R တွင် linearhypothesis() function ကိုအသုံးပြုနည်း

သတ်မှတ်ထားသော ဆုတ်ယုတ်မှုပုံစံတစ်ခုရှိ မျဉ်းရိုးယူဆချက်များကို စမ်းသပ်ရန် R ရှိ ကား အထုပ်မှ LinearHypothesis() လုပ်ဆောင်ချက်ကို သင်အသုံးပြုနိုင်သည်။

ဤလုပ်ဆောင်ချက်သည် အောက်ပါအခြေခံ syntax ကိုအသုံးပြုသည်-

 linearHypothesis(fit, c(" var1=0 ", " var2=0 "))

ဤဥပမာတွင် fit ဟုခေါ်သော ပုံစံရှိ regression coefficients var1 နှင့် var2 တို့သည် သုညနှင့် တူညီခြင်းရှိမရှိ စမ်းသပ်သည်။

အောက်ဖော်ပြပါ ဥပမာသည် ဤလုပ်ဆောင်ချက်ကို လက်တွေ့အသုံးချနည်းကို ပြသထားသည်။

ဥပမာ- R တွင် LinearHypothesis() လုပ်ဆောင်ချက်ကို အသုံးပြုနည်း

ကျွန်ုပ်တို့တွင် အောက်ပါဒေတာဘောင် R တွင် စာကျက်ချိန်ကြာချိန်၊ လေ့ကျင့်ရေးစာမေးပွဲအရေအတွက်နှင့် အတန်းတစ်ခန်းရှိ ကျောင်းသား 10 ဦး၏ နောက်ဆုံးစာမေးပွဲရမှတ်တို့ကို ပြသသည်ဆိုပါစို့။

 #create data frame
df <- data.frame(score=c(77, 79, 84, 85, 88, 99, 95, 90, 92, 94),
                 hours=c(1, 1, 2, 3, 2, 4, 4, 2, 3, 3),
                 prac_exams=c(2, 4, 4, 2, 4, 5, 4, 3, 2, 1))

#view data frame
df

   score hours prac_exams
1 77 1 2
2 79 1 4
3 84 2 4
4 85 3 2
5 88 2 4
6 99 4 5
7 95 4 4
8 90 2 3
9 92 3 2
10 94 3 1

ယခု ကျွန်ုပ်တို့သည် R တွင် အောက်ပါ multiple linear regression model ကို ကိုက်ညီလိုသည်ဆိုပါစို့။

စာမေးပွဲရမှတ် = β ₀ + β ₁ (နာရီ) + β ₂ (လက်တွေ့စာမေးပွဲများ)

ဤမော်ဒယ်ကို လိုက်လျောညီထွေဖြစ်အောင် lm() လုပ်ဆောင်ချက်ကို အသုံးပြုနိုင်ပါသည်။

 #fit multiple linear regression model
fit <- lm(score ~ hours + prac_exams, data=df)

#view summary of model
summary(fit)

Call:
lm(formula = score ~ hours + prac_exams, data = df)

Residuals:
    Min 1Q Median 3Q Max 
-5.8366 -2.0875 0.1381 2.0652 4.6381 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 72.7393 3.9455 18.436 3.42e-07 ***
hours 5.8093 1.1161 5.205 0.00125 ** 
prac_exams 0.3346 0.9369 0.357 0.73150    
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 3.59 on 7 degrees of freedom
Multiple R-squared: 0.8004, Adjusted R-squared: 0.7434 
F-statistic: 14.03 on 2 and 7 DF, p-value: 0.003553

ယခု ကျွန်ုပ်တို့သည် နာရီ ကိန်းဂဏန်းနှင့် prac_exam နှစ်ခုလုံး သုညဟုတ်မဟုတ် စမ်းသပ်လိုသည်ဆိုပါစို့။

ဒါကိုလုပ်ဖို့ LinearHypothesis() function ကိုသုံးနိုင်ပါတယ်။

 library (car)

#perform hypothesis test for hours=0 and prac_exams=0
linearHypothesis(fit, c(" hours=0 ", " prac_exams=0 "))

Linear hypothesis testing

Hypothesis:
hours = 0
prac_exams = 0

Model 1: restricted model
Model 2: score ~ hours + prac_exams

  Res.Df RSS Df Sum of Sq F Pr(>F)   
1 9 452.10                                
2 7 90.24 2 361.86 14.035 0.003553 **
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

သီအိုရီစစ်ဆေးမှုသည် အောက်ပါတန်ဖိုးများကို ပြန်ပေးသည်-

• F-test ကိန်းဂဏန်း : 14.035
• p-တန်ဖိုး : .003553

ဤသီအိုရီစမ်းသပ်မှုတွင် အောက်ပါ null နှင့် အခြားအခြားသော ယူဆချက်များကို အသုံးပြုသည်-

• H ₀ : ဆုတ်ယုတ်မှုကိန်းဂဏန်းနှစ်ခုလုံးသည် သုညနှင့်ညီသည်။
• H _A : အနည်းဆုံး regression coefficient တစ်ခုသည် သုညနှင့် မညီမျှပါ။

စစ်ဆေးမှု၏ p-value (0.003553) သည် 0.05 ထက်နည်းသောကြောင့်၊ null hypothesis ကို ငြင်းပယ်ပါသည်။

တစ်နည်းဆိုရသော် နာရီ နှင့် prac_exam နှစ်ခုလုံးသည် သုညနှင့် ညီမျှသည်ဟု ဆိုရန် လုံလောက်သော အထောက်အထား မရှိပါ။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါ သင်ခန်းစာများသည် R တွင် linear regression အကြောင်း ထပ်လောင်းအချက်အလက်များကို ပေးဆောင်သည်-

R တွင် regression output ကို အဓိပ္ပာယ်ဖွင့်ဆိုပုံ
R တွင် ရိုးရှင်းသော linear regression လုပ်နည်း
R တွင် linear regression အများအပြားလုပ်ဆောင်နည်း
R တွင် logistic regression ကို မည်သို့လုပ်ဆောင်ရမည်နည်း