လမ်းညွှန်ချက်အပြည့်အစုံ- ထောက်ပံ့ပို့ဆောင်ရေးဆုတ်ယုတ်မှုရလဒ်များကို မည်သို့အစီရင်ခံမည်နည်း။

Logistic regression သည် response variable binary ဖြစ်သောအခါ ကျွန်ုပ်တို့အသုံးပြုသည့် regression analysis အမျိုးအစားတစ်ခုဖြစ်သည်။

ထောက်ပံ့ပို့ဆောင်ရေး ဆုတ်ယုတ်မှုပုံစံ၏ ရလဒ်များကို အစီရင်ခံရန် အောက်ပါ အထွေထွေဖော်မတ်ကို ကျွန်ုပ်တို့ အသုံးပြုနိုင်ပါသည်။

Logistic regression ကို [predictor variable 1]၊ [predictor variable 2]၊…[predictor variable n ] နှင့် [response variable] အကြား ဆက်စပ်မှုကို ပိုင်းခြားစိတ်ဖြာရန် အသုံးပြုပါသည်။

အခြားကြိုတင်ခန့်မှန်းကိန်းရှင်များအားလုံးကို အဆက်မပြတ်ကိုင်ဆောင်ထားခြင်းဖြင့်၊ တစ်ယူနစ်တစ်ခုတိုးလာရန်အတွက် [တုံ့ပြန်မှုကိန်းရှင်] ဖြစ်ပေါ်လာနိုင်ခြေ [တိုးများခြင်း သို့မဟုတ် လျော့ကျခြင်း] (95% CI [အောက်ကန့်သတ်ချက်၊ အထက်ကန့်သတ်ချက်]) ရှိသည်ကို တွေ့ရှိရပါသည်။ [predictor variable 1]။

အခြားကြိုတင်ခန့်မှန်းကိန်းရှင်များအားလုံးကို အဆက်မပြတ်ကိုင်ဆောင်ထားခြင်းဖြင့်၊ တစ်ယူနစ်တစ်ခုတိုးလာရန်အတွက် [တုံ့ပြန်မှုကိန်းရှင်] ဖြစ်ပေါ်လာနိုင်ခြေ [တိုးများခြင်း သို့မဟုတ် လျော့ကျခြင်း] (95% CI [အောက်ကန့်သတ်ချက်၊ အထက်ကန့်သတ်ချက်]) ရှိသည်ကို တွေ့ရှိရပါသည်။ [predictor variable 2]။

…

မော်ဒယ်ရှိ ခန့်မှန်းသူ ကိန်းရှင်တစ်ခုစီ၏ ထူးထူးခြားခြား အချိုးအစားများအတွက် သက်ဆိုင်သော 95% ယုံကြည်မှုကြားကာလကို အစီရင်ခံရန် ဤအခြေခံ syntax ကို အသုံးပြုနိုင်ပါသည်။

အောက်ဖော်ပြပါ ဥပမာသည် လက်တွေ့တွင် ထောက်ပံ့ပို့ဆောင်ရေး ဆုတ်ယုတ်မှုပုံစံ၏ ရလဒ်များကို မည်သို့အစီရင်ခံရမည်ကို ပြသထားသည်။

ဥပမာ- Logistic Regression ရလဒ်များကို အစီရင်ခံခြင်း။

မတူကွဲပြားသော ဘာသာရပ်နှစ်ခု (Program A နှင့် Program B) နှင့် သင်ကြားသည့် နာရီအရေအတွက်သည် ကျောင်းသားတစ်ဦး ၎င်းတို့၏အတန်း၏ နောက်ဆုံးစာမေးပွဲ အောင်မြင်နိုင်ခြေကို အကျိုးသက်ရောက်မှုရှိမရှိကို ပါမောက္ခတစ်ဦးက နားလည်လိုသည်ဆိုပါစို့။

၎င်းသည် လေ့လာမှုအချိန်နှင့် လေ့လာမှုပရိုဂရမ်ကို တုံ့ပြန်မှုကိန်းရှင်အဖြစ် ခန့်မှန်းပေးသည့်ကိန်းရှင်များနှင့် စာမေးပွဲရလဒ် (pass သို့မဟုတ် ကျရှုံး) အဖြစ် အသုံးပြုထားသော ထောက်လှမ်းဆုတ်ယုတ်မှုပုံစံနှင့် ကိုက်ညီပါသည်။

အောက်ဖော်ပြပါ ရလဒ်သည် ထောက်ပံ့ပို့ဆောင်ရေး ဆုတ်ယုတ်မှုပုံစံ၏ ရလဒ်များကို ပြသသည်-

 Coefficients:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept) -2.415 0.623 -3.876 <0.000
program_A 0.344 0.156 2.205 0.027
hours 0.006 0.002 3.000 0.003

ထောက်ပံ့ပို့ဆောင်ရေး ဆုတ်ယုတ်မှုပုံစံ၏ ရလဒ်များကို အစီရင်ခံခြင်းမပြုမီ၊ ကျွန်ုပ်တို့သည် ဖော်မြူလာ e ^β ကို အသုံးပြု၍ ကြိုတင်ခန့်မှန်းသူ ကိန်းရှင်တစ်ခုစီအတွက် ထူးထူးခြားခြား အချိုးအစားကို ဦးစွာ တွက်ချက်ရပါမည်။

ဥပမာအားဖြင့်၊ ဤတွင် ခန့်မှန်းသူကိန်းရှင်တစ်ခုစီအတွက် အတိုးနှုန်းအချိုးကို တွက်ချက်နည်းမှာ ဤတွင်ဖြစ်သည်-

• ပရိုဂရမ်အလေးသာအချိုး- e ^0.344 = 1.41
• နာရီများ၏ လေးနက်မှုအချိုး- e ^0.006 = 1.006

ဖော်မြူလာ e ^{(β +/- 1.96* standard error) ကို} အသုံးပြု၍ ခန့်မှန်းသူ variable တစ်ခုစီ၏ အလေးသာမှုအချိုးအတွက် 95% ယုံကြည်မှုကြားကာလကိုလည်း တွက်ချက်ရန် လိုအပ်ပါသည်။

ဥပမာအားဖြင့်၊ ဤတွင် ခန့်မှန်းသူကိန်းရှင်တစ်ခုစီအတွက် အတိုးနှုန်းအချိုးကို တွက်ချက်နည်းမှာ ဤတွင်ဖြစ်သည်-

• ပရိုဂရမ်အလေးသာအချိုးအတွက် 95% CI- e ^{0.344 +/- 1.96*0.156} = [1.04၊ 1.92]
• နာရီအချိုးအစားများအတွက် 95% CI- e ^{0.006 +/- 1.96*0.002} = [1.002၊ 1.009]

ယခု ကျွန်ုပ်တို့သည် ခန့်မှန်းသူကိန်းရှင်တစ်ခုစီအတွက် လေးနက်မှုအချိုးနှင့် ဆက်စပ်ယုံကြည်မှုကြားကာလကို တွက်ချက်ပြီးဖြစ်သောကြောင့် မော်ဒယ်ရလဒ်များကို အောက်ပါအတိုင်း အစီရင်ခံနိုင်ပါသည်-

သင်ရိုးညွှန်းတမ်းနှင့် နောက်ဆုံးစာမေးပွဲအောင်မြင်နိုင်ခြေအပေါ် လေ့လာထားသော သင်ရိုးညွှန်းတမ်းနှင့် နာရီကြား ဆက်နွယ်မှုကို ခွဲခြမ်းစိတ်ဖြာရန် ထောက်ပံ့ပို့ဆောင်ရေးဆုတ်ယုတ်မှုကို အသုံးပြုပါသည်။

လေ့လာမှုနာရီအရေအတွက်ကို အဆက်မပြတ်ကိုင်ဆောင်ထားခြင်းကြောင့် နောက်ဆုံးစာမေးပွဲအောင်မြင်နိုင်ခြေ 41% (95% CI [0.04, 0.92]) ဖြင့် လေ့လာမှုပရိုဂရမ် A နှင့် လေ့လာမှုပရိုဂရမ် B ကိုအသုံးပြုသော ကျောင်းသားများအတွက် တိုးတက်လာကြောင်း တွေ့ရှိရပါသည်။

လေ့လာမှုပရိုဂရမ်ကို စဉ်ဆက်မပြတ် ကိုင်ဆောင်ထားခြင်းဖြင့် လေ့လာမှုတစ်ခုစီအတွက် နောက်ဆုံးစာမေးပွဲကို 0.6% (95% CI [0.002, 0.009]) တိုးလာသည်ကို တွေ့ရှိခဲ့သည်။

စံပြ beta တန်ဖိုးများနှင့် ဆန့်ကျင်ဘက်အဖြစ် ခန့်မှန်းသူကိန်းရှင်များအတွက် ထူးထူးခြားခြားအချိုးများကို အစီရင်ခံတင်ပြသည်ကို သတိပြုပါ။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါ သင်ခန်းစာများသည် ထောက်ပံ့ပို့ဆောင်ရေး ဆုတ်ယုတ်မှုဆိုင်ရာ နောက်ထပ်အချက်အလက်များကို ပေးဆောင်သည်-

Logistic Regression နိဒါန်း
R တွင် logistic regression ကို မည်သို့လုပ်ဆောင်ရမည်နည်း
Python တွင် Logistic Regression ကို မည်သို့လုပ်ဆောင်မည်နည်း။
4 လက်တွေ့ဘဝတွင် Logistic Regression ကိုအသုံးပြုခြင်း၏နမူနာများ