Regression coefficient

အားဖြင့် Benjamin Anderson ဩဂုတ် 2, 2023 စာရင်းအင်းများ 0 မှတ်ချက်များ

ဤဆောင်းပါးတွင် စာရင်းဇယားများတွင် ဆုတ်ယုတ်မှုကိန်းများကို ရှင်းပြထားသည်။ ထို့ကြောင့် သင်သည် regression coefficient ကို တွက်ချက်နည်းနှင့် ၎င်း၏တန်ဖိုးကို အဓိပ္ပာယ်ဖွင့်ဆိုပုံတို့ကို သင်တွေ့ရှိပါလိမ့်မည်။

regression coefficient ကဘာလဲ။

regression coefficient သည် regression model ရှိ explanatory variable တစ်ခုစီနှင့် ဆက်စပ်သော တန်ဖိုးဖြစ်သည်။ ဆိုလိုသည်မှာ၊ regression coefficients များသည် regression equation တွင် explanatory variable များကို ပွားစေသော values များဖြစ်ပြီး၊ explanatory variable တစ်ခုစီသည် regression coefficient နှင့် ဆက်စပ်နေပါသည်။

ဥပမာအားဖြင့်၊ ဆုတ်ယုတ်မှုပုံစံမှ ရရှိလာသော ညီမျှခြင်းမှာ y=3+2x ₁ -7x ₂ ဖြစ်ပါက၊ မော်ဒယ်၏ ဆုတ်ယုတ်မှုကိန်းဂဏန်းများမှာ 3၊ 2၊ နှင့် -7 ဖြစ်သည်။ ညီမျှခြင်း (3) တွင် ကိန်းသေများကို ကိန်းရှင်တစ်ခုမှမပွားသော်လည်း regression coefficient အဖြစ်လည်း သတ်မှတ်သည်ကို သတိပြုပါ။

$y=\color{blue}\bm{3}\color{black}+\color{blue}\bm{2}\color{black}x_1\color{blue}\bm{-7}\color{black}x_2$

ထို့ကြောင့်၊ regression model တစ်ခုတွင်၊ explanatory variables (သို့မဟုတ် independent variables) အပေါင်း ၁ ရှိသည်ဖြစ်သောကြောင့် model equation တွင် ကိန်းသေများနှင့် ကိုက်ညီသော regression coefficients များစွာရှိပါသည်။

ထို့အပြင်၊ regression coefficient သည် အမှီအခိုကင်းသော variable နှင့် dependent variable အကြား ဆက်နွယ်မှုကို ညွှန်ပြသည်။ ဥပမာအားဖြင့်၊ regression coefficient သည် positive ဖြစ်ပါက၊ အမှီအခိုကင်းသော variable တိုးလာသည်နှင့်အမျှ dependent variable သည်လည်း တိုးလာမည်ဟု ဆိုလိုသည်။ သို့ရာတွင်၊ ကိန်းရှင်နှစ်ခုကြားရှိ ဆက်နွယ်မှုသည် အမြဲတမ်း တိုက်ရိုက်မဟုတ်ပေ။ အောက်ဖော်ပြပါတွင် ဆုတ်ယုတ်မှုကိန်းဂဏာန်းကို မည်သို့အဓိပ္ပာယ်ဖွင့်ရမည်ကို အောက်တွင်ဖော်ပြထားသည်။

Regression Coefficient ဖော်မြူလာ

ရိုးရှင်းသော linear regression အတွက်၊ ညီမျှခြင်းမှာ-

$y=b_0+b_1\cdot x$

မော်ဒယ်၏ ဆုတ်ယုတ်မှုကိန်းဂဏန်းနှစ်ခုကို တွက်ချက်ရန် ဖော်မြူလာများမှာ အောက်ပါအတိုင်းဖြစ်သည်။

$b_1=\cfrac{\displaystyle \sum_{i=1}^n (x_i-\overline{x})(y_i-\overline{y})}{\displaystyle \sum_{i=1}^n (x_i-\overline{x})^2}$

$b_0=\overline{y}-b_1\overline{x}$

အောက်ဖော်ပြပါလင့်ခ်တွင် ဆုတ်ယုတ်မှုကိန်းဂဏာန်းများကို တွက်ချက်ထားသည့် ဖြေရှင်းထားသော ပြဿနာကို သင်တွေ့မြင်နိုင်သည်-

➤ ကြည့်ပါ- ရိုးရှင်းသော မျဉ်းဖြောင့်ဆုတ်ယုတ်မှုလေ့ကျင့်ခန်းကို ဖြေရှင်းထားသည်။

Multiple linear regression model ၏ regression coefficients များကို တွက်ချက်လိုပါက ဖော်မြူလာများ ပိုမိုရှုပ်ထွေးသောကြောင့် ကွန်ပျူတာဆော့ဖ်ဝဲကို အသုံးပြုခြင်းသည် အကောင်းဆုံးဖြစ်သည်။

regression coefficient ကို အဓိပ္ပါယ်ပြန်ဆိုခြင်း။

ယခု ကျွန်ုပ်တို့သည် ကိန်းဂဏန်းစာရင်းဇယားများတွင် ဆုတ်ယုတ်ကိန်းကိန်းကို မည်ကဲ့သို့ တွက်ချက်သည်ကို သိရှိပြီး၊ ဆုတ်ယုတ်ကိန်းကို မည်သို့အဓိပ္ပာယ်ဖွင့်ဆိုသည်ကို ကြည့်ကြပါစို့။

ကိန်းရှင်တစ်ခု၏ ဆုတ်ယုတ်မှုကိန်းတစ်ခု၏ အနက်ဖွင့်ဆိုချက် သည် ရိုးရှင်းသည်- ကျန်ရှင်းပြချက်ကိန်းရှင်များသည် အဆက်မပြတ်ရှိနေပါက၊ ရှင်းလင်းချက်ကိန်းရှင်တွင် တိုးလာခြင်းသည် ၎င်း၏ coefficient ၏ လက္ခဏာသည် အပြုသဘောရှိ၊ အပြုသဘော။ အနုတ် အသီးသီး။ .

ထို့ကြောင့် explanatory variable ၏ regression coefficient သည် positive ဖြစ်ပါက၊ ဆိုလိုသည်မှာ variable နှင့် dependent variable သည် positive ဆက်စပ်မှုရှိသည်။ အခြားတစ်ဖက်တွင်၊ coefficient သည် negative ဖြစ်ပါက၊ ၎င်းသည် အမှီအခိုကင်းသော variable နှင့် dependent variable သည် negative ဆက်စပ်မှုရှိသည်ဟု ဆိုလိုပါသည်။

သို့ရာတွင်၊ ရှင်းပြချက်ကိန်းရှင်များကြား အပြန်အလှန်သက်ရောက်မှုမရှိလျှင် ဤအရာအားလုံးသည် အမှန်ဖြစ်သည်၊ ဆိုလိုသည်မှာ ရှင်းပြချက်တစ်ခုသည် ကွဲပြားသွားသောအခါတွင် အခြားကိန်းရှင်များသည် ကိန်းသေတည်ရှိနေမည်ကို ဆိုလိုသည်။ မဟုတ်ပါက၊ explanatory variable နှင့် response variable အကြား ဆက်နွယ်မှုကို ပိုမိုအသေးစိတ်ခွဲခြမ်းစိတ်ဖြာရန် လိုအပ်ပါသည်။

ပိုမိုသိရှိလိုပါက၊ ကျွန်ုပ်တို့၏အောက်ပါဆောင်းပါးကို တိုင်ပင်နိုင်ပါသည်။

➤ ဆက်စပ်မှုအမျိုးအစားများကို ကြည့်ပါ။

ထို့အပြင်၊ regression coefficient ကို ခွဲခြမ်းစိတ်ဖြာသောအခါ၊ သက်ဆိုင်ရာ variable သည် linear သို့မဟုတ် linear မဟုတ်သည်ရှိမရှိ ထည့်သွင်းစဉ်းစားရန်လည်း အရေးကြီးပါသည်။ variable သည် linear မဟုတ်ပါက၊ variable ၏တန်ဖိုးပြောင်းလဲမှုသည် တုံ့ပြန်မှု variable ကို ကွဲပြားစွာအကျိုးသက်ရောက်စေမည်ဖြစ်သည်။ ဥပမာအားဖြင့်၊ quadratic variables များသည် negative values များကို positive values များအဖြစ် ပြောင်းလဲပေးသည်၊ ထို့ကြောင့် quadratic variable သည် အနှုတ်ပိုလေလေ၊ response variable သည် ပိုကြီးလေဖြစ်သည်။

Regression coefficient နှင့် determination coefficient ၊

နောက်ဆုံးတွင်၊ regression coefficient နှင့် determination coefficient အကြား ခြားနားချက်ကို ကျွန်ုပ်တို့တွေ့မြင်ရမည်ဖြစ်ပြီး၊ ၎င်းတို့သည် regression model အတွက် အလွန်အရေးကြီးသော coefficient နှစ်ခုဖြစ်ပြီး ၎င်းတို့၏ အဓိပ္ပါယ်များကို ရှင်းလင်းရပါမည်။

ဆုံးဖြတ်ခြင်း၏ကိန်းဂဏန်း (R ² ) သည် ဆုတ်ယုတ်မှုပုံစံတစ်ခု၏ အံဝင်ခွင်ကျကောင်းမွန်မှုကို တိုင်းတာသည့် ကိန်းဂဏန်းတစ်ခုဖြစ်သည်။ ရိုးရိုးရှင်းရှင်းပြောရလျှင်၊ ဆုံးဖြတ်ခြင်း၏ကိန်းဂဏန်းသည် ဆုတ်ယုတ်မှုပုံစံတစ်ခုသည် ဒေတာအစုံနှင့် မည်မျှကိုက်ညီကြောင်း ပြသသည်။

ထို့ကြောင့်၊ regression coefficient နှင့် determination coefficient အကြား ခြားနားချက် မှာ regression coefficient သည် အမှီအခိုကင်းသော variable နှင့် dependent variable အကြား ဆက်နွယ်မှုကို ညွှန်ပြပြီး coefficient of determination သည် regression model ၏ လျောက်ပတ်မှုကို ညွှန်ပြနေပါသည်။ .

➤- ဆုံးဖြတ်ခြင်း၏ကိန်းဂဏန်းကို ကြည့်ပါ။

စာရေးသူအကြောင်း

Benjamin Anderson

မင်္ဂလာပါ၊ ကျွန်ုပ်သည် အငြိမ်းစား စာရင်းအင်း ပါမောက္ခ ဘင်ဂျမင်ဖြစ်ပြီး သီးသန့် Statorials ဆရာအဖြစ် လှည့်ပတ်ပါသည်။ စာရင်းဇယားနယ်ပယ်တွင် ကျယ်ပြန့်သောအတွေ့အကြုံနှင့် ကျွမ်းကျင်မှုနှင့်အတူ၊ Statorials မှတစ်ဆင့် ကျောင်းသားများကို ခွန်အားဖြစ်စေရန်အတွက် ကျွန်ုပ်၏အသိပညာကို မျှဝေလိုပါသည်။ ပိုသိတယ်။