းယှဉ်မှု ဂရပ်ကို ကိုးကားကြည့်ကြပါစို့။

အထက်ဖော်ပြပါ ဥပမာတွင်၊ မှတ်သားမှု #10 သည် Cook အကွာအဝေးကန့်သတ်ချက်နှင့် အနီးစပ်ဆုံးဖြစ်သည်ကို ကျွန်ုပ်တို့တွေ့မြင်နိုင်သော်လည်း ၎င်းသည် အစက်ချမျဉ်းအပြင်သို့ မထွက်ပါ။ ဆိုလိုသည်မှာ ကျွန်ုပ်တို့၏ ဆုတ်ယုတ်မှုပုံစံတွင် သြဇာညောင်းသောအချက်များ မရှိပါ ။

သို့သော်၊ ကျွန်ုပ်တို့တွင် အောက်ဖော်ပြပါ လက်ကျန်/leverage ဂရပ်ရှိသည် ဆိုပါစို့။

ညာဘက်အပေါ်ထောင့်ရှိ အနီစက်မျဉ်းများအပြင်ဘက်တွင် စောင့်ကြည့်ရေးအမှတ် ၁ ကို ကျွန်ုပ်တို့တွေ့မြင်နိုင်ပါသည်။ ဒါဟာ သြဇာလွှမ်းမိုးမှုရှိတဲ့ အချက်ဖြစ်တယ်လို့ ညွှန်ပြပါတယ်။

ဆိုလိုသည်မှာ ကျွန်ုပ်တို့သည် ဤလေ့လာချက်ကို ကျွန်ုပ်တို့၏ဒေတာအတွဲမှဖယ်ရှားပြီး ဆုတ်ယုတ်မှုပုံစံကို ထပ်မံထည့်သွင်းပါက၊ စံပြကိန်းဂဏန်းများသည် သိသိသာသာပြောင်းလဲသွားမည်ဖြစ်ကြောင်း ဆိုလိုပါသည်။

သြဇာညောင်းသော ရှုမြင်ချက်များကို မည်သို့ကိုင်တွယ်ဖြေရှင်းမည်နည်း။

မော်ဒယ်တစ်ခုအတွက် အကြွင်းအကျန်များနှင့် လွှမ်းမိုးမှုကို ဆန့်ကျင်ပြီး တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော လေ့လာတွေ့ရှိချက်များကို သြဇာလွှမ်းမိုးမှုအဖြစ် ခွဲခြားသတ်မှတ်ထားသည်ကို တွေ့ပါက၊ သင်သည် အရာများစွာကို လုပ်ဆောင်နိုင်သည်-

1. လေ့လာတွေ့ရှိချက်သည် အမှားအယွင်းမဟုတ်ကြောင်း အတည်ပြုပါ။

တစ်စုံတစ်ရာ အရေးယူဆောင်ရွက်ခြင်းမပြုမီ၊ သြဇာကြီးမားသော လေ့လာတွေ့ရှိချက်များသည် ဒေတာထည့်သွင်းမှုအမှား သို့မဟုတ် အခြားထူးဆန်းသည့်ဖြစ်ရပ်တစ်ခု၏ ရလဒ်မဟုတ်ကြောင်း ဦးစွာစစ်ဆေးသင့်သည်။

2. အခြားသော ဆုတ်ယုတ်မှုပုံစံကို အံကိုက်ကြည့်ပါ။

သင်သတ်မှတ်ထားသော မော်ဒယ်သည် ဒေတာနှင့် ကောင်းစွာ မကိုက်ညီကြောင်း သြဇာကြီးမားသော လေ့လာတွေ့ရှိချက်များက ဖော်ပြနိုင်သည်။ ဤကိစ္စတွင်၊ သင်သည် polynomial regression model သို့မဟုတ် nonlinear model ကို စမ်းကြည့်နိုင်သည်။

3. သြဇာရှိသော မှတ်ချက်များကို ဖယ်ရှားပါ။

နောက်ဆုံးတွင်၊ သင်သတ်မှတ်ထားသော မော်ဒယ်သည် သြဇာကြီးမားသော လေ့လာတွေ့ရှိချက်တစ်ခု သို့မဟုတ် နှစ်ခုမှလွဲ၍ ဒေတာနှင့် ကောင်းစွာကိုက်ညီပုံပေါ်ပါက ဩဇာညောင်းသော စောင့်ကြည့်မှုများကို ဖယ်ရှားရန် သင်ဆုံးဖြတ်နိုင်သည်။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါ သင်ခန်းစာများသည် ဆုတ်ယုတ်မှုပုံစံများ၏ အံဝင်ခွင်ကျအကဲဖြတ်ရန် အကြွင်းအကျန်များကို မည်သို့အသုံးပြုရမည်ကို ထပ်လောင်းအချက်အလက်များ ပေးပါသည်။

ကိန်းဂဏန်းစာရင်းဇယားများတွင် ကျန်ရှိနေသော အရာများကား အဘယ်နည်း။
စံသတ်မှတ်ထားသော အကြွင်းအကျန်များသည် အဘယ်နည်း။
R တွင် ရောဂါရှာဖွေရေးကွက်များကို အဓိပ္ပာယ်ဖွင့်ဆိုပုံ