R တွင် coeftest() function ကိုအသုံးပြုနည်း

ဆုတ်ယုတ်မှုပုံစံတစ်ခုစီတွင် ခန့်မှန်း coefficient တစ်ခုစီအတွက် t-test ကိုလုပ်ဆောင်ရန် R ရှိ lmtest အထုပ်မှ coeftest() လုပ်ဆောင်ချက်ကို အသုံးပြုနိုင်သည်။

ဤလုပ်ဆောင်ချက်သည် အောက်ပါအခြေခံ syntax ကိုအသုံးပြုသည်-

coeftest(x)

ရွှေ-

• x : တပ်ဆင်ထားသော ဆုတ်ယုတ်မှုပုံစံ၏ အမည်

အောက်ဖော်ပြပါ ဥပမာသည် ဤလုပ်ဆောင်ချက်ကို လက်တွေ့အသုံးချနည်းကို ပြသထားသည်။

ဥပမာ- R တွင် coeftest() လုပ်ဆောင်ချက်ကို အသုံးပြုနည်း

ကျွန်ုပ်တို့တွင် အောက်ပါဒေတာဘောင် R တွင် စာကျက်ချိန်ကြာချိန်၊ လေ့ကျင့်ရေးစာမေးပွဲအရေအတွက်နှင့် အတန်းတစ်ခန်းရှိ ကျောင်းသား 10 ဦး၏ နောက်ဆုံးစာမေးပွဲရမှတ်တို့ကို ပြသသည်ဆိုပါစို့။

 #create data frame
df <- data. frame (score=c(77, 79, 84, 85, 88, 99, 95, 90, 92, 94),
                 hours=c(1, 1, 2, 3, 2, 4, 4, 2, 3, 3),
                 prac_exams=c(2, 3, 3, 2, 4, 5, 4, 3, 5, 4))

#view data frame
df

   score hours prac_exams
1 77 1 2
2 79 1 3
3 84 2 3
4 85 3 2
5 88 2 4
6 99 4 5
7 95 4 4
8 90 2 3
9 92 3 5
10 94 3 4

ယခု ကျွန်ုပ်တို့သည် R တွင် အောက်ပါ multiple linear regression model ကို ကိုက်ညီလိုသည်ဆိုပါစို့။

စာမေးပွဲရမှတ် = β ₀ + β ₁ (နာရီ) + β ₂ (လက်တွေ့စာမေးပွဲများ)

ဤမော်ဒယ်ကို လိုက်လျောညီထွေဖြစ်အောင် lm() လုပ်ဆောင်ချက်ကို အသုံးပြုနိုင်ပါသည်။

 #fit multiple linear regression model
fit <- lm(score ~ hours + prac_exams, data=df)

ထို့နောက် မော်ဒယ်တွင် တပ်ဆင်ထားသော ဆုတ်ယုတ်မှုကိန်းဂဏန်းတစ်ခုစီအတွက် t-test ကိုလုပ်ဆောင်ရန် coeftest() လုပ်ဆောင်ချက်ကို ကျွန်ုပ်တို့အသုံးပြုနိုင်သည်-

 library (lmtest)

#perform t-test for each coefficient in model
coeftest(fit)

t test of coefficients:

            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 68.40294 2.87227 23.8150 5.851e-08 ***
hours 4.19118 0.99612 4.2075 0.003998 ** 
prac_exams 2.69118 0.99612 2.7017 0.030566 *  
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

t-test ကိန်းဂဏန်းနှင့် သက်ဆိုင်သော p-value ကို t-test တစ်ခုစီအတွက် ပြသသည်-

• ကြားဖြတ် : t = 23.8150၊ p = <0.000
• နာရီ : t = 4.2075၊ p = 0.003998
• prac_exams : t = 2.7017၊ p = 0.030566

t-test တစ်ခုစီအတွက် အောက်ပါ null နှင့် အခြားအခြားသော အယူအဆများကို အသုံးပြုကြောင်း သတိပြုပါ။

• H ₀ : β _i = 0 (လျှောစောက်သည် သုညနှင့် ညီသည်)
• H _A : β _i ≠ 0 (လျှောစောက်သည် သုညနှင့် မညီပါ)

t-test ၏ p-value သည် သတ်မှတ်ထားသော အတိုင်းအတာတစ်ခုအောက် (ဥပမာ α = 0.05) အောက်တွင်ရှိနေပါက၊ ကျွန်ုပ်တို့သည် null hypothesis ကို ငြင်းပယ်ပြီး ခန့်မှန်းသူကိန်းရှင်နှင့် တုံ့ပြန်မှု variable အကြား ကိန်းဂဏန်းဆိုင်ရာ သိသာထင်ရှားသော ဆက်နွယ်မှုရှိကြောင်း ကောက်ချက်ချပါသည်။

t-test တစ်ခုစီအတွက် p-value သည် 0.05 ထက်နည်းသောကြောင့်၊ model ရှိ ကြိုတင်တွက်ဆထားသောကိန်းရှင်တစ်ခုစီသည် တုံ့ပြန်မှု variable နှင့် ကိန်းဂဏန်းအရ သိသာထင်ရှားသော ဆက်နွယ်မှုရှိကြောင်း ကျွန်ုပ်တို့ကောက်ချက်ချနိုင်မည်ဖြစ်ပါသည်။

ဤဥပမာ၏အခြေအနေတွင်၊ စာကျက်ချိန်နာရီများနှင့် လေ့ကျင့်ရေးစာမေးပွဲများ နှစ်ခုစလုံးသည် ကျောင်းသားများ၏ နောက်ဆုံးစာမေးပွဲအဆင့်အတွက် စာရင်းအင်းဆိုင်ရာ သိသာထင်ရှားသော ခန့်မှန်းချက်များဖြစ်သည်ဟု ဆိုရမည်ဖြစ်သည်။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါ သင်ခန်းစာများသည် R တွင် linear regression အကြောင်း ထပ်လောင်းအချက်အလက်များကို ပေးဆောင်သည်-

R တွင် regression output ကို အဓိပ္ပာယ်ဖွင့်ဆိုပုံ
R တွင် ရိုးရှင်းသော linear regression လုပ်နည်း
R တွင် linear regression အများအပြားလုပ်ဆောင်နည်း
R တွင် logistic regression ကို မည်သို့လုပ်ဆောင်ရမည်နည်း