ဆုတ်ယုတ်မှုပုံစံများတွင် သိသာထင်ရှားသောကိန်းရှင်များကို ဆုံးဖြတ်နည်း

Multiple linear regression model ကို လိုက်လျောညီထွေဖြစ်စေပြီးနောက် သင်ကိုယ်တိုင်မေးမည့် အဓိကမေးခွန်းများထဲမှတစ်ခုမှာ- မည်သည့် variables များသည် သိသာထင်ရှားသနည်း။

variable ၏အဓိပ္ပါယ်ကို ဆုံးဖြတ်ရန် သင်အသုံးမပြုသင့်သော နည်းလမ်းနှစ်ခုရှိသည်။

1. regression coefficients ၏တန်ဖိုး

ပေးထားသော ကြိုတင်ခန့်မှန်းကိန်းရှင်တစ်ခုအတွက် ဆုတ်ယုတ်မှုကိန်းဂဏန်းသည် ထိုကြိုတင်ခန့်မှန်းကိန်းရှင်၏ တစ်ယူနစ်တိုးလာမှုနှင့် ဆက်စပ်နေသော တုံ့ပြန်မှုကိန်းရှင်၏ ပျမ်းမျှပြောင်းလဲမှုကို ပြောပြသည်။

သို့သော်၊ မော်ဒယ်တစ်ခုရှိ ကြိုတင်ခန့်မှန်းသူ ကိန်းရှင်တစ်ခုစီကို များသောအားဖြင့် မတူညီသောစကေးဖြင့် တိုင်းတာသည်။ ထို့ကြောင့် မည်သည့်ကိန်းရှင်များသည် အရေးကြီးဆုံးဖြစ်ကြောင်း ဆုံးဖြတ်ရန် regression coefficients ၏ ပကတိတန်ဖိုးများကို နှိုင်းယှဉ်ရန် အဓိပ္ပါယ်မရှိပေ။

2. The p-values of the regression coefficients

Regression coefficients ၏ p-values များသည် ပေးထားသော ခန့်မှန်းသူ variable တွင် တုံ့ပြန်မှု variable နှင့် statisticically သိသာထင်ရှားစွာ ဆက်စပ်မှုရှိမရှိကို ပြောပြနိုင်သော်လည်း ၎င်းတို့သည် ပေးထားသော ခန့်မှန်းသူ variable သည် လက်တွေ့ကမ္ဘာတွင် လက်တွေ့ကျကျ အရေးပါမှု ရှိမရှိ သင့်အား မပြောနိုင်ပါ။

P တန်ဖိုးများသည် ကြီးမားသောနမူနာအရွယ်အစား သို့မဟုတ် ကွဲလွဲမှုနည်းခြင်းကြောင့်လည်း နိမ့်နိုင်သည်၊ ၎င်းသည် ပေးထားသော ခန့်မှန်းသူကိန်းရှင်သည် လက်တွေ့တွင် အဓိပ္ပာယ်ရှိမရှိ ကျွန်ုပ်တို့ကို အမှန်တကယ်ပြောပြခြင်းမရှိပါ။

သို့သော်လည်း variable များ၏ အဓိပ္ပါယ်ကို ဆုံးဖြတ်ရန် သင်အသုံးပြုသင့်သည့် နည်းလမ်းနှစ်ခု ရှိပါသည်။

1. စံသတ်မှတ်ထားသော ဆုတ်ယုတ်မှုကိန်းဂဏန်းများ

ပုံမှန်အားဖြင့်၊ ကျွန်ုပ်တို့သည် linear regression အများအပြားကို လုပ်ဆောင်သောအခါ၊ model output တွင် ထွက်ပေါ်လာသော regression coefficients များသည် standardized မဟုတ်ပါ ၊ ဆိုလိုသည်မှာ ၎င်းတို့သည် အကောင်းဆုံး-အံဝင်ခွင်ကျမျဉ်းကို ရှာဖွေရန် ဒေတာကုန်ကြမ်းကို အသုံးပြုပါသည်။

သို့သော်လည်း ခန့်မှန်းသူကိန်းရှင်တစ်ခုစီနှင့် တုံ့ပြန်မှုကိန်းရှင်ကို စံသတ်မှတ်ရန် ဖြစ်နိုင်သည် (ကိန်းရှင်တစ်ခုစီ၏ ပျမ်းမျှတန်ဖိုးကို မူရင်းတန်ဖိုးများမှ နုတ်ပြီး ကိန်းရှင်များ၏ စံသွေဖည်မှုဖြင့် ပိုင်းခြားခြင်း) ပြီးနောက် ဖြစ်ပေါ်လာသည့် ဆုတ်ယုတ်မှုတစ်ခုကို လုပ်ဆောင်ရန်၊ စံသတ်မှတ်ထားသော ဆုတ်ယုတ်မှုကိန်းဂဏန်းများ ။

မော်ဒယ်ရှိ variable တစ်ခုစီကို စံသတ်မှတ်ခြင်းဖြင့်၊ variable တစ်ခုစီကို တူညီသောစကေးပေါ်တွင် တိုင်းတာသည်။ ထို့ကြောင့် မည်သည့်ကိန်းရှင်များသည် တုံ့ပြန်မှုကိန်းရှင်အပေါ် အကြီးမြတ်ဆုံးသက်ရောက်မှုရှိသည်ကို နားလည်ရန် ရလဒ်များတွင် ဆုတ်ယုတ်မှုကိန်းဂဏာန်းများ၏ ပကတိတန်ဖိုးများကို နှိုင်းယှဉ်ခြင်းသည် အဓိပ္ပာယ်ရှိစေသည်။

2. ဘာသာရပ်ဆိုင်ရာ ကျွမ်းကျင်မှု

p-values သည် ပေးထားသော ခန့်မှန်းသူ variable နှင့် response variable အကြား ကိန်းဂဏန်းဆိုင်ရာ သိသာထင်ရှားသော အကျိုးသက်ရောက်မှုရှိမရှိကို သင့်အား ပြောပြနိုင်သော်လည်း ခန့်မှန်းသူ variable သည် အမှန်တကယ်သက်ဆိုင်ရာဖြစ်ပြီး မော်ဒယ်တစ်ခုတွင် အမှန်တကယ်ထည့်သွင်းသင့်သည်ကို အတည်ပြုရန် ဘာသာရပ်ပိုင်းဆိုင်ရာ ကျွမ်းကျင်မှု လိုအပ်ပါသည်။

အောက်ဖော်ပြပါ ဥပမာသည် လက်တွေ့တွင် ဆုတ်ယုတ်မှုပုံစံတစ်ခုတွင် သိသာထင်ရှားသော ကိန်းရှင်များကို မည်သို့ဆုံးဖြတ်ရမည်ကို ပြသထားသည်။

ဥပမာ- ဆုတ်ယုတ်မှုပုံစံတွင် သိသာထင်ရှားသော ကိန်းရှင်များကို မည်သို့ဆုံးဖြတ်ရမည်နည်း။

ကျွန်ုပ်တို့တွင် အိမ် 12 လုံး၏ အသက်၊ စတုရန်းပုံနှင့် အရောင်းစျေးနှုန်းဆိုင်ရာ အချက်အလက်များပါရှိသော အောက်ပါဒေတာအတွဲကို ဆိုပါစို့။

ထို့နောက် ကျွန်ုပ်တို့သည် တုံ့ပြန်မှုကိန်းရှင်အဖြစ် အသက် နှင့် စတုရန်းပုံများကို ခန့်မှန်းကိန်းရှင်များနှင့် စျေးနှုန်း အဖြစ် အသုံးပြုကာ မျဉ်းကြောင်းအတိုင်း ဆုတ်ယုတ်မှုများစွာကို လုပ်ဆောင်သည်ဆိုပါစို့။

ကျွန်ုပ်တို့သည် အောက်ပါရလဒ်ကို ရရှိသည်-

ဤဇယားရှိ regression coefficients များသည် စံချိန်စံညွှန်းမမီပါ ၊ ဆိုလိုသည်မှာ ၎င်းတို့သည် ဤဆုတ်ယုတ်မှုပုံစံနှင့် ကိုက်ညီရန် အကြမ်းဒေတာကို အသုံးပြုခဲ့သည်။

ပထမတစ်ချက်တွင်၊ ဆုတ်ယုတ်မှုဇယားရှိ ၎င်း၏ကိန်းဂဏန်းမှာ -409.833 ဖြစ်သောကြောင့် ခန့်မှန်းသူမပြောင်းလဲနိုင်သော စတုရန်းပုံ တစ်ပုံအတွက် 100.866 နှင့် နှိုင်းယှဉ်လျှင် အသက်အရွယ် သည် အိမ်ခြံမြေစျေးနှုန်းအပေါ် များစွာအကျိုးသက်ရောက်မှုရှိပုံရသည်။

သို့သော်၊ စံအမှားသည် စတုရန်းပုံအတွက်ထက် အသက်အရွယ်အတွက် ပိုကြီးသည်၊ ထို့ကြောင့် သက်ဆိုင်ရာ p-value သည် အသက် (p = 0.520) နှင့် စတုရန်းပုံစတုရန်းပုံများအတွက် သေးငယ်သည် (p = 0.000)။

regression coefficients တွင် လွန်ကဲသော ခြားနားချက်များအတွက် အကြောင်းရင်းမှာ variable နှစ်ခုအတွက် စကေးများအတွင်း လွန်ကဲစွာ ကွာခြားချက်များကြောင့်ဖြစ်သည်။

• အသက် အပိုင်းအခြား 4 မှ 44 နှစ်များအတွက်တန်ဖိုးများ။
• စတုရန်းရုပ်ပုံ တန်ဖိုးများသည် 1,200 မှ 2,800 အထိရှိသည်။

အဲဒီအစား ဒေတာအကြမ်းကို ပုံမှန်လုပ်တယ် ဆိုပါစို့။

အကယ်၍ ကျွန်ုပ်တို့သည် စံပြုဒေတာကို အသုံးပြု၍ မျဉ်းကြောင်းအတိုင်း ဆုတ်ယုတ်မှု အများအပြားကို လုပ်ဆောင်ပါက၊ အောက်ဖော်ပြပါ ဆုတ်ယုတ်မှုရလဒ်ကို ကျွန်ုပ်တို့ ရရှိလိမ့်မည်-

ဤဇယားရှိ regression coefficients များကို စံသတ်မှတ်ထားပြီး ၊ ဆိုလိုသည်မှာ ၎င်းတို့သည် ဤဆုတ်ယုတ်မှုပုံစံနှင့် ကိုက်ညီရန် စံပြုဒေတာကို အသုံးပြုခဲ့သည်။

ဇယားရှိ coefficients ကိုအနက်ပြန်ဆိုရန်နည်းလမ်းမှာ အောက်ပါအတိုင်းဖြစ်သည်။

• စံသွေဖည်သော အသက်အရွယ် တစ်ခုတိုးခြင်းသည် အိမ်စျေးနှုန်း၏ 0.092 စံသွေဖည်မှု ကျဆင်းခြင်းနှင့် ဆက်စပ်နေသည်၊ စတုရန်းပုံတစ်ပုံသည် စဉ်ဆက်မပြတ်ရှိနေသည်ဟု ယူဆပါသည်။
• စတုရန်းပုံတွင် စံသွေဖည်မှုတစ်ခု တိုးခြင်းသည် အိမ်စျေးနှုန်းတွင် 0.885 စံသွေဖည်မှု တိုးလာခြင်းနှင့် ဆက်စပ်နေပါသည်။

စတုရန်းပုံများသည် အသက်အရွယ်ထက် အိမ်စျေးနှုန်းများပေါ်တွင် များစွာအကျိုးသက်ရောက်မှုရှိသည်ကို ယခုကျွန်ုပ်တို့တွေ့မြင်နိုင်ပြီဖြစ်သည်။

မှတ်ချက် – ခန့်မှန်းသူ variable တစ်ခုစီအတွက် p-တန်ဖိုးများသည် ယခင် regression model ရှိနှင့် အတိအကျတူညီပါသည်။

မည်သည့်နောက်ဆုံးမော်ဒယ်ကို အသုံးပြုရမည်ကို ဆုံးဖြတ်သည့်အခါ၊ အိမ်တစ်အိမ်၏စျေးနှုန်းကို ခန့်မှန်းရာတွင် စတုရန်းပုံ သည် ၎င်း၏အသက်ထက် များစွာအရေးကြီးကြောင်း ယခု ကျွန်ုပ်တို့သိပါသည်။

နောက်ဆုံးတွင်၊ ကျွန်ုပ်တို့သည် အိမ်ရာနှင့်အိမ်ခြံမြေစျေးနှုန်းများဆိုင်ရာ အသိပညာအပေါ်အခြေခံ၍ နောက်ဆုံးပုံစံတွင် မည်သည့်ပြောင်းလဲမှုများကို ထည့်သွင်းဆုံးဖြတ်ရန် ကျွန်ုပ်တို့၏ဘာသာရပ်ဆိုင်ရာကျွမ်းကျင်မှုကို အသုံးပြုရန်လိုအပ်ပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါ သင်ခန်းစာများသည် ဆုတ်ယုတ်မှုပုံစံများအကြောင်း နောက်ထပ်အချက်အလက်များကို ပေးဆောင်သည်-

Regression Table ကို ဘယ်လိုဖတ်ပြီး အဓိပါယ်ရမလဲ
regression coefficient ကို ဘယ်လိုအဓိပ္ပာယ်ဖွင့်မလဲ။
linear regression တွင် P တန်ဖိုးများကို အဓိပ္ပာယ်ဖွင့်ဆိုပုံ