Spss တွင် logistic regression လုပ်နည်း

Logistic regression သည် တုံ့ပြန်မှု variable binary ဖြစ်သောအခါ regression model နှင့်ကိုက်ညီရန် ကျွန်ုပ်တို့အသုံးပြုသည့်နည်းလမ်းတစ်ခုဖြစ်သည်။

ဤသင်ခန်းစာသည် SPSS တွင် ထောက်ပံ့ပို့ဆောင်ရေးဆုတ်ယုတ်မှုကို မည်သို့လုပ်ဆောင်ရမည်ကို ရှင်းပြထားသည်။

ဥပမာ- SPSS တွင် logistic regression

၎င်းတို့၏ GPA ကိုအခြေခံ၍ ကောလိပ်ဘတ်စကတ်ဘောကစားသမားများကို NBA တွင် ရေးဆွဲထားခြင်း ရှိ၊ မရှိ ညွှန်ပြသည့် ဒေတာအစုံအတွက် SPSS တွင် ထောက်ပံ့ပို့ဆောင်ရေးဆုတ်ယုတ်မှုလုပ်ဆောင်ရန် အောက်ပါအဆင့်များကို အသုံးပြုပါ။ တစ်ပွဲလျှင် အမှတ်များနှင့် ၎င်းတို့၏ ကွဲပြားမှုအဆင့်။

အဆင့် 1: ဒေတာကိုထည့်ပါ။

ပထမဦးစွာ အောက်ပါဒေတာကို ထည့်သွင်းပါ။

အဆင့် 2- ထောက်ပံ့ပို့ဆောင်ရေး ဆုတ်ယုတ်မှုကို လုပ်ဆောင်ပါ။

Analyze tab ကိုနှိပ်ပါ၊ ထို့နောက် Regression ၊ ထို့နောက် Binary Logistic Regression ကို နှိပ်ပါ။

ပေါ်လာသည့် ဝင်းဒိုးအသစ်တွင်၊ ဒွိတုံ့ပြန်မှုပြောင်းလဲနိုင်သော ပရောဂျက်ကို မှီခိုမှုဟု အမည်တပ်ထားသော ဧရိယာသို့ ဆွဲယူပါ။ ထို့နောက် Block 1 of 1 ဟုအမည်တပ်ထားသော အကွက်ထဲသို့ ကော်လံ နှင့် ပိုင်းခြားမှုကို ဆွဲယူပါ။ ထည့်သွင်းရန် သတ်မှတ်ထားသော နည်းလမ်းကို ချန်ထားပါ။ ထို့နောက် OK ကိုနှိပ်ပါ။

အဆင့် ၃။ ရလဒ်ကို ဘာသာပြန်ပါ။

OK ကို နှိပ်လိုက်သည်နှင့်၊ logistic regression ရလဒ် ပေါ်လာလိမ့်မည်-

ဤသည်မှာ ရလဒ်ကို မည်သို့အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်သည်-

မော်ဒယ်အနှစ်ချုပ်- ဤဇယားရှိ အသုံးဝင်ဆုံးမက်ထရစ်မှာ ခန့်မှန်းသူကိန်းရှင်များဖြင့် ရှင်းပြနိုင်သည့် တုံ့ပြန်မှုကိန်း ရှင်၏ ကွဲလွဲမှုရာခိုင်နှုန်းကို ပြောပြသည့် Nagelkerke R Square ဖြစ်သည်။ ဤကိစ္စတွင်၊ အမှတ်များနှင့် ပိုင်းခြားမှုသည် မူကြမ်းကွဲပြားမှု၏ 72.5% ကို ရှင်းပြနိုင်သည်။

အမျိုးအစားခွဲခြားခြင်းဇယား- ဤဇယားရှိ အသုံးဝင်ဆုံးမက်ထရစ်သည် အလုံးစုံရာခိုင်နှုန်းဖြစ်ပြီး၊ ၎င်းသည် ကျွန်ုပ်တို့အား မော်ဒယ်မှန်ကန်စွာ ခွဲခြားနိုင်ခဲ့သည့် လေ့လာတွေ့ရှိမှုရာခိုင်နှုန်းကို ပြောပြသည်။ ဤကိစ္စတွင်၊ ထောက်ပံ့ပို့ဆောင်ရေး ဆုတ်ယုတ်မှုပုံစံသည် ကစားသမားများ၏ 85.7% ၏ မူကြမ်းရလဒ်ကို မှန်ကန်စွာ ခန့်မှန်းနိုင်ခဲ့သည်။

ညီမျှခြင်းရှိ ကိန်းရှင်များ- ဤနောက်ဆုံးဇယားသည် ကျွန်ုပ်တို့အား အပါအဝင် အသုံးဝင်သော အတိုင်းအတာများစွာကို ပေးဆောင်သည်-

• Wald- ခန့်မှန်းသူကိန်းရှင်တစ်ခုစီအတွက် Wald စမ်းသပ်မှုစာရင်းအင်း၊ ခန့်မှန်းသူကိန်းရှင်တစ်ခုစီသည် ကိန်းဂဏာန်းသိသာမှုရှိမရှိ ဆုံးဖြတ်ရန်အသုံးပြုသည်။
• Sig- ခန့် မှန်းသူကိန်းရှင်တစ်ခုစီအတွက် Wald စမ်းသပ်ကိန်းဂဏန်းနှင့် ကိုက်ညီသည့် p-တန်ဖိုး။ ရမှတ် များအတွက် p-တန်ဖိုးသည် 0.039 ဖြစ်ပြီး ပိုင်းခြားမှုအတွက် p-တန်ဖိုးသည် 0.557 ဖြစ်ကြောင်း ကျွန်ုပ်တို့မြင်သည်။
• Exp(B)- ခန့်မှန်းသူကိန်းရှင်တစ်ခုစီအတွက် ထူးထူးခြားခြားအချိုး။ ၎င်းသည် ပေးထားသည့် ကြိုတင်ခန့်မှန်းကိန်းရှင်တစ်ခုရှိ တစ်ယူနစ်တိုးမှုနှင့် ဆက်စပ်ရေးဆွဲထားသော ကစားသမားတစ်ဦး၏ ပေါက်ကြားမှုပြောင်းလဲမှုကို ပြောပြသည်။ ဥပမာအားဖြင့်၊ ရေးဆွဲနေသည့် Division 1 ကစားသမားတစ်ဦး၏ ပေါက်ကြားမှုနှုန်းသည် ရေးဆွဲနေသည့် Division 1 ကစားသမားတစ်ဦး၏ အလေးသာမှု၏ 0.339 သာဖြစ်သည်။ အလားတူပင်၊ ဂိမ်းတစ်ခုလျှင် အမှတ်များ တိုးလာမှုတစ်ခုစီသည် ရေးဆွဲထားသည့် ကစားသမားတစ်ဦး၏ အရေအတွက် 1,319 တိုးမှုနှင့် ဆက်စပ်နေသည်။

ထို့နောက် ကျွန်ုပ်တို့သည် အောက်ပါဖော်မြူလာကို အသုံးပြု၍ ပေးထားသောကစားသမားတစ်ဦးရေးဆွဲမည့်ဖြစ်နိုင်ခြေကို ခန့်မှန်းရန် (B တံဆိပ်တပ်ထားသော ကော်လံရှိတန်ဖိုးများ) ကိန်းဂဏန်းများကို အသုံးပြုနိုင်သည်။

ဖြစ်နိုင်ခြေ = e ^{-3.152 + 0.277 (မှတ်) – 1.082 (ပိုင်းခြားမှု)} / (1+e ^{-3.152 + 0.277 (မှတ်) – 1.082 (ပိုင်းခြားမှု)} )

ဥပမာအားဖြင့်၊ ဂိမ်းတစ်ခုလျှင် ပျမ်းမျှရမှတ် 20 နှင့် Division 1 တွင်ကစားမည့် ကစားသမားတစ်ဦး၏ ဖြစ်နိုင်ခြေကို အောက်ပါအတိုင်း တွက်ချက်နိုင်သည်-

ဖြစ်နိုင်ခြေ = e ^{-3.152 + 0.277(20) – 1.082(1)} / (1+e ^{-3.152 + 0.277(20) – 1.082(1)} ) = 0.787 ။

ဤဖြစ်နိုင်ခြေသည် 0.5 ထက် ပိုများသောကြောင့်၊ ဤကစားသမားကို ရေးဆွဲမည်ဟု ကျွန်ုပ်တို့ ခန့်မှန်းပါသည်။

အဆင့် 4. ရလဒ်များကို သတင်းပို့ပါ။

နောက်ဆုံးတွင်၊ ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏ logistic regression ၏ရလဒ်များကို အစီရင်ခံလိုပါသည်။ ဤသည်မှာ ဤအရာကို ပြုလုပ်ပုံ၏ ဥပမာတစ်ခုဖြစ်သည်။

ဂိမ်းတစ်ခုလျှင် ရမှတ်များနှင့် တန်းခွဲအဆင့်တွင် ဘတ်စကက်ဘောကစားသမားတစ်ဦး၏ ဖြစ်နိုင်ခြေကို မည်ကဲ့သို့ အကျိုးသက်ရောက်စေသည်ကို ဆုံးဖြတ်ရန် ထောက်ပံ့ပို့ဆောင်မှု ဆုတ်ယုတ်မှုကို လုပ်ဆောင်ခဲ့သည်။ ခွဲခြမ်းစိတ်ဖြာမှုတွင် စုစုပေါင်း ကစားသမား ၁၄ ဦးကို အသုံးပြုခဲ့သည်။

မော်ဒယ်က ပရောဂျက်ရလဒ် ကွဲလွဲမှု၏ 72.5% ကို ရှင်းပြပြီး အမှုများ၏ 85.7% ကို မှန်ကန်စွာ ခွဲခြားထားသည်။

ရေးဆွဲနေသည့် Division 2 ကစားသမားတစ်ဦး၏ ပေါက်ကြားမှုနှုန်းသည် ရေးဆွဲနေသည့် Division 1 ကစားသမားတစ်ဦး၏ အလေးသာမှု၏ 0.339 သာဖြစ်သည်။

ဂိမ်းတစ်ခုလျှင် ရမှတ်များ တိုးလာမှုတစ်ခုစီသည် ရေးဆွဲထားသည့် ကစားသမားတစ်ဦး၏ နှုန်းထားများ 1,319 တိုးလာခြင်းနှင့် ဆက်စပ်နေသည်။