Bivariate ခွဲခြမ်းစိတ်ဖြာခြင်းအတွက် အမြန်မိတ်ဆက်

bivariate analysis ဟူသော ဝေါဟာရသည် ကိန်းရှင်နှစ်ခု၏ ခွဲခြမ်းစိတ်ဖြာမှုကို ရည်ညွှန်းသည်။ ရှေ့ဆက် “ bi” သည် “ နှစ်ခု” ဖြစ်သောကြောင့်၎င်းကိုသင်မှတ်မိနိုင်သည်။

bivariate ခွဲခြမ်းစိတ်ဖြာခြင်း၏ပန်းတိုင်မှာ variable နှစ်ခုကြားရှိ ဆက်နွယ်မှုကို နားလည်ရန်ဖြစ်သည်။ ဤအမျိုးအစားခွဲခြမ်းစိတ်ဖြာချက်ကို အောက်ပါတို့နှင့် နှိုင်းယှဉ်နိုင်သည်။

• Univariate ခွဲခြမ်းစိတ်ဖြာခြင်း : ကိန်းရှင်တစ်ခု၏ခွဲခြမ်းစိတ်ဖြာမှု။
• Multivariate ခွဲခြမ်းစိတ်ဖြာခြင်း- နှစ်ခု သို့မဟုတ် ထို့ထက်ပိုသော ကိန်းရှင်များကို ခွဲခြမ်းစိတ်ဖြာခြင်း။

bivariate ခွဲခြမ်းစိတ်ဖြာမှုကို လုပ်ဆောင်ရန် ဘုံနည်းလမ်းသုံးမျိုးရှိသည်။

1. ကွက်ကျားကွက်ကြား၊

2. ဆက်စပ်ကိန်းများ။

3. ရိုးရှင်းသောမျဉ်းကြောင်းဆုတ်ယုတ်မှု။

ဤကျူတိုရီရယ်တွင် ကိန်းရှင်နှစ်ခုတွင် အချက်အလက်များပါရှိသော အောက်ပါဒေတာအတွဲကို အသုံးပြု၍ ဤ bivariate ခွဲခြမ်းစိတ်ဖြာမှု အမျိုးအစားတစ်ခုစီ၏ နမူနာကို ဖော်ပြပေးသည်- (1) လေ့လာချိန်နာရီများနှင့် (2) မတူညီသော ကျောင်းသား 20 မှ ရရှိသော စာမေးပွဲရမှတ်များ-

1. တိမ်ညွှန်

ခွဲခြမ်းစိတ်ဖြာမှုတစ်ခုသည် bivariate ခွဲခြမ်းစိတ်ဖြာမှုကိုလုပ်ဆောင်ရန်အမြင်အာရုံနည်းလမ်းကိုပေးသည်။ ၎င်းသည် ကျွန်ုပ်တို့အား x-axis ပေါ်တွင် variable တစ်ခု၏တန်ဖိုးနှင့် y-axis ပေါ်တွင် အခြားသော variable ၏တန်ဖိုးကို ထားခြင်းဖြင့် variable နှစ်ခုကြားရှိ ဆက်စပ်မှုကို မြင်ယောင်နိုင်စေပါသည်။

အောက်တွင်ဖော်ပြထားသောအပိုင်းအစတွင်၊ ကျွန်ုပ်တို့သည် x-axis တွင်လေ့လာထားသောနာရီများနှင့် y-axis တွင် စာမေးပွဲရလဒ်များကို ထားရှိသည်-

ကိန်းရှင်နှစ်ခုကြားတွင် အပြုသဘောဆောင်သော ဆက်နွယ်မှုရှိကြောင်း ကျွန်ုပ်တို့ ရှင်းရှင်းလင်းလင်း သိမြင်နိုင်သည်- လေ့လာမှု နာရီအရေအတွက် တိုးလာသည်နှင့်အမျှ စာမေးပွဲရမှတ်များလည်း တိုးလာတတ်သည်။

2. ဆက်စပ်ကိန်းများ

ဆက်စပ်ကိန်းဂဏန်းသည် bivariate ခွဲခြမ်းစိတ်ဖြာမှုကို လုပ်ဆောင်ရန် အခြားနည်းလမ်းကို ပေးသည်။ အတွေ့ရအများဆုံး ဆက်စပ်ဆက်စပ်ကိန်း အမျိုးအစားမှာ ကိန်းရှင်နှစ်ခုကြားရှိ မျဉ်းကြောင်းဆက်နွယ်မှုကို တိုင်းတာသည့် Pearson correlation coefficient ဖြစ်သည်။   ၎င်းတွင် -1 နှင့် 1 အကြား တန်ဖိုးတစ်ခု ရှိသည်။

• -1 သည် ကိန်းရှင်နှစ်ခုကြားတွင် လုံးဝအပျက်သဘောဆောင်သော ဆက်စပ်ဆက်နွယ်မှုကို ညွှန်ပြသည်။
• 0 သည် variable နှစ်ခုကြားတွင် linear ဆက်စပ်မှုမရှိဟု ညွှန်ပြသည်။
• 1 သည် ကိန်းရှင်နှစ်ခုကြားတွင် လုံးဝအပြုသဘောဆောင်သောမျဉ်းကြောင်းဆက်စပ်မှုကို ညွှန်ပြသည်။

ဤရိုးရှင်းသောမက်ထရစ်သည် ကျွန်ုပ်တို့အား ကိန်းရှင်နှစ်ခု မည်သို့ဆက်နွယ်ကြောင်း အကြံကောင်းပေးသည်။ လက်တွေ့တွင်၊ ကျွန်ုပ်တို့သည် ကိန်းရှင်နှစ်ခုကြားရှိ ဆက်စပ်မှုကို နားလည်ရန် ကွဲလွဲချက်များ နှင့် ဆက်စပ်ကိန်းများကို အသုံးပြုလေ့ရှိပြီး ၎င်းတို့၏ဆက်ဆံရေးကို မြင်သာ စေပြီး အရေအတွက်ကို တွက်ချက်နိုင်စေရန်၊

3. ရိုးရှင်းသောမျဉ်းကြောင်းဆုတ်ယုတ်မှု

bivariate analysis လုပ်ဆောင်ရန် တတိယနည်းလမ်းမှာ ရိုးရှင်းသော linear regression ကို အသုံးပြုခြင်း ဖြစ်သည်။

ဤနည်းလမ်းကိုအသုံးပြုခြင်းဖြင့်၊ ကျွန်ုပ်တို့သည် ရှင်းလင်းချက်ကိန်းရှင် အဖြစ် ကိန်းရှင်တစ်ခုနှင့် အခြားကိန်းရှင်အား တုံ့ပြန်မှုကိန်းရှင် အဖြစ် ကျွန်ုပ်တို့ရွေးချယ်သည်။ ထို့နောက် ကျွန်ုပ်တို့သည် ကိန်းရှင်နှစ်ခုကြားရှိ အတိအကျဆက်နွယ်မှုကို နားလည်ရန် အသုံးပြုနိုင်သည့် ဒေတာအစုံနှင့် “ အံဝင်ခွင်ကျ” အသင့်တော်ဆုံးအတန်းကို ရှာတွေ့သည်။

ဥပမာ၊ အထက်ဖော်ပြပါဒေတာအတွဲအတွက် အသင့်တော်ဆုံးအတန်းသည်-

စာမေးပွဲရမှတ် = 69.07 + 3.85*(စာသင်ချိန်)

ဆိုလိုသည်မှာ လေ့လာမှုတစ်ခုစီသည် ပျမ်းမျှစာမေးပွဲရမှတ် 3.85 တိုးလာခြင်းနှင့် ဆက်စပ်နေပါသည်။ ဤမျဉ်းကြောင်းအတိုင်း ဆုတ်ယုတ်မှုပုံစံကို လိုက်လျောညီထွေဖြစ်စေခြင်းဖြင့်၊ ကျွန်ုပ်တို့သည် လေ့လာသည့်နာရီနှင့် စာမေးပွဲအဆင့်ကြားရှိ အတိအကျဆက်စပ်မှုကို တွက်ချက်နိုင်ပါသည်။

ဆက်စပ်- Excel တွင် ရိုးရှင်းသော Linear Regression လုပ်ဆောင်နည်း

နိဂုံး

Bivariate ခွဲခြမ်းစိတ်ဖြာခြင်းသည် ကိန်းရှင်နှစ်ခုကြားရှိ ဆက်စပ်မှုကို ကျွန်ုပ်တို့မကြာခဏနားလည်လိုသောကြောင့် ကိန်းရှင်စာရင်းဇယားတွင် အသုံးအများဆုံးခွဲခြမ်းစိတ်ဖြာမှုအမျိုးအစားတစ်ခုဖြစ်သည်။

scatterplots များ၊ ဆက်စပ်ကိန်းများ နှင့် ရိုးရှင်းသော linear regression ကိုအသုံးပြုခြင်းဖြင့်၊ ကျွန်ုပ်တို့သည် ကိန်းရှင်နှစ်ခုကြားရှိ ဆက်စပ်မှုကို မြင်ယောင်ပြီး အရေအတွက်တွက်ချက်နိုင်ပါသည်။

ကိန်းရှင်နှစ်ခုကြားရှိ ဆက်နွယ်မှု၏ ပြီးပြည့်စုံသောပုံတစ်ပုံကို ရရှိရန် ဤနည်းလမ်းသုံးမျိုးကို ခွဲခြမ်းစိတ်ဖြာမှုတွင် မကြာခဏ တွဲသုံးပါသည်။ ဒါကြောင့် နည်းလမ်းတစ်ခုချင်းစီနဲ့ ရင်းနှီးအောင်လုပ်ဖို့ စိတ်ကူးကောင်းပါတယ်။