Category: လမ်းညွှန်
J. Roger Bray နှင့် John Thomas Curtis တို့၏ အစွဲဖြင့် အမည်ပေးထားသည့် Bray-Curtis ကွဲပြားမှု သည် မတူညီသောဆိုက်နှစ်ခုကြားရှိ ကွဲပြားမှုကို တိုင်းတာသည့်နည်းလမ်းတစ်ခုဖြစ်သည်။ ၎င်းကို ဂေဟဗေဒနှင့် ဇီဝဗေဒတွင် ဆိုက်နှစ်ခုကြားရှိ ကွာခြားချက်ကို တွက်ချက်ရန် ထိုနေရာများတွင် တွေ့ရသော မျိုးစိတ်များအကြောင်း မကြာခဏ အသုံးပြုသည်။ Bray-Curtis ကွဲပြားမှုကို အောက်ပါအတိုင်း တွက်ချက်သည်။ BC ij = 1 – (2*C ij ) / (S...
စာရင်းဇယားများတွင်၊ omnibus စမ်းသပ်မှု သည် မော်ဒယ်တစ်ခု၏ အတိုင်းအတာများစွာ၏ အရေးပါမှုကို တစ်ပြိုင်နက် စမ်းသပ်သည့် မည်သည့် ကိန်းဂဏန်းဆိုင်ရာ စမ်းသပ်မှုမဆို ဖြစ်သည်။ ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့တွင် အောက်ပါ null နှင့် အခြားအခြားသော ယူဆချက်များရှိသည် ဆိုပါစို့။ H 0 : μ 1 = μ 2 = μ 3 = … = μ k (လူဦးရေအားလုံးသည် တူညီသည်) H A...
ကိန်းဂဏန်းစာရင်းဇယားများတွင်၊ အံဝင်ခွင်ကျကောင်းမွန်မှုအတွက် G စစ်ဆေးမှုအား အမျိုးအစားခွဲကိန်းရှင်တစ်ခုသည် တွေးခေါ်မှုဆိုင်ရာ ဖြန့်ဝေမှုနောက်သို့လိုက်ခြင်း ရှိ၊ မရှိ ဆုံးဖြတ်ရန် အသုံးပြုသည်။ ဤစစ်ဆေးမှုသည် chi-square goodness-of-fit test ၏ အခြားရွေးချယ်မှုတစ်ခုဖြစ်ပြီး ဒေတာတွင် အစွန်းအထင်းများရှိနေသည့်အခါ သို့မဟုတ် သင်လုပ်ဆောင်နေသောဒေတာသည် အလွန်ကြီးမားသောအခါတွင် အသုံးပြုလေ့ရှိပါသည်။ G-Test of goodness of fit သည် အောက်ပါ null နှင့် အခြား hypotheses ကို အသုံးပြုသည် ။ H 0 : ကိန်းရှင်တစ်ခုသည်...
Berkson ဘက်လိုက်မှုသည် နမူနာတစ်ခု၏ဒေတာတွင် အနုတ်လက္ခဏာဆက်နွယ်နေပုံပေါ်သော်လည်း မတူညီသောကိန်းရှင်နှစ်ခုသည် သုတေသနတွင်ဖြစ်ပေါ်သည့် ဘက်လိုက်မှုအမျိုးအစားတစ်ခုဖြစ်ပြီး အမှန်တကယ်အားဖြင့် စုစုပေါင်း လူဦးရေ တွင် အပြုသဘောဆက်စပ်နေပါသည်။ ဥပမာအားဖြင့်၊ တွမ်သည် ဒေသတွင်း စားသောက်ဆိုင်များတွင် ဟမ်ဘာဂါနှင့် မစ်ရှိတ်အရည်အသွေးတို့ကြား ဆက်နွယ်မှုကို လေ့လာလိုသည်ဆိုပါစို့။ ၎င်းသည် ထွက်လာပြီး မတူညီသော စားသောက်ဆိုင် ခုနစ်ခုရှိ အောက်ပါအချက်အလက်များကို စုဆောင်းပါသည်။ ၎င်းသည် ဒေတာများကို မြင်ယောင်နိုင်ရန် ဖြန့်ကျက်ကြံစည်မှုကို ဖန်တီးသည်- ဤကိန်းရှင်နှစ်ခုကြားရှိ Pearson ဆက်စပ်ဆက်စပ်ကိန်း သည် -0.75 ဖြစ်သည်၊ ၎င်းသည် ပြင်းထန်သောအနုတ်လက္ခဏာဆက်စပ်မှုနှင့် သက်ဆိုင်သည်။...
ကိန်းဂဏန်းစာရင်းဇယားများတွင်၊ ထူးထူးခြားခြားအချိုးသည် ကုသမှုအုပ်စုတစ်ခုအတွင်း ဖြစ်ပွားနိုင်ခြေနှင့် ထိန်းချုပ်မှုအုပ်စုတွင် ဖြစ်ပွားသည့် ဖြစ်ရပ်တစ်ခုဖြစ်နိုင်ခြေကြားအချိုးကို ပြောပြသည်။ တစ်ခု သို့မဟုတ် တစ်ခုထက်ပို သော ခန့်မှန်းချက်ကိန်း ရှင်များနှင့် binary တုံ့ပြန်မှု variable တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော ဆုတ်ယုတ်မှုပုံစံတစ်ခုနှင့် ကိုက်ညီရန် ကျွန်ုပ်တို့အသုံးပြုသည့် နည်းလမ်းတစ်ခုဖြစ်သည့် ထောက်လှမ်းဆုတ်ယုတ်မှုတွင် အတိုးနှုန်းများ အချိုးအစားများ အများဆုံးပေါ်နေသည်။ ချိန်ညှိထားသော odds အချိုး သည် မော်ဒယ်တစ်ခုရှိ အခြားကြိုတင်ခန့်မှန်းကိန်းရှင်များအတွက် ချိန်ညှိထားသည့် လေးနက်မှုအချိုးတစ်ခုဖြစ်သည်။ အခြားကြိုတင်ခန့်မှန်းကိန်းရှင်များ၏ အကျိုးသက်ရောက်မှုကို ချိန်ညှိ ပြီးနောက် အဖြစ်အပျက်တစ်ခုဖြစ်ပေါ်နိုင်ခြေများကို...
ကိန်းဂဏန်းစစ်ဆေးမှုများစွာသည် လေ့လာတွေ့ရှိချက်များသည် သီးခြားဖြစ်သည်ဟု ယူဆသည်။ ဆိုလိုသည်မှာ ဒေတာအတွဲတစ်ခုတွင် လေ့လာတွေ့ရှိချက်များသည် တစ်ခုနှင့်တစ်ခု ဆက်စပ်မှု သို့မဟုတ် တစ်ခုနှင့်တစ်ခု မည်သို့မျှ သက်ရောက်မှုရှိမည်မဟုတ်ကြောင်း ဆိုလိုသည်။ ဥပမာအားဖြင့်၊ ကြောင်မျိုးစိတ်နှစ်ခုကြားတွင် ပျမ်းမျှအလေးချိန်ကွာခြားမှုရှိမရှိ စမ်းသပ်လိုသည်ဆိုကြပါစို့။ မျိုးစိတ် A မှ ကြောင် ၁၀ ကောင်နှင့် B ကြောင် ၁၀ ကောင်တို့၏ အလေးချိန်ကို တိုင်းတာပါက၊ ကြောင်အုပ်စုတစ်ခုစီသည် တူညီသောအမှိုက်သရိုက်များမှ ပေါက်ဖွားလာပါက လွတ်လပ်ရေး၏ ယူဆချက်ကို ကျွန်ုပ်တို့ ချိုးဖောက်မည်ဖြစ်သည်။ Species A ၏မိခင်ကြောင်တွင် ကိုယ်အလေးချိန်နည်းသောကြောင်များအားလုံးတွင်...
နမူနာနှစ်ခု t-test ကို လူဦးရေ နှစ်ခု၏ အဓိပ္ပါယ်သည် ညီမျှခြင်း ရှိ၊ မရှိ စမ်းသပ်ရန် အသုံးပြုပါသည်။ ဤစမ်းသပ်မှုအမျိုးအစားသည် ဒေတာနှင့်ပတ်သက်၍ အောက်ပါ ယူဆချက်ကို ဖြစ်စေသည်- 1. လွတ်လပ်မှု- နမူနာတစ်ခု၏ လေ့လာတွေ့ရှိချက်များသည် အခြားနမူနာများ၏ လေ့လာတွေ့ရှိချက်များနှင့် အမှီအခိုကင်းပါသည်။ 2. Normality- နမူနာနှစ်ခုလုံးသည် ခန့်မှန်းခြေအားဖြင့် ပုံမှန်ဖြန့်ဖြူးမှုရှိသည်။ 3. ကွဲပြားမှုများ၏ တူညီမှု- နမူနာနှစ်ခုသည် ခန့်မှန်းခြေအားဖြင့် တူညီသောကွဲလွဲမှုရှိသည်။ 4. ကျပန်းနမူနာ- နမူနာနှစ်ခုလုံးကို ကျပန်းနမူနာနည်းလမ်းဖြင့် ရယူခဲ့သည်။ ဤယူဆချက်တစ်ခု သို့မဟုတ်...
ကိန်းဂဏန်းစမ်းသပ်မှုများစွာသည် normality assumption ဟုခေါ်သည့်အရာကို အားကိုးသည်။ အကယ်၍ ကျွန်ုပ်တို့သည် လူဦးရေများထံမှ အမှီအခိုကင်းသော ကျပန်းနမူနာများစွာကို စုဆောင်းပြီး အကျိုးစီးပွားတန်ဖိုး ( နမူနာဆိုလို သလို) တွက်ချက်ပါက နမူနာ၏ဖြန့်ဝေမှုကို မြင်သာစေရန် ဟစ်စတိုဂရမ်တစ်ခု ဖန်တီးပါက၊ ပြီးပြည့်စုံသော ခေါင်းလောင်းမျဉ်းကွေးကို သတိပြုသင့်သည်။ ကိန်းဂဏန်းနည်းပညာများစွာသည် ဒေတာနှင့်ပတ်သက်ပြီး ဤယူဆချက်ကို ဖြစ်စေသည်- 1. နမူနာ t စမ်းသပ်မှုတစ်ခု – နမူနာဒေတာကို ပုံမှန်အတိုင်း ဖြန့်ဝေသည်ဟု ယူဆပါသည်။ 2. နမူနာနှစ်ခု t-test- နမူနာနှစ်ခုကို ပုံမှန်ဖြန့်ဝေသည်ဟု...
သီအိုရီစမ်းသပ်ခြင်း တွင်၊ အုပ်စုနှစ်ခုကြားတွင် စာရင်းအင်းဆိုင်ရာ သိသာထင်ရှားသော ခြားနားချက်ရှိမရှိ ဆုံးဖြတ်ရန် p-တန်ဖိုးများကို မကြာခဏအသုံးပြုပါသည်။ သို့သော်၊ အုပ်စုနှစ်ခုကြားတွင် ကိန်းဂဏန်းဆိုင်ရာ သိသာထင်ရှားသော ခြားနားချက်ရှိမရှိ p-value က ကျွန်ုပ်တို့ကို ပြောပြနိုင်သော်လည်း အကျိုးသက်ရောက်မှုအရွယ်အစားက ထိုကွာခြားချက်၏ ပြင်းအား ကို ကျွန်ုပ်တို့အား ပြောပြနိုင်သည်။ အကျိုးသက်ရောက်မှုအရွယ်အစားကို တိုင်းတာရန် အသုံးအများဆုံးနည်းလမ်းတစ်ခုမှာ အောက်ပါအတိုင်းတွက်ချက်ထားသည့် Hedges’g ကို အသုံးပြုခြင်းဖြစ်သည်- g = ( x 1 – x 2 ) /...
ရံဖန်ရံခါ၊ ဒေတာစုဆောင်းသည့်အခါ သုတေသီများသည် အချို့သောတန်ဖိုးများကို ဆင်ဆာဖြတ်ရန် သို့မဟုတ် ဖြတ်တောက်ရန် ဆုံးဖြတ်နိုင်သည်။ ဒေတာတန်ဖိုးများကို ဆင်ဆာဖြတ်ခြင်း ဆိုသည်မှာ အချို့သောတန်ဖိုးများအောက် သို့မဟုတ် အထက်တန်ဖိုးများအကြောင်း တစ်စိတ်တစ်ပိုင်းအချက်အလက်များကိုသာ စုဆောင်းခြင်းဖြစ်သည်။ ဥပမာအားဖြင့်၊ လူတစ်ဦးသည် တစ်နှစ်လျှင် $25,000 ထက်နည်းသောဝင်ငွေရှိကြောင်း ကျွန်ုပ်တို့သိနိုင်သော်လည်း ၎င်းတို့၏နှစ်စဉ်ဝင်ငွေအတိအကျကို ကျွန်ုပ်တို့မသိနိုင်ပါ။ ဒေတာတန်ဖိုးများကို ဖြတ်တောက်ခြင်း ဆိုသည်မှာ အချို့သောတန်ဖိုးများအောက် သို့မဟုတ် အထက်ရှိသော ဒေတာအစုတစ်ခုမှ တန်ဖိုးများကို ဖယ်ရှားခြင်းဖြစ်သည်။ ဥပမာအားဖြင့်၊ သုတေသီတစ်ဦးသည် တစ်နှစ်လျှင် $25,000 ထက်ပိုဝင်ငွေရှိသော လူများကိုသာ စိတ်ဝင်စားပေမည်။ ထို့ကြောင့်...