Regression table ကို ဘယ်လိုဖတ်ပြီး အဓိပါယ်ရမလဲ

ကိန်းဂဏန်းစာရင်းဇယားများတွင်၊ ဆုတ်ယုတ်မှု သည် ကြိုတင်ခန့်မှန်းကိန်းရှင်များနှင့် တုံ့ပြန်မှုကိန်းရှင်ကြားရှိ ဆက်နွယ်မှုကို ပိုင်းခြားစိတ်ဖြာရန် အသုံးပြုနိုင်သည့် နည်းလမ်းတစ်ခုဖြစ်သည်။

ဆုတ်ယုတ်မှုခွဲခြမ်းစိတ်ဖြာမှုလုပ်ဆောင်ရန် ဆော့ဖ်ဝဲလ် (R၊ SAS၊ SPSS စသည်ဖြင့်) ကိုအသုံးပြုသောအခါ၊ ဆုတ်ယုတ်မှုရလဒ်များကို အကျဉ်းချုပ်ဖော်ပြသည့် ဆုတ်ယုတ်မှုဇယားတစ်ခုအဖြစ် သင်ရရှိမည်ဖြစ်သည်။ ဆုတ်ယုတ်မှု ခွဲခြမ်းစိတ်ဖြာမှု၏ ရလဒ်များကို နားလည်နိုင်စေရန် ဤဇယားကို မည်သို့ဖတ်ရမည်ကို သိရန် အရေးကြီးပါသည်။

ဤသင်ခန်းစာတွင် ဆုတ်ယုတ်ခြင်းဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှု၏ နမူနာကို ပြသထားပြီး ဆုတ်ယုတ်မှုဇယား၏ ရလဒ်ကို မည်သို့ဖတ်ရှုပြီး အဓိပ္ပာယ်ပြန်ဆိုရမည်ကို အသေးစိတ်ရှင်းပြပေးပါသည်။

ဆုတ်ယုတ်ခြင်း၏ဥပမာ

ကျွန်ုပ်တို့တွင် လေ့လာခဲ့သည့် စုစုပေါင်း နာရီအရေအတွက်၊ ကြိုတင်ပြင်ဆင်မှု စုစုပေါင်းအရေအတွက်နှင့် မတူညီသော ကျောင်းသား ၁၂ ဦးအတွက် နောက်ဆုံးစာမေးပွဲအဆင့်ကို ပြသသည့် အောက်ပါဒေတာအစုံရှိသည်ဆိုပါစို့။

ကျောင်းသားတစ်ဦးရရှိသော နောက်ဆုံးစာမေးပွဲအဆင့်နှင့် ဖြေဆိုထားသော နာရီများနှင့် ကြိုတင်ပြင်ဆင်သည့်စာမေးပွဲများကြား ဆက်စပ်မှုကို ပိုင်းခြားစိတ်ဖြာရန်၊ ကျွန်ုပ်တို့သည် ကြိုတင်ခန့်မှန်းကိန်းရှင်များအဖြစ် ယူထားသော နာရီများ နှင့် ကြိုတင်ပြင်ဆင်မှု စာမေးပွဲများကို တုံ့ပြန်သည့်ကိန်းရှင်အဖြစ် ယူထားသော စာမေးပွဲအောက်တွင် နောက်ဆုံးအဆင့်ကို အသုံးပြု၍ မျဉ်းကြောင်းအတိုင်း ဆုတ်ယုတ်မှုများစွာကို လုပ်ဆောင်ပါသည်။

ကျွန်ုပ်တို့သည် အောက်ပါရလဒ်ကို ရရှိသည်-

မော်ဒယ်နှင့်ကိုက်ညီမှုစစ်ဆေးခြင်း။

ပထမအပိုင်းတွင် regression model fit ကိုတိုင်းတာသည့် မတူညီသောနံပါတ်များစွာကိုပြသသည်၊ ဆိုလိုသည်မှာ regression model သည် data set ကို “ အံဝင်ခွင်ကျ” မည်မျှကောင်းစွာလုပ်ဆောင်နိုင်သည်ကိုပြသသည်။

ဤအပိုင်းရှိ ဂဏန်းတစ်ခုစီကို မည်သို့အဓိပ္ပာယ်ဖွင့်ဆိုရမည်ကို ဤတွင် ဖော်ပြပါရှိသည်။

ရူပီးပေါင်းများစွာ၊

ဒါက ဆက်စပ်ကိန်း ။ ၎င်းသည် ခန့်မှန်းသူကိန်းရှင်များနှင့် တုံ့ပြန်မှုကိန်းရှင်များကြား မျဉ်းဖြောင့်ဆက်နွယ်မှု၏ ခွန်အားကို တိုင်းတာသည်။ 1 ၏ R အတိုးကိန်းတစ်ခုသည် ပြီးပြည့်စုံသော မျဉ်းကြောင်းဆက်နွယ်မှုကို ညွှန်ပြသော်လည်း 0 ၏ R ကိန်းဂဏာန်းသည် မျဉ်းဖြောင့်ဆက်နွယ်မှုမရှိကြောင်း ညွှန်ပြသည်။ Multiple R သည် R နှစ်ထပ်ကိန်း၏ နှစ်ထပ်ကိန်းဖြစ်သည် (အောက်တွင်ကြည့်ပါ)။

ဤဥပမာတွင်၊ multiple R သည် 0.72855 ဖြစ်ပြီး ၊ ၎င်းသည် လေ့လာမှုနာရီများ နှင့် ကြိုတင်ခန့်မှန်းသူများ၏ အကြိုစာမေးပွဲများ နှင့် တုံ့ပြန်မှု variable ၏ နောက်ဆုံးစာမေးပွဲအဆင့် ကြားတွင် အတော်လေး ခိုင်မာသော linear ဆက်နွယ်မှုကို ညွှန်ပြသည်။

R-နှစ်ထပ်

ဒါကို ^r2 လို့ မကြာခဏ ရေးထားပြီး coefficient of determination လို့လည်း ခေါ်ပါတယ်။ ဤသည်မှာ ကြိုတင်ခန့်မှန်းကိန်းရှင်ဖြင့် ရှင်းပြနိုင်သည့် တုံ့ပြန်မှုကိန်းရှင်ရှိ ကွဲလွဲမှု၏ အချိုးအစားဖြစ်သည်။

R-squared တန်ဖိုးသည် 0 မှ 1 အထိ ကွာဟနိုင်သည်။ 0 တန်ဖိုးသည် ခန့်မှန်းသူကိန်းရှင်က လုံးဝရှင်းပြမရနိုင်သော တုံ့ပြန်မှုကိန်းရှင်ကို ညွှန်ပြသည်။ 1 ၏တန်ဖိုးသည် တုံ့ပြန်မှုကိန်းရှင်အား ကြိုတင်ခန့်မှန်းကိန်းရှင်မှ အမှားအယွင်းမရှိဘဲ စုံလင်စွာရှင်းပြနိုင်သည်ကို ညွှန်ပြသည်။

ဤဥပမာတွင်၊ R-squared သည် 0.5307 ဖြစ်ပြီး ၊ နောက်ဆုံးစာမေးပွဲရမှတ်များတွင် ကွဲလွဲမှု 53.07% ကို လေ့လာသည့်နာရီအရေအတွက်နှင့် ပြီးခဲ့သော လေ့ကျင့်ရေးစာမေးပွဲအရေအတွက်ဖြင့် ရှင်းပြနိုင်သည်။

ဆက်စပ်မှု- ကောင်းသော R-squared တန်ဖိုးဆိုသည်မှာ အဘယ်နည်း။

R-squared ချိန်ညှိထားသည်။

၎င်းသည် မော်ဒယ်ရှိ ကြိုတင်ခန့်မှန်းသူအရေအတွက်ပေါ်မူတည်၍ ချိန်ညှိထားသော R-squared ၏မွမ်းမံထားသောဗားရှင်းဖြစ်သည်။ ၎င်းသည် R နှစ်ထပ်ကိန်းထက် အမြဲနည်းသည်။ ချိန်ညှိထားသော R-squared သည် မတူညီသော ဆုတ်ယုတ်မှုပုံစံများ၏ အံဝင်ခွင်ကျဖြစ်မှုကို တစ်ခုနှင့်တစ်ခု နှိုင်းယှဉ်ရန်အတွက် အသုံးဝင်ပါသည်။

ဤဥပမာတွင်၊ ချိန်ညှိထားသော R-squared သည် 0.4265 ဖြစ်သည်။

ဆုတ်ယုတ်မှု၏ စံအမှား

ဆုတ်ယုတ်မှု၏စံအမှားသည် သတိပြုမိသောတန်ဖိုးများနှင့် ဆုတ်ယုတ်မှုမျဉ်းကြားရှိ ပျမ်းမျှအကွာအဝေးဖြစ်သည်။ ဤဥပမာတွင်၊ လေ့လာထားသောတန်ဖိုးများသည် ဆုတ်ယုတ်မှုမျဉ်းမှ ပျမ်းမျှယူနစ် 7.3267 ဖြင့် သွေဖည်သွားပါသည်။

ဆက်စပ်- Regression ၏ စံအမှားကို နားလည်ခြင်း။

မှတ်ချက်များ

ဤသည်မှာ ကျွန်ုပ်တို့၏ဒေတာအတွဲရှိ စူးစမ်းမှု အရေအတွက်မျှသာဖြစ်သည်။ ဤဥပမာတွင်၊ လေ့လာတွေ့ရှိချက်စုစုပေါင်းမှာ 12 ဖြစ်သည် ။

ဆုတ်ယုတ်မှုပုံစံ၏ အလုံးစုံအရေးပါမှုကို စမ်းသပ်ခြင်း။

အောက်ဖော်ပြပါကဏ္ဍသည် လွတ်လပ်မှုဒီဂရီများ၊ လေးထောင့်ပေါင်းစုမှု၊ ပျမ်းမျှစတုရန်းများ၊ F ကိန်းဂဏန်းနှင့် ဆုတ်ယုတ်မှုပုံစံ၏ အလုံးစုံသော အရေးပါမှုကို ပြသထားသည်။

ဤအပိုင်းရှိ ဂဏန်းတစ်ခုစီကို မည်သို့အဓိပ္ပာယ်ဖွင့်ဆိုရမည်ကို ဤတွင် ဖော်ပြပါရှိသည်။

လွတ်လပ်မှု ဆုတ်ယုတ်မှု ဒီဂရီ

ဤကိန်းဂဏန်းနှင့် ညီမျှသည်- ဆုတ်ယုတ်မှုကိန်းဂဏန်း- 1. ဤဥပမာတွင်၊ ကျွန်ုပ်တို့တွင် မူလကိန်းဂဏန်းတစ်ခုနှင့် ကြိုတင်ခန့်မှန်းကိန်းရှင် နှစ်ခုရှိသည်၊ ထို့ကြောင့် ကျွန်ုပ်တို့တွင် စုစုပေါင်း ဆုတ်ယုတ်မှုကိန်းဂဏန်း (၃) ခုရှိသည်၊ ဆိုလိုသည်မှာ ဆုတ်ယုတ်မှု၏လွတ်လပ်မှုဒီဂရီများမှာ 3–1 ဖြစ်သည်။ = ၂ ။

စုစုပေါင်းလွတ်လပ်မှုဒီဂရီ

ဤကိန်းဂဏန်းသည်- စောင့်ကြည့်မှုအရေအတွက်- 1 နှင့် ညီမျှသည်။ ဤဥပမာတွင်၊ ကျွန်ုပ်တို့တွင် ရှုမြင်မှု 12 ခုရှိသည်၊ ထို့ကြောင့် လွတ်လပ်မှု၏ စုစုပေါင်းဒီဂရီအရေအတွက်မှာ 12 – 1 = 11 ဖြစ်သည် ။

ကျန်နေတဲ့ လွတ်လပ်မှု ဒီဂရီ

ဤဂဏန်းသည် စုစုပေါင်း df – regression df နှင့် ညီမျှသည်။ ဤဥပမာတွင်၊ ကျန်ရှိသော လွတ်လပ်မှုဒီဂရီမှာ 11 – 2 = 9 ဖြစ်သည်။

ဆိုလိုရင်းမှာ လေးထောင့်များဖြစ်သည်။

Regression ဆိုသည်မှာ စတုရန်းများကို SS regression/df regression ဖြင့် တွက်ချက်သည်။ ဤဥပမာတွင်၊ ဆုတ်ယုတ်မှု MS = 546.53308 / 2 = 273.2665 ။

ကျန်ရှိသော ပျမ်းမျှစတုရန်းများကို ကျန်ရှိသော SS/residual df ဖြင့် တွက်ချက်သည်။ ဤဥပမာတွင် ကျန်ရှိသော MS = 483.1335 / 9 = 53.68151 ။

F စာရင်းအင်း

f ကိန်းဂဏန်းကို MS regression/MS residual အဖြစ် တွက်ချက်သည်။ ဤကိန်းဂဏန်းသည် အမှီအခိုကင်းသော ကိန်းရှင်များမပါဝင်သည့် မော်ဒယ်ထက် ဒေတာနှင့် ပိုမိုကိုက်ညီမှုရှိမရှိကို ဖော်ပြသည်။

အခြေခံအားဖြင့်၊ ၎င်းသည် ဆုတ်ယုတ်မှုပုံစံတစ်ခုလုံးအတွက် အသုံးဝင်မှုရှိမရှိ စမ်းသပ်သည်။ ယေဘူယျအားဖြင့်၊ မော်ဒယ်ရှိ ကြိုတင်ခန့်မှန်းနိုင်သော ကိန်းရှင်များသည် ကိန်းဂဏန်းအရ သိသာထင်ရှားပါက၊ အလုံးစုံ F ကိန်းဂဏန်းသည်လည်း ကိန်းဂဏန်းအရ သိသာထင်ရှားမည်မဟုတ်ပေ။

ဤဥပမာတွင်၊ F ကိန်းဂဏန်းသည် 273.2665 / 53.68151 = 5.09 ဖြစ်သည် ။

F (P တန်ဖိုး) ၏ အရေးပါမှု

ဇယားရှိ နောက်ဆုံးတန်ဖိုးသည် F ကိန်းဂဏန်းနှင့် ဆက်စပ်နေသည့် p-တန်ဖိုးဖြစ်သည်။ အလုံးစုံဆုတ်ယုတ်မှုပုံစံသည် သိသာထင်ရှားမှုရှိ၊ မရှိကြည့်ရန်၊ သင်သည် p-value ကို အရေးပါသည့်အဆင့်နှင့် နှိုင်းယှဉ်နိုင်သည်။ ဘုံရွေးချယ်မှုများမှာ .01၊ .05၊ နှင့် .10 ဖြစ်သည်။

p-value သည် သိသာထင်ရှားမှုအဆင့်အောက်တွင်ရှိနေပါက၊ ဆုတ်ယုတ်မှုပုံစံသည် ကြိုတင်ခန့်မှန်းကိန်းရှင်မရှိပါက မော်ဒယ်ထက်ဒေတာပိုမိုကိုက်ညီကြောင်း ကောက်ချက်ချရန် လုံလောက်သောအထောက်အထားရှိပါသည်။ မော်ဒယ်၏ ခန့်မှန်းချက်ကိန်းရှင်များသည် မော်ဒယ်၏ အံဝင်ခွင်ကျမှုကို အမှန်တကယ် တိုးတက်စေသောကြောင့် ဤရလဒ်သည် အပြုသဘောဆောင်ပါသည်။

ဤဥပမာတွင်၊ p-value သည် 0.033 ဖြစ်ပြီး 0.05 ၏ ဘုံအရေးပါမှုအဆင့်အောက်တွင်ရှိသည်။ ဆုတ်ယုတ်မှုပုံစံတစ်ခုလုံးသည် ကိန်းဂဏန်းအချက်အလတ်အရ သိသာထင်ရှားကြောင်း ညွှန်ပြသည်၊ ဆိုလိုသည်မှာ မော်ဒယ်သည် ကြိုတင်ခန့်မှန်းကိန်းရှင်များမပါဘဲ မော်ဒယ်ထက် ဒေတာကို ပိုမိုကောင်းမွန်စွာ အံဝင်ခွင်ကျဖြစ်စေသည်။

ဆုတ်ယုတ်မှုပုံစံ၏ အလုံးစုံအရေးပါမှုကို စမ်းသပ်ခြင်း။

နောက်ဆုံးအပိုင်းတွင် ကိန်းဂဏန်းခန့်မှန်းချက်များ၊ ခန့်မှန်းချက်များ၏ စံလွဲချော်မှု၊ t-statistic၊ p-values နှင့် regression model ရှိ ဝေါဟာရတစ်ခုစီအတွက် ယုံကြည်မှုကြားကာလများကို တင်ဆက်ထားသည်။

ဤအပိုင်းရှိ ဂဏန်းတစ်ခုစီကို မည်သို့အဓိပ္ပာယ်ဖွင့်ဆိုရမည်ကို ဤတွင် ဖော်ပြပါရှိသည်။

ကိန်းဂဏန်းများ

ကိန်းဂဏန်းများသည် ခန့်မှန်းခြေဆုတ်ယုတ်မှုညီမျှခြင်းကို ရေးသားရန် လိုအပ်သော ဂဏန်းများကို ပေးသည်-

y _{ဦးထုပ်} = b ₀ + b ₁ x ₁ + b ₂ x ₂ ။

ဤဥပမာတွင်၊ ခန့်မှန်းခြေဆုတ်ယုတ်မှုညီမျှခြင်းမှာ-

နောက်ဆုံးစာမေးပွဲရမှတ် = 66.99 + 1.299 (စာသင်ချိန်) + 1.117 (အကြိုစာမေးပွဲများ)

ပေးထားသော ခန့်မှန်းပေးသူကိန်းရှင်တစ်ခုစီတွင် တစ်ယူနစ်တစ်ခုစီတိုးလာမှုအတွက် ပျမ်းမျှတုံ့ပြန်မှုကိန်းရှင်၏ ပျမ်းမျှတိုးနှုန်းကို ကိန်းသေတစ်ခုစီတွင် အဓိပ္ပာယ်ဖွင့်ဆိုသည်၊၊ အခြားကြိုတင်ခန့်မှန်းသူကိန်းရှင်အားလုံးသည် အမြဲမပြတ်ရှိနေသည်ဟု ယူဆပါသည်။ ဥပမာအားဖြင့်၊ ထပ်မံလေ့လာခဲ့သည့် နာရီတိုင်းအတွက်၊ နောက်ဆုံးအဆင့် စာမေးပွဲရမှတ်တွင် မျှော်မှန်းထားသည့် ပျမ်းမျှတိုးလာမှုသည် 1,299 မှတ် ဖြစ်ပြီး ကြိုတင်ပြင်ဆင်သည့် စာမေးပွဲအရေအတွက်သည် စဉ်ဆက်မပြတ်ရှိနေသည်ဟု ယူဆပါသည်။

အဆိုပါ ကြားဖြတ်အား သုညနာရီဖြင့် လေ့လာပြီး ကြိုတင်ပြင်ဆင်မှု စာမေးပွဲမဖြေဆိုသည့် ကျောင်းသားအတွက် နောက်ဆုံးစာမေးပွဲတွင် မျှော်လင့်ထားသည့် ပျမ်းမျှအဆင့်အဖြစ် အဓိပ္ပာယ်ဖွင့်ဆိုသည်။ ဤဥပမာတွင်၊ ကျောင်းသားတစ်ဦးသည် သုညနာရီကြာ စာကျက်ပြီး ကြိုတင်စာမေးပွဲမဖြေဆိုပါက ရမှတ် 66.99 ရရှိရန် မျှော်လင့်ပါသည်။ ဆုတ်ယုတ်မှုရလဒ်၏ ကြားဖြတ်ကို ဘာသာပြန်ဆိုရာတွင် သတိပြုပါ။

ဥပမာအားဖြင့်၊ အချို့သောကိစ္စများတွင် ကြားဖြတ်သည် မကြာခဏ ရှင်းရှင်းလင်းလင်း အဓိပ္ပာယ်ဖွင့်ဆိုခြင်းမရှိသော အနုတ်ဂဏန်းအဖြစ် ပြောင်းလဲသွားနိုင်သည်။ ၎င်းသည် မော်ဒယ်မှားသည်ဟု မဆိုလိုပါ၊ ၎င်းသည် ကြားဖြတ်ဖမ်းယူမှုကိုယ်တိုင်က မည်သည့်အရာကိုမျှ အဓိပ္ပါယ်မဖော်သင့်ဟု ဆိုလိုခြင်းဖြစ်သည်။

စံအမှား၊ t စာရင်းဇယားနှင့် p တန်ဖိုးများ

စံအမှားသည် ကိန်းရှင်တစ်ခုစီအတွက် coefficient ခန့်မှန်းချက်ဝန်းကျင် မသေချာမှု အတိုင်းအတာတစ်ခုဖြစ်သည်။

t-stat သည် ရိုးရိုးစံအမှားဖြင့် ပိုင်းခြားထားသော ကိန်းဂဏန်းဖြစ်သည်။ ဥပမာအားဖြင့်၊ စာသင်ချိန် အတွက် t-stat သည် 1.299 / 0.417 = 3.117 ဖြစ်သည်။

နောက်ကော်လံတွင် t-stat နှင့်ဆက်စပ်နေသော p-value ကိုပြသည်။ မော်ဒယ်တွင် ပေးထားသော တုံ့ပြန်မှုကိန်းရှင်သည် သိသာမှုရှိမရှိ ဤနံပါတ်ကို ပြောပြသည်။ ဤဥပမာတွင်၊ လေ့လာမှုနာရီ များအတွက် p-တန်ဖိုးသည် 0.012 ဖြစ်ပြီး ကြိုတင်ပြင်ဆင်မှုစာမေးပွဲများ အတွက် p-တန်ဖိုးသည် 0.304 ဖြစ်ကြောင်း ကျွန်ုပ်တို့တွေ့မြင်ရသည်။ ၎င်းသည် စာသင်ချိန်များသည် လက်တွေ့စာမေးပွဲများ ကဲ့သို့မဟုတ်ဘဲ နောက်ဆုံးစာမေးပွဲအဆင့်၏ သိသာထင်ရှားသော ခန့်မှန်းချက်ဖြစ်ကြောင်း ဖော်ပြသည်။

ကိန်းဂဏန်းခန့်မှန်းချက်များအတွက် ယုံကြည်မှုကြားကာလ

ဇယား၏နောက်ဆုံးကော်လံနှစ်ခုသည် coefficient ခန့်မှန်းချက်များအတွက် 95% ယုံကြည်မှုကြားကာလ၏ အောက်နှင့်အပေါ်ပိုင်းဘောင်များကို ပေးပါသည်။

ဥပမာအားဖြင့်၊ လေ့လာမှုနာရီ များအတွက် ကိန်းဂဏန်းခန့်မှန်းချက်မှာ 1.299 ဖြစ်သော်လည်း ဤခန့်မှန်းချက်နှင့်ပတ်သက်၍ မသေချာမရေရာမှုအချို့ရှိပါသည်။ ဒါက ကိန်းဂဏန်း အတိအကျ ဟုတ်မဟုတ် အတိအကျ မသိနိုင်ပါဘူး။ ထို့ကြောင့် 95% ယုံကြည်မှုကြားကာလသည် ကျွန်ုပ်တို့အား စစ်မှန်သော coefficient အတွက် ဖြစ်နိုင်ခြေတန်ဖိုးများ အကွာအဝေးကို ပေးပါသည်။

ဤကိစ္စတွင်၊ လေ့လာမှုနာရီ များအတွက် 95% ယုံကြည်မှုကြားကာလသည် (0.356၊ 2.24) ဖြစ်သည်။ ဤယုံကြည်မှုကြားကာလတွင် ကိန်းဂဏန်း “ 0” မပါဝင်ကြောင်း မှတ်သားထားပါ၊ ဆိုလိုသည်မှာ လေ့လာမှုနာရီ ၏ ဖော်ကိန်း၏ စစ်မှန်သောတန်ဖိုးသည် သုညမဟုတ်သော၊ အပြုသဘောဆောင်သော နံပါတ်ဖြစ်ကြောင်း သတိပြုပါ။

ဆန့်ကျင်ဘက်အားဖြင့်၊ ကြိုတင်ပြင်ဆင်စာမေးပွဲများ အတွက် 95% ယုံကြည်မှုကြားကာလမှာ (-1.201၊ 3.436) ဖြစ်သည်။ ဤယုံကြည်မှုကြားကာလတွင် နံပါတ် “ 0” ပါ ၀င်သည်ဆိုလိုသည်မှာ ကြိုတင်ပြင်ဆင်စာမေးပွဲ များ၏ ကိန်းဂဏန်းအမှန်တန်ဖိုးသည် သုညဖြစ်နိုင်သည်၊ ဆိုလိုသည်မှာ နောက်ဆုံးစာမေးပွဲ၏ရလဒ်ကို ခန့်မှန်းရာတွင် သိသာထင်ရှားခြင်းမရှိပေ။

ထပ်လောင်းအရင်းအမြစ်များ

Linear Regression အတွက် Null Hypothesis ကို နားလည်ခြင်း။
ဆုတ်ယုတ်မှုတွင် ယေဘုယျသိသာထင်ရှားမှုများအတွက် F Test ကို နားလည်ခြင်း။
ဆုတ်ယုတ်မှုရလဒ်များကို မည်သို့အစီရင်ခံမည်နည်း။