Excel တွင် regression output ကို မည်သို့အဓိပ္ပာယ်ဖွင့်ဆိုမည်နည်း။

Multiple linear regression သည် စာရင်းဇယားအားလုံးတွင် အသုံးအများဆုံးနည်းပညာများထဲမှတစ်ခုဖြစ်သည်။

ဤသင်ခန်းစာသည် Excel ရှိ Multiple linear regression model တစ်ခု၏ output တွင် တန်ဖိုးတစ်ခုစီကို မည်သို့အနက်ဖွင့်ရမည်ကို ရှင်းပြထားသည်။

ဥပမာ- Excel တွင် Regression Output ကို 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-

ဤသည်မှာ အထွက်တွင် အကြီးဆုံးတန်ဖိုးများကို အဓိပ္ပာယ်ဖွင့်ဆိုပုံဖြစ်သည်-

များစွာသော R- 0.857 ။ ၎င်းသည် တုံ့ပြန်မှုကိန်းရှင်နှင့် ကြိုတင်ခန့်မှန်းကိန်းရှင်နှစ်ခုကြား အများအပြားဆက်စပ်မှုကို ကိုယ်စားပြုသည်။

R စတုရန်း- 0.734 ။ ဒါကို coefficient of determination လို့ခေါ်တယ်။ ၎င်းသည် explanatory variable များဖြင့် ရှင်းပြနိုင်သော တုံ့ပြန်မှု variable ၏ ကွဲလွဲမှုအချိုးအစားဖြစ်သည်။ ဤဥပမာတွင်၊ စာမေးပွဲရမှတ်များ ကွဲလွဲမှု၏ 73.4% ကို လေ့လာသည့် နာရီအရေအတွက်နှင့် ကြိုတင်ပြင်ဆင်ထားသော စာမေးပွဲအရေအတွက်ဖြင့် ရှင်းပြထားသည်။

ချိန်ညှိထားသော R စတုရန်း- 0.703 ။ ၎င်းသည် မော်ဒယ်ရှိ ကြိုတင်ခန့်မှန်းကိန်းရှင် အရေအတွက်အတွက် ချိန်ညှိထားသော R Square တန်ဖိုးကို ကိုယ်စားပြုသည်။ ဤတန်ဖိုးသည်လည်း R Square တန်ဖိုးထက် နိမ့်မည်ဖြစ်ပြီး မော်ဒယ်ရှိ ကြိုတင်ခန့်မှန်းကိန်းရှင်များစွာကို အသုံးပြုသည့် မော်ဒယ်များကို အပြစ်ပေးမည်ဖြစ်သည်။

စံအမှား- 5.366 ။ ၎င်းသည် သတိပြုမိသောတန်ဖိုးများနှင့် ဆုတ်ယုတ်မှုမျဉ်းကြားရှိ ပျမ်းမျှအကွာအဝေးဖြစ်သည်။ ဤဥပမာတွင်၊ လေ့လာထားသောတန်ဖိုးများသည် ဆုတ်ယုတ်မှုမျဉ်းမှ ပျမ်းမျှယူနစ် 5,366 ဖြင့် သွေဖည်သွားပါသည်။

မှတ်ချက်များ : 20 ။ ဆုတ်ယုတ်မှုပုံစံကို ထုတ်လုပ်ရန် အသုံးပြုသည့် ဒေတာအတွဲ၏ စုစုပေါင်းနမူနာအရွယ်အစား။

F: 11:46 pm ဤသည် regression MS/residual MS အဖြစ်တွက်ချက်ထားသော regression model အတွက် စုစုပေါင်း F ကိန်းဂဏန်းဖြစ်ပါသည်။

အဓိပ္ပါယ် F: 0.0000 ။ ၎င်းသည် အလုံးစုံ F ကိန်းဂဏန်းနှင့် ဆက်စပ်နေသည့် p-တန်ဖိုးဖြစ်သည်။ ၎င်းသည် ဆုတ်ယုတ်မှုပုံစံတစ်ခုလုံးအား ကိန်းဂဏန်းအချက်အလတ်အရ သိသာထင်ရှားမှုရှိ၊ မရှိ ကျွန်ုပ်တို့အား ပြောပြသည်။

ဤကိစ္စတွင်၊ p-value သည် 0.05 ထက်နည်းသောကြောင့်၊ ပေါင်းစပ်ထားသော ရှင်းလင်းချက်ကိန်းရှင်များ ၊ လေ့လာထားသောနာရီများ နှင့် ကြိုတင်ပြင်ဆင်ထားသောစာမေးပွဲများ သည် စာမေးပွဲရလဒ် နှင့် ကိန်းဂဏန်းအရသိသာထင်ရှားသောဆက်စပ်မှုရှိကြောင်းဖော်ပြသည်။

Coefficients- ရှင်းပြချက် တစ်ခုစီ၏ ကိန်းသေများသည် ကျွန်ုပ်တို့အား တုံ့ပြန်မှုကိန်းရှင်၏ ပျမ်းမျှပြောင်းလဲမှုအား ပြောပြသည်၊၊ အခြားရှင်းပြချက်ကိန်းရှင်သည် ကိန်းသေတည်ရှိနေသည်ဟု ယူဆပါသည်။

ဥပမာအားဖြင့်၊ လေ့လာဆည်းပူးခဲ့သော နောက်ထပ်နာရီတိုင်းအတွက်၊ ပျမ်းမျှစာမေးပွဲရမှတ်သည် 5.56 ဖြင့် တိုးလာမည်ဟု မျှော်လင့်ရပြီး၊ ဖြေဆိုခဲ့သော အလေ့အကျင့်စာမေးပွဲများသည် စဉ်ဆက်မပြတ်ရှိနေမည်ဟု ယူဆပါသည်။

နာရီမလေ့လာဘဲ ကြိုတင်ပြင်ဆင်သည့်စာမေးပွဲမဖြေဆိုသော ကျောင်းသားအတွက် မျှော်မှန်းထားသော စာမေးပွဲရမှတ်သည် 67.67 ဖြစ်သည်ဟု ဆိုလိုရန် ကြားဖြတ်ဖော်ကိန်းကို ဘာသာပြန်ဆိုပါသည်။

P-တန်ဖိုးများ။ တစ်ဦးချင်း p-တန်ဖိုးများသည် ရှင်းပြချက်တစ်ခုစီတိုင်းသည် ကိန်းဂဏာန်းအရ သိသာမှုရှိမရှိ ကျွန်ုပ်တို့ကို ပြောပြသည်။ ကြိုတင်ပြင်ဆင်စာမေးပွဲများ (p = 0.52) သည် α = 0.05 တွင် စာရင်းအင်းအရ သိသာထင်ရှားခြင်းမရှိသော်လည်း လေ့လာမှုနာရီများသည် ကိန်းဂဏန်းအရ သိသာထင်ရှားသည် (p = 0.00) ဖြစ်သည်ကို ကျွန်ုပ်တို့တွေ့မြင်နိုင်ပါသည်။

ခန့်မှန်းခြေ ဆုတ်ယုတ်မှုညီမျှခြင်းကို ဘယ်လိုရေးရမလဲ

အောက်ဖော်ပြပါ ခန့်မှန်းခြေဆုတ်ယုတ်မှုညီမျှခြင်းကို ဖန်တီးရန် မော်ဒယ်အထွက်မှ ကိန်းများကို ကျွန်ုပ်တို့ အသုံးပြုနိုင်သည်။

စာမေးပွဲရမှတ် = 67.67 + 5.56*(နာရီ) – 0.60*(အကြိုစာမေးပွဲများ)

ကျောင်းသားတစ်ဦးအတွက် မျှော်မှန်းထားသော စာမေးပွဲရမှတ်ကို တွက်ချက်ရန် ဤခန့်မှန်းခြေဆုတ်ခြင်းညီမျှခြင်းကို အသုံးပြု၍ စာသင်ချိန်နာရီအရေအတွက်နှင့် ၎င်းတို့ဖြေဆိုသော အလေ့အကျင့် စာမေးပွဲအရေအတွက်အပေါ် အခြေခံ၍ ကျွန်ုပ်တို့ အသုံးပြုနိုင်ပါသည်။

ဥပမာအားဖြင့်၊ သုံးနာရီကြာလေ့လာပြီး ကြိုတင်စာမေးပွဲဖြေဆိုသော ကျောင်းသားတစ်ဦးသည် 83.75 အဆင့်ကို ရသင့်သည်-

စာမေးပွဲရမှတ် = 67.67 + 5.56*(3) – 0.60*(1) = 83.75

ယခင် ကြိုတင်ပြင်ဆင်မှုစာမေးပွဲများသည် စာရင်းအင်းအရ သိသာထင်ရှားခြင်းမရှိသောကြောင့် (p=0.52)၊ ၎င်းတို့သည် အလုံးစုံမော်ဒယ်အတွက် တိုးတက်မှုတစ်စုံတစ်ရာမရှိပါက ၎င်းတို့အား ဖယ်ရှားရန် ဆုံးဖြတ်နိုင်သည်ကို သတိရပါ။

ဤကိစ္စတွင်၊ ကျွန်ုပ်တို့သည် ရှင်းလင်းချက်ကိန်းရှင်အဖြစ် လေ့လာထားသော နာရီများကို သာ အသုံးပြု၍ ရိုးရှင်းသောမျဉ်းကြောင်းဆုတ်ယုတ်မှုကို လုပ်ဆောင်နိုင်သည်။

ထပ်လောင်းအရင်းအမြစ်များ

Simple Linear Regression နိဒါန်း
Multiple Linear Regression အကြောင်း နိဒါန်း