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။

မှတ်ချက်တစ်ခုထည့်ပါ။

သင့် email လိပ်စာကို ဖော်ပြမည် မဟုတ်ပါ။ လိုအပ်သော ကွက်လပ်များကို * ဖြင့်မှတ်သားထားသည်