Linear regression ဖြင့် ကြိုတင်ခန့်မှန်းနည်း

Linear regression သည် တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော ကြိုတင်ခန့်မှန်းကိန်းရှင်များနှင့် တုံ့ပြန်မှု variable အကြား ဆက်နွယ်မှုကို တွက်ချက်ရန် ကျွန်ုပ်တို့ အသုံးပြုနိုင်သည့် နည်းလမ်းတစ်ခုဖြစ်သည်။

ဆုတ်ယုတ်မှုပုံစံကို အံဝင်ခွင်ကျဖြစ်စေရန် အဖြစ်များဆုံးအကြောင်းရင်းတစ်ခုမှာ လေ့လာတွေ့ရှိချက်အသစ်များ၏ တန်ဖိုးများကို ခန့်မှန်းရန် မော်ဒယ်ကို အသုံးပြုရခြင်းပင်ဖြစ်သည်။

ဆုတ်ယုတ်မှုပုံစံဖြင့် ခန့်မှန်းချက်များပြုလုပ်ရန် အောက်ပါအဆင့်များကို ကျွန်ုပ်တို့အသုံးပြုသည်-

• အဆင့် 1: ဒေတာစုဆောင်းပါ။
• အဆင့် 2- ဆုတ်ယုတ်မှုပုံစံကို ဒေတာနှင့် ကွက်တိပါ။
• အဆင့် 3- မော်ဒယ်သည် ဒေတာနှင့် ကိုက်ညီမှုရှိမရှိ စစ်ဆေးပါ။
• အဆင့် 4- လေ့လာတွေ့ရှိချက်အသစ်များ၏ တန်ဖိုးများကို ခန့်မှန်းရန် တပ်ဆင်ထားသော ဆုတ်ယုတ်မှုညီမျှခြင်းကို အသုံးပြုပါ။

အောက်ပါဥပမာများသည် ခန့်မှန်းချက်များကိုပြုလုပ်ရန် ဆုတ်ယုတ်မှုပုံစံများကို အသုံးပြုနည်းကိုပြသထားသည်။

ဥပမာ 1- ရိုးရှင်းသော linear regression model ဖြင့် ခန့်မှန်းချက်များ ပြုလုပ်ခြင်း။

ဆရာဝန်တစ်ဦးသည် လူနာ 50 ၏ အရပ် (လက်မ) နှင့် အလေးချိန် (ပေါင်) ဆိုင်ရာ အချက်အလက်များကို စုဆောင်းသည်ဆိုပါစို့။

၎င်းသည် ကြိုတင်ခန့်မှန်းကိန်းရှင်ကိန်းရှင်အဖြစ် “အလေးချိန်” ကိုအသုံးပြု၍ တုံ့ပြန်မှုကိန်းရှင်အဖြစ် “အမြင့်” ကို အသုံးပြု၍ ရိုးရှင်းသောမျဉ်းကြောင်းဆုတ်ယုတ်မှုပုံစံနှင့် ကိုက်ညီသည်။

တပ်ဆင်ထားသော ဆုတ်ယုတ်မှုညီမျှခြင်းမှာ-

အရွယ်အစား = 32.7830 + 0.2001*(အလေးချိန်)

linear regression model ၏ ယူဆချက်များ နှင့် ကိုက်ညီကြောင်း စစ်ဆေးပြီးနောက်၊ မော်ဒယ်သည် data နှင့် ကောင်းစွာကိုက်ညီကြောင်း ဆရာဝန်မှ နိဂုံးချုပ်သည်။

ထို့နောက် လူနာအသစ်များ၏ ကိုယ်အလေးချိန်ပေါ်မူတည်၍ အမြင့်ကို ခန့်မှန်းရန် မော်ဒယ်ကို အသုံးပြုနိုင်သည်။

ဥပမာအားဖြင့်၊ လူနာအသစ်သည် ကိုယ်အလေးချိန် ပေါင် ၁၇၀ ရှိသည်ဆိုပါစို့။ မော်ဒယ်ကို အသုံးပြု၍ ဤလူနာသည် အမြင့် 66.8 လက်မ ရှိမည်ဟု ကျွန်ုပ်တို့ ခန့်မှန်းနိုင်သည်-

အရပ် = 32.7830 + 0.2001*(170) = 66.8 လက်မ

ဥပမာ 2- မျဉ်းဖြောင့် ဆုတ်ယုတ်မှု ပုံစံမျိုးစုံဖြင့် ခန့်မှန်းချက်များ ပြုလုပ်ခြင်း။

ဘောဂဗေဒပညာရှင်တစ်ဦးသည် စုစုပေါင်းပညာရေးနှစ်များ၊ အပတ်စဉ်အလုပ်ချိန်များနှင့် လူ 30 ၏ နှစ်စဉ်ဝင်ငွေဆိုင်ရာ အချက်အလက်များကို စုဆောင်းသည်ဟု ယူဆသည်။

ထို့နောက် ၎င်းသည် ကြိုတင်ခန့်မှန်းကိန်းရှင်ကိန်းရှင်နှင့် “နှစ်စဉ်ဝင်ငွေ” အဖြစ် “ ပညာရေးစုစုပေါင်းနှစ်များ” နှင့် “ အပတ်စဉ်အလုပ်ချိန်များ” ကို အသုံးပြု၍ များစွာသောမျဉ်းကြောင်းဆုတ်ယုတ်မှုပုံစံနှင့် ကိုက်ညီပါသည်။

တပ်ဆင်ထားသော ဆုတ်ယုတ်မှုညီမျှခြင်းမှာ-

ဝင်ငွေ = 1,342.29 + 3,324.33*(ကျောင်းတက်နှစ်များ) + 765.88*(အပတ်စဉ် အလုပ်ချိန်)

linear regression model ၏ ယူဆချက်များ နှင့် ကိုက်ညီကြောင်း စစ်ဆေးအတည်ပြုပြီးနောက်၊ မော်ဒယ်သည် ဒေတာနှင့် ကောင်းစွာကိုက်ညီကြောင်း စီးပွားရေးပညာရှင်မှ ကောက်ချက်ချပါသည်။

ထို့နောက် ၎င်းသည် လူသစ်တစ်ဦး၏ တစ်နှစ်တာဝင်ငွေကို ခန့်မှန်းရန် မော်ဒယ်ကို အသုံးပြုပြီး ၎င်းတို့၏ စုစုပေါင်းပညာရေးနှစ်များနှင့် အပတ်စဉ် အလုပ်လုပ်သော နာရီများကို အခြေခံသည်။

ဥပမာအားဖြင့်၊ လူသစ်တစ်ဦးသည် စုစုပေါင်းပညာရေး ၁၆ နှစ်ရှိပြီး တစ်ပတ်လျှင် ပျမ်းမျှ နာရီ ၄၀ အလုပ်လုပ်သည်ဆိုပါစို့။ မော်ဒယ်ကို အသုံးပြု၍ ဤလူသည် တစ်နှစ်ဝင်ငွေ $85,166.77 ရှိမည်ဟု ကျွန်ုပ်တို့ ခန့်မှန်းနိုင်သည်-

ဝင်ငွေ = 1,342.29 + 3,324.33*(16) + 765.88*(45) = $85,166.77

ယုံကြည်မှုကြားကာလကိုအသုံးပြုမှုအပေါ်

လေ့လာသုံးသပ်ချက်အသစ်များနှင့်ပတ်သက်၍ ခန့်မှန်းမှုများပြုလုပ်ရန် regression model ကို သင်အသုံးပြုသောအခါ၊ regression model မှ ခန့်မှန်းထားသော တန်ဖိုးကို point ခန့်မှန်းချက် ဟုခေါ်သည်။

အမှတ်ခန့်မှန်းချက်သည် လေ့လာမှုအသစ်၏တန်ဖိုး၏ အကောင်းဆုံးခန့်မှန်းချက်ကို ကိုယ်စားပြုသော်လည်း၊ လေ့လာမှုအသစ်၏တန်ဖိုးနှင့် အတိအကျ တူညီနိုင်ဖွယ်မရှိပါ။

ထို့ကြောင့်၊ ဤမသေချာမရေရာမှုများကို ဖမ်းယူရန်၊ ကျွန်ုပ်တို့သည် ယုံကြည်စိတ်ချမှုကြားကာလ တစ်ခုကို ဖန်တီးနိုင်သည်—ယုံကြည်မှုအဆင့်တစ်ခုရှိ လူဦးရေကန့်သတ်ချက်တစ်ခုပါဝင်နိုင်ဖွယ်ရှိသော တန်ဖိုးများအကွာအဝေးကို ဖန်တီးနိုင်သည်။

ဥပမာအားဖြင့်၊ လူသစ်တစ်ဦးသည် အရပ် 66.8 လက်မရှိမည်ဟု ခန့်မှန်းမည့်အစား၊ ကျွန်ုပ်တို့သည် အောက်ပါ ယုံကြည်မှုကြားကာလကို ဖန်တီးနိုင်သည်-

ယုံကြည်မှုကြားကာလ 95% = [64.8 လက်မ၊ 68.8 လက်မ]

ဤကြားကာလကို အဓိပ္ပာယ်ဖွင့်ဆိုလိုသည်မှာ ဤလူတစ်ဦးချင်းစီ၏ အမှန်တကယ်အရပ်သည် 64.8 လက်မနှင့် 68.8 လက်မကြားဖြစ်ကြောင်း ကျွန်ုပ်တို့ 95% သေချာပါသည်။

ကြိုတင်ခန့်မှန်းမှုများပြုလုပ်သည့်အခါ သတိထားရမည့်အချက်များ

ကြိုတင်ခန့်မှန်းမှုများပြုလုပ်ရန် ဆုတ်ယုတ်မှုပုံစံကိုအသုံးပြုသည့်အခါ အောက်ပါအချက်များကို သတိရပါ။

1. ဆုတ်ယုတ်မှုပုံစံကို ခန့်မှန်းရန် အသုံးပြုသည့်ဒေတာအကွာအဝေးအတွင်း ခန့်မှန်းမှုများပြုလုပ်ရန် မော်ဒယ်ကို အသုံးပြုပါ။

ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် ခန့်မှန်းတွက်ချက်နိုင်သော ပြောင်းလဲနိုင်သော “ အလေးချိန်” ကို အသုံးပြု၍ ဆုတ်ယုတ်မှုပုံစံကို တပ်ဆင်နေပြီး၊ ကျွန်ုပ်တို့ ခန့်မှန်းရန်အသုံးပြုခဲ့သည့် နမူနာနမူနာမှ လူတစ်ဦးချင်းစီ၏ အလေးချိန်သည် ပေါင် 120 နှင့် 180 ကြားရှိသည်ဆိုပါစို့။

ပေါင် 200 အလေးချိန်ရှိသော လူတစ်ဦးတစ်ယောက်၏ အမြင့်ကို ခန့်မှန်းရန် မော်ဒယ်ကို အသုံးပြုခြင်းသည် အကျုံးဝင်မည်မဟုတ်ပေ။

ပေါင် ၁၂၀ မှ ၁၈၀ အတွင်း ကိုယ်အလေးချိန် နှင့် အရပ် အကြား ဆက်စပ်မှု သည် ကွဲပြားနိုင်သည်။ ထို့ကြောင့် ပေါင် ၂၀၀ အလေးချိန်ရှိသော လူတစ်ဦး၏ အရပ်အမြင့်ကို ခန့်မှန်းရန် မော်ဒယ်ကို မသုံးသင့်ပါ။

2. သင်နမူနာယူထားသော လူဦးရေအတွက် ခန့်မှန်းချက်များကိုသာ ပြုလုပ်ရန် မော်ဒယ်ကို အသုံးပြုပါ။

ဥပမာအားဖြင့်၊ စီးပွားရေးပညာရှင်တစ်ဦးသည် မြို့ကြီးတစ်ခုတွင် နေထိုင်သူအားလုံး၏ နမူနာတစ်ခုမှ ကောက်ယူသည်ဆိုပါစို့။

နမူနာတစ်ခုလုံးသည် ဤမြို့၌နေထိုင်ခဲ့သည့်ပုံစံနှင့်ကိုက်ညီစေရန်အသုံးပြုသည့်နမူနာတစ်ခုလုံးကြောင့် ဤမြို့ရှိလူတစ်ဦးချင်းစီ၏ နှစ်စဉ်ဝင်ငွေကို ခန့်မှန်းရန် တပ်ဆင်ထားသော ဆုတ်ယုတ်မှုပုံစံကိုသာ အသုံးပြုသင့်သည်။

ထပ်လောင်းအရင်းအမြစ်များ

Simple Linear Regression နိဒါန်း
Multiple Linear Regression အကြောင်း နိဒါန်း
Confidence Intervals နိဒါန်း
linear regression ၏ ယူဆချက်လေးခု