လမ်းညွှန်ချက်အပြည့်အစုံ- ဆုတ်ယုတ်မှုရလဒ်များကို မည်သို့အစီရင်ခံမည်နည်း။

ကိန်းဂဏန်းစာရင်းဇယားများတွင်၊ တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော ကြိုတင်ခန့်မှန်းကိန်းရှင်များနှင့် တုံ့ပြန်မှုကိန်းရှင် အကြား ဆက်နွယ်မှုကို တွက်ချက်ရန်အတွက် linear ဆုတ်ယုတ်မှုပုံစံများကို အသုံးပြုသည်။

ရိုးရှင်းသော linear regression model ၏ရလဒ်များကို အစီရင်ခံရန် အောက်ပါ အထွေထွေဖော်မတ်ကို အသုံးပြုနိုင်ပါသည်။

[predictor variable] သိသာထင်ရှားစွာ ဟောကိန်းထုတ်ခြင်းရှိမရှိ စမ်းသပ်ရန် ရိုးရှင်းသော linear regression ကို အသုံးပြုခဲ့သည်။

တပ်ဆင်ထားသော ဆုတ်ယုတ်မှုပုံစံမှာ- [ချိန်ညှိထားသော ဆုတ်ယုတ်မှုညီမျှခြင်း]၊

အလုံးစုံဆုတ်ယုတ်မှုမှာ စာရင်းအင်းအရ သိသာထင်ရှားသည် (R ² = [R ² တန်ဖိုး]၊ F (ဆုတ်ယုတ်မှု df၊ ကျန်ရှိသော df) = [F တန်ဖိုး]၊ p = [p တန်ဖိုး])။

[predictor variable] သည် [response variable] (β = [β value]၊ p = [p value]) ကို သိသာစွာ ခန့်မှန်းနိုင်သည်ကို တွေ့ရှိခဲ့သည်။

ပြီးတော့ Multiple linear regression model ရဲ့ ရလဒ်တွေကို အစီရင်ခံဖို့ အောက်ပါဖော်မတ်ကို အသုံးပြုနိုင်ပါတယ်။

Multiple linear regression ကို [predictor variable 1]၊ [predictor variable 2]၊

တပ်ဆင်ထားသော ဆုတ်ယုတ်မှုပုံစံမှာ- [ချိန်ညှိထားသော ဆုတ်ယုတ်မှုညီမျှခြင်း]၊

အလုံးစုံဆုတ်ယုတ်မှုမှာ စာရင်းအင်းအရ သိသာထင်ရှားသည် (R ² = [R ² တန်ဖိုး]၊ F (ဆုတ်ယုတ်မှု df၊ ကျန်ရှိသော df) = [F တန်ဖိုး]၊ p = [p တန်ဖိုး])။

[predictor variable 1] သည် [response variable] (β = [β value]၊ p = [p value]) ကို သိသာစွာ ခန့်မှန်းနိုင်သည်ကို တွေ့ရှိခဲ့သည်။

[predictor variable 2] သည် [response variable] (β = [β value]၊ p = [p value]) ကို သိသိသာသာ မခန့်မှန်းနိုင်သည်ကို တွေ့ရှိခဲ့သည်။

အောက်ဖော်ပြပါနမူနာများသည် ရိုးရှင်းသော မျဉ်းကြောင်းဆုတ်ယုတ်မှုပုံစံနှင့် မျဉ်းကြောင်းပြန်ဆုတ်မှုပုံစံများစွာအတွက် ဆုတ်ယုတ်မှုရလဒ်များကို မည်သို့အစီရင်ခံရမည်ကို ဖော်ပြသည်။

ဥပမာ- ရိုးရှင်းသောမျဉ်းကြောင်းဆုတ်ယုတ်မှု၏ရလဒ်များကို အစီရင်ခံခြင်း။

ပေးထားသည့် စာမေးပွဲတစ်ခုတွင် အတန်းကျောင်းသားများ လက်ခံရရှိမည့် ခန့်မှန်းချက်ကို ပါမောက္ခတစ်ဦးက လေ့လာသည့် နာရီအရေအတွက်ကို အသုံးပြုလိုသည်ဆိုပါစို့။ ၎င်းသည် ကျောင်းသား 20 ထံမှ အချက်အလက်များကို စုဆောင်းပြီး ရိုးရှင်းသော linear regression model နှင့် ကိုက်ညီပါသည်။

အောက်ဖော်ပြပါ ဖန်သားပြင်ဓာတ်ပုံသည် ဆုတ်ယုတ်မှုပုံစံ၏ ရလဒ်ကို ပြသသည်-

မော်ဒယ်ရလဒ်များကို အစီရင်ခံပုံမှာ အောက်ပါအတိုင်းဖြစ်သည်။

နာရီများကို သိသာထင်ရှားစွာ ဟောကိန်းထုတ်ထားသော စာမေးပွဲရမှတ်များကို လေ့လာခြင်းရှိမရှိ စမ်းသပ်ရန်အတွက် ရိုးရှင်းသောမျဉ်းကြောင်းဆုတ်ယုတ်မှုကို အသုံးပြုပါသည်။

ချိန်ညှိထားသော ဆုတ်ယုတ်မှုပုံစံမှာ- စာမေးပွဲရမှတ် = 67.1617 + 5.2503* (လေ့လာသည့်နာရီ)။

အလုံးစုံဆုတ်ယုတ်မှုမှာ ကိန်းဂဏန်းအရ သိသာထင်ရှားသည် (R ² = 0.73၊ F(1၊ 18) = 47.99၊ p < 0.000)။

လေ့လာမှုနာရီများသည် စာမေးပွဲစွမ်းဆောင်ရည် (β = 5.2503၊ p < 0.000) ကို သိသိသာသာ ခန့်မှန်းနိုင်သည်ကို တွေ့ရှိခဲ့သည်။

ဥပမာ- မျဉ်းကြောင်းမျိုးစုံဆုတ်ယုတ်မှု၏ရလဒ်များကို အစီရင်ခံခြင်း။

ပါမောက္ခတစ်ဦးသည် ပေးထားသည့် စာမေးပွဲတွင် အတန်းကျောင်းသားများ လက်ခံရရှိမည်ဟု ခန့်မှန်းရန် သင်ကြားသည့် နာရီအရေအတွက်နှင့် လက်တွေ့စာမေးပွဲ အရေအတွက်ကို အသုံးပြုလိုသည်ဆိုပါစို့။ ၎င်းသည် ကျောင်းသား 20 ထံမှ ဒေတာကို စုဆောင်းပြီး မျဉ်းကြောင်းအတိုင်း ဆုတ်ယုတ်မှု ပုံစံမျိုးစုံနှင့် ကိုက်ညီပါသည်။

အောက်ဖော်ပြပါ ဖန်သားပြင်ဓာတ်ပုံသည် ဆုတ်ယုတ်မှုပုံစံ၏ ရလဒ်ကို ပြသသည်-

မော်ဒယ်ရလဒ်များကို အစီရင်ခံပုံမှာ အောက်ပါအတိုင်းဖြစ်သည်။

စာကျက်ချိန်နှင့် ကြိုတင်ပြင်ဆင်မှု စာမေးပွဲများသည် သိသိသာသာ ခန့်မှန်းထားသော စာမေးပွဲရမှတ်များကို ရရှိခြင်းရှိ၊

ချိန်ညှိထားသော ဆုတ်ယုတ်မှုပုံစံမှာ- စာမေးပွဲရမှတ် = 67.67 + 5.56*(စာသင်ချိန်နာရီများ) – 0.60*(ကြိုတင်စာမေးပွဲများ)

အလုံးစုံဆုတ်ယုတ်မှုမှာ စာရင်းအင်းအရ သိသာထင်ရှားသည် (R ² = 0.73၊ F(2၊ 17) = 23.46၊ p = < 0.000)။

လေ့လာမှုနာရီများသည် စာမေးပွဲစွမ်းဆောင်ရည် (β = 5.56၊ p = < 0.000) ကို သိသိသာသာ ခန့်မှန်းနိုင်သည်ကို တွေ့ရှိခဲ့သည်။

ကြိုတင်ပြင်ဆင် စာမေးပွဲများကို ဖြေဆိုရာတွင် စာမေးပွဲရမှတ် (β = -0.60၊ p = 0.52) ကို သိသိသာသာ မခန့်မှန်းနိုင်ခဲ့ကြောင်း တွေ့ရှိရပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

Regression Table ကို ဘယ်လိုဖတ်ပြီး အဓိပါယ်ရမလဲ
Linear Regression အတွက် Null Hypothesis ကို နားလည်ခြင်း။
ဆုတ်ယုတ်မှုတွင် ယေဘုယျသိသာထင်ရှားမှုများအတွက် F Test ကို နားလည်ခြင်း။