Excel- regression output တွင် p တန်ဖိုးများကို အဓိပ္ပာယ်ဖွင့်ဆိုပုံ

Multiple linear regression ကို ခန့်မှန်းသူ ကိန်းရှင် နှစ်ခု သို့မဟုတ် ထို့ထက်ပိုသော ဆက်စပ်မှု နှင့် တုံ့ပြန်မှု ကိန်းရှင် အ ကြား ဆက်နွယ်မှုကို အရေအတွက် တွက်ရန် အသုံးပြုသည်။

ကျွန်ုပ်တို့သည် မျဉ်းကြောင်းပြန်ဆုတ်ခြင်းများစွာကို လုပ်ဆောင်သည့်အခါတိုင်း၊ ခန့်မှန်းသူကိန်းရှင်များနှင့် တုံ့ပြန်မှုကိန်းရှင်ကြားမှ ဆက်နွယ်မှုရှိမရှိ ဆုံးဖြတ်ရန် ရလဒ်တွင် p-တန်ဖိုးများကို ကျွန်ုပ်တို့ အမြဲတမ်းစိတ်ဝင်စားပါသည်။

ဤသင်ခန်းစာသည် Excel ရှိ Multiple linear regression model တစ်ခု၏ output တွင် p-values များကို မည်သို့အဓိပ္ပာယ်ဖွင့်ရမည်ကို ရှင်းပြထားသည်။

ဥပမာ- Excel တွင် Regression Output တွင် P တန်ဖိုးများကို ဘာသာပြန်ခြင်း။

ကျောင်းတက်ခဲ့ရတဲ့ နာရီအရေအတွက်နဲ့ ကြိုတင်ပြင်ဆင်တဲ့ စာမေးပွဲအရေအတွက်က ကောလိပ်ဝင်ခွင့်စာမေးပွဲမှာ ကျောင်းသားတစ်ယောက်ရဲ့ အတန်းကို သက်ရောက်မှုရှိမရှိ သိချင်တယ်ဆိုပါစို့။

ဤဆက်နွယ်မှုကို စူးစမ်းလေ့လာရန်၊ ကျွန်ုပ်တို့သည် တုံ့ပြန်မှုကိန်းရှင်အဖြစ် ကြိုတင်တွက်ဆထားသော ကိန်းရှင်များနှင့် စာမေးပွဲရမှတ်များအဖြစ် ပြုလုပ်ထားသော နာရီများ နှင့် ကြိုတင်ပြင်ဆင်မှုစာမေးပွဲများကို အသုံးပြု၍ မျဉ်းကြောင်းအတိုင်း ဆုတ်ယုတ်မှုများစွာကို လုပ်ဆောင်နိုင်ပါသည်။

အောက်ဖော်ပြပါ ဖန်သားပြင်ဓာတ်ပုံသည် Excel တွင် ဤမော်ဒယ်၏ ဆုတ်ယုတ်မှုအထွက်ကို ပြသသည်-

ရလဒ်တွင် ကျွန်ုပ်တို့ကြည့်သင့်သော p-တန်ဖိုး သုံးခုရှိသည်။

• မော်ဒယ်တစ်ခုလုံး၏ P-တန်ဖိုး
• ပထမ ခန့်မှန်းသူ ကိန်းရှင် (နာရီ) ၏ P တန်ဖိုး
• ဒုတိယ ခန့်မှန်းသူ ကိန်းရှင်၏ P တန်ဖိုး (အကြိုပြင်ဆင် စာမေးပွဲများ)

ဤသည်မှာ p-value တစ်ခုစီကို မည်သို့အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်သည်-

မော်ဒယ်တစ်ခုလုံး၏ P-တန်ဖိုး

အလုံးစုံမော်ဒယ်အတွက် p-တန်ဖိုးကို ရလဒ်တွင် F တံဆိပ် တပ်ထားသော ကော်လံတွင် တွေ့နိုင်သည်။

ဤ p-value သည် 0.00 ဖြစ်သည်ကို ကျွန်ုပ်တို့တွေ့မြင်နိုင်ပါသည်။

ဤတန်ဖိုးသည် 0.05 ထက်နည်းသောကြောင့်၊ ဆုတ်ယုတ်မှုပုံစံတစ်ခုလုံးသည် စာရင်းအင်းအရ သိသာထင်ရှားသည်ဟု ကျွန်ုပ်တို့ ကောက်ချက်ချနိုင်ပါသည်။

တစ်နည်းဆိုရသော်၊ ဖြေဆိုခဲ့သော နာရီများနှင့် ကြိုတင်ပြင်ဆင်သည့် စာမေးပွဲများ ပေါင်းစပ်မှုသည် နောက်ဆုံးစာမေးပွဲအဆင့်နှင့် စာရင်းအင်းဆိုင်ရာ သိသာထင်ရှားသော ဆက်ဆံရေးရှိသည်။

ပထမ ခန့်မှန်းသူ ကိန်းရှင် (နာရီ) ၏ P တန်ဖိုး

ပထမကြိုတင်ခန့်မှန်းကိန်းရှင်အတွက် p-တန်ဖိုးသည် နာရီ၊ 0.00 ဖြစ်သည်။

ဤတန်ဖိုးသည် 0.05 ထက်နည်းသောကြောင့် လေ့လာထားသောနာရီများသည် စာရင်းအင်းအရ သိသာထင်ရှားသည်ဟု ကျွန်ုပ်တို့ကောက်ချက်ချနိုင်ပါသည်။

တစ်နည်းဆိုရသော်၊ ကျောင်းသားတစ်ဦး၏လေ့လာမှုနာရီအရေအတွက်သည် နောက်ဆုံးစာမေးပွဲအဆင့်နှင့် ကိန်းဂဏန်းအချက်အချာကျသော ဆက်စပ်မှုရှိသည်။

ဒုတိယ ခန့်မှန်းသူ ကိန်းရှင်၏ P တန်ဖိုး (အကြိုပြင်ဆင် စာမေးပွဲများ)

ဒုတိယကြိုတင်ခန့်မှန်းကိန်းရှင်၊ ကြိုတင်ပြင်ဆင်စာမေးပွဲများအတွက် p-တန်ဖိုးသည် 0.52 ဖြစ်သည်။

ဤတန်ဖိုးသည် 0.05 ထက်မနည်းသောကြောင့်၊ ကြိုတင်ပြင်ဆင်သည့်စာမေးပွဲအရေအတွက်သည် စာရင်းအင်းအရ သိသာထင်ရှားခြင်းမရှိကြောင်း ကျွန်ုပ်တို့ကောက်ချက်ချနိုင်ပါသည်။

တစ်နည်းဆိုရသော်၊ ကျောင်းသားတစ်ဦးမှ ကြိုတင်ပြင်ဆင်သည့် စာမေးပွဲအရေအတွက်သည် နောက်ဆုံးစာမေးပွဲတွင် ရရှိသောအဆင့်နှင့် ကိန်းဂဏန်းအရ သိသာထင်ရှားသော ဆက်စပ်မှု မရှိပါ။

ဤကိန်းရှင်သည် ကိန်းဂဏန်းအရ သိသာထင်ရှားခြင်းမရှိသောကြောင့်၊ ၎င်းသည် အလုံးစုံမော်ဒယ်အတွက် သိသာထင်ရှားသောတိုးတက်မှုတစ်စုံတစ်ရာကိုမပေးသည့်အတွက် ၎င်းကို မော်ဒယ်မှဖယ်ရှားရန် ဆုံးဖြတ်နိုင်ပါသည်။

ဤအခြေအနေတွင်၊ ခန့်မှန်းကိန်းရှင်ကိန်းရှင်အဖြစ် လေ့လာထားသော နာရီများကို သာ အသုံးပြု၍ ရိုးရှင်းသောမျဉ်းကြောင်းဆုတ်ယုတ်မှုကို လုပ်ဆောင်နိုင်သည်။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါ သင်ခန်းစာများသည် Excel တွင် အခြားသော အသုံးများသော အလုပ်များကို မည်သို့လုပ်ဆောင်ရမည်ကို ရှင်းပြသည်-

Excel တွင် ရိုးရှင်းသော linear regression လုပ်နည်း
Excel တွင် linear regression အများအပြားလုပ်ဆောင်နည်း
Excel တွင် Polynomial Regression ကို မည်သို့လုပ်ဆောင်မည်နည်း။