R တွင် durbin-watson စမ်းသပ်မှုပြုလုပ်နည်း
linear regression ၏ အဓိက ယူဆချက် တစ်ခုမှာ အကြွင်းအကျန်များ အကြား ဆက်နွယ်မှု မရှိကြောင်း၊ ဆိုလိုသည်မှာ အကြွင်းအကျန် များသည် သီးခြား ဖြစ်သည် ။
ဤယူဆချက်နှင့် ကိုက်ညီခြင်း ရှိ၊ မရှိ ဆုံးဖြတ်ရန် နည်းလမ်းတစ်ခုမှာ ဆုတ်ယုတ်မှု၏ အကြွင်းအကျန်များတွင် autocorrelation ရှိနေခြင်းကို သိရှိရန် အသုံးပြုသည့် Durbin-Watson စမ်းသပ်မှုကို လုပ်ဆောင်ရန် ဖြစ်သည်။ ဤစမ်းသပ်မှုသည် အောက်ပါယူဆချက်များကို အသုံးပြုသည်-
H 0 (null hypothesis): အကြွင်းအကျန်များကြား ဆက်စပ်မှုမရှိပါ။
H A (အခြားသောယူဆချက်)- ကျန်ရှိသောအရာများသည် အလိုအလျောက်ဆက်စပ်နေသည်။
ဤသင်ခန်းစာသည် R ဖြင့် Durbin-Watson စမ်းသပ်မှုကို မည်သို့လုပ်ဆောင်ရမည်ကို ရှင်းပြထားသည်။
ဥပမာ- R တွင် Durbin-Watson စမ်းသပ်မှု
Durbin-Watson စမ်းသပ်မှုပြုလုပ်ရန်၊ ကျွန်ုပ်တို့သည် ပထမဦးစွာ linear regression model ကို ကိုက်ညီရပါမည်။ ကျွန်ုပ်တို့သည် mtcars ပေါင်းစပ်ထားသော R ဒေတာအတွဲကို အသုံးပြုပြီး ရှင်းလင်းချက်ကိန်းရှင်များအဖြစ် mpg ကို အသုံးပြု၍ ဆုတ်ယုတ်မှုပုံစံ နှင့် အံဝင်ခွင်ကျ ဖြစ်စေပါမည်။
#load mtcars dataset data(mtcars) #view first six rows of dataset head(mtcars) mpg cyl disp hp drat wt qsec vs am gear carb Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4 Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4 Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1 Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1 Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2 Valiant 18.1 6 225 105 2.76 3,460 20.22 1 0 3 1 #fit regression model model <- lm(mpg ~ disp+wt, data=mtcars)
ထို့နောက် ပက်ကေ့ဂျ်မှ durbinWatsonTest() လုပ်ဆောင်ချက်ကို အသုံးပြု၍ Durbin-Watson စမ်းသပ်မှုကို လုပ်ဆောင်နိုင်သော ကြောင့် :
#load car package library(car) #perform Durbin-Watson test durbinWatsonTest(model) Loading required package: carData lag Autocorrelation DW Statistic p-value 1 0.341622 1.276569 0.034 Alternative hypothesis: rho != 0
ရလဒ်မှ၊ စမ်းသပ်စာရင်းအင်းသည် 1.276569 ဖြစ်ပြီး သက်ဆိုင်ရာ p-value သည် 0.034 ဖြစ်သည်ကို ကျွန်ုပ်တို့ တွေ့နိုင်ပါသည်။ ဤ p-value သည် 0.05 ထက်နည်းသောကြောင့်၊ ကျွန်ုပ်တို့သည် null hypothesis ကို ငြင်းပယ်နိုင်ပြီး ဤ regression model ၏ ကျန်ရှိသောအရာများသည် autocorrelated ဖြစ်ကြောင်း ကောက်ချက်ချနိုင်ပါသည်။
autocorrelation ကိုတွေ့ရှိပါက ဘာလုပ်ရမလဲ
အကယ်၍ သင်သည် null hypothesis ကို ငြင်းပယ်ပြီး ကျန်ရှိသော autocorrelation တွင် autocorrelation ရှိနေကြောင်း ကောက်ချက်ချပါက၊ ၎င်းကို လုံလောက်သည်ဟု သင်ယူဆပါက ဤပြဿနာကို ပြင်ရန် ရွေးချယ်စရာများစွာရှိသည်။
- အပြုသဘောဆောင်သော အမှတ်စဉ်ဆက်နွှယ်မှုအတွက်၊ မော်ဒယ်သို့ မှီခိုမှုနှင့်/သို့မဟုတ် အမှီအခိုကင်းသော ကိန်းရှင်၏ နောက်ကျကျန်နေမှုများကို ထည့်သွင်းစဉ်းစားပါ။
- အနှုတ်အမှတ်စဉ်ဆက်နွယ်မှုအတွက်၊ သင့် variable များထဲမှ တစ်ခုမျှ နှောင့်နှေးနေမည်မဟုတ်ကြောင်း သေချာပါစေ။
- ရာသီအလိုက်ဆက်စပ်မှုအတွက်၊ မော်ဒယ်သို့ ရာသီအလိုက်အရုပ်များကို ထည့်စဉ်းစားပါ။