Category: လမ်းညွှန်

ကွဲလွဲမှု၏ကိန်းဂဏန်း တစ်ခု၊ မကြာခဏအတိုကောက်အတိုကောက် CV သည် ပျမ်းမျှနှင့်ဆက်စပ်သော ဒေတာအတွဲတစ်ခုတွင် တန်ဖိုးများပျံ့နှံ့မှုကို တိုင်းတာသည့်နည်းလမ်းတစ်ခုဖြစ်သည်။ အောက်ပါအတိုင်း တွက်ချက်သည်။ CV = σ / µ ရွှေ- σ- ဒေတာအတွဲ၏ စံသွေဖည်မှု μ: ဒေတာအစုံ၏ပျမ်းမျှ ရိုးရိုးရှင်းရှင်းပြောရလျှင် ကွဲလွဲမှု၏ coefficient သည် စံသွေဖည်မှု၏ ပျမ်းမျှအချိုးဖြစ်သည်။ ဥပမာအားဖြင့်: 0.5 ၏ CV ဆိုသည်မှာ စံသွေဖည်မှုသည် ပျမ်းမျှထက်ဝက်ဖြစ်သည်။ 1 ၏ CV ဆိုသည်မှာ စံသွေဖည်မှု ပျမ်းမျှနှင့်...

စာရင်းဇယားများတွင် အသုံးများသော t-test သုံးခုရှိသည်။ နမူနာတစ်ခုတည်း t-test : လူဦးရေ၏ ဆိုလိုရင်းကို အချို့သောတန်ဖိုးနှင့် နှိုင်းယှဉ်ရန် အသုံးပြုသည်။ လွတ်လပ်သောနမူနာနှစ်ခု t-test : လူဦးရေနှစ်ခုကို နှိုင်းယှဉ်ရန် အသုံးပြုသည်။ တွဲထားသောနမူနာများ t-test − နမူနာတစ်ခုရှိ ရှုမြင်မှုတစ်ခုစီတွင် အခြားနမူနာတစ်ခုမှ စူးစမ်းလေ့လာမှုတစ်ခုနှင့် ဆက်စပ်နိုင်သောအခါ လူဦးရေနှစ်ခု၏နည်းလမ်းကို နှိုင်းယှဉ်ရန် အသုံးပြုသည်။ ဤဆောင်းပါးသည် လက်တွေ့ကမ္ဘာအခြေအနေများတွင် ဤ t-test အမျိုးအစားတစ်ခုစီကို မည်သို့အသုံးပြုကြောင်း ဥပမာများစွာတင်ပြထားသည်။ ဥပမာများ- လက်တွေ့ဘဝ t-စမ်းသပ်မှုနမူနာ ဥပမာ 1-...

Skewness သည် ဖြန့်ဖြူးမှုတစ်ခု၏ symmetry ကို ဖော်ပြသည့်နည်းလမ်းတစ်ခုဖြစ်သည်။ ဖြန့်ဖြူးမှုတစ်ခုသည် ဖြန့်ဖြူးမှု၏ညာဘက်ခြမ်းတွင် “ အမြီး” ရှိလျှင် အပြုသဘောဆောင်သော လှည့်ဖြားခြင်းဖြစ်သည် – မှတ်ချက်- တစ်ခါတစ်ရံတွင် အပြုသဘောဖြင့် လှည့်စားထားသော ဖြန့်ဝေမှုများကို “ ညာသန်” ဖြန့်ဝေမှုများဟုလည်း ခေါ်သည်။ ဤဆောင်းပါးတွင်၊ ကျွန်ုပ်တို့သည် လက်တွေ့ကမ္ဘာတွင် အပြုသဘောဆောင်သော လှည့်ဖြားထားသော ဖြန့်ဝေမှုများ၏ ဥပမာ ၅ ခုကို မျှဝေပါသည်။ ဥပမာ 1- ဝင်ငွေဖြန့်ဝေခြင်း။ အမေရိကန်ပြည်ထောင်စုတွင် တစ်ဦးချင်းဝင်ငွေ ခွဲဝေမှုသည် ညာဘက်သို့ လွဲနေပြီး...

Skewness သည် ဖြန့်ဖြူးမှုတစ်ခု၏ symmetry ကို ဖော်ပြသည့်နည်းလမ်းတစ်ခုဖြစ်သည်။ ဖြန့်ဖြူးမှုတစ်ခုသည် ဖြန့်ဖြူးမှု၏ဘယ်ဘက်ခြမ်းတွင် “ အမြီး” ရှိလျှင် အပျက်သဘောဆောင်သော လှည့်ဖြားခြင်းဖြစ်သည် – မှတ်ချက်- တစ်ခါတစ်ရံတွင် အပျက်သဘောဆောင်သော လှည့်ဖြားထားသော ဖြန့်ဝေမှုများကို “ ဘယ်ဘက်စောင်းစောင်း” ဖြန့်ဝေမှုများဟုလည်း ခေါ်သည်။ ဤဆောင်းပါးတွင်၊ ကျွန်ုပ်တို့သည် လက်တွေ့ကမ္ဘာတွင် အပျက်သဘောဆောင်သော လှည့်ဖြားထားသော ဖြန့်ဝေမှုများ၏ ဥပမာ ၅ ခုကို မျှဝေပါသည်။ ဥပမာ 1- သေဆုံးမှု၏ အသက် အပိုင်းအခြား လူဦးရေ အများစုတွင် သေဆုံးမှု၏...

Mallows Cp သည် မတူညီသော မော်ဒယ်များကြားတွင် အကောင်းဆုံး ဆုတ်ယုတ်မှု မော်ဒယ်ကို ရွေးချယ်ရန် အသုံးပြုသည့် မက်ထရစ်တစ်ခု ဖြစ်သည်။ အောက်ပါအတိုင်း တွက်ချက်သည်။ Cp = RSS p /S 2 – N+2(P+1) ရွှေ- RSS p : p ကြိုတွက်နိုင်သောကိန်းရှင်များပါသည့် မော်ဒယ်တစ်ခုအတွက် ကျန်ရှိသော လေးထောင့်ကိန်းများ S 2 : မော်ဒယ်၏ ကျန်ရှိသော ပျမ်းမျှစတုရန်း (MSE မှ ခန့်မှန်းထားသည်) N:...

ဆုတ်ယုတ်မှု ခွဲခြမ်းစိတ်ဖြာမှုတွင်၊ Mallows Cp သည် ဖြစ်နိုင်ချေရှိသော မော်ဒယ်များစွာကြားတွင် အကောင်းဆုံး ဆုတ်ယုတ်မှုပုံစံကို ရွေးချယ်ရန် အသုံးပြုသည့် မက်ထရစ်တစ်ခုဖြစ်သည်။ p သည် မော်ဒယ်ရှိ ကြိုတင်ခန့်မှန်းကိန်းဂဏန်းများဖြစ်သည့် p +1 နှင့်နီးစပ်သော အနိမ့်ဆုံး Cp တန်ဖိုးဖြင့် မော်ဒယ်ကို ခွဲခြားသတ်မှတ်ခြင်းဖြင့် “ အကောင်းဆုံး” ဆုတ်ယုတ်မှုပုံစံကို ခွဲခြားသတ်မှတ်နိုင်ပါသည်။ R တွင် Mallows ၏ Cp ကိုတွက်ချက်ရန် အလွယ်ကူဆုံးနည်းလမ်းမှာ olsrr ပက်ကေ့ခ်ျမှ ols_mallows_cp() လုပ်ဆောင်ချက်ကို အသုံးပြုခြင်းဖြစ်သည်။ အောက်ဖော်ပြပါ...

Akaike Information Criterion (AIC) သည် များစွာသော ဆုတ်ယုတ်မှုပုံစံများ၏ အံကိုက်ကို နှိုင်းယှဉ်ရန် အသုံးပြုသည့် မက်ထရစ်တစ်ခုဖြစ်သည်။ အောက်ပါအတိုင်း တွက်ချက်သည်။ AIC = 2K – 2 ln (L) ရွှေ- K- မော်ဒယ် ကန့်သတ်ချက်များ အရေအတွက်။ K ၏ မူရင်းတန်ဖိုးသည် 2 ဖြစ်သည်၊ ထို့ကြောင့် ခန့်မှန်းသူကိန်းရှင်တစ်ခုသာရှိသော မော်ဒယ်တွင် K တန်ဖိုး 2+1 = 3 ရှိပါမည်။ ln (L)...

Akaike Information Criterion (AIC) သည် မတူညီသော ဆုတ်ယုတ်မှုပုံစံများ၏ အံအားသင့်မှုကို နှိုင်းယှဉ်ရန် အသုံးပြုသည့် မက်ထရစ်တစ်ခုဖြစ်သည်။ အောက်ပါအတိုင်း တွက်ချက်သည်။ AIC = 2K – 2 ln (L) ရွှေ- K- မော်ဒယ် ကန့်သတ်ချက်များ အရေအတွက်။ K ၏ မူရင်းတန်ဖိုးသည် 2 ဖြစ်သည်၊ ထို့ကြောင့် ခန့်မှန်းသူကိန်းရှင်တစ်ခုသာရှိသော မော်ဒယ်တွင် K တန်ဖိုး 2+1 = 3 ရှိပါမည်။ ln (L)...

Akaike Information Criterion (AIC) သည် မတူညီသော ဆုတ်ယုတ်မှုပုံစံများ၏ အံအားသင့်မှုကို နှိုင်းယှဉ်ရန် အသုံးပြုသည့် မက်ထရစ်တစ်ခုဖြစ်သည်။ အောက်ပါအတိုင်း တွက်ချက်သည်။ AIC = 2K – 2 ln (L) ရွှေ- K- မော်ဒယ် ကန့်သတ်ချက်များ အရေအတွက်။ ln (L) : မော်ဒယ်၏ မှတ်တမ်းဖြစ်နိုင်ခြေ။ ၎င်းသည် ဒေတာပေးထားသော မော်ဒယ်ဖြစ်နိုင်ချေ မည်မျှရှိသည်ကို ပြောပြသည်။ သင်သည် များစွာသော ဆုတ်ယုတ်မှုပုံစံများကို တပ်ဆင်ပြီးသည်နှင့်၊ သင်သည် မော်ဒယ်တစ်ခုစီ၏...

Akaike Information Criterion (AIC) သည် မတူညီသော ဆုတ်ယုတ်မှုပုံစံများ၏ အံအားသင့်မှုကို နှိုင်းယှဉ်ရန် အသုံးပြုသည့် မက်ထရစ်တစ်ခုဖြစ်သည်။ အောက်ပါအတိုင်း တွက်ချက်သည်။ AIC = 2K – 2 ln (L) ရွှေ- K- မော်ဒယ် ကန့်သတ်ချက်များ အရေအတွက်။ ln (L) : မော်ဒယ်၏ မှတ်တမ်းဖြစ်နိုင်ခြေ။ ၎င်းသည် ဒေတာပေးထားသော မော်ဒယ်ဖြစ်နိုင်ချေ မည်မျှရှိသည်ကို ပြောပြသည်။ သင်သည် များစွာသော ဆုတ်ယုတ်မှုပုံစံများကို တပ်ဆင်ပြီးသည်နှင့်၊ သင်သည် မော်ဒယ်တစ်ခုစီ၏...