ကာဗာရီ

ဤဆောင်းပါးတွင် ကိန်းဂဏန်းစာရင်းဇယားများတွင် မည်သည့်အရာများပါဝင်သည်ကို ရှင်းပြထားသည်။ ထို့ကြောင့် covariate ၏အဓိပ္ပါယ်၊ covariates ၏နမူနာများနှင့် covariate ဖြင့် ကိန်းဂဏန်းစံနမူနာတစ်ခုဖန်တီးနည်းကို သင်တွေ့လိမ့်မည်။

covariate ဆိုတာ ဘာလဲ။

စာရင်းဇယားများတွင်၊ covariate သည် အမှီအခိုကင်းသော variable နှင့် dependent variable အကြားဆက်နွယ်မှုကို သက်ရောက်မှုရှိသော variable အမျိုးအစားတစ်ခုဖြစ်သော်လည်း တိုက်ရိုက်စိတ်ဝင်စားမှုမရှိပါ။ တစ်နည်းဆိုရသော် covariate သည် ရလဒ်များကို လွှမ်းမိုးနိုင်သော်လည်း လေ့လာရန် စိတ်မဝင်စားပါ။

ထို့ကြောင့်၊ စုံစမ်းစစ်ဆေးမှု၏ရလဒ်များကိုမထိခိုက်စေရန် ကိန်းဂဏန်းလေ့လာမှုတစ်ခုတွင် covariate ကိုထိန်းချုပ်ထားရပါမည်။ သာမာန်အားဖြင့်၊ covariates သည် လေ့လာမှုပုံစံတွင် ၎င်းတို့၏လွှမ်းမိုးမှုကို ဆုံးဖြတ်ရန် လေ့လာမှုပုံစံတွင် ပါ၀င်သည်၊၊ ကျွန်ုပ်တို့သည် ဤအရာကို အောက်တွင် ပိုမိုအသေးစိတ်ဖြင့် ပြန်သွားပါမည်။

ဥပမာအားဖြင့်၊ ကုမ္ပဏီတစ်ခု၏စတော့စျေးနှုန်း (မူတည်သောကိန်းရှင်) နှင့် ကုမ္ပဏီအမြတ်အစွန်း (လွတ်လပ်သောကိန်းရှင်) အကြားဆက်စပ်မှုကို ခွဲခြမ်းစိတ်ဖြာလိုပါက၊ အစုအဝေးတစ်ခုသည် စတော့စျေးကွက်လမ်းကြောင်းဖြစ်လိမ့်မည်။ အဘယ်ကြောင့်ဆိုသော် စတော့ဈေးကွက်ရှိ ကျန်အစုရှယ်ယာများ၏ ဈေးနှုန်းသည် အတက်အကျရှိမရှိကို ကျွန်ုပ်တို့ စိတ်မဝင်စားသော်လည်း၊ လေ့လာထားသော ကုမ္ပဏီ၏ အစုရှယ်ယာများ၏ ဈေးနှုန်းသည် ယုတ္တိနည်းအရ စျေးကွက်က အတက်အကျ သို့မဟုတ် ကျဆင်းခြင်းရှိမရှိအပေါ် မူတည်၍ ကွဲပြားမည်ဖြစ်သည်။ .

covariate ကို တစ်ခါတစ်ရံ covariate variable ဟုခေါ်နိုင်သည်။

covariates ၏ဥပမာများ

covariate ၏အဓိပ္ပါယ်ကိုကျွန်ုပ်တို့မြင်ပြီးသည်နှင့်၊ သဘောတရားကိုနားလည်ရန်အဆုံးသတ်ရန် covariates ၏နမူနာများစွာကိုကျွန်ုပ်တို့တွေ့လိမ့်မည်-

1. ပေါင်းထည့်ထားသော မြေသြဇာပမာဏ (အမှီအခိုကင်းသော ကိန်းရှင်) သည် အပင်ကြီးထွားမှုအပေါ် မည်ကဲ့သို့ အကျိုးသက်ရောက်သည်ကို ခွဲခြမ်းစိတ်ဖြာလိုပါက အပင်များ၏ နေရောင်ခြည်နှင့် ထိတွေ့ရသည့် အချိန်ကြာချိန်သည် ရလဒ်များကို အခြေအနေကို ပေးစွမ်းနိုင်သောကြောင့် ဖြစ်သည်။
2. အကယ်၍ ရည်ရွယ်ချက်မှာ ကျောင်းသားမှရရှိသော အတန်းများ (မှီခိုပြောင်းလဲသတ်မှတ်နိုင်မှု) နှင့် သင်ကြားခဲ့သည့် နာရီများ (အမှီအခိုကင်းသော ကိန်းရှင်) တို့အကြား ဆက်စပ်မှုကို လေ့လာရန်ဖြစ်ပါက သင်ရိုးညွှန်းတမ်းကို ရှင်းပြပေးသော ဆရာတစ်ဦးသည် covariate ဖြစ်သည်။ အခြားသူများထက် ပိုကောင်းအောင် ရှင်းပြပေးသော ဆရာများ ရှိနေသောကြောင့်၊
3. စက်ရုံတစ်ခု၏ ထုတ်လုပ်မှု (မှီခိုပြောင်းလဲနိုင်သော) နှင့် ၎င်းတွင်ရှိသော စက်အရေအတွက် (အမှီအခိုကင်းသော ကိန်းရှင်) တို့အကြား ဆက်စပ်မှုကို လေ့လာသောအခါ ဝန်ထမ်းများသည် ၎င်းတို့၏ စိတ်အားထက်သန်မှုနှင့် ၎င်းတို့၏ စွမ်းဆောင်ရည်အပေါ် သက်ရောက်သောကြောင့် ဝန်ထမ်းများ ရရှိသည့် လစာများဖြစ်သည်။

ပြောင်းလဲနိုင်သော နှင့် တူညီသည်။

ယေဘူယျအားဖြင့်၊ covariates များကို ၎င်းတို့၏လေ့လာမှုတွင် နှိုးဆော်သည့် စိတ်ဝင်စားမှုဖြင့် ကိန်းရှင်များနှင့် ကွဲပြားသည်။ တစ်နည်းဆိုရသော်၊ ကိန်းဂဏန်းလေ့လာမှုတစ်ခုတွင် covariate ကိုလေ့လာရန် စိတ်ဝင်စားစရာမဟုတ်သော်လည်း ရလဒ်များအပေါ် ကိန်းရှင်တစ်ခု၏အကျိုးသက်ရောက်မှုကို ခွဲခြမ်းစိတ်ဖြာရန်သာဖြစ်သည်။

သို့သော်၊ ကိန်းရှင်နှင့် covariate နှစ်ခုစလုံးသည် ရရှိသောရလဒ်များကို အကျိုးသက်ရောက်သောကြောင့် ကိန်းရှင်အမျိုးအစားနှစ်မျိုးစလုံးကို ကိန်းဂဏန်းစံနမူနာတွင် ထည့်သွင်းလေ့ရှိပါသည်။ ဤနည်းအားဖြင့်၊ တုံ့ပြန်မှုအပေါ် covariate ၏အကျိုးသက်ရောက်မှုကို တွေ့မြင်နိုင်ပြီး ထို့ကြောင့် အမှီအခိုကင်းသောကိန်းရှင်နှင့် မှီခိုကိန်းရှင်ကြားဆက်စပ်မှုကို ကောင်းစွာခွဲခြမ်းစိတ်ဖြာနိုင်သည်။

covariate နှင့်အတူမော်ဒယ်

သာမာန်အားဖြင့်၊ မှီခိုကိန်းရှင်နှင့် အမှီအခိုကင်းသော ကိန်းရှင်ကြား ဆက်စပ်မှုကို လေ့လာရန်၊ ရိုးရှင်းသော မျဉ်းဖြောင့်ဆုတ်ယုတ်မှုပုံစံကို လုပ်ဆောင်သည်။ ဤကိန်းဂဏန်းစာရင်းအင်းပုံစံသည် ကိန်းရှင်နှစ်ခုကြားရှိ ဆက်နွယ်မှုအား သိသာထင်ရှားသော သို့မဟုတ် လျစ်လျူရှုနိုင်သည်ရှိ၊

သို့သော်၊ ရိုးရှင်းသောမျဉ်းကြောင်းဆုတ်ယုတ်မှုတွင်၊ ရှင်းပြချက်တစ်ခုသာပါဝင်သောကြောင့် covariates ကိုထည့်သွင်းစဉ်းစားမည်မဟုတ်ပါ။ ထို့ကြောင့်၊ တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော covariates များရှိသောအခါ၊ ၎င်းတို့ကို ယေဘုယျအားဖြင့် လေ့လာမှုတွင် ထည့်သွင်းထားသောကြောင့် Multiple regression model ကို လုပ်ဆောင်သည်။ ဤနည်းအားဖြင့်၊ အကျိုးရလဒ်များကို သတ်မှတ်ပေးနိုင်သောကြောင့် ရလဒ်များကို သတ်မှတ်နိုင်သောကြောင့် ဤနည်းအားဖြင့် တုံ့ပြန်မှု၏ ဆက်စပ်မှုကို ရှင်းလင်းချက်ပြောင်းနိုင်သော ကိန်းရှင်နှင့် covariates များနှင့် ခွဲခြမ်းစိတ်ဖြာနိုင်သည်။

ဤစာရင်းအင်းခွဲခြမ်းစိတ်ဖြာမှုအမျိုးအစားကို ခွဲခြမ်းစိတ်ဖြာခြင်း (သို့မဟုတ် ANCOVA) ဟုခေါ်သည် ကွဲလွဲမှုခွဲခြမ်းစိတ်ဖြာမှု (ANOVA) နှင့်ဆင်တူသော်လည်း လေ့လာမှု covariates လည်းပါဝင်သည်။