Category: လမ်းညွှန်
Chi-square စမ်းသပ်မှုကို သင်လုပ်ဆောင်သောအခါတွင် သင်သည် စစ်ဆေးမှုစာရင်းအင်းကို ရရှိမည်ဖြစ်သည်။ Chi-square စမ်းသပ်မှုရလဒ်များသည် ကိန်းဂဏန်းအရ သိသာမှုရှိမရှိ ဆုံးဖြတ်ရန်၊ စမ်းသပ်မှုစာရင်းအင်းအား အရေးကြီးသော Chi-square တန်ဖိုး နှင့် နှိုင်းယှဉ်နိုင်သည်။ စမ်းသပ်မှုစာရင်းအင်းသည် အရေးကြီးသော Chi-square တန်ဖိုးထက် ကြီးပါက၊ စစ်ဆေးမှုရလဒ်များသည် ကိန်းဂဏန်းအရ သိသာထင်ရှားပါသည်။ Chi-square ဖြန့်ဝေမှုဇယားကို အသုံးပြု၍ သို့မဟုတ် ကိန်းဂဏန်းဆိုင်ရာဆော့ဖ်ဝဲကို အသုံးပြုခြင်းဖြင့် အရေးကြီးသော Chi-square တန်ဖိုးကို ရှာတွေ့နိုင်ပါသည် ။ အရေးပါသော ချီစတုရန်းတန်ဖိုးကို ရှာရန်၊ သင်သည် လိုအပ်သည်-...
ဆိုလိုရင်းတစ်ခုအတွက် ယုံကြည်မှုကြားကာလ သည် အတိုင်းအတာတစ်ခုအထိ ယုံကြည်စိတ်ချမှုအဆင့်တစ်ခုရှိ လူဦးရေဆိုလိုးပါ၀င်နိုင်ခြေရှိသော တန်ဖိုးများဖြစ်သည်။ အောက်ပါအတိုင်း တွက်ချက်သည်။ ယုံကြည်မှုကြားကာလ = x +/- t*(s/√n) ရွှေ- x : နမူနာကို ဆိုလိုသည်။ t: ယုံကြည်မှုအဆင့်နှင့် ကိုက်ညီသော တန်ဖိုး s: နမူနာစံသွေဖည် n: နမူနာအရွယ်အစား ဤသင်ခန်းစာတွင် Python ရှိ ယုံကြည်မှုကြားကာလများကို တွက်ချက်နည်းကို ရှင်းပြထားသည်။ t ဖြန့်ဖြူးမှုကို အသုံးပြု၍ ယုံကြည်မှုကြားကာလများ အကယ်၍ ကျွန်ုပ်တို့သည် နမူနာအသေးစား (n...
ယုံကြည်မှုကြားကာလ သည် ယုံကြည်စိတ်ချမှုအဆင့်တစ်ခုရှိ လူဦးရေကန့်သတ်ချက်ပါ၀င်နိုင်ခြေရှိသော တန်ဖိုးများအကွာအဝေးတစ်ခုဖြစ်သည်။ Seaborn visualization စာကြည့်တိုက် ကို အသုံးပြု၍ Python ရှိ ဒေတာအတွဲတစ်ခုအတွက် ယုံကြည်မှုကြားကာလကို မည်သို့စီစဉ်ရမည်ကို ဤသင်ခန်းစာတွင် ရှင်းပြထားသည်။ lineplot() ကို အသုံးပြု၍ ယုံကြည်မှုကြားကာလများကို ပုံဖော်ခြင်း ယုံကြည်မှုကြားကာလကို ကြံစည်ရန် ပထမဆုံးနည်းလမ်းမှာ ဒေတာအတွဲတစ်ခုအတွင်းရှိ ဒေတာအချက်အားလုံးကို လိုင်းတစ်ခုနှင့် ချိတ်ဆက်ကာ အမှတ်တစ်ခုစီပတ်ပတ်လည်တွင် ယုံကြည်မှုကြိုးဝိုင်းတစ်ခုပြသသည့်lineplot() လုပ်ဆောင်ချက်ကို အသုံးပြုရန်ဖြစ်သည်။ import numpy as np import seaborn as sns...
“ quantile-quantile” ၏ အတိုကောက်ဖြစ်သော QQ ကွက်ကွက် တစ်ခုအား သီအိုရီအရ ဖြန့်ဝေမှုမှ ဒေတာအတွဲတစ်ခု ဖြစ်နိုင်ချေ ရှိမရှိ အကဲဖြတ်ရန် မကြာခဏ အသုံးပြုပါသည်။ ကိစ္စအများစုတွင်၊ ဒေတာအစုံသည် ပုံမှန်ဖြန့်ဝေမှု နောက်သို့လိုက်ခြင်း ရှိ၊ မရှိ ဆုံးဖြတ်ရန် ဤကြံစည်မှုအမျိုးအစားကို အသုံးပြုသည်။ ဤသင်ခန်းစာသည် Python ရှိ ဒေတာအတွဲတစ်ခုအတွက် QQ ကွက်ကွက်ဖန်တီးနည်းကို ရှင်းပြထားသည်။ ဥပမာ- Python တွင် QQ ကြံစည်မှု ကျွန်ုပ်တို့တွင် တန်ဖိုး 100 ၏ အောက်ပါဒေတာအစုရှိသည်ဆိုပါစို့။...
ဆုတ်ယုတ်မှု ခွဲခြမ်းစိတ်ဖြာမှုတွင်၊ heteroskedasticity သည် အကြွင်းအကျန်များ မညီမညာ ကွဲထွက်သွားခြင်းကို ရည်ညွှန်းသည်။ ပို၍တိကျသည်မှာ၊ ဤသည်မှာ တိုင်းတာထားသောတန်ဖိုးများ၏ အကွာအဝေးထက် အကြွင်းအကျန်များ ဖြန့်ဖြူးရာတွင် စနစ်တကျ အပြောင်းအလဲရှိနေသည့် ကိစ္စဖြစ်သည်။ Heteroscedasticity သည် သာမာန်အနည်းဆုံးစတုရန်းပုံများ (OLS) ဆုတ်ယုတ်မှု သည် ကျန်အကြွင်းအကျန်များသည် မျိုးတူရိုးကျ ဖြစ်သော လူဦးရေမှ ဆင်းသက်လာသည်ဟု ယူဆသောကြောင့်၊ အဆက်မပြတ်ကွဲလွဲမှုဟု ဆိုလိုပါသည်။ ဆုတ်ယုတ်မှု ခွဲခြမ်းစိတ်ဖြာမှုတွင် မျိုးကွဲကွဲပြားမှု ရှိနေသောအခါ၊ ခွဲခြမ်းစိတ်ဖြာမှု၏ ရလဒ်များသည် ယုံကြည်ရန် ခက်ခဲလာသည်။ ဆုတ်ယုတ်မှုခွဲခြမ်းစိတ်ဖြာမှုတွင် heteroskedasticity...
ဆုတ်ယုတ်မှုခွဲခြမ်းစိတ်ဖြာမှုတွင် Multicollinearity သည် ဆုတ်ယုတ်မှုပုံစံတွင် ထူးခြားသော သို့မဟုတ် အမှီအခိုကင်းသော အချက်အလက်များကို ပေးဆောင်ခြင်းမရှိသည့် နှစ်ခု သို့မဟုတ် ထို့ထက်ပိုသော ရှင်းပြချက်တစ်ခုနှင့်တစ်ခု တစ်ခုနှင့်တစ်ခု အလွန်ဆက်စပ်နေသောအခါတွင် ဖြစ်ပေါ်သည်။ ကိန်းရှင်များကြားတွင် ဆက်စပ်ဆက်စပ်မှုဒီဂရီသည် လုံလောက်စွာမြင့်မားပါက၊ ၎င်းသည် ဆုတ်ယုတ်မှုပုံစံကို အံဝင်ခွင်ကျဖြစ်စေပြီး အနက်ပြန်ဆိုရာတွင် ပြဿနာများဖြစ်စေနိုင်သည်။ multicollinearity ကို ဖော်ထုတ်ရန် နည်းလမ်းတစ်ခုမှာ regression model ရှိ explanatory variables များကြား ဆက်စပ်မှု နှင့် အင်အားကို တိုင်းတာသည့် variance inflation factor...
ကျန်ရှိသောကွက်ကွက် သည် ဆုတ်ယုတ်မှုပုံစံ ၏ အကြွင်းများနှင့် ကိုက်ညီသောတန်ဖိုးများကို ပြသသည့်ကွက်ကွက်အမျိုးအစားတစ်ခုဖြစ်သည်။ ဤကွက်ကွက်အမျိုးအစားသည် ပေးထားသောဒေတာအစုံအတွက် သင့်လျော်မှုရှိမရှိ အကဲဖြတ်ရန်နှင့် အကြွင်း အ ကျန်များကို စစ်ဆေးရန်အတွက် အသုံးပြုလေ့ရှိသည်။ ဤသင်ခန်းစာတွင် Python ရှိ မျဉ်းကြောင်းဆုတ်ယုတ်မှုပုံစံအတွက် ကျန်နေသောကွက်ကွက်တစ်ခုကို ဖန်တီးနည်းကို ရှင်းပြထားသည်။ ဥပမာ- Python တွင် ကျန်ရှိသောကွက်ကွက် ဤဥပမာအတွက်၊ ကျွန်ုပ်တို့သည် ဘတ်စကတ်ဘောကစားသမား 10 ဦး၏ အရည်အချင်းများကို ဖော်ပြသည့် ဒေတာအတွဲကို အသုံးပြုပါမည်- import numpy as np import...
linear regression ၏ ယူဆချက် တစ်ခုမှာ အကြွင်းအကျန်များကြား ဆက်စပ်မှု မရှိခြင်းပင်ဖြစ်သည်။ တစ်နည်းဆိုရသော် အကြွင်းအကျန်များကို လွတ်လပ်သည်ဟု ယူဆသည်။ ဤယူဆချက်နှင့် ကိုက်ညီခြင်း ရှိ၊ မရှိ ဆုံးဖြတ်ရန် နည်းလမ်းတစ်ခုမှာ ဆုတ်ယုတ်မှု ၏ အကြွင်းအကျန်များတွင် အလိုအလျောက်ဆက်စပ်ဆက်နွှယ်မှုရှိကြောင်း သိရှိရန် အသုံးပြုသည့် Durbin-Watson စမ်းသပ်မှုကို လုပ်ဆောင်ရန်ဖြစ်သည်။ ဤစမ်းသပ်မှုသည် အောက်ပါယူဆချက်များကို အသုံးပြုသည်- H 0 (null hypothesis): အကြွင်းအကျန်များကြား ဆက်စပ်မှုမရှိပါ။ H A (အခြားသောယူဆချက်)- ကျန်ရှိသောအရာများသည် အလိုအလျောက်ဆက်စပ်နေသည်။...
Anderson-Darling test သည် သင့်ဒေတာသည် သတ်မှတ်ထားသော ဖြန့်ဝေမှုတစ်ခုနှင့် ကိုက်ညီမှု မည်မျှ ကောင်းမွန်ကြောင်း တိုင်းတာသည့် ကောင်းမွန်သော စမ်းသပ်မှုတစ်ခုဖြစ်သည်။ သင့်ဒေတာသည် ပုံမှန်ဖြန့်ဝေမှု နောက်သို့လိုက်ခြင်း ရှိ၊ မရှိ ဆုံးဖြတ်ရန် ဤစမ်းသပ်မှုကို အများဆုံးအသုံးပြုပါသည်။ ဤစမ်းသပ်မှုအမျိုးအစားသည် ဆုတ်ယုတ်ခြင်း ၊ ANOVA ၊ t-tests နှင့် အခြားများစွာသော ကိန်းဂဏန်းစစ်ဆေးမှုများစွာတွင် အသုံးများသော ယူဆချက်ဖြစ်သည့် ပုံမှန်နှုန်းကို စမ်းသပ်ခြင်းအတွက် အသုံးဝင်သည်။ ဥပမာ- Python ရှိ Anderson-Darling စမ်းသပ်မှု Python တွင်...
binomial test သည် နမူနာအချိုးကို တွေးခေါ်မှုအချိုးအစားနှင့် နှိုင်းယှဉ်သည်။ ဥပမာအားဖြင့်၊ ကျွန်တော်တို့မှာ 6-sided die ရှိတယ်ဆိုပါစို့။ အကယ်၍ ကျွန်ုပ်တို့ 12 ကြိမ် ပစ်ပါက နံပါတ် “ 3” ကို အချိန်၏ 1/6 ပေါ်လာရန် မျှော်မှန်းထားပြီး 12* (1/6) = 2 ကြိမ် ဖြစ်လိမ့်မည်။ နံပါတ် “ 3” သည် အမှန်တကယ် 4 ကြိမ်ပေါ်လာပါက၊ အသေသည် နံပါတ် “ 3”...