R ရှိ regression model output တွင် pr(>|t|) အဓိပ္ပာယ်ဖွင့်ဆိုပုံ

R တွင် linear regression ကို လုပ်ဆောင်သည့်အခါတိုင်း၊ သင်၏ regression model ၏ output ကို အောက်ပါ format ဖြင့် ပြသပါမည်-

 Coefficients:
            Estimate Std. Error t value Pr(>|t|)  
(Intercept) 10.0035 5.9091 1.693 0.1513  
x1 1.4758 0.5029 2.935 0.0325 *
x2 -0.7834 0.8014 -0.978 0.3732 

Pr(>|t|) ကော်လံသည် t တန်ဖိုး ကော်လံရှိ တန်ဖိုးနှင့် ဆက်စပ်နေသည့် p တန်ဖိုးကို ကိုယ်စားပြုသည်။

p-value သည် အချို့သော အရေးပါမှုအဆင့်အောက်တွင် ရှိနေပါက (ဥပမာ α = 0.05) သည် ခန့်မှန်းသူ variable သည် model ရှိ တုံ့ပြန်မှု variable နှင့် ကိန်းဂဏန်းအရ သိသာထင်ရှားသော ဆက်ဆံရေးရှိသည်ဟု ယူဆပါသည်။

အောက်ဖော်ပြပါ ဥပမာသည် ပေးထားသော ဆုတ်ယုတ်မှုပုံစံအတွက် Pr(>|t|) ကော်လံရှိ တန်ဖိုးများကို မည်သို့အဓိပ္ပာယ်ပြန်ဆိုရမည်ကို ပြသထားသည်။

ဥပမာ- Pr(>|t|) တန်ဖိုးများကို မည်သို့အဓိပ္ပာယ်ဖွင့်ဆိုမည်နည်း။

ခန့်မှန်းပေးသူ variables x1 နှင့် x2 နှင့် single response variable y ကိုအသုံးပြု၍ multiple linear regression model တစ်ခုကို ကိုက်ညီလိုသည်ဆိုပါစို့။

အောက်ပါကုဒ်သည် ဒေတာဘောင်တစ်ခု ဖန်တီးနည်းနှင့် ဒေတာနှင့် ဆုတ်ယုတ်မှုပုံစံကို အံကိုက်ပြသည်-

 #create data frame
df <- data. frame (x1=c(1, 3, 3, 4, 4, 5, 6, 6),
                 x2=c(7, 7, 5, 6, 5, 4, 5, 6),
                 y=c(8, 8, 9, 9, 13, 14, 17, 14))

#fit multiple linear regression model
model <- lm(y ~ x1 + x2, data=df)

#view model summary
summary(model)

Call:
lm(formula = y ~ x1 + x2, data = df)

Residuals:
      1 2 3 4 5 6 7 8 
 2.0046 -0.9470 -1.5138 -2.2062 1.0104 -0.2488 2.0588 -0.1578 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)  
(Intercept) 10.0035 5.9091 1.693 0.1513  
x1 1.4758 0.5029 2.935 0.0325 *
x2 -0.7834 0.8014 -0.978 0.3732  
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.867 on 5 degrees of freedom
Multiple R-squared: 0.7876, Adjusted R-squared: 0.7026 
F-statistic: 9.268 on 2 and 5 DF, p-value: 0.0208

ဤသည်မှာ Pr(>|t|) ကော်လံရှိ တန်ဖိုးများကို အဓိပ္ပာယ်ဖွင့်ဆိုပုံ ဖြစ်ပါသည်။

• ကြိုတင်ခန့်မှန်းကိန်းရှင် x1 အတွက် p-တန်ဖိုးသည် 0.0325 ဖြစ်သည်။ ဤတန်ဖိုးသည် 0.05 ထက်နည်းသောကြောင့်၊ မော်ဒယ်ရှိ တုံ့ပြန်မှုကိန်းရှင်နှင့် ကိန်းဂဏန်းအရ သိသာထင်ရှားသော ဆက်ဆံရေးရှိသည်။
• ကြိုတင်ခန့်မှန်းကိန်းရှင် x2 အတွက် p-တန်ဖိုးသည် 0.3732 ဖြစ်သည်။ ဤတန်ဖိုးသည် 0.05 ထက်မနည်းသောကြောင့်၊ ၎င်းသည် မော်ဒယ်ရှိ တုံ့ပြန်မှုကိန်းရှင်နှင့် ကိန်းဂဏန်းအရ သိသာထင်ရှားသော ဆက်ဆံရေးမရှိပါ။

ကိန်းဂဏန်းဇယားအောက်ရှိ အဓိပ္ပါယ်ကုဒ်များ သည် 0.0325 ၏ p-value ၏ဘေးရှိ ကြယ်ပွင့်တစ်ခု (*) သည် p-value သည် α = 0.05 တွင် ကိန်းဂဏန်းအရသိသာထင်ရှားသည်ဟု ဆိုလိုပါသည်။

Pr(>|t|) ကို ဘယ်လို တွက်သလဲ။

ဤသည်မှာ Pr(>|t|) ၏တန်ဖိုးကို အမှန်တကယ်တွက်ချက်ပုံဖြစ်သည် ။

အဆင့် 1- t-value ကို တွက်ချက်ပါ။

ဦးစွာ၊ ကျွန်ုပ်တို့သည် အောက်ပါဖော်မြူလာကို အသုံးပြု၍ t တန်ဖိုးကို တွက်ချက်ပါသည်။

• t-value = ခန့်မှန်းခြေ / Std အမှား

ဥပမာအားဖြင့်၊ ဤသည်မှာ ခန့်မှန်းသူ variable x1 အတွက် t တန်ဖိုးကို တွက်ချက်နည်းဖြစ်သည်။

 #calculate t-value
1.4758 / .5029

[1] 2.934579

အဆင့် 2- p-value ကို တွက်ချက်ပါ။

ထို့နောက် p-value ကို တွက်ချက်သည်။ ၎င်းသည် t ဖြန့်ဖြူးမှု၏ ပကတိတန်ဖိုးသည် 2.935 ထက် ကြီးသည်ဟု ဖြစ်နိုင်ခြေကို ကိုယ်စားပြုသည်။

ဤတန်ဖိုးကိုတွက်ချက်ရန် R တွင် အောက်ပါဖော်မြူလာကို ကျွန်ုပ်တို့ အသုံးပြုနိုင်ပါသည်။

• p-value = 2 * pt (abs (t-value)၊ ကျန်ရှိသော df၊ lower.tail = FALSE)

ဥပမာအားဖြင့်၊ ဤတွင်၊ ကျန်ရှိသော လွတ်လပ်မှု 5 ဒီဂရီဖြင့် t-တန်ဖိုး 2.935 အတွက် p-value ကို တွက်ချက်နည်း-

 #calculate p-value
2 * pt( abs (2.935), 5, lower. tail = FALSE )

[1] 0.0324441

ဤ p-value သည် အထက်ပါ regression output ရှိ p-value နှင့် ကိုက်ညီကြောင်း သတိပြုပါ။

မှတ်ချက်- ကျန်ရှိသော လွတ်လပ်မှုဒီဂရီ၏တန်ဖိုးသည် ဆုတ်ယုတ်မှုရလဒ်၏အောက်ခြေတွင်ဖြစ်သည်။ ကျွန်ုပ်တို့၏ဥပမာတွင်၊ ၎င်းသည် 5 ဖြစ်လာသည်-

 Residual standard error: 1.867 on 5 degrees of freedom

ထပ်လောင်းအရင်းအမြစ်များ

R တွင် ရိုးရှင်းသော linear regression လုပ်နည်း
R တွင် linear regression အများအပြားလုပ်ဆောင်နည်း
မျဉ်းကြောင်းပြန်ဆုတ်ခြင်းရလဒ်များကို R တွင် အများအပြားချနည်း