R တွင် logistic regression output တွင် pr(>|z|) ကို မည်သို့အဓိပ္ပာယ်ဖွင့်မည်နည်း။

သင် R တွင် ထောက်ပံ့ပို့ဆောင်ရေး ဆုတ်ယုတ်မှုတစ်ခုကို လုပ်ဆောင်သည့်အခါတိုင်း၊ သင်၏ ဆုတ်ယုတ်မှုပုံစံ၏ အထွက်ကို အောက်ပါပုံစံဖြင့် ပြသလိမ့်မည်-

 Coefficients:
              Estimate Std. Error z value Pr(>|z|)  
(Intercept) -17.638452 9.165482 -1.924 0.0543 .
available -0.004153 0.006621 -0.627 0.5305  
drat 4.879396 2.268115 2.151 0.0315 * 

Pr(>|z|) ကော်လံသည် z တန်ဖိုး ကော်လံရှိ တန်ဖိုးနှင့် ဆက်စပ်နေသည့် p တန်ဖိုးကို ကိုယ်စားပြုသည်။

p-value သည် အချို့သော အရေးပါမှုအဆင့်အောက်တွင် ရှိနေပါက (ဥပမာ α = 0.05)၊ ၎င်းသည် ခန့်မှန်းသူကိန်းရှင်သည် မော်ဒယ်ရှိ တုံ့ပြန်မှုကိန်းရှင် နှင့် ကိန်းဂဏန်းအရ သိသာထင်ရှားသော ဆက်ဆံရေးရှိကြောင်း ညွှန်ပြနေသည်။

အောက်ဖော်ပြပါ ဥပမာသည် လက်တွေ့တွင် ထောက်ပံ့ပို့ဆောင်ရေး ဆုတ်ယုတ်မှုပုံစံအတွက် Pr(>|z|) ကော်လံ၏ တန်ဖိုးများကို မည်သို့အဓိပ္ပာယ်ဖွင့်ဆိုသည်ကို ပြသထားသည်။

ဥပမာ- Pr(>|z|) တန်ဖိုးများကို မည်သို့အဓိပ္ပာယ်ဖွင့်ဆိုမည်နည်း။

အောက်ဖော်ပြပါကုဒ်သည် တပ်ဆင်ထားသော mtcars ဒေတာအတွဲကို အသုံးပြု၍ R တွင် ထောက်ပံ့ပို့ဆောင်ရေးဆိုင်ရာ ဆုတ်ယုတ်မှုပုံစံကို မည်သို့အံဝင်ခွင်ကျဖြစ်စေရန် ဖော်ပြသည်-

 #fit logistic regression model
model <- glm(am ~ disp + drat, data=mtcars, family=binomial)

#view model summary
summary(model)

Call:
glm(formula = am ~ disp + drat, family = binomial, data = mtcars)

Deviance Residuals: 
    Min 1Q Median 3Q Max  
-1.5773 -0.2273 -0.1155 0.5196 1.8957  

Coefficients:
              Estimate Std. Error z value Pr(>|z|)  
(Intercept) -17.638452 9.165482 -1.924 0.0543 .
available -0.004153 0.006621 -0.627 0.5305  
drat 4.879396 2.268115 2.151 0.0315 *
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 43,230 on 31 degrees of freedom
Residual deviance: 21,268 on 29 degrees of freedom
AIC: 27,268

Number of Fisher Scoring iterations: 6

ဤသည်မှာ Pr(>|z|) ကော်လံရှိ တန်ဖိုးများကို အဓိပ္ပာယ်ဖွင့်ဆိုပုံ ဖြစ်ပါသည်။

• ကြိုတင်ခန့်မှန်းမပြောင်းလဲနိုင်သော “disp” အတွက် p-တန်ဖိုးသည် 0.5305 ဖြစ်သည်။ ဤတန်ဖိုးသည် 0.05 ထက်မနည်းသောကြောင့်၊ ၎င်းသည် မော်ဒယ်ရှိ တုံ့ပြန်မှုကိန်းရှင်နှင့် ကိန်းဂဏန်းအရ သိသာထင်ရှားသော ဆက်ဆံရေးမရှိပါ။
• ကြိုတင်ခန့်မှန်းကိန်းရှင် “ drat” အတွက် p-တန်ဖိုးသည် 0.0315 ဖြစ်သည်။ ဤတန်ဖိုးသည် 0.05 ထက်နည်းသောကြောင့်၊ မော်ဒယ်ရှိ တုံ့ပြန်မှုကိန်းရှင်နှင့် ကိန်းဂဏန်းအရ သိသာထင်ရှားသော ဆက်ဆံရေးရှိသည်။

ကိန်းဂဏန်းဇယားအောက်ရှိ အရေးပါသောကုဒ်များသည် 0.0315 ၏ p-value ၏ဘေးရှိ ကြယ်ပွင့်တစ်ခု (*) သည် p-value သည် α = 0.05 တွင် ကိန်းဂဏန်းအရသိသာထင်ရှားသည်ဟု ဆိုလိုပါသည်။

Pr(>|z|) ကို ဘယ်လိုတွက်သလဲ။

ဤသည်မှာ Pr(>|z|) ၏တန်ဖိုးကို အမှန်တကယ်တွက်ချက်ပုံဖြစ်သည် ။

အဆင့် 1- z တန်ဖိုးကို တွက်ချက်ပါ။

ပထမဦးစွာ အောက်ပါဖော်မြူလာကို အသုံးပြု၍ z တန်ဖိုးကို တွက်ချက်ပါသည်။

• z တန်ဖိုး = ခန့်မှန်းခြေ / Std ။ အမှား

ဥပမာအားဖြင့်၊ ဤသည်မှာ ခန့်မှန်းသူ variable “drat” အတွက် z တန်ဖိုးကို တွက်ချက်နည်းဖြစ်သည် ။

 #calculate z-value
4.879396 / 2.268115

[1] 2.151

အဆင့် 2- p-value ကို တွက်ချက်ပါ။

နောက်တစ်ခု၊ ကျွန်ုပ်တို့သည် two-tailed p-value ကိုတွက်ချက်သည်။ ၎င်းသည် ပုံမှန်ဖြန့်ဖြူးမှု၏ ပကတိတန်ဖိုးသည် 2.151 ထက် သို့မဟုတ် -2.151 ထက်နည်းသော ဖြစ်နိုင်ခြေကို ကိုယ်စားပြုသည်။

ဤတန်ဖိုးကိုတွက်ချက်ရန် R တွင် အောက်ပါဖော်မြူလာကို ကျွန်ုပ်တို့ အသုံးပြုနိုင်ပါသည်။

• p-value = 2 * (1-pnorm(z-value))

ဥပမာအားဖြင့်၊ ဤနေရာတွင် 2.151 ၏ z-value အတွက် အမြီးနှစ်ကြောင်းရှိသော p-value ကို တွက်နည်း။

 #calculate p-value
2*(1-pnorm(2.151))

[1] 0.0314762

ဤ p-value သည် အထက်ပါ regression output ရှိ p-value နှင့် ကိုက်ညီကြောင်း သတိပြုပါ။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါ သင်ခန်းစာများသည် R တွင် မတူညီသော ဆုတ်ယုတ်မှုပုံစံများနှင့် အံဝင်ခွင်ကျဖြစ်ပုံကို ရှင်းပြထားသည်။

R တွင် logistic regression ကို မည်သို့လုပ်ဆောင်ရမည်နည်း
R တွင် ရိုးရှင်းသော linear regression လုပ်နည်း
R တွင် linear regression အများအပြားလုပ်ဆောင်နည်း