ဆုတ်ယုတ်မှုတွင် ယေဘုယျသိသာထင်ရှားသည့် f-test ကို နားလည်ရန် ရိုးရှင်းသောလမ်းညွှန်

ဤသင်ခန်းစာသည် ဆုတ်ယုတ်မှုဇယား၏အထွက်တွင် F ကိန်းဂဏန်းကို မည်သို့ခွဲခြားသတ်မှတ်ရသည့်အပြင် ဤကိန်းဂဏန်းနှင့် ၎င်း၏သက်ဆိုင်သော p-တန်ဖိုးကို အဓိပ္ပာယ်ဖွင့်ဆိုပုံတို့ကို ရှင်းပြထားသည်။

Overall Significance F Test ကို နားလည်ခြင်း။

ဆုတ်ယုတ်မှုတွင် အလုံးစုံအရေးပါမှုများအတွက် F-test သည် သင့်မျဉ်းကြောင်းဆုတ်ယုတ်မှုပုံစံသည် ခန့်မှန်းတွက်ချက်နိုင်သောကိန်းရှင်များမပါဘဲ မော်ဒယ်ထက် ဒေတာအတွဲတစ်ခုနှင့် ပိုမိုကိုက်ညီမှုရှိမရှိ ဆုံးဖြတ်ရန် စမ်းသပ်မှုတစ်ခုဖြစ်သည်။

F test သည် အောက်ပါ ယူဆချက်နှစ်ခုအပေါ် အခြေခံပါသည်။

Null hypothesis ( _H0 ) : ကြိုတင်ခန့်မှန်းကိန်းရှင်များမပါသော မော်ဒယ်သည် ( ကြားဖြတ်-သပ်သပ် မော်ဒယ် ဟုလည်း ခေါ်သည်) သည် ဒေတာအပြင် သင့်ဆုတ်ယုတ်မှုပုံစံနှင့် ကိုက်ညီပါသည်။

Alternative hypothesis ( _HA ) : သင်၏ ဆုတ်ယုတ်မှုပုံစံသည် ကြားဖြတ်တစ်ခုတည်းသော မော်ဒယ်ထက် ဒေတာကို ပိုမိုကောင်းမွန်စွာ ကိုက်ညီပါသည်။

သင်သည် ဒေတာအတွဲတစ်ခုနှင့် ဆုတ်ယုတ်မှုပုံစံတစ်ခုကို အံဝင်ခွင်ကျဖြစ်စေသောအခါ၊ ဆုတ်ယုတ်မှုဇယားကို အထွက်အဖြစ် လက်ခံရရှိမည်ဖြစ်ပြီး၊ ၎င်းသည် F ကိန်းဂဏန်းနှင့် သက်ဆိုင်သော p-တန်ဖိုးကို သင့်အား ပြောပြပေးမည်ဖြစ်သည်။

p-value သည် သင်ရွေးချယ်သော အရေးပါမှုအဆင့်ထက် နည်းနေပါက ( ဘုံရွေးချယ်မှုများမှာ 0.01၊ 0.05၊ နှင့် 0.10) ဖြစ်လျှင် သင်၏ ဆုတ်ယုတ်မှုပုံစံသည် မူလပုံစံအတိုင်း ဒေတာနှင့်သာ ကိုက်ညီကြောင်း ကောက်ချက်ချရန် လုံလောက်သော အထောက်အထားရှိသည်။ မော်ဒယ်။

ဥပမာ- ဆုတ်ယုတ်မှုတွင် F စမ်းသပ်မှု

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-

ဤရလဒ်များမှ ကျွန်ုပ်တို့သည် ANOVA ဇယားတွင် ပေးထားသည့် F ကိန်းဂဏန်းနှင့် ဇယားရှိ F Significance ဟုတံဆိပ်တပ်ထားသည့် ဤ F ကိန်းဂဏန်း၏ p-တန်ဖိုးကို ကျွန်ုပ်တို့အာရုံစိုက်ပါမည်။ ကျွန်ုပ်တို့သည် အရေးပါမှုအဆင့်အဖြစ် 0.05 ကို ရွေးချယ်ပါမည်။

F-စာရင်းအင်း- 5.090515

P-တန်ဖိုး- 0.0332

နည်းပညာမှတ်စု- F ကိန်းဂဏန်းကို MS ကျန်ရှိသော ဖြင့် ပိုင်းခြားထားသော MS ဆုတ်ယုတ်မှုအဖြစ် တွက်ချက်သည်။ ဤကိစ္စတွင်၊ MS ဆုတ်ယုတ်မှု / MS ကျန်ရှိသော = 273.2665 / 53.68151 = 5.090515 ။

p-value သည် အရေးပါမှုအဆင့်အောက်တွင်ရှိနေသောကြောင့်၊ ကျွန်ုပ်တို့၏ဆုတ်ယုတ်မှုပုံစံသည် ကြားဖြတ်တစ်ခုတည်းသောပုံစံထက် ဒေတာနှင့်ကိုက်ညီကြောင်း ကျွန်ုပ်တို့ကောက်ချက်ချနိုင်ပါသည်။

ဤတိကျသောပြဿနာ၏အခြေအနေတွင်၊ မော်ဒယ်ရှိ ကျွန်ုပ်တို့၏ လေ့လာမှုနာရီများ နှင့် ကြိုတင်ပြင်ဆင်မှုစာမေးပွဲများကို ခန့်မှန်းပေးသည့်ကိန်းရှင်များကိုအသုံးပြုခြင်းဖြင့် ၎င်းတို့ကိုဖယ်ထားခဲ့ကာ ရိုးရှင်းစွာကြားဖြတ်ပုံစံကို ရိုးရှင်းစွာအသုံးပြုခြင်းထက် ဒေတာကိုပိုမိုအံဝင်ခွင်ကျဖြစ်စေနိုင်သည်ဟု ဆိုလိုသည်။

F-Test of Overall Significance ကို ဘာသာပြန်ခြင်းဆိုင်ရာ မှတ်စုများ

ယေဘူယျအားဖြင့်၊ သင်၏ ခန့်မှန်းချက်ကိန်းရှင်များသည် ကိန်းဂဏန်းအရ သိသာထင်ရှားခြင်းမရှိပါက၊ F-test တစ်ခုလုံးသည် ကိန်းဂဏန်းအရ သိသာထင်ရှားမည်မဟုတ်ပေ။

သို့သော်၊ အချို့သောကိစ္စများတွင် ၎င်းသည် ကိစ္စရပ်မဟုတ်ပေ၊ အဘယ်ကြောင့်ဆိုသော် ခန့်မှန်းသူကိန်းရှင်အားလုံးသည် ပူးတွဲ သိသာမှုရှိမရှိ F-test သည် အဘယ်ကြောင့်ဆိုသော် ခန့်မှန်းသူကိန်းရှင်တစ်ခုစီအတွက် T-test သည် ခန့်မှန်းသူကိန်းရှင်တစ်ခုစီအတွက် သိသာထင်ရှားမှုရှိမရှိ ရိုးရိုးရှင်းရှင်းစမ်းသပ်နေသောကြောင့်ဖြစ်သည်။ တစ်ဦးချင်း သိသာထင်ရှားသည်။

ထို့ကြောင့် F test သည် ကြိုတင်ခန့်မှန်းနိုင်သောကိန်းရှင်များ အားလုံးသည် ပူးတွဲသိသာထင်ရှားမှုရှိမရှိ ဆုံးဖြတ်သည်။

ခန့်မှန်းသူကိန်းရှင်တစ်ခုစီသည် သိသာထင်ရှားခြင်းမရှိသော်လည်း F test က ပေါင်းစပ်ထားသော ခန့်မှန်းသူကိန်းရှင်အားလုံးသည် ပူးတွဲသိသာထင်ရှားကြောင်း ညွှန်ပြနေပါသည်။

နည်းပညာမှတ်စု- ယေဘူယျအားဖြင့်၊ မော်ဒယ်တွင် သင့်တွင် ခန့်မှန်းနိုင်သော ကိန်းရှင်များ ပိုများလေ၊ F ကိန်းဂဏန်းနှင့် သက်ဆိုင်သော p-value သည် ကိန်းဂဏန်းအရ သိသာထင်ရှားလာမည့် ဖြစ်နိုင်ခြေ ပိုများလေဖြစ်သည်။

ဆုတ်ယုတ်မှုတစ်ခု၏ output တွင် သင်တွေ့ရမည့် နောက်ထပ်မက်ထရစ်မှာ R-squared ဖြစ်ပြီး၊ ခန့်မှန်းသူကိန်းရှင်များနှင့် တုံ့ပြန်မှုကိန်းရှင်ကြားရှိ မျဉ်းကြောင်းဆက်နွယ်မှု၏ အင်အားကို တိုင်းတာသည့် အခြားမက်ထရစ်တစ်ခုဖြစ်သည်။

R-squared သည် သင့်အား ခန့်မှန်းပေးသူ variable များကို တုံ့ပြန်မှုကိန်းရှင်နှင့် ပြင်းပြင်းထန်ထန် ဆက်စပ်နေသည့်အတိုင်းအတာကို အကြံဥာဏ်ပေးနိုင်သော်လည်း၊ ၎င်းသည် ဤဆက်နွယ်မှုအတွက် တရားဝင်စာရင်းအင်းစစ်ဆေးမှုကို မပေးပေ။

ထို့ကြောင့် F-Test သည် တရားဝင်စာရင်းအင်းစစ်ဆေးမှုဖြစ်သောကြောင့် အသုံးဝင်ပါသည်။ ထို့အပြင်၊ F-test တစ်ခုလုံးသည် သိသာထင်ရှားပါက၊ R-squared သည် သုညမဟုတ်ကြောင်းနှင့် ခန့်မှန်းသူကိန်းရှင်(များ) နှင့် တုံ့ပြန်မှုကိန်းရှင်ကြား ဆက်စပ်မှုသည် ကိန်းဂဏန်းအရ သိသာထင်ရှားကြောင်း ကောက်ချက်ချနိုင်ပါသည်။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါ သင်ခန်းစာများသည် ဆုတ်ယုတ်မှုပုံစံများတွင် အခြားဘုံတန်ဖိုးများကို အဓိပ္ပာယ်ဖွင့်ဆိုပုံကို ရှင်းပြသည်-

Regression Table ကို ဘယ်လိုဖတ်ပြီး အဓိပါယ်ရမလဲ
Regression ၏ Standard Error ကို နားလည်ခြင်း။
ကောင်းသော R-squared တန်ဖိုးဆိုသည်မှာ အဘယ်နည်း။